Intelligence artificielle et théories de la gouvernance d'entreprise : vers un modèle conceptuel intégré

Revue Internationale de la Recherche Scientifique (Revue-IRS) ISSN: 2958-8413 Vol. 3, No. 6, Decembre 2025 This is an open access article under the CC BY-NC-ND license. http://www.revue-irs.com 6981 Intelligence artificielle et théories de la gouvernance d’entreprise : vers un modèle conceptuel intégré Zineb AOUN, Tarik KASBAOUI LRPFG, ENCG Casablanca Université Hassan II Casablanca. Maroc Résumé : Cet article analyse la relation entre l’intelligence artificielle (IA) et les principales théories de la gouvernance d’entreprise, à savoir la théorie de l’agence, la théorie des parties prenantes, la théorie de la gestion des connaissances, la théorie de la contingence et la théorie des systèmes. L’analyse montre que chacune de ces approches apporte une compréhension spécifique des dynamiques organisationnelles, mais qu’elles gagnent en pertinence lorsqu’elles sont intégrées aux capacités de l’IA. L’IA contribue à réduire les coûts d’agence par l’automatisation de la surveillance et des audits (Jensen & Meckling, 1976), à renforcer la création de valeur partagée par l’engagement numérique des parties prenantes (Freeman, 2010 ; Donaldson & Preston, 1995), et à enrichir la gestion des connaissances par la capture et le partage automatisés des savoirs (Nonaka 2009 ; Davenport & Prusak, 1998). Elle amplifie également la logique contingente en favorisant l’adaptabilité organisationnelle face aux variables contextuelles (Fiedler, 1978 ; Lawrence & Lorsch, 1967), et prolonge la perspective systémique en facilitant la modélisation des interactions complexes et la gestion des boucles de rétroaction (von Bertalanffy, 1968 ; Wiener, 2019). L’étude théorique ouvre la voie à une recherche empirique destinée à examiner l’intégration concrète de l’intelligence artificielle dans les pratiques de gouvernance. Une telle démarche, reposant sur des enquêtes de terrain, des études de cas ou des analyses comparatives, permettrait de tester les hypothèses du modèle conceptuel, de mesurer les effets réels de l’IA et de formuler des recommandations pratiques. Elle contribuerait ainsi à enrichir la littérature académique tout en offrant aux praticiens des outils opérationnels pour évoluer dans un contexte marqué par l’incertitude, la complexité et la transformation numérique. Mots clés : Intelligence artificielle (IA), Gouvernance d’entreprise, Théorie de l’agence, Théorie des parties prenantes, Gestion des connaissances, Théorie des systèmes. Digital Object Identifier (DOI): https://doi.org/10.5281/zenodo.18031120 Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6982 Abstract: This article explores the relationship between artificial intelligence (AI) and the main theories of corporate governance, namely agency theory, stakeholder theory, knowledge management theory, contingency theory, and systems theory. Each of these frameworks provides a distinct lens for understanding organizational dynamics, yet their relevance is significantly enhanced when integrated with AI capabilities. AI contributes to reducing agency costs through the automation of monitoring and auditing processes (Jensen & Meckling, 1976), strengthens stakeholder value creation by enabling digital engagement and transparency (Freeman, 2010; Donaldson & Preston, 1995), and enriches knowledge management through automated capture, storage, and dissemination of organizational knowledge (Nonaka 2009; Davenport & Prusak, 1998). It also amplifies contingency theory by fostering organizational adaptability to contextual variables (Fiedler, 1978; Lawrence & Lorsch, 1967), while extending systems theory by facilitating the modeling of complex interactions and the management of feedback loops (von Bertalanffy, 1968; Wiener, 2019). The study argues for a hybrid model of governance, where strategic decisions are informed by both human expertise and AI-driven rationality, enabling organizations to combine efficiency, transparency, resilience, and innovation (Teece, Peteraf & Leih, 2016; Skyttner, 2005). Beyond its conceptual contribution, this research opens the way for empirical studies examining the concrete integration of AI into governance practices. Such investigations, based on field surveys, case studies, or comparative analyses, would validate the proposed conceptual model, measure the real effects of AI on governance, and provide actionable recommendations for organizations navigating uncertainty, complexity, and digital transformation. Keywords: Artificial Intelligence (AI), Corporate Governance, Agency Theory, Stakeholder Theory, Knowledge Management, Systems Theory. Digital Object Identifier (DOI): https://doi.org/10.5281/zenodo. 