




Nous sommes en 1883 en Italie, et Carlo Collodi invente une histoire, celle de Geppetto. Un soir, le vieux menuisier transforme un morceau de bois magique en une marionnette, qui prend vie et se présente comme Pinocchio. Geppetto se prend d'affection pour Pinocchio et l'aime comme son propre fils... mais le jeune pantin est désobéissant et insouciant. De mauvais choix en mensonges, le petit se retrouve dans toutes sortes d'histoires, qui l'obligent à mentir davantage, lui faisant allonger le nez. Pinochio a la tête dure — normal, elle est en bois — mais heureusement, Jiminy Cricket est là pour tout arranger, il est en quelque sorte la conscience qui manque au pantin. S'en suivent des aventures rocambolesques. Pinocchio continue de mentir et Jiminy Cricket continue de penser à sa place. L'histoire se termine par une scène épique, où Pinocchio sauve Geppetto d'une baleine qui l'avait avalé — une belle leçon sur l'honnêteté, la bravoure et l'amour familial. La fée bleue reconnaît les efforts de Pinocchio et le transforme en un véritable petit garçon.
31 août 1955. John McCarthy (Dartmouth College), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) et Claude Shannon (Bell) co-signent un document de treize pages prophétique intitulé « Proposition de projet de recherche sur l’intelligence artificielle ». Il a pour ambition de tracer la route des recherches qui seront nécessaires pour doter un jour les machines de "systèmes informatiques ayant des capacités intellectuelles comparables à celles des hommes". La tâche est immense : formaliser le raisonnement d’un humain grâce à une suite d’opérations informatiques. Pour concrétiser son rêve fou, l’équipe sollicite auprès de la très influente Fondation Rockefeller un budget de 14 500$ pour financer un atelier de réflexion de deux mois avec une dizaine de chercheurs à la pointe de ces sujets. Il aura lieu l'année suivante sur le campus du Dartmouth College. Et c'est la naissance de l'idée d'intelligence artificielle. Cette collaboration n’est qu’un début, puisque McCarthy et Minsky vont fonder beaucoup plus tard (1971) le département d’intelligence artificielle au Massachusetts Institute of Technology (MIT). Ce document propose d'explorer plusieurs champs de recherche : la logique symbolique, le raisonnement automatisé, l'apprentissage automatique, la perception, le traitement du langage, la robotique et la psychologie de l'apprentissage. Je le rappelle, nous ne sommes... qu'en 1955.

Soixante-dix ans plus tard, nous voici. Les rêves les plus fous contenus dans le Projet Dartmouth sont devenus une réalité — une banalité, même. Il y a de l'IA partout. Dans votre ordinateur, votre téléphone, votre montre, votre télévision, votre réveil-matin, le haut-parleur du salon, le toaster ou le distributeur de bouffe pour chat... partout. Mais depuis la fin de 2022, une passion nouvelle a submergé nos sociétés. Elle a pris la forme d'une sorte d'hystérie économique, d'emballement médiatique, sur fond de catastrophisme apocalyptique. Un coupable, ChatGPT — un outil puissant de recherche qui peut maintenir une conversation crédible avec vous. Le projet est sorti des cartons de OpenAI, une organisation sans but lucratif fondée en 2015 par un groupe d'investisseurs impressionnants de la Silicon Valley, dont Elon Musk, Peter Thiel et Reid Hoffmann — aussi surnommés la Paypal Mafia (ils ont cofondé Paypal ensemble et leur influence est sans limite aux USA). L'idée, créer une organisation ouverte, qui permette une démocratisation de la technologie, mais aussi la participation de toute la communauté IA, pour fabriquer, améliorer, et peaufiner des modèles ambitieux. L'approche séduit les plus grands chercheurs du marché, qui acceptent des salaires bien inférieurs à ceux payés par les géants Google ou Méta. L'obsession était claire : ne pas laisser l'IA dans les mains d'une seule entité, mais en faire un projet collaboratif, une sorte d'ONG du progrès. La mission était écrite noir sur blanc sur leur site internet : faire en sorte que l'intelligence artificielle générale profite à toute l'humanité — attendez, le LOL arrive.
En 2019, l'organisation devient privée, mais la promesse open source demeure : la technologie développée autour de l'intelligence artificielle doit demeurer accessible et gratuite pour tout le monde, afin de s'assurer d'une meilleure gouvernance — LOL numéro 1. Mais à peine un an plus tard... Patatra, une entente est signée avec Microsoft. L'organisation à but "non lucratif" devient alors une entreprise privée, dont la valeur est estimée à 29 Milliards USD. Elle sonne le glas de l'ouverture. L'utilisation devient payante, les licences deviennent commerciales et le code devient secret — LOL numéro 2. Le hold-up de la communauté IA est complété, et certains organismes influants de la communauté IA s'insurgent. The Center for AI and Digital Policy interpelle la Federal Trade Commission pour "pratique déloyale et trompeuse". Le mythe de l'ouverture, du projet de société, de la transparence et de l'entraide n'aura pas tenu cinq ans. Début 2023, un collectif de 1 000 chercheurs sonne l'alerte et appelle à un contrôle éthique, dans une lettre ouverte (elle!), patronnée par Yoshua Bengio, qui avait pourtant conseillé Greg Brockman — président d'OpenAI — lors du lancement du projet.
