La diffusion des innovations, le processus conduisant ou non à leur adoption, font l’objet d’un intérêt déjà ancien dans la communauté scientifique (Rogers, 2003).

Le modèle traditionnel d’adoption dans une organisation distingue deux étapes notamment décrites par Gallivan (2001). L’adoption primaire concerne « la décision de l’organisation de déployer une technologie », l’adoption secondaire, « la décision d’utilisation effective par les utilisateurs » (Bidan et al., 2020).

L’adoption des technologies par les organisations est cependant de plus en plus influencée par la diffusion de technologies grands publics. À côté du « personal IT », où l’employé est explicitement autorisé à utiliser ses propres équipements au sein de l’organisation, se développe le « shadow IT », où cet usage se fait sans approbation par la ligne hiérarchique (Haag & Eckhardt, 2017).

Ce constat a amené Bidan, Biot-Paquerot, Chaboud et Lentz (2020) à parler d’« inversion du domaine de l’adoption » dès lors que des « technologies latentes », bénéficiant d’une masse critique d’utilisateurs, entraînent une adoption initiale, au sein de l’organisation, à l’initiative des employés. Les intelligences artificielles génératives (IAGs), pour une partie d’entre elles du moins, relèvent de la technologie latente.

Lancée en novembre 2022, la version gratuite de ChatGPT a ainsi connu, pendant plusieurs mois, une diffusion rapide auprès d’un public très large (Hu, 2022). Microsoft, avec Copilot, s’est par contre davantage appuyé sur le potentiel lié à l’intégration de l’IAG au sein des outils Microsoft déjà déployés dans les organisations (Visual Studio, Office 365…). De plus, de nombreux prestataires (OpenAI, Anthropic, Mistral…) offrent un accès à des APIs IAG, permettant une intégration rapide et personnalisée dans les applications, tandis que d’autres, comme META, mettent à disposition sous licence ouverte des grands modèles de langage prêts à l’emploi.

Les usages découlant de ces déploiements aux modalités variées s’exposent cependant aux limitations inhérentes à ces technologies (mémorisations, hallucinations, disponibilité, confidentialité…).

Enfin, à côté des promesses d’augmentation ou de substitution des travailleurs (Woodruff et al., 2024), et du fort engouement (Dedehayir & Steinert, 2016) suscité par les IAGs, de vifs débats se sont faits jour quant aux capacités réelles (génération de textes, génération de codes sources, questions / réponses, aide au raisonnement…) de ces outils (Raiaan et al., 2024).

Appel à contributions

Les interrogations ne manquent donc pas sur l’adoption des intelligences artificielles génératives dans les organisations. Ce numéro de Management & Data Science a pour ambition de dresser un état des connaissances sur le sujet. Il appelle des contributions scientifiques, des études de cas ou des avis d’expert sur, de manière non exhaustive, des questions comme :

• L’engouement suscité par des outils généralistes et gratuits comme ChatGPT ou Gemini peut-il être qualifié de « hype» ou annonce-t-il une inscription durable dans les usages au sein des organisations ?
• L’adoption des IA génératives (ChatGPT, Gemini, Copilot…) dans les organisations est-elle plutôt encadrée par le management ou au contraire initiée par les utilisateurs ?
• Les usages introduits par les utilisateurs perdurent-ils avec la tolérance de la hiérarchie ou bien donnent-ils lieu à un encadrement ultérieur par le management (interdiction, limitation, évolution, renforcement…) ?
• L’adoption, qu’elle soit inversée ou non, est-elle durable ou se traduit-elle, une fois un probable engouement initial, par une réduction, une transformation ou un abandon des usages ?
• Pour quels métiers, pour quelles tâches, les intelligences artificielles génératives sont-elles déployées dans les organisations ?
• Une fois prise la décision d’adoption, comment ces technologies sont-elles, sur un plan informatique, intégrées dans le système d’information des organisations ?
• Quels sont les freins et les moteurs observés, dans les organisations, à la diffusion de ces technologies, d’une part, auprès du management, d’autre part, auprès des utilisateurs ? Comment les conflits susceptibles d’émerger sont-ils traités ?
• Quelles sont les stratégies de diffusion au sein des organisations permettant de tirer le meilleur profit de ces technologies émergentes ?

Suggestions de lecture 

• Bidan, M., Biot-Paquerot, G., Chaboud, M., & Lentz, F. (Sep 2020). Inversion du domaine de l’adoption : les technologies latentes. Management et Datascience, 4(2). https://doi.org/10.36863/mds.a.12835.
• Dedehayir, O., & Steinert, M. (2016). The hype cycle model: A review and future directions. Technological Forecasting and Social Change, 108, 28-41. https://doi.org/10.1016/j.techfore.2016.04.005.
• Gallivan, M. J. (2001). Organizational adoption and assimilation of complex technological innovations: development and application of a new framework. ACM SIGMIS Database: the DATABASE for Advances in Information Systems, 32(3), 51-85. https://doi.org/10.1145/506724.506729.
• Haag, S., & Eckhardt, A. (2017). Shadow it. Business & Information Systems Engineering, 59, 469-473. https://doi.org/10.1007/s12599-017-0497-x.
• Hu, K. (2022). ChatGPT sets record for fastest-growing user base – analyst note. Reuters. https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/.
• Raiaan, M. A. K., Mukta, M. S. H., Fatema, K., Fahad, N. M., Sakib, S., Mim, M. M. J., Ahmad, J., Ali, M. E., & Azam, S. (2024). A review on large Language Models: Architectures, applications, taxonomies, open issues and challenges. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3365742.
• Rogers, E.M (2003). Diffusion of Innovations, 5th Edition. Free Press. ISBN : 9780743258234.
• Woodruff, A., Shelby, R., Kelley, P. G., Rousso-Schindler, S., Smith-Loud, J., & Wilcox, L. (2024). How knowledge workers think generative ai will (not) transform their industries. In Proceedings of the CHI Conference on Human Factors in Computing Systems (pp. 1-26). https://doi.org/10.1145/3613904.3642700.