1 Introduction La gouvernance d’entreprise constitue depuis plusieurs décennies un champ d’étude central en sciences de gestion, mobilisant des cadres théoriques variés pour analyser les relations entre dirigeants, actionnaires, parties prenantes et structures organisationnelles. Les approches classiques – théorie de l’agence (Jensen & Meckling, 1976), théorie des parties prenantes (Freeman, 2010; Donaldson & Preston, 1995), théorie de la gestion des connaissances (Nonaka 2009; Davenport & Prusak, 1998), théorie de la contingence (Fiedler, 1978 ; Lawrence & Lorsch, 1967) et théorie des systèmes (von Bertalanffy, 1968; Wiener, 2019) – offrent chacune une compréhension spécifique des dynamiques organisationnelles et des mécanismes de régulation. Toutefois, l’émergence de l’intelligence artificielle (IA) dans les pratiques managériales et décisionnelles invite à repenser ces cadres à la lumière des transformations numériques. L’IA, en tant que technologie transversale, modifie profondément les conditions de la gouvernance en réduisant les asymétries d’information, en automatisant la surveillance et les audits, en facilitant l’engagement des parties prenantes, en enrichissant la gestion des connaissances et en renforçant l’adaptabilité organisationnelle. Elle agit également comme un catalyseur systémique, capable de modéliser les interactions complexes et de gérer les boucles de rétroaction en temps réel. Ces apports suggèrent que l’IA ne se substitue pas aux théories existantes, mais qu’elle les complète et les enrichit, ouvrant la voie à une gouvernance hybride fondée sur l’articulation entre expertise humaine et rationalité algorithmique. Dans ce contexte, cet article propose un modèle conceptuel visant à analyser l’interconnexion entre l’IA et les principales théories de la gouvernance d’entreprise. L’objectif est double : d’une part, mettre en évidence la manière dont l’IA renforce la pertinence des cadres théoriques classiques, et d’autre part, ouvrir la voie à des recherches empiriques permettant de mesurer concrètement son impact sur les pratiques de gouvernance. 2 Théorie de l’agence : La théorie de l’agence, également connue sous le nom de dilemme de l’agence, a été développée par Michael C. Jensen et William H. Meckling dans les années 1970. Elle s’intéresse aux relations entre les propriétaires (principaux) et les dirigeants (agents) de l’entreprise, en mettant en évidence les tensions liées à l’asymétrie d’information et aux divergences d’intérêts. Dans une perspective systémique, cette théorie ne se limite pas à une Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6983 relation bilatérale, mais s’inscrit dans un réseau complexe d’interactions où les mécanismes de gouvernance, les technologies et les institutions influencent conjointement la dynamique principal–agent (Aoun & Kasbaoui, 2022). L’intelligence artificielle (IA) apparaît ici comme un acteur systémique qui reconfigure les équilibres de gouvernance. En améliorant la transparence et la traçabilité des décisions, l’IA contribue à réduire les conflits d’intérêts et les coûts d’agence. Elle agit comme un médiateur informationnel, capable de produire des signaux continus et fiables sur les comportements organisationnels, ce qui favorise un meilleur alignement entre les objectifs des principaux et les actions des agents. Toutefois, dans une logique systémique, l’IA ne supprime pas les tensions : elle en génère de nouvelles, notamment liées à l’opacité algorithmique, aux biais et aux enjeux éthiques. 2.1 Définition et dimensions systémiques La théorie de l’agence analyse les relations entre un principal et un agent, où le premier délègue des décisions et des tâches au second. Cependant, les intérêts de l’agent ne sont pas toujours alignés avec ceux du principal, ce qui crée des risques organisationnels : • Asymétrie d’information : le dirigeant dispose généralement d’informations plus complètes que les propriétaires, ce qui peut conduire à des décisions contraires à l’intérêt du principal. • Aléa moral : le dirigeant peut adopter des comportements opportunistes ou prendre des risques excessifs, sachant que les conséquences négatives seront partagées avec les propriétaires. • Antisélection : les propriétaires ne peuvent pas évaluer correctement la qualité des dirigeants avant leur engagement, ce qui peut conduire à des choix inefficaces. Dans une approche systémique, ces dimensions ne sont pas isolées mais interconnectées. L’IA intervient comme un instrument de régulation systémique, réduisant l’asymétrie d’information par la collecte et l’analyse massive de données, limitant l’aléa moral par des mécanismes de surveillance automatisée, et atténuant l’antisélection par des outils prédictifs de recrutement et d’évaluation. Cependant, elle introduit aussi des dépendances nouvelles visà-vis des infrastructures technologiques et des régulations institutionnelles, ce qui complexifie la gouvernance. 1.1.2 Les coûts d’agence : La théorie de l’agence identifie trois types de coûts associés aux conflits entre les propriétaires et les dirigeants. Ces coûts traduisent les tensions inhérentes à la délégation de pouvoir et à l’asymétrie d’information entre le principal et l’agent (Jensen & Meckling, 1976) : • Les coûts de surveillance : dépenses engagées par les propriétaires pour contrôler et évaluer les actions des dirigeants. • Les coûts de structure : coûts liés à la mise en place de mécanismes incitatifs et institutionnels visant à aligner les intérêts des dirigeants avec ceux des propriétaires. • Les pertes résiduelles : inefficacités persistantes lorsque les décisions des dirigeants ne sont pas parfaitement alignées avec les objectifs des propriétaires. Dans une perspective systémique, ces coûts ne doivent pas être envisagés isolément mais comme des composantes interconnectées d’un écosystème de gouvernance. L’intelligence artificielle (IA) agit comme un instrument de régulation capable de transformer la nature et l’ampleur de ces coûts. En automatisant la collecte et l’analyse des données, l’IA réduit les coûts de surveillance en offrant une traçabilité continue des décisions (Ibourk & Ghazi, 2024). Elle contribue également