Cet épisode n'est pas sans rappeler l'histoire de Google qui avait pour crédo Don't be evil, avant de l'abandonner quelques années plus tard et de collaborer avec le Pentagone sur des projets d'attaques de drones pilotés par l'IA.

Et aujourd'hui? Aujourd'hui l'excitation générale et la paranoïa collective nous empêchent de voir sereinement les limites de l'IA. De nombreux chercheurs, mathématiciens, physiciens, philosophes appellent à la prudence. D'un côté, la prudence est de mise en cas de réussite, avec des conséquences sociétales importantes — en filigrane, la détérioration de la cherche, de l'éducation, de l'emploi, des égalités, etc. De l'autre, la prudence quant aux capacités réelles de l'IA — jugées décevantes par le patron d'OpenAI Sam Altman lui-même : "People are begging to be disappointed and they will be". En clair, il y a beaucoup de mystifications autour du sujet. Ce flou est entretenu par la Silicon Valley qui y voit l'opportunité de se refaire une santé financière — et une réputation — après le fiasco absolu des métavers début des années 2020. Alors sur quels mythes reposent l'enfumage dont nous sommes victimes en ce moment À première vue, j'en vois douze.



En attendant, l'intelligence artificielle est un pantin mal élevé, qui ment, qui raconte toutes sortes d'âneries... mais que son inventeur adore quand même. C'est un morceau de bois qui a besoin d'un Jimily Cricket — nous — pour lui donner une âme et rectifier ses erreurs. Ce pantin est très impressionnant, mais il n'est pas nouveau. Le philosophe Archytas avait fabriqué le premier automate de l'histoire, un pigeon mécanique au IVe siècle avant J.-C. Le mathématicien Héron d'Alexandrie avait fabriqué plusieurs automates hydrauliques dans le premier siècle après J.-C. Léonard de Vinci avait conçu un chevalier mécanique, et Descartes s'était bricolé Francine, une enfant-automate après le décès de sa fille. Le Turc mécanique de Von Kempelen jouait aux échecs au XVIIIe siècle, alors que le canard mécanique de Jacques de Vaucanson semblait manger et digérer de la nourriture.
Les automates ont toujours été fascinants et ils le sont encore. Ils frappent notre imaginaire et nous questionnent sur notre propre nature, nos habiletés, nos capacités, notre créativité, mais aussi sur nos intentions, notre morale ou notre éthique. Bref... sur notre singularité — celle qui rend les humains si singuliers. Mais il ne sont que des pantins, encore moins autonomes que Pinnochio. Les mains qui dirigent ce bout de bois surdoué a des intentions douteuses. Tel un public médusé, nous sommes en train de croire au ventriloque, et les fils de nylons se dissipent. Or il sont bien présents. La marionnette de l'IA est dépourvue de ce qui fait notre intelligence. Des capacités tout à fait mystérieuses pour nous, encore aujourd'hui. L'humain est miracle, l'IA un automate. Sa puissance le rend arrogant et sûr de lui — les seuls traits humains dont il a réellement hérités jusqu'alors.
Pour conclure cette réflexion, je vais convoquer John McCarty lui-même — de la bande de Dartmouth, souvenez-vous. C'est lui qui a inventé le terme Artificial Intelligence en 1956, pendant l'atelier d'été. Un peu plus tard, il va faire une déclaration qui explique bien des choses : "As soon as it works, no one calls it AI anymore". Dès que ça fonctionne, on n'appelle plus ça de l'intelligence artificielle. Et c'est vrai! Un ordinateur, un téléphone, une montre, une télévision, un réveil-matin, un haut-parleur, un toaster ou un distributeur de bouffe pour chat... tout cela relève de l'intelligence artificielle, mais puisque ça fonctionne, on appelle ça autrement. Et c'est un signal à repérer dans le discours des marchands du temple. Dès que vous entendez les mots "intelligence artificielle", c'est que... bah ça ne marche *peut-être* pas encore...
L'intelligence artificielle est le résultat de 70 années de recherches et d'essais-erreur. Aujourd'hui, ce pantin dépendant des humains se prend pour un petit garçon. Il est maladroit, mal élevé, approximatif et arrogant, et tel Pinocchio, il a besoin d'une conscience externe pour le mener sur le droit chemin. C'est à nous de jouer ce rôle, et de ne pas nous laisser berner par les écrans de fumées produits par une Silicon Valley en quête de parts de marché sur l'avenir de l'humanité. Outil supruissant pour accélérer le progrès? Certainement. Singularité qui mimerait la conscience, l'intention, l'émotion, ou le libre arbitre? Nous en sommes encore bien loin. Ce Pinocchio mérite notre attention autant qu'il mérite une éducation fiable, et peut-être une fessée de temps en temps...
