Les effets interactifs des éléments de connaissance et des réseaux de collaboration sur la performance de l’innovation exploratoire : preuves tirées de l’industrie chinoise de l’intelligence artificielle

Pourquoi cela compte pour l’avenir des entreprises d’IA

Derrière chaque avancée en intelligence artificielle se cache un mélange de ce que les entreprises savent déjà et de ceux avec qui elles travaillent. Cette étude explore l’industrie chinoise de l’IA, dynamique et en rapide évolution, pour poser une question simple mais cruciale : comment les entreprises doivent-elles combiner leur savoir interne et leurs partenariats externes pour produire des idées véritablement nouvelles, et pas seulement des améliorations mineures ? En analysant des milliers de brevets avec des outils de données modernes, les auteurs mettent au jour des régularités qui peuvent aider les dirigeants et les décideurs à orienter l’innovation en IA de manière plus intelligente.

Trois types d’innovateurs en IA

À partir des données de brevets de 260 entreprises chinoises d’IA, les chercheurs ont d’abord cartographié pour chaque société deux dimensions : la diversité et la structure de ses connaissances techniques, et la configuration de son réseau de collaboration établi via les co‑dépôts de brevets. Ils ont ensuite appliqué une méthode de regroupement qui classe les entreprises selon des profils similaires. Cela a fait émerger trois grands types. Les entreprises « orientées collaboration » sont fortement intégrées dans des réseaux partenaires denses mais n’ont que des forces internes de connaissance modérées. Les entreprises « orientées connaissance » disposent d’un savoir riche, diversifié et spécialisé mais sont relativement isolées. Les entreprises « équilibrées » se situent entre les deux, sans avantages marqués ni faiblesses évidentes dans l’un ou l’autre domaine.

Comment le mélange de connaissances et les partenariats interagissent

L’étude a ensuite utilisé un algorithme d’arbre de décision pour retracer comment différentes combinaisons de caractéristiques liées aux connaissances et au réseau se rapportent à la capacité des entreprises à produire des brevets dans de nouveaux domaines technologiques — un indicateur pratique de l’innovation exploratoire. Dans tous les groupes, la structure des connaissances internes jouait le rôle principal, mais le réseau environnant pouvait soit amplifier soit atténuer ses effets. Pour les entreprises orientées collaboration, une répartition trop large des domaines techniques nuisait souvent à la performance en surchargeant leur capacité d’absorption et d’utilisation de l’information. Pourtant, lorsque ces mêmes entreprises disposaient par ailleurs de réseaux de collaboration étendus ou étroitement connectés, leurs partenaires les aidaient à filtrer, partager et intégrer les connaissances, transformant une surcharge potentielle en nouveautés utiles.

Trop de spécialisation peut se retourner contre vous

Les entreprises orientées connaissance racontent une autre histoire. Leur expertise profonde et variée ne se traduisait pas automatiquement par des percées de pointe. Lorsque leur base de connaissances devenait excessivement diversifiée, la performance en innovation chutait en réalité, probablement parce que l’attention et les ressources étaient trop diluées. Même lorsque la diversité restait maîtrisée, s’associer à de nombreux organismes n’était pas toujours favorable. Un nombre modéré de collaborateurs fonctionnait généralement le mieux, tandis qu’une collaboration très étendue entraînait des coûts de coordination et des distractions, et une collaboration très restreinte limitait l’exposition à des idées nouvelles. Cela suggère que les entreprises d’IA fortement spécialisées doivent être délibérées dans l’allégement de leur portefeuille de connaissances et dans la sélection d’un ensemble gérable de partenaires stratégiques.

Trouver le juste équilibre entre similitude et différence

Pour les entreprises équilibrées, les leviers clés étaient la cohérence entre les éléments de connaissance et la facilité avec laquelle une compétence pouvait en remplacer une autre. Lorsque les éléments de connaissance étaient trop parfaitement assortis, l’entreprise s’enfermait dans des trajectoires étroites, rendant plus difficile le saut vers de nouveaux domaines. Cependant, lorsqu’il existait suffisamment de recoupement — de sorte qu’une technique pouvait substituer une autre — les entreprises pouvaient mieux expérimenter, pivoter et réagir à l’incertitude dans un secteur de l’IA jeune et volatile. Autrement dit, une certaine redondance des savoirs, souvent perçue comme du gaspillage, peut en réalité offrir flexibilité et résilience lorsque les technologies et les marchés évoluent rapidement.

Ce que cela implique pour la stratégie en IA

Dans l’ensemble, l’étude montre que ni « plus de connaissances » ni « plus de partenaires » ne conduisent automatiquement à une meilleure innovation exploratoire. Ce qui compte, c’est l’adéquation entre le mélange de connaissances internes d’une entreprise et la manière dont elle construit et utilise son réseau de collaboration, et cette adéquation varie selon que l’entreprise soit orientée collaboration, orientée connaissance ou équilibrée. Pour les dirigeants, le message est de considérer connaissances et partenariats comme un problème de conception conjoint : éviter la complexité non maîtrisée, rechercher des partenaires qui complètent des faiblesses spécifiques et maintenir suffisamment de compétences chevauchantes pour s’adapter quand le paysage de l’IA change. Pour les décideurs publics, les résultats soulignent la valeur des écosystèmes et des plateformes industrielles qui aident les entreprises à réorganiser leurs connaissances et à nouer des partenariats ciblés, plutôt que de se contenter d’encourager davantage de dépenses en R&D ou davantage d’alliances.

Citation: Zhang, L., Chen, J., Qiu, H. et al. The interactive effects of knowledge elements and collaboration networks on exploratory innovation performance: evidence from the Chinese artificial intelligence industry. Humanit Soc Sci Commun 13, 303 (2026). https://doi.org/10.1057/s41599-026-06637-x

Mots-clés: innovation exploratoire, entreprises d’intelligence artificielle, réseaux de collaboration, gestion des connaissances, analyse de brevets