à la diminution des coûts de structure en facilitant la mise en place de mécanismes d’alignement plus efficaces, tels que les tableaux de bord intelligents ou les systèmes prédictifs de performance (Bounahr, 2023). Elle limite les pertes résiduelles en anticipant les comportements opportunistes grâce à des modèles de détection d’anomalies et de simulation des risques (Psyché, Maltais, & Bruneault, 2024). Cependant, l’intégration de l’IA dans la gouvernance ne supprime pas les tensions, elle en génère de nouvelles. Les coûts d’agence se déplacent vers des coûts technologiques et éthiques : dépendance aux infrastructures numériques, opacité des algorithmes, biais dans les modèles prédictifs, ou encore difficultés à garantir une transparence totale (OCDE, 2023 ; CESE, 2022). Ces limites rappellent que la théorie de l’agence, dans sa formulation classique, suppose des agents rationnels maximisant leur utilité, ce qui ne prend pas toujours en compte les dimensions sociales et éthiques des relations d’agence. L’IA, en tant qu’agent non humain, oblige à repenser ces hypothèses et à intégrer des variables de légitimité et de confiance dans l’analyse. Ainsi, replacée dans le contexte de l’intelligence artificielle, la théorie de l’agence permet de mieux comprendre comment les technologies numériques influencent la gouvernance et les relations au sein de l’entreprise. Elle ouvre la voie à une gouvernance algorithmique hybride, où les coûts d’agence traditionnels coexistent avec de nouveaux coûts liés à la régulation des systèmes intelligents et à l’acceptabilité sociale de leurs usages. Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6984 2.2 L’intelligence artificielle comme instrument de régulation dans la théorie de l’agence Dans le prolongement de la théorie de l’agence, l’intelligence artificielle (IA) s’impose comme un levier majeur de transformation des mécanismes de gouvernance. Elle agit à la fois sur la réduction des asymétries d’information, la surveillance des comportements opportunistes et l’optimisation des processus décisionnels, redéfinissant ainsi les relations entre principaux et agents. 2.2.1 Réduction de l’asymétrie d’information L’un des apports majeurs de l’intelligence artificielle (IA) dans le cadre de la théorie de l’agence réside dans sa capacité à réduire l’asymétrie d’information entre les dirigeants et les actionnaires. En produisant des analyses de données transparentes et accessibles, l’IA favorise une diffusion équitable et rapide de l’information. Les systèmes intelligents peuvent générer des rapports financiers détaillés et des prévisions basées sur des données en temps réel, ce qui limite l’avantage informationnel des dirigeants et renforce la confiance des parties prenantes (Taeihagh, 2021). 2.2.2 Surveillance continue et limitation des comportements opportunistes L’IA permet une surveillance proactive et continue des actions des dirigeants et des employés. Les algorithmes de détection d’anomalies et d’analyse prédictive identifient en temps réel les comportements suspects ou les prises de risque excessives. Cette capacité de monitoring réduit les comportements opportunistes et améliore l’alignement des décisions avec les objectifs des propriétaires (Kolt, 2025). En ce sens, l’IA agit comme un mécanisme de contrôle automatisé, renforçant la discipline organisationnelle et diminuant les coûts de surveillance. 2.2.3 Évaluation des compétences et réduction de l’antisélection Les outils d’IA en matière de recrutement et d’évaluation des dirigeants permettent d’analyser les CV, les entretiens et les performances passées afin d’identifier les candidats les plus qualifiés. Cette approche réduit le risque d’antisélection, en limitant les erreurs liées à une évaluation imparfaite de la qualité des dirigeants avant leur engagement (Psyché, Maltais, & Bruneault, 2024). 2.2.4 Optimisation des coûts de gouvernance En automatisant le suivi et l’analyse des actions des agents, l’IA diminue les coûts de surveillance et de structure. Les systèmes de conformité basés sur l’IA produisent des rapports en temps réel, réduisant le recours aux audits manuels coûteux. Par ailleurs, les plateformes d’évaluation de performance permettent de concevoir des systèmes d’incitation plus efficaces, ajustant les bonus et les récompenses en fonction des résultats réels. Ces mécanismes contribuent à un meilleur alignement des intérêts entre agents et principaux (OCDE, 2023). 2.2.5 Minimisation des pertes résiduelles et gouvernance hybride L’IA aide à minimiser les pertes résiduelles en proposant des solutions optimisées pour la gestion des ressources et en réduisant les inefficacités. En améliorant la prise de décision et en limitant les comportements opportunistes, elle favorise une gouvernance plus robuste. Toutefois, l’intégration de l’IA génère de nouveaux défis liés à l’opacité algorithmique et aux biais, ce qui appelle à une réflexion sur la légitimité et la transparence des systèmes intelligents (AI and Ethics, 2024). Ces évolutions ouvrent la voie à une gouvernance algorithmique hybride, où humains et algorithmes coexistent dans la prise de décision, redéfinissant les notions classiques de contrôle et de responsabilité. 