Acte II
Dartmouth Projet http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
Acte III
https://hackernoon.com/how-openai-transitioned-from-a-nonprofit-to-a-$29b-for-profit-company
https://fortune.com/2023/01/06/openai-valuation-ai-chatgpt-microsoft-bing-google-search/
https://techcrunch.com/2022/05/19/when-big-ai-labs-refuse-to-open-source-their-models-the-community-steps-in/
https://ici.radio-canada.ca/nouvelle/1101433/employes-google-petition-contre-collaboration-pentagone
https://www.theverge.com/23560328/openai-gpt-4-rumor-release-date-sam-altman-interview
Acte IV
https://www.nytimes.com/2023/05/27/nyregion/avianca-airline-lawsuit-chatgpt.html?smid=tw-nytimes&smtyp=cur
https://techcrunch.com/2009/09/16/google-acquires-recaptcha-to-power-scanning-for-google-books-and-google-news/
https://mpost.io/fr/samsung-staff-accidentally-leaked-information-to-chatgpt/
https://techcrunch.com/2012/03/29/google-now-using-recaptcha-to-decode-street-view-addresses/
https://www.amnesty.ca/blog/racial-bias-in-facial-recognition-algorithms/
https://datascientest.com/intelligence-artificielle-biais-ia
https://nftnow.com/features/the-objectification-of-women-in-ai-art/
https://www.axios.com/2022/04/26/rumble-trump-truth-social-spac
Pour mesurer l'ampleur du phénomène, la revue Nature a mené en mai 2025 une vaste étude auprès de plus de 5 000 scientifiques à travers le monde. Les résultats peignent un paysage contrasté : si l'enthousiasme est quasi unanime pour la simple relecture, la fissure apparaît dès qu'il s'agit de générer de la matière textuelle.
Pour la grande majorité des chercheurs, la machine n'est qu'un super-correcteur. Mais l'étude révèle un vrai tabou : parmi ceux qui confient une partie de la rédaction à l'IA, la très grande majorité préfère ne pas le déclarer.
Dans l’édition, le ghostwriter existe depuis toujours : quelqu'un écrit dans l'ombre, un autre signe. L'IA n'a rien inventé, mais elle floute encore un peu plus les pistes. Elle traduit, restructure, polit... et rédige désormais des pans entiers de textes.
Si le fait de corriger la grammaire ou de polir le style s’apparente à un simple correcteur orthographique amélioré, la vraie ligne de fracture se situe ailleurs : l'IA doit-elle servir à écrire, ou à penser
Écrire, est-ce seulement poser des mots sur une idée Ou est-ce l'acte même de penser Un chercheur résumait parfaitement le problème dans le sondage : « On peut utiliser l’IA pour nous aider à rédiger, pas pour réfléchir à notre place. »
Cette nuance change tout. La question n’est plus de savoir si une machine a touché au texte, mais ce qu’on lui a délégué.
Il existe une frontière marquée entre ce qu'on juge acceptable et ce qu'on pratique en douce.
Si 28 % des chercheurs avouent utiliser l'IA pour l'édition et 8 % pour rédiger leur premier jet, la majorité omet de le déclarer. Ce silence ne provient pas forcément d'une intention malveillante, car l'absence de directives claires dans les revues alimente ce flou. On se retrouve ainsi face à une situation ironique : les scientifiques trouvent l'outil légitime, mais ils hésitent à avouer qu'ils s'en servent.
Pendant que la communauté débat, les mots des machines s'infiltrent progressivement partout. Une étude publiée en 2025 dans Science Advances à partir de données recueillies jusqu'en 2024 estime qu'au moins 13,5 % des résumés biomédicaux analysés portent l'empreinte statistique indéniable des grands modèles de langage.
L'écriture elle-même constitue une technologie qui effrayait déjà à son apparition. Dans le Phèdre de Platon, Socrate s’inquiétait de l’invention de l’écriture, redoutant qu’elle ne rende les hommes amnésiques en les incitant à chercher leur mémoire hors d'eux-mêmes.
Chaque fois qu'un outil automatise une tâche cognitive, il nous force à redéfinir la valeur de l'effort humain.
Une IA peut suggérer un plan, reformuler une lourdeur ou créer une transition élégante. Elle n'a cependant jamais passé trois heures sur le terrain à observer les comportements humains, ni ressenti la tension d’une réunion où personne n'ose répondre à la vraie question. Le matériau brut de l'expérience reste irremplaçable.
La science se publie en anglais. Les grandes revues et les colloques internationaux passent presque tous par cette langue, et les chercheurs qui ne l’ont pas apprise au berceau ont toujours dû écrire leurs travaux dans une langue seconde.
Il faut pourtant rendre justice à ces modèles : pour les chercheurs non anglophones, l'IA constitue un égaliseur puissant. Pendant des décennies, des scientifiques brillants ont souffert d’un désavantage injuste face à leurs collègues natifs, mais l’IA gomme aujourd'hui cette barrière.
Cette avancée soulève néanmoins un nouveau défi : si tout le monde peut désormais produire une prose irréprochable, comment distingue-t-on la véritable valeur d'un travail
Pendant longtemps, un anglais impeccable passait pour un gage de sérieux. Ce signal ne permet plus de trier quoi que ce soit. Une belle plume n'a jamais garanti la rigueur d'un raisonnement ni l'originalité d'une observation. Les machines écrivent bien, mais bien écrire ne suffit pas.
Les éditeurs scientifiques ont d’ailleurs devancé le débat et ils ont tranché — contrairement aux éditeurs de littérature qui se remettent à peine de l’invention de la machine à écrire. Alors que le monde littéraire se perd encore dans des querelles romantiques sur le « style » et l'authenticité de l'âme de l'auteur, la science a choisi le pragmatisme.
Chez Springer Nature, la règle demeure limpide : l’IA peut soutenir le travail, mais la responsabilité scientifique reste 100 % humaine. Une IA ne deviendra jamais co-auteure, car elle ne peut pas répondre de ses actes devant ses pairs ni devant un jury.
