Chargement...
Thèse de doctorat · soumise en juin 2026
Doctorat en Administration des Affaires (DBA) · IIBM Institute of Business Management
Spécialité : Intelligence Artificielle
Une analyse des applications de l'IA dans les choix d'approvisionnement pour façonner la performance dans le développement international
Thèse soumise en vue de l'obtention du diplôme de Doctorat en Administration des Affaires.
L'IA générative n'élève pas la performance institutionnelle par elle-même — seulement là où la capacité d'absorption et la maturité de gouvernance convertissent une capacité louée, contrôlée de l'extérieur, en capacité organisationnelle utilisable.
En une trentaine de mois, l'intelligence artificielle générative est passée du statut de nouveauté expérimentale à celui de dépendance opérationnelle au sein des institutions du développement international. Banques multilatérales de développement, agences des Nations Unies et grandes organisations non gouvernementales internationales consacrent désormais une part mesurable de leur budget administratif aux outils fondés sur des modèles de fondation, mais le font sous trois incertitudes croisées pour lesquelles n'existe aucune preuve sectorielle reproductible : une offre amont de capacités concentrée entre les mains de quelques fournisseurs étrangers, des configurations de gouvernance internes très variables aux conséquences inconnues sur la performance, et des résultats opérationnels jamais mesurés avec la rigueur quasi-expérimentale que le secteur exige pourtant de ses propres programmes.
Cette thèse comble cette lacune au moyen d'un dispositif entièrement construit sur des données publiques, et s'organise autour d'une thèse unique : l'IA générative n'élève pas la performance institutionnelle par elle-même, mais seulement là où la capacité d'absorption et la maturité de gouvernance convertissent une capacité louée, contrôlée de l'extérieur, en capacité organisationnelle réellement utilisable. L'étude constitue une base de recensement d'environ quatre-vingts organisations de développement couvrant 2020 à 2026, codifie leurs stratégies d'approvisionnement en IA et leurs configurations de gouvernance à partir de divulgations publiques codées par protocole, et construit un panel trimestriel institution-trimestre de quarante-cinq institutions disposant de données d'activité exploitables par machine.
L'impact causal de l'adoption de l'IA générative sur des résultats observables — délais de cycle des projets et de la passation des marchés, débit documentaire et notes d'évaluation indépendante — est abordé par une méthode de différences-en-différences à adoption échelonnée fondée sur l'estimateur de Callaway et Sant'Anna (2021), complétée par des méthodes de contrôle synthétique (Abadie et al., 2010 ; Arkhangelsky et al., 2021) et prémunie contre la sélection par un modèle de propension à l'adoption avec pondération par probabilité inverse. Le cadre intègre quatre prismes porteurs : la Théorie de la Dépendance aux Ressources en son cœur, l'oligopole côté offre des marchés amont concentrés comme environnement, le cadre Technologie-Organisation-Environnement comme ossature de gouvernance, et la Théorie de la Capacité d'Absorption comme mécanisme de conversion — le tout ancré dans des fondements de management stratégique et comportementaux.
Conformément à un strict standard de zéro fabrication, la thèse rapporte ce que les preuves publiques établissent à ce jour et réserve les estimations confirmatoires du résultat d'évaluation principal jusqu'à ce que la variable de traitement ait été validée par des codeurs indépendants et que les notes à long délai se soient accumulées. Ce qui est d'ores et déjà établi est substantiel. Le marché amont est concentré à la frontière des capacités — deux à cinq fournisseurs effectifs selon la puissance de calcul d'entraînement — confirmant l'oligopole côté offre et la dépendance côté acheteur qu'il impose aux institutions de développement comme une caractéristique mesurée du marché, et non comme une stylisation.
Plus déterminant encore pour la thèse centrale, l'adoption se révèle non aléatoire : les institutions plus grandes, plus transparentes et mieux dotées adoptent plus tôt et avec une intensité plus forte — une sélection positive que le dispositif mesure directement et corrige, et la signature empirique du gradient de capacité même que le mécanisme prédit. Les estimations provisoires par approximation demeurent non informatives, selon les propres résultats de placebo et de sensibilité de la batterie de tests, ce qui est rapporté comme une contrainte de temps post-adoption et de délai des résultats, et non comme une preuve d'absence d'effet. Cette non-interprétabilité est elle-même informative : elle démontre que le dossier public actuel suffit à détecter la sélection à l'adoption et à faire tourner l'estimateur, mais ne suffit pas encore à étayer une affirmation stable d'effet sur la performance.
Quatre théories réunies en une seule explication.
Cœur
Pose la capacité d'IA comme une ressource critique contrôlée par des fournisseurs externes, rendant l'institution dépendante d'acteurs qu'elle ne peut gouverner.
Environnement
Caractérise le marché amont concentré — deux à cinq fournisseurs de pointe effectifs selon la puissance de calcul — qui conditionne les choix de chaque acheteur.
Ossature
Fournit l'ossature de gouvernance reliant la maturité technologique, la configuration organisationnelle et la pression environnementale en une seule logique d'adoption.
Mécanisme
Apporte le mécanisme de conversion : la capacité de l'institution à reconnaître, assimiler et appliquer la capacité louée est ce qui la transforme en performance.
Un dispositif quasi-expérimental construit uniquement sur des données publiques.
Ce que les preuves publiques étayent actuellement, sous un strict standard de zéro fabrication.
La frontière des capacités se résume à deux à cinq fournisseurs effectifs selon la puissance de calcul d'entraînement, confirmant un oligopole côté offre et la dépendance côté acheteur qu'il impose comme une caractéristique mesurée du marché, non une stylisation.
Les institutions plus grandes, plus transparentes et mieux dotées adoptent plus tôt et plus intensément — une sélection positive que le dispositif mesure et corrige, et la signature empirique du gradient de capacité prédit par le mécanisme.
L'appareil quasi-expérimental complet fonctionne de bout en bout sur des données publiques réelles — estimations groupe-temps et d'étude d'événement, batterie de placebo et de sensibilité, modèle de survie du délai d'adoption et classification par archétypes sur le panel de 45 institutions.
Les estimations provisoires par approximation demeurent non informatives selon les propres tests de placebo et de sensibilité — rapportées comme une contrainte de temps post-adoption et de délai des résultats, non comme une preuve d'absence d'effet. Le dossier peut détecter la sélection et faire tourner l'estimateur ; il ne peut pas encore étayer une affirmation stable d'effet.
L'adoption de l'IA dans les institutions est reconçue comme un effet modéré plutôt que direct, où la capacité d'absorption et la maturité de gouvernance constituent le mécanisme qui convertit l'intelligence louée en capacité.
Un cadre de décision d'approvisionnement en IA opérationnalise la thèse centrale pour la pratique, offrant aux conseils et dirigeants une manière structurée d'arbitrer les choix d'approvisionnement au regard de la gouvernance et de la capacité.
Un appareil opérationnel et reproductible ainsi qu'un jeu de données institution-trimestre publié et exploitable par machine deviennent un actif sectoriel partagé et un précédent méthodologique pour l'évaluation quasi-expérimentale de l'adoption de l'IA dans des contextes non commerciaux, centrés sur les résultats.
Le constat de concentration côté offre, et de la dépendance côté acheteur qu'elle impose, est établi comme une caractéristique mesurée du marché — le fait structurel qui motive l'ensemble de l'enquête.
Les institutions de développement devraient bâtir leur capacité d'absorption et leur maturité de gouvernance avant d'acquérir des outils d'IA, et non après — car la capacité louée ne se convertit en performance que là où ces compléments existent déjà.