3 La théorie des parties prenantes : La théorie des parties prenantes, également connue sous le nom de stakeholder theory, constitue une approche de la gouvernance d’entreprise qui dépasse la vision actionnariale traditionnelle. Popularisée par R. Edward Freeman dans les années 1980, cette théorie soutient que les entreprises doivent prendre en compte les intérêts de l’ensemble des parties prenantes, et non uniquement ceux des actionnaires (Freeman, 2010). Elle met en avant l’idée que la performance organisationnelle et la légitimité sociale dépendent de la capacité des entreprises à équilibrer les attentes de divers groupes influencés par leurs activités. 3.1 Définition La théorie des parties prenantes postule que les entreprises doivent gérer leurs relations avec tous les groupes ou individus qui peuvent affecter ou être affectés par leurs activités (Donaldson & Preston, 1995). Ces parties prenantes incluent, mais ne se limitent pas à, les actionnaires, les employés, les clients, les fournisseurs, la communauté locale, les régulateurs et l’environnement. L’approche met ainsi en lumière une gouvernance élargie, où la responsabilité organisationnelle s’étend au-delà de la maximisation du profit pour intégrer des dimensions sociales, environnementales et institutionnelles. Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6985 3.2 Les principales parties prenantes ▪ Actionnaires : investisseurs qui détiennent des parts de l’entreprise et attendent un retour sur investissement. ▪ Employés : individus qui travaillent pour l’entreprise et recherchent des salaires équitables, des conditions de travail sécurisées et des opportunités de développement. ▪ Clients : personnes ou organisations qui consomment les produits ou services et attendent qualité et valeur. ▪ Fournisseurs : acteurs économiques qui fournissent des biens ou services et souhaitent des relations d’affaires équitables. ▪ Communauté locale : groupes ou individus affectés par les activités de l’entreprise dans leur territoire. ▪ Régulateurs : organismes gouvernementaux et entités de régulation qui veillent au respect des lois et normes. ▪ Environnement : considéré comme une partie prenante essentielle, car les activités de l’entreprise peuvent avoir des impacts significatifs sur les écosystèmes (Clarkson, 1995). 3.3 Principes de base La théorie des parties prenantes propose une vision élargie de la gouvernance d’entreprise, en mettant l’accent sur la création de valeur pour l’ensemble des acteurs concernés par les activités organisationnelles, et non uniquement pour les actionnaires (Freeman, 2010). Cette approche holistique repose sur plusieurs principes fondamentaux qui structurent la relation entre l’entreprise et son environnement institutionnel : • Création de valeur partagée : l’entreprise doit viser à générer de la valeur non seulement pour les actionnaires, mais également pour les employés, clients, fournisseurs, communautés locales et l’environnement (Porter & Kramer, 2011). • Engagement et dialogue : un dialogue continu avec les parties prenantes est nécessaire pour comprendre leurs besoins et préoccupations, et pour renforcer la légitimité organisationnelle (Donaldson & Preston, 1995). • Responsabilité : l’entreprise doit assumer la responsabilité de ses actions et de leurs impacts sociaux, environnementaux et économiques. • Équilibre des intérêts : elle doit arbitrer entre des intérêts souvent divergents afin d’atteindre un résultat équitable et durable. La prise en compte des parties prenantes offre plusieurs bénéfices stratégiques pour les organisations. Tout d’abord, une gouvernance inclusive contribue à améliorer la réputation de l’entreprise et à renforcer la confiance des acteurs impliqués. En intégrant les attentes des différentes parties prenantes, l’entreprise accroît sa légitimité sociale et institutionnelle, ce qui constitue un avantage compétitif durable (Clarkson, 1995). Ensuite, une gestion proactive des relations avec les parties prenantes favorise la résilience organisationnelle. Les entreprises capables d’anticiper et de répondre aux préoccupations de leurs parties prenantes sont généralement mieux préparées à affronter les crises et à assurer leur pérennité. L’engagement avec les parties prenantes stimule l’innovation : en ouvrant le dialogue avec des acteurs diversifiés, l’entreprise bénéficie de nouvelles idées et de solutions créatives qui enrichissent ses pratiques et ses produits. Cependant, malgré ses apports, la théorie des parties prenantes présente certaines limites. La première difficulté réside dans la complexité de la gestion simultanée des attentes de multiples parties prenantes. Cette multiplicité peut engendrer des coûts organisationnels élevés et rendre l’opérationnalisation de la théorie difficile. De plus, les conflits d’intérêts entre parties prenantes compliquent la prise de décision stratégique. Les divergences d’objectifs peuvent ralentir les processus et fragiliser la cohérence des choix managériaux. La mesure de la performance demeure un défi majeur. Contrairement aux indicateurs financiers traditionnels, il est complexe de traduire la création de valeur pour les parties prenantes en métriques objectives et comparables, ce qui limite l’évaluation de l’efficacité de cette approche (Jensen, 2002). La théorie des parties prenantes ne demeure pas uniquement un cadre conceptuel, elle se traduit par des pratiques concrètes dans la gouvernance contemporaine. Elles concernent les politiques de responsabilité sociale des entreprises (RSE) et la publication de rapports de durabilité. En adoptant des stratégies visant à gérer leurs impacts sociaux et environnementaux, les organisations cherchent à répondre aux attentes des