Pendant qu’on s’épuise à mesurer des règles de style (triades, phrases binaires), à chasser la ponctuation douteuse (points-virgules, cadratins) ou à repérer des structures louches (démonstrations en trois parties), les scientifiques proposent un autre débat beaucoup plus intéressant : qui accepte d'être le garant d’un texte
Quand on regarde la montagne de l’IA, le premier réflexe est le vertige. Comment, moi, petite ou grande organisation du Québec, puis-je rivaliser avec la Californie ou la Chine La réponse est simple : vous ne vous battez pas seul. Vous faites partie de l'un des écosystèmes les plus denses, les plus respectés et les plus structurés au monde.
L’IA au Québec n’est pas une collection de chercheurs isolés dans leurs tours d’ivoire. C’est une mécanique de précision, une « filière » complète et intégrée, comparable à ce que nous avons bâti avec l’hydroélectricité au siècle dernier. C’est une fusée à plusieurs étages, où chaque palier joue un rôle critique pour propulser vos projets du laboratoire jusqu'au marché. Voici comment cette machine de guerre est construite.
La leçon à tirer de cette cartographie est claire : au Québec, l’innovation ne se fait plus en silo. La densité de ce réseau permet de dérisquer vos projets d'IA. Chaque étage de la fusée est là pour absorber une part de l'incertitude, que ce soit par la validation scientifique, le soutien financier ou l'accompagnement stratégique.
Regarder la montagne de l’IA seul est effrayant. La gravir avec l'appui de l'un des écosystèmes les plus structurés au monde est une opportunité historique. N'attendez pas que la compétition mondiale vienne à vous. Profitez de ce maillage exceptionnel, tendez la main à ces partenaires et faites de l'intelligence artificielle le levier de votre propre croissance.
Les chercheurs ont soumis les grands modèles de langage à des dilemmes stratégiques concrets. La réponse, chaque fois, avait la même couleur — celle de la mode managériale. Les chercheurs ont nommé le phénomène « trendslop ». Mais d'autres études viennent nuancer ce verdict. La vérité sur l'IA et la stratégie est plus intéressante — et plus exigeante — qu'un simple pour ou contre.
Les tensions qui définissent la vraie vie des dirigeants
Angelo Romasanta (Esade Business School), Llewellyn D.W. Thomas (University of Sydney) et Natalia Levina (NYU Stern) ont soumis sept grands modèles de langage — ChatGPT, Claude, DeepSeek, GPT-5, Gemini, Grok et Mistral — à sept tensions stratégiques fondamentales. Des tensions binaires, celles que les dirigeants vivent au quotidien et qui exigent de vrais arbitrages.
Différenciation ou leadership par les coûts. Exploration ou exploitation. Court terme ou long terme. Collaboration ou compétition. Innovation radicale ou incrémentale. Centralisation ou décentralisation. Automatisation ou augmentation.
L'hypothèse de départ était limpide : si les modèles analysent réellement le contexte, leurs recommandations devraient varier. Un géant industriel de la construction ne devrait pas recevoir la même prescription qu'une startup technologique ou un hôpital. Les chercheurs ont fait tourner des milliers de simulations avec des prompts génériques et spécifiques, en variant les contextes d'entreprise et les formulations.
Le « trendslop », ou quand l'IA confond popularité et pertinence
Les résultats sont sans appel. Sur six des sept tensions, tous les modèles convergent vers le même pôle — celui qui sonne le mieux dans un rapport annuel. Différenciation plutôt que coûts, 96 % du temps. Augmentation plutôt qu'automatisation, 93 %. Collaboration plutôt que compétition, 78 %. Long terme plutôt que court terme, 62 %. Toujours le choix qui brille davantage dans une présentation PowerPoint.
Les chercheurs ont baptisé ce phénomène le « trendslop » : la propension systématique des modèles de langage à recommander des stratégies alignées sur les mots à la mode plutôt que sur la logique spécifique de l'organisation qui pose la question. Un mot-valise formé de trend (tendance) et de slop (le terme qu'on utilise déjà pour décrire le contenu générique produit par l'IA).
Seule la tension « exploration vs. exploitation » a produit une véritable variation entre les modèles. Sur les six autres axes, les biais sont profondément ancrés et remarquablement uniformes d'un modèle à l'autre.
La formule la plus mordante des auteurs : sur la stratégie, les modèles de langage ressemblent à un jeune diplômé de MBA fraîchement sorti de l'école, qui répète ce qui est populaire plutôt que ce qui est juste pour une situation donnée.
15 000 tentatives pour corriger le biais. Résultat : 2 %.
On pourrait croire que le problème se résout avec de meilleurs prompts. Les chercheurs y ont pensé. En se concentrant sur ChatGPT-5 — le modèle le plus utilisé en pratique — ils ont mené plus de 15 000 essais en manipulant systématiquement les variables de formulation : inversion de l'ordre des options, changement de cadrage, demande d'analyse des pour et des contre, et même ajout d'une récompense promise pour une bonne réponse.
