Modèle couplé basé sur des réseaux de neurones profonds du flux de connaissances inter-organisationnel et de la prise de décision collaborative des agents

Pourquoi un meilleur partage entre organisations compte

Entreprises, hôpitaux et administrations publiques dépendent de plus en plus des informations d’autres acteurs pour prendre de bonnes décisions — qu’il s’agisse de planifier la production, d’acheminer des livraisons ou de répondre à une crise. Pourtant, dans la plupart des réseaux réels, les connaissances et les décisions sont traitées séparément : un groupe se concentre sur la collecte et le partage des données, tandis qu’un autre choisit les actions. Cet article se demande ce qui se passe si l’on considère ces deux processus comme un système étroitement lié et utilise l’intelligence artificielle moderne pour modéliser comment l’information circule entre organisations et comment des agents logiciels apprennent à coordonner leurs choix au‑dessus de ce flux.

Des faits dispersés à un réseau de connaissances vivant

Les auteurs partent d’une observation simple : la connaissance ne reste pas immobile. Rapports, prévisions et expertises circulent entre entreprises via des partenariats, des plateformes partagées et des contacts personnels — et perdent de la valeur avec le temps si elles ne sont pas renouvelées. Les études traditionnelles sur le « flux de connaissances » décrivent qui est connecté à qui et ce qui facilite ou entrave le partage, comme la confiance, la distance ou la compatibilité. Ce travail conserve ces idées mais les intègre dans un réseau numérique où chaque organisation est représentée par un nœud dont le stock de connaissances évolue à mesure que l’information arrive, se dégrade et se renforce par l’usage. Un composant d’apprentissage profond appelé réseau d’attention sur graphe (graph attention network) apprend quelles connexions importent le plus à un instant donné, en mettant l’accent sur les chemins qui véhiculent de manière fiable des informations opportunes et de haute qualité.

Des agents qui apprennent à décider ensemble

Au‑dessus de ce réseau de connaissances se situent de nombreux agents logiciels, chacun représentant un décideur comme un planificateur d’usine ou un coordinateur logistique. Plutôt que d’être contrôlés de manière centralisée, ces agents apprennent à coopérer via l’apprentissage par renforcement : ils agissent à plusieurs reprises, observent les résultats et ajustent leurs stratégies pour améliorer des objectifs partagés comme la réduction des coûts ou des ruptures. De manière essentielle, leur perception du monde inclut non seulement des faits locaux, mais aussi l’état de connaissance évolutif de leur organisation et de leurs partenaires. Un mécanisme d’attention aide chaque agent à se concentrer sur les autres agents et sur les éléments d’information les plus pertinents pour la tâche en cours, favorisant des coalitions flexibles plutôt que des chaînes de commandement rigides.

Un lien bidirectionnel entre savoir et agir

Le cœur de l’article est le « couplage » entre connaissances et décisions. Plutôt que de supposer qu’une meilleure information alimente simplement les choix, le modèle permet à la relation de fonctionner dans les deux sens. Lorsque des agents prennent des décisions conjointes avec succès, le système considère les connaissances qui les ont soutenues comme plus précieuses, renforce ces routes d’information et ralentit leur dégradation. Lorsque la coordination échoue, il signale des connaissances manquantes ou trompeuses, encourageant le réseau à rechercher de meilleures sources ou de nouveaux partenaires. Cela crée une boucle de rétroaction où le partage des connaissances et les stratégies de décision co‑évoluent. La force du lien est suivie au fil du temps, révélant dans quelle mesure les changements d’information s’alignent sur les variations de performance.

Tester le modèle en mondes simulés et réels

Pour vérifier si cette approche couplée apporte plus qu’une théorie élégante, les auteurs réalisent des expériences informatiques étendues. Ils construisent de grands jeux de données synthétiques décrivant des milliers d’organisations, des millions de transferts de connaissances et de nombreux types de tâches décisionnelles multi‑agents, depuis l’allocation de ressources jusqu’à l’atteinte d’un consensus. Ils comparent leur cadre à plusieurs alternatives qui modélisent soit les connaissances sans les décisions, soit les décisions sans les connaissances, soit qui relient simplement les deux sans boucle de rétroaction. Sur une gamme de bancs d’essai, le modèle couplé améliore la précision du transfert de connaissances et les taux de réussite des décisions de 8 à 24 % et apprend des stratégies stables plus rapidement, même lorsque les scénarios deviennent plus complexes. Enfin, ils déploient le système dans une chaîne d’approvisionnement régionale impliquant fabricants, prestataires logistiques et distributeurs. Là, le modèle aide les partenaires à partager plus intelligemment les signaux de demande, réduisant les coûts globaux de 18,5 %, diminuant les ruptures de stock de 71 % et augmentant le renouvellement des stocks de 42,7 %.

Ce que cela signifie pour les organisations au quotidien

Pour les non‑spécialistes, le message clé est que les systèmes d’information et les systèmes de décision fonctionnent mieux lorsqu’ils sont conçus ensemble. Considérer la connaissance comme un réseau vivant qui à la fois façonne et est façonné par les choix quotidiens conduit à des prévisions plus fiables, des stocks plus maigres et des réponses au changement plus rapides et mieux coordonnées. Si la machinerie technique repose sur des réseaux de neurones profonds et des algorithmes d’apprentissage avancés, l’idée sous‑jacente est intuitive : les organisations devraient prêter attention non seulement à ce qu’elles savent, mais aussi à la façon dont l’usage de ces connaissances modifie ce qui est partagé ensuite. Le cadre proposé dans cet article offre une feuille de route pour transformer cette intuition en outils pratiques qui peuvent aider entreprises, chaînes d’approvisionnement et autres réseaux à agir plus intelligemment dans leur ensemble, et pas seulement en tant que parties isolées.

Citation: Li, M., Yu, W. & Li, Y. Deep neural network-based coupling model of inter-organizational knowledge flow and agent collaborative decision-making. Sci Rep 16, 6923 (2026). https://doi.org/10.1038/s41598-026-37838-8

Mots-clés: partage des connaissances, systèmes multi‑agents, prise de décision collaborative, réseaux de neurones sur graphes, coordination de la chaîne d'approvisionnement