parties prenantes tout en renforçant leur légitimité institutionnelle. Ces politiques incluent des initiatives en matière de réduction des émissions, de conditions de travail équitables et de contribution au développement local (Carroll & Shabana, 2010). Les rapports de durabilité, souvent intégrés aux communications financières, permettent aux entreprises de rendre compte de leurs efforts et résultats en matière de gestion des parties prenantes. Ils constituent un outil de transparence et de dialogue, renforçant la confiance des investisseurs, des régulateurs et de la société civile (Eccles, Ioannou, & Serafeim, 2014). La théorie des parties prenantes inspire des pratiques de gouvernance participative, où des représentants des parties prenantes sont inclus dans les processus décisionnels et les instances de gouvernance. Cette approche favorise une Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6986 meilleure prise en compte des intérêts diversifiés et contribue à une gouvernance plus inclusive et équitable. Elle reflète une évolution vers des modèles organisationnels où la légitimité repose sur la participation et la coconstruction des décisions (Harrison & Wicks, 2013). 3.4 La théorie des parties prenantes et l’intelligence artificielle La relation entre la théorie des parties prenantes et l’intelligence artificielle (IA) illustre une évolution majeure de la gouvernance d’entreprise. L’IA, en tant qu’outil de gestion des connaissances et de traitement massif des données, enrichit l’engagement avec les parties prenantes et contribue à la création de valeur partagée. Elle permet aux organisations de dépasser une logique strictement actionnariale pour intégrer les attentes et besoins d’un ensemble élargi d’acteurs, renforçant ainsi la légitimité et la durabilité des pratiques de gouvernance (Freeman, 2010 ; Donaldson & Preston, 1995). 3.4.1 Engagement des parties prenantes L’IA facilite l’engagement en analysant de grandes quantités de données afin de comprendre les préoccupations des différents acteurs. Les outils d’analyse de sentiment permettent d’évaluer l’opinion des clients et des employés, tandis que les systèmes intelligents interagissent directement avec les parties prenantes pour recueillir des feedbacks en temps réel. Cette interaction continue favorise une gouvernance plus participative et réactive (Taeihagh, 2021). 3.4.2 Amélioration de la transparence Les systèmes d’IA génèrent des visualisations de données claires et compréhensibles, renforçant la communication des performances et des initiatives de l’entreprise. L’automatisation des rapports de durabilité et de conformité accroît la transparence organisationnelle et consolide la confiance des parties prenantes (Eccles, Ioannou, & Serafeim, 2014). 3.4.3 Prise de décision éclairée L’IA contribue à une prise de décision plus équilibrée en prévoyant les tendances et en évaluant les impacts des choix stratégiques sur les différentes parties prenantes. Elle optimise également l’allocation des ressources en fonction des priorités identifiées, ce qui améliore l’efficacité et la pertinence des décisions (Kolt, 2025). 3.4.4 Gestion des risques Les algorithmes d’IA permettent d’identifier les risques liés aux parties prenantes, qu’ils soient réputationnels, opérationnels ou stratégiques. Ils facilitent la planification de stratégies de gestion des crises et de réponses adaptées, en tenant compte des intérêts multiples et parfois divergents (AI and Ethics, 2024). 3.4.5 Personnalisation de l’expérience L’IA offre la possibilité de personnaliser les interactions avec les clients, améliorant leur satisfaction et leur fidélité. Elle peut également identifier les besoins de formation des employés et proposer des programmes de développement des compétences adaptés, renforçant ainsi la valeur créée pour les parties prenantes internes. 3.4.6 Éthique et responsabilité L’IA joue un rôle dans l’évaluation des impacts éthiques des décisions de l’entreprise. Les outils de surveillance continue permettent de vérifier la conformité des pratiques aux principes éthiques et aux attentes sociétales, contribuant à une gouvernance responsable et légitime (OCDE, 2023). 3.4.7 Innovation et collaboration L’IA favorise l’innovation et la collaboration en identifiant des opportunités de partenariats stratégiques et en cocréant des solutions avec les parties prenantes. L’analyse des données ouvre la voie à de nouvelles synergies organisationnelles et à des modèles de gouvernance plus inclusifs (Harrison & Wicks, 2013). 4 La théorie de la contingence : La théorie de la contingence constitue un cadre théorique majeur en sciences de gestion, en affirmant qu’il n’existe pas de méthode universelle pour organiser et diriger une entreprise. Contrairement aux approches normatives qui proposent des principes de gestion applicables en toutes circonstances, cette théorie soutient que la meilleure approche dépend des conditions spécifiques de chaque situation. Les structures et pratiques organisationnelles doivent ainsi s’adapter aux contingences propres à l’environnement externe et interne de l’entreprise. Dans ce contexte, l’intelligence artificielle (IA) apparaît comme un levier de flexibilité et d’adaptabilité, en fournissant des données en temps réel et des analyses prédictives qui permettent aux organisations de mieux ajuster leurs stratégies (Teece, Peteraf, & Leih, 2016). Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6987 4.1 Définition Développée dans les années 1960 et 1970 par des chercheurs tels que Fred Fiedler, Paul Lawrence et Jay Lorsch, la théorie de la contingence stipule que l’efficacité organisationnelle dépend de l’adéquation entre la structure de l’organisation et les caractéristiques de son environnement (Fiedler, 1978 ; Lawrence & Lorsch, 1967). Elle met en évidence que les pratiques de gestion doivent être adaptées aux contextes spécifiques auxquels l’organisation est confrontée, et que la rigidité des modèles universels limite la performance. 4.2 Principes de base Trois principes fondamentaux structurent cette approche : • Situation spécifique : les décisions de gestion doivent être adaptées aux conditions uniques de chaque contexte organisationnel. • Absence de méthode universelle : contrairement aux théories classiques de gestion, la théorie de la contingence rejette l’idée d’une « meilleure manière » unique de gérer. • Interaction entre les variables : l’efficacité organisationnelle dépend de l’interaction entre plusieurs variables contextuelles, telles que la taille de l’organisation, la technologie utilisée, l’environnement externe et les caractéristiques des membres de l’organisation (Donaldson, 2001). La théorie de la contingence met en évidence plusieurs variables fondamentales qui influencent la performance organisationnelle. L’environnement constitue une dimension centrale, englobant les conditions économiques, technologiques, légales et culturelles dans lesquelles l’organisation évolue. La technologie utilisée pour produire des biens et services détermine également la nature des processus et la complexité des structures. La structure organisationnelle, définissant la répartition des tâches, des responsabilités et des pouvoirs, doit être ajustée en fonction des exigences contextuelles. La taille de l’organisation influence la formalisation et la complexité des mécanismes de gestion, tandis que le style de leadership des dirigeants doit s’adapter aux besoins des subordonnés et aux contraintes de la situation (Donaldson, 2001). Sur le plan pratique, la théorie de la contingence a donné lieu à plusieurs applications. En matière de leadership, Fred Fiedler (1978) a montré que l’efficacité d’un dirigeant dépend de l’adéquation entre son style de leadership, orienté vers la tâche ou vers les relations, et la situation rencontrée. Concernant le design organisationnel, Paul Lawrence et Jay Lorsch (1967) ont démontré que les structures doivent varier selon le degré d’incertitude et de complexité de l’environnement externe. En termes de stratégie, l’approche contingente suggère que les choix organisationnels doivent être alignés avec les conditions internes et externes afin de maximiser l’efficacité et la performance globale. La théorie de la contingence présente plusieurs avantages. Elle offre une flexibilité importante, permettant aux organisations de s’adapter aux changements de l’environnement. Elle propose également une approche holistique, en intégrant une variété de facteurs contextuels et en offrant une vision globale de la gestion. Toutefois, cette approche comporte aussi des limites. La première est la complexité : identifier et analyser toutes les variables contingentes exige des compétences analytiques avancées et peut s’avérer coûteux. La seconde limite réside dans le manque de prescriptions claires : la théorie ne fournit pas de directives universelles, ce qui peut rendre son application difficile dans la pratique (Donaldson, 2001). 4.3 La théorie de la contingence et l’intelligence artificielle L’intégration de l’IA dans la gouvernance organisationnelle renforce la pertinence de la théorie de la contingence. En fournissant des données en temps réel, des analyses prédictives et des outils de simulation, l’IA permet aux entreprises d’adapter leurs structures et leurs pratiques de manière dynamique. Elle facilite l’ajustement des stratégies face aux incertitudes de l’environnement, tout en améliorant la capacité des organisations à anticiper les évolutions et à gérer la complexité (Taeihagh, 2021). La théorie de la contingence, qui prône l’adaptation des pratiques de gestion aux conditions spécifiques de chaque situation, trouve une application particulièrement pertinente dans le contexte de l’intelligence artificielle (IA). En effet, les systèmes d’IA offrent aux organisations une capacité accrue de flexibilité et de réactivité, leur permettant de s’ajuster rapidement aux changements de l’environnement externe et aux exigences internes. Cette complémentarité entre l’approche contingente et les technologies intelligentes renforce la performance organisationnelle et la résilience face à l’incertitude (Donaldson, 2001; Taeihagh, 2021). 4.3.1 Adaptabilité et flexibilité Les systèmes d’IA peuvent être conçus pour s’adapter en temps réel aux évolutions de l’environnement externe. Les algorithmes d’apprentissage automatique ajustent leurs modèles en fonction de nouvelles données, ce qui reflète le principe d’adaptabilité au cœur de la théorie de la contingence. De plus, l’IA accroît la réactivité des Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6988 entreprises en leur permettant de répondre rapidement aux fluctuations de la demande, aux changements de marché ou aux conditions économiques, grâce à des analyses et recommandations basées sur des données en temps réel (Teece, Peteraf, & Leih, 2016). 