Le résultat est brutal. Sur les tensions de différenciation et d'augmentation — les deux biais les plus forts — le prompting sophistiqué ne réduit le biais que de moins de 2 %. Pour les cinq autres tensions, les manipulations déplacent les réponses d'environ 22 % en moyenne, mais ce chiffre est en grande partie un artefact d'un seul facteur : l'ordre des options. Simplement inverser la séquence dans laquelle les choix sont présentés réduit la probabilité de la réponse biaisée de 19 %. Ce n'est pas un signe que le modèle raisonne mieux — c'est un signe qu'il est sensible à la position d'un mot dans une phrase.
Et le contexte Les chercheurs ont testé plus de 15 000 variantes contextuelles, allant de grandes multinationales à des startups tech, en passant par des banques, des hôpitaux et des organismes à but non lucratif. En moyenne, l'ajout de contexte détaillé ne déplace la part de réponses biaisées que de 11 %. Le modèle peut sembler parfaitement adapté à votre situation tout en vous orientant discrètement vers le même petit groupe de tendances managériales contemporaines.
La sophistication apparente comme forme d'évitement stratégique
Le biais vers les tendances n'est pas le seul problème. Il y en a un autre, plus insidieux, que les chercheurs appellent le « piège hybride ». Lorsqu'on permet à ChatGPT de répondre sans forcer un choix binaire, il recommande fréquemment de faire les deux : poursuivre la différenciation et le leadership par les coûts, l'innovation radicale et l'incrémentale.
En surface, ça sonne sophistiqué et équilibré. En pratique, c'est exactement ce que les théoriciens de la stratégie dénoncent depuis des décennies sous le nom de « stuck in the middle » — cette position où, à force de vouloir tout être, on n'est plus rien. La différenciation et le leadership par les coûts exigent des capacités organisationnelles contradictoires. Suggérer qu'on peut avoir les deux, c'est encourager l'absence de focus qui mène à l'échec.
Les données sont parlantes : quand on lui offre la possibilité d'un hybride, ChatGPT recommande un mélange des deux stratégies dans 41 % des cas pour l'innovation radicale vs. incrémentale, et dans 56 % des cas pour l'exploitation vs. l'exploration. Ce n'est pas de la nuance. C'est de l'évitement déguisé en sophistication.
Un problème plus large, documenté dans plusieurs disciplines
Le trendslop n'est pas un phénomène isolé. D'autres recherches confirment que les biais des modèles de langage s'étendent bien au-delà de la stratégie d'entreprise.
Une étude publiée dans les Proceedings of the National Academy of Sciences (PNAS) en 2025 a démontré que les modèles de langage amplifient les biais cognitifs humains dans les décisions morales. Leurs décisions et conseils sont systématiquement biaisés en faveur de l'inaction — un biais d'omission plus fort que celui observé chez les humains. Les chercheurs ont également découvert un biais inédit : les modèles tendent à répondre « non » quelle que soit la question, inversant ainsi leur conseil selon la formulation. Ces biais proviendraient du fine-tuning pour les applications de chatbot.
Sur le front de la sycophantie — cette tendance de l'IA à dire ce qu'on veut entendre plutôt que ce qui est vrai — les résultats sont tout aussi préoccupants. Plusieurs études de 2025 documentent que les modèles approuvent les opinions de l'utilisateur dans plus de 90 % des cas, même dans des domaines techniques où le modèle devrait avoir des connaissances fiables. Le mécanisme est le même que pour le trendslop : l'entraînement par rétroaction humaine (RLHF) optimise pour l'agrément, pas pour la justesse.
Et l'étude de Harvard et du Boston Consulting Group — souvent citée pour célébrer les gains de productivité de l'IA — contient elle-même une mise en garde cruciale : pour les tâches situées à l'extérieur de la frontière des capacités de l'IA, les consultants utilisant GPT-4 ont produit des résultats 19 % moins justes que ceux qui travaillaient sans IA. Plus inquiétant encore, l'étude a observé une homogénéisation des idées produites par les consultants assistés par l'IA — un écho direct du trendslop.
La prospective stratégique, un terrain où les modèles excellent
Il serait malhonnête de s'arrêter là. D'autres recherches, tout aussi rigoureuses, démontrent que l'IA peut surpasser les humains dans certaines dimensions de la pensée stratégique.
L'étude la plus frappante vient de Felipe Csaszar (University of Michigan) et de ses collègues, publiée en février 2026. Dans un tournoi de prospective entièrement prospectif — c'est-à-dire portant sur des projets dont personne, humain ou machine, ne connaissait l'issue — les chercheurs ont comparé la capacité de prédiction des modèles de langage et de 346 gestionnaires expérimentés sur 30 projets Kickstarter technologiques lancés après la date de coupure d'entraînement de tous les modèles testés. Les résultats sont saisissants : les évaluateurs humains ont obtenu des corrélations entre 0,04 et 0,45 avec les résultats réels, tandis que plusieurs modèles de langage ont dépassé 0,60, le meilleur (Gemini 2.5 Pro) atteignant 0,74 — ordonnant correctement près de quatre paires de projets sur cinq.
L'étude Harvard/BCG de Dell'Acqua et al., publiée dans Organization Science en 2026, montre quant à elle que pour les tâches à l'intérieur de la frontière technologique, les consultants utilisant GPT-4 complétaient 12,2 % de tâches supplémentaires, 25,1 % plus rapidement, avec des résultats de qualité supérieure de plus de 40 %. Les bénéfices étaient particulièrement prononcés pour les tâches requérant créativité et innovation. Et les consultants les moins performants voyaient les gains les plus importants.
