Louer l'Intelligence

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.