4.3.2 Personnalisation des approches de gestion La théorie de la contingence rejette l’idée d’une solution universelle de gestion, et l’IA incarne cette logique en proposant des solutions sur mesure. Les systèmes intelligents peuvent analyser les besoins spécifiques de différents départements, équipes ou individus, et proposer des approches adaptées. Ils optimisent également les opérations en fonction des conditions contextuelles, telles que la taille de l’organisation, la technologie utilisée ou les caractéristiques des employés (Lawrence & Lorsch, 1967). 4.3.3 Support à la prise de décision L’IA constitue un outil puissant d’aide à la décision. Elle fournit des analyses complexes et des simulations basées sur différents scénarios, permettant aux dirigeants d’évaluer les options disponibles et de choisir celles qui correspondent le mieux aux contingences spécifiques. Les outils prédictifs et de modélisation anticipent les tendances futures et évaluent les impacts potentiels des décisions, renforçant ainsi la pertinence des stratégies adoptées (Fiedler, 1978). 4.3.4 Gestion des ressources et des opérations L’IA améliore la gestion des ressources en facilitant une allocation flexible et efficace. Par exemple, les algorithmes d’optimisation des stocks ajustent les niveaux en fonction des prévisions de la demande. De même, les systèmes d’automatisation adaptative ajustent leurs opérations selon la charge de travail, la disponibilité des ressources et les priorités stratégiques, ce qui reflète la logique contingente d’ajustement permanent (Donaldson, 2001). 4.3.5 Innovation et amélioration continue En favorisant un environnement d’apprentissage continu, l’IA permet aux organisations de collecter et d’analyser des données sur leurs performances et processus, facilitant une amélioration constante et une adaptation aux nouvelles contingences. Elle identifie également des opportunités d’innovation contextuelle, en analysant les tendances et les besoins spécifiques des parties prenantes, ce qui renforce la capacité organisationnelle à innover de manière ciblée (Taeihagh, 2021). L’intégration de l’IA dans la gouvernance organisationnelle permet d’adopter une approche holistique, prenant en compte les diverses variables contextuelles et assurant une prise de décision plus agile et informée. Elle contribue également à l’alignement stratégique, en aidant les entreprises à ajuster leurs pratiques de gestion aux contingences spécifiques, renforçant ainsi la pertinence et l’efficacité des actions entreprises. En résumé, l’IA et la théorie de la contingence se complètent en permettant aux organisations de s’adapter de manière flexible et proactive aux conditions changeantes, tout en optimisant les opérations, en améliorant la prise de décision et en favorisant l’innovation continue. 5 La théorie de la gestion des connaissances : La théorie de la gestion des connaissances (Knowledge Management Theory) constitue un cadre théorique qui étudie la manière dont les organisations créent, partagent, utilisent et gèrent les connaissances afin d’atteindre leurs objectifs stratégiques. 5.1 Définition La théorie de la gestion des connaissances repose sur l’idée que la connaissance est une ressource organisationnelle essentielle, dont la valorisation permet d’améliorer la performance, l’innovation et la compétitivité (Davenport & Prusak, 1998). Cette approche s’appuie sur plusieurs concepts clés et pratiques visant à maximiser l’utilisation des connaissances au sein des organisations. 5.1.1 Création des connaissances La distinction entre connaissances tacites et connaissances explicites est centrale. Les connaissances tacites sont personnelles, contextuelles et difficiles à formaliser, tandis que les connaissances explicites sont codifiées et facilement transmissibles. Nonaka (2009) ont proposé le modèle SECI (Socialisation, Externalisation, Combinaison, Internalisation), qui décrit le processus de transformation et de partage des connaissances. La socialisation permet de transmettre des connaissances tacites par l’expérience, l’externalisation les convertit en explicites, la combinaison les intègre pour créer de nouvelles connaissances explicites, et l’internalisation les réintègre dans la pratique individuelle. Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6989 5.1.2 Partage des connaissances Le partage des connaissances s’opère à travers des communautés de pratique, qui regroupent des individus partageant un intérêt commun et échangeant leurs expériences (Wenger, 1999). Les technologies de l’information jouent également un rôle crucial, en facilitant la diffusion des connaissances explicites via des bases de données, des intranets ou des systèmes de gestion des connaissances. Ces dispositifs renforcent la circulation de l’information et la collaboration organisationnelle. 5.1.3 Utilisation des connaissances La gestion des connaissances vise à favoriser l’innovation et l’amélioration continue en mobilisant les savoirs pour optimiser les processus et soutenir la prise de décision. Elle contribue également à la gestion des compétences, en permettant aux employés d’accéder aux connaissances nécessaires et de développer leurs compétences par la formation et l’apprentissage organisationnel (Grant, 1996). 