D'autres travaux viennent compléter le tableau : Allen et McDonald (2026) montrent que les modèles de langage surpassent les décideurs humains dans des simulations stratégiques avec des structures de gains bien définies. Sen et al. (2026) démontrent que les modèles surpassent les humains dans l'appariement d'analogies structurelles. Et Csaszar lui-même, dans un article éditorial de Strategy Science intitulé « Can AI Do Strategy », défend l'idée que l'IA ne reproduira pas l'intuition humaine mais atteindra des résultats stratégiques par ses propres forces : échelle massive, vitesse computationnelle et capacité d'exploration systématique d'espaces de possibilités complexes.
Ce que les deux camps nous apprennent ensemble
Pris ensemble, ces deux corpus de recherche dessinent une frontière remarquablement nette. L'IA excelle dans ce qui relève de l'analyse, de la synthèse et de la prédiction sur des données standardisées. Elle surpasse même les humains quand le problème est bien cadré, quand l'information est structurée, quand les critères de succès sont mesurables. C'est le territoire de Csaszar : trier des projets d'investissement, évaluer des opportunités selon des paramètres définis, explorer des scénarios à grande vitesse.
Mais elle échoue précisément là où la stratégie se joue réellement : dans le renoncement. Choisir une direction stratégique, c'est dire non à des options séduisantes. C'est défendre un pari que la majorité trouverait contre-intuitif. C'est accepter de sacrifier l'exploration pour l'exploitation — ou l'inverse — en sachant que les deux sont défendables. Le modèle de langage, lui, est incapable de renoncer. Entraîné pour satisfaire, couvrir tous les angles et ne froisser personne, il produit du consensus quand la situation exige de la friction.
Cela contredit la théorie stratégique établie. Le travail fondateur de Michael Porter reconnaît explicitement le leadership par les coûts comme une position viable et souvent supérieure. Walmart, Costco, Aldi, Ryanair ont bâti des empires dessus. Mais les modèles de langage balaient cette option du revers de la main parce que la culture startup, les récits d'innovation et les conseils « trouvez votre proposition de valeur unique » dominent internet bien davantage que les histoires discrètes de succès par l'efficacité logistique. Les modèles ne suivent pas Porter — ils suivent statistiquement les dizaines de milliers de billets Medium et Substack sur la différenciation.
L'outil de différenciation qui produit de l'uniformité
Le danger le plus profond du trendslop n'est pas qu'il donne de mauvais conseils. C'est qu'il donne à tout le monde les mêmes conseils. Et l'étude de Harvard/BCG le confirme par un autre angle : même quand l'IA produit des résultats de meilleure qualité, elle produit aussi des résultats plus homogènes. Les consultants assistés par GPT-4 généraient des idées supérieures en qualité moyenne, mais moins variées que celles de leurs collègues travaillant sans IA.
C'est le paradoxe ultime : l'IA recommande la différenciation 96 % du temps, mais en donnant cette même recommandation à tout le monde, elle produit exactement l'inverse — de l'uniformité. Si chaque entreprise d'un secteur utilise les mêmes outils pour produire les mêmes analyses, on obtient une convergence stratégique qui annule précisément l'avantage concurrentiel que la stratégie est censée créer.
Sans guidance précise, l'IA ne peut pas — pas encore — penser l'avenir de votre organisation. C'est la conclusion convergente de toutes ces recherches, y compris celles qui célèbrent les capacités de l'IA.
Le mot clé, c'est guidance. Csaszar, dont les travaux montrent que l'IA peut surpasser les humains en prospective, insiste lui-même sur le fait que l'IA n'entrera pas dans la stratégie là où le raisonnement requis est le plus profond, mais là où sa performance est la plus mesurable. L'étude Harvard/BCG parle d'une « frontière technologique dentelée » dont même les experts ne devinent pas le tracé. Romasanta, Thomas et Levina démontrent que les biais persistent quel que soit le prompt.
Ce que ces études dessinent ensemble, c'est le portrait d'un outil extraordinairement puissant mais structurellement aveugle à son propre angle mort. L'IA ne sait pas qu'elle est biaisée. Elle ne sait pas qu'elle recommande la même chose à tout le monde. Et elle ne sait pas que la stratégie, la vraie, ne consiste pas à choisir ce qui sonne bien — mais à choisir ce qui fait mal.
Le rôle du stratège humain n'est pas menacé par l'IA. Il est redéfini. L'humain n'est plus celui qui fait l'analyse — l'IA le fait mieux et plus vite. L'humain est celui qui refuse les conclusions confortables. Celui qui dit : « Tout ça est séduisant, mais ce n'est pas nous. » Celui qui fait le tri entre ce qui est populaire et ce qui est juste. Celui qui renonce.
Les organisations qui comprennent cette frontière — l'IA pour élargir le champ des possibles, l'humain pour trancher — ont un avantage sur celles qui confondent fluence verbale et intelligence stratégique. Et cet avantage, aucun modèle de langage ne peut le reproduire.
Nous sommes en 1944, au Smith College, dans le Massachusetts. Fritz Heider est un psychologue autrichien émigré aux États-Unis, obsédé par une question : comment percevons-nous le comportement des autres Avec sa collègue Marianne Simmel, il conçoit une expérience d'une simplicité désarmante. Ils fabriquent un court film d'animation d'environ deux minutes et demie, produit image par image, en déplaçant des formes de carton sur une plaque de verre. À l'écran : un grand triangle, un petit triangle et un cercle qui se déplacent à différentes vitesses autour d'un rectangle dont un côté s'ouvre et se ferme comme une porte. Rien d'autre. Pas de son, pas de visage, pas de texte.
Heider et Simmel montrent le film à un premier groupe de 34 étudiantes de premier cycle, avec une instruction délibérément vague : « Écrivez ce qui s'est passé dans le film. » Aucune suggestion de personnages. Aucune invitation à raconter une histoire. Juste : décrivez ce que vous avez vu.
Le résultat est spectaculaire. Une seule participante sur 34 décrit le film en termes géométriques : « Un grand triangle solide entre dans un rectangle, en sort, puis un plus petit triangle et un cercle apparaissent… » Même elle finit par craquer : à la fin de sa description, elle écrit « He » — il — en parlant du grand triangle. Toutes les autres participantes, sans exception, interprètent les mouvements comme des actions d'êtres vivants, le plus souvent des personnes. Dix-neuf d'entre elles construisent un récit cohérent, complet, avec un début, un conflit et un dénouement.
L'histoire typique racontée par les participantes ressemble à ceci : un homme a prévu de rencontrer une fille, mais elle arrive accompagnée d'un autre homme. Le premier dit au second de partir. Ils se battent. La fille entre dans la maison pour se mettre à l'abri. Le premier homme la poursuit à l'intérieur, la pourchasse d'un coin à l'autre. Le second homme réussit à ouvrir la porte, la fille s'échappe, et les deux fuient ensemble. Le premier homme, furieux et frustré, détruit la maison.
Des triangles. Un cercle. Un rectangle. Et voilà que surgissent la jalousie, l'héroïsme, la peur, la colère et la vengeance.
Dans une deuxième expérience, Heider et Simmel demandent explicitement à 36 nouvelles participantes de décrire les formes comme des personnes. Les réponses sont d'une uniformité saisissante. Le grand triangle est décrit comme agressif, dominateur, brute, méchant et colérique par 97 % des participantes. Le petit triangle est perçu comme courageux, malin et protecteur. Le cercle est timide, craintif, féminin et dépendant. Quatre-vingt-douze pour cent des participantes affirment que le cercle entre dans la maison pour se cacher, par peur du combat. Soixante-quinze pour cent décrivent le grand triangle comme pourchassant le cercle à l'intérieur du rectangle.
Même quand le film est projeté à l'envers — la troisième expérience, avec 44 nouvelles participantes —, 42 sur 44 continuent de voir des êtres vivants agir avec intention. L'inversion de la séquence modifie les histoires, mais pas le réflexe narratif. Le cerveau ne peut pas ne pas raconter.
Ce qui fascine le plus Heider et Simmel, ce n'est pas seulement que les participantes voient des personnes là où il n'y a que de la géométrie. C'est qu'elles leur attribuent immédiatement des motivations. Comme l'écrivent les auteurs dans leur conclusion : « Dès qu'un mouvement est attribué à une unité figurale considérée comme un être animé, la perception d'un motif ou d'un besoin est inévitablement impliquée. » Autrement dit : quand le cerveau voit quelque chose bouger de manière autonome, il ne se contente pas de noter le déplacement. Il cherche le pourquoi. Il fabrique une intention, un désir, une émotion. Et à partir de là, il tisse une histoire.
C'est précisément ce mécanisme qui explique pourquoi les histoires sont si puissantes en communication. Le cerveau n'attend pas qu'on lui dise qu'il y a un personnage. Il le crée. Il ne demande pas qu'on lui fournisse un conflit. Il l'invente. Le récit n'est pas un format qu'on choisit d'utiliser — c'est le format par défaut de la cognition humaine.
L'étude de Heider et Simmel a été citée plus de 3 000 fois depuis sa publication. En 2021, Ratajska, Brown et Chabris ont reproduit l'expérience avec 32 nouvelles animations en couleur, mettant en scène des situations sociales variées : exclusion, intimidation, protection, trahison. Le résultat est identique : les participants attribuent spontanément des émotions, des intentions et des rôles sociaux à des carrés, des étoiles et des triangles colorés. Huit décennies de réplications confirment la même chose : le réflexe narratif est universel, automatique et résistant au temps.
Mais les travaux récents ne se contentent plus de confirmer le phénomène. Ils en tracent les contours — et surtout les limites.
En 2019, une équipe de Harvard dirigée par Jeremy Wolfe a posé une question que personne n'avait encore formulée : combien d'agents le cerveau peut-il narrativiser en même temps Wolfe et ses collègues ont créé des animations de type Heider-Simmel avec trois, quatre, cinq, six, sept, huit et neuf formes géométriques, chacune suivant son propre comportement. Puis ils ont demandé à des observateurs d'écrire des récits et à d'autres de reconnaître quel récit correspondait à quelle animation. Le résultat est brutal : la performance s'effondre dès que le nombre de formes dépasse trois. Les chercheurs ont baptisé cette limite la « capacité Heider » — la capacité d'inférer l'intentionnalité d'agents dans une scène dynamique et de la communiquer sous forme de récit.