5.1.4 Gestion des connaissances La gestion des connaissances implique plusieurs pratiques complémentaires : la captation des connaissances, qui consiste à documenter les savoirs tacites et explicites; le stockage des connaissances, qui repose sur des systèmes et infrastructures organisés et sécurisés; et la diffusion des connaissances, qui assure leur accessibilité à l’ensemble des membres de l’organisation. Ces processus permettent de transformer la connaissance en un véritable actif stratégique, mobilisable pour la performance et l’innovation (Alavi & Leidner, 2001). 5.2 Modèles et approches de la gestion des connaissances La gestion des connaissances s’appuie sur plusieurs modèles théoriques qui permettent de comprendre et de structurer les processus de création, de diffusion et d’utilisation des savoirs au sein des organisations. Parmi les plus influents, le modèle de Nonaka (2009) et le modèle I-Space de Boisot (1998) offrent des cadres complémentaires pour analyser la dynamique des connaissances. 5.2.1 Le modèle de Nonaka Le modèle SECI (Socialisation, Externalisation, Combinaison, Internalisation) décrit la transformation continue des connaissances tacites et explicites. La socialisation correspond au partage de connaissances tacites par des interactions directes, comme l’apprentissage sur le tas. L’externalisation consiste à convertir les connaissances tacites en explicites, par exemple à travers la documentation des processus. La combinaison fusionne diverses connaissances explicites pour en créer de nouvelles, comme lors de la synthèse de rapports. L’internalisation intègre les connaissances explicites dans la pratique individuelle, notamment par la formation et l’application. Ce modèle met en évidence la nature dynamique et circulaire de la création de connaissances organisationnelles (Nonaka, 2009). 5.2.2 Le modèle de Boisot Le modèle I-Space de Boisot (1998) propose une approche différente, centrée sur la codification et la diffusion des connaissances. Le processus commence par le scannage, où les connaissances sont capturées sous forme de données. La codification rend ces données compréhensibles et transférables. La diffusion assure leur circulation dans l’organisation, tandis que l’absorption correspond à l’intégration des connaissances par les individus. L’impact reflète l’effet des connaissances utilisées sur les performances et les résultats organisationnels. Ce modèle insiste sur la dimension informationnelle et sur le rôle des infrastructures dans la gestion des savoirs. Ces approches offrent plusieurs bénéfices stratégiques. Elles améliorent l’efficacité organisationnelle en facilitant le partage des meilleures pratiques et en évitant la duplication des efforts. Elles stimulent l’innovation en favorisant la combinaison et l’application de connaissances diverses. Elles contribuent à la création d’un avantage concurrentiel, en développant des compétences uniques et en permettant une réaction rapide aux évolutions du marché (Grant, 1996). Malgré leurs apports, ces modèles présentent certaines limites. La réussite de la gestion des connaissances dépend fortement de la culture organisationnelle : une culture qui ne valorise pas le partage peut entraver son efficacité. De plus, si les technologies de l’information sont essentielles pour faciliter la diffusion des connaissances, elles ne peuvent remplacer les interactions humaines et la confiance nécessaires au partage. La gestion des connaissances demeure une tâche complexe, nécessitant une coordination rigoureuse des processus et des technologies, ce qui peut représenter un défi pour les organisations (Alavi & Leidner, 2001). Revue Internationale de la Recherche Scientifique (Revue-IRS) - ISSN : 2958-8413 http://www.revue-irs.com 6996 [21] Kolt, N. (2025). Governing AI Agents. Notre Dame Law Review (forthcoming). arXiv. https://arxiv.org/pdf/2501.07913 [22] Lawrence, P. R., & Lorsch, J. W. (1967). Organization and environment: Managing differentiation and integration. Boston: Harvard Business School Press. [23] Nonaka, I. (2009). The knowledge-creating company. In The economic impact of knowledge (pp. 175187). Routledge. [24] Organisation de Coopération et de Développement Économiques (OCDE). (2023). Principes de l’OCDE sur la gouvernance de l’intelligence artificielle. Organisation de Coopération et de Développement Économiques. [25] Porter, M. E., & Kramer, M. R. (2011). Creating shared value. Harvard Business Review, 89 (1-2), 62–77. [26] Psyché, V., Maltais, M., & Bruneault, F. (2024). Gestion, gouvernance et politiques d’intelligence artificielle en éducation et en enseignement supérieur. Médiations & médiatisations, (18). https://doi.org/10.52358/mm.vi18.440 [27] Skyttner, L. (2005). General systems theory: Problems, perspectives, practice. Hackensack, NJ: World Scientific. [28] Taeihagh, A. (2021). Governance of artificial intelligence. Policy and Society, 40(2), 137–157. https://doi.org/10.1080/14494035.2021.1928377 [29] Teece, D. J., Peteraf, M. A., & Leih, S. (2016). Dynamic capabilities and organizational agility: Risk, uncertainty, and strategy in the innovation economy. California Management Review, 58(4), 13–35. https://doi.org/10.1525/cmr.2016.58.4.13 [30] von Bertalanffy, L. (1968). General system theory: Foundations, development, applications. New York: George Braziller. [31] Wenger, E. (1999). Communities of practice: Learning, meaning, and identity. Cambridge: Cambridge University Press. [32] Wiener, N. (2019). Cybernetics: Or control and communication in the animal and the machine. Cambridge, MA: MIT Press. [33] Wiig, K. M. (1997). Knowledge management: An introduction and perspective. Journal of Knowledge Management, 1(1), 6–14. https://doi.org/10.1108/13673279710800682