Autrement dit : le cerveau ne peut pas s'empêcher de raconter, mais il ne peut pas tout raconter en même temps. Wolfe compare les stimuli de Heider aux syllabes sans sens d'Ebbinghaus dans l'étude de la mémoire — des stimuli minimaux, dépouillés de toute structure préexistante, qui révèlent les limites brutes du système cognitif. Le récit est puissant, mais il est aussi fragile. Il a besoin de simplicité pour fonctionner.
En 2024, une équipe de l'Université de Saragosse a poussé l'expérience encore plus loin en répliquant le film de Heider et Simmel dans un casque de réalité virtuelle. Les participants qui ont visionné l'animation en VR ont développé des connexions émotionnelles plus fortes avec les formes géométriques que ceux qui l'ont regardée sur un écran traditionnel. Les données d'oculométrie montrent aussi que les participants en VR présentaient moins de déplacements du regard, signe d'un engagement plus soutenu avec l'action. En revanche, l'interprétation des rôles reste la même dans les deux conditions. Le grand triangle reste le méchant. Le petit triangle reste le héros. Le cerveau raconte la même histoire — il y croit juste un peu plus quand l'immersion augmente.
Les animations de type Heider-Simmel sont aussi devenues un instrument de diagnostic. Depuis leur utilisation pionnière par Klin en 2000, elles servent à évaluer l'attribution sociale dans des populations cliniques variées : troubles du spectre de l'autisme, schizophrénie, trouble de la personnalité antisociale, maladie de Huntington, syndrome de Gilles de la Tourette. Les personnes autistes, notamment, produisent des descriptions moins riches en états mentaux que les participants neurotypiques face aux mêmes animations. Le réflexe narratif devient ainsi un marqueur : quand il faiblit, c'est tout le système de cognition sociale qui signale ses limites.
La leçon s'est enrichie. En 1944, Heider et Simmel nous apprenaient que le cerveau ne peut pas ne pas raconter. En 2024, on sait trois choses de plus. D'abord, qu'il ne peut narrativiser que trois agents à la fois — passé ce seuil, le récit se désagrège. Ensuite, que l'immersion amplifie la connexion émotionnelle sans changer l'interprétation. Enfin, que ce réflexe est proprement humain — les primates qui partagent 93 % de notre ADN n'en montrent aucun signe.
Pour un gestionnaire, un communicateur ou un stratège, les implications sont directes. Ne multipliez pas les personnages dans votre récit : trois suffisent, au-delà le cerveau décroche. Si vous voulez de l'émotion, augmentez l'immersion plutôt que la densité d'information. Et n'oubliez jamais que ce réflexe est si fondamental, si automatiquement humain, qu'il est littéralement ce qui nous distingue des autres primates. Si 33 personnes sur 34 inventent une histoire à des triangles qui bougent, vos employés font exactement la même chose avec votre plan stratégique. La question n'est pas de savoir s'ils se racontent une histoire. C'est de savoir si c'est la vôtre.
En 2003, LEGO perdait près d’un million de dollars par jour. Fondé en 1932 dans l’atelier d’un menuisier à Billund, le fabricant danois était en chute libre : plus de 25 % de chiffre d’affaires évaporé en un an, puis encore près de 7 % l’année suivante. La dette atteignait des sommets. À l’automne 2004, à 35 ans, tout juste nommé PDG, Jørgen Vig Knudstorp a résumé la situation avec une franchise brutale : « Nous sommes sur une plateforme en feu. Nous perdons de l’argent, notre flux de trésorerie est négatif, et nous risquons un défaut de paiement qui pourrait entraîner le démantèlement de l’entreprise. »
Comment le roi de la brique en était-il arrivé là En écoutant les chiffres... plutôt que les enfants.
Depuis le milieu des années 1990, LEGO avait multiplié les diversifications hasardeuses. Parcs à thème, lignes de vêtements, jeux vidéo, émissions télé, magazines, robotique — l’entreprise voulait devenir le Disney du jouet. Le nombre d’éléments avait explosé pour dépasser les 10 000 références issues de milliers de formes et de plus d'une centaine de couleurs, avec des moules coûtant en moyenne 50 000 euros et grimpant parfois jusqu’à 300 000 euros. À la fin des années 1980, l’essentiel de la protection par brevet de la brique classique avait expiré dans les grands marchés, et la concurrence s’engouffrait dans la brèche pendant que LEGO regardait ailleurs.
Pire encore : une grande partie des études de marché consommateur sélectionnées par l'entreprise semblait converger vers un même diagnostic accablant. Les enfants de la génération numérique n'avaient plus la patience de construire quoi que ce soit. Leur capacité d'attention rétrécissait. Ils voulaient de la gratification instantanée, des écrans, du mouvement. La brique, concluaient les analystes, appartenait au passé.
LEGO a donc fait ce que ces données lui dictaient : fabriquer des briques plus grosses, simplifier les modèles, réduire les défis de construction. Rendre le tout plus facile, plus rapide, plus « adapté » aux enfants d'aujourd'hui.
Les ventes ont continué de plonger.
C'est dans ce contexte de crise que la direction de LEGO prend une décision contre-intuitive. Plutôt que de commander une énième étude quantitative, elle fait appel à l’équipe de Christian Madsbjerg et Mikkel Rasmussen (qui fonderont peu après le cabinet ReD Associates). Cette équipe s'appuie sur une démarche clé : l'ethnographie appliquée aux affaires — une approche que nous pratiquons au quotidien chez Perrier Jablonski pour révéler les usages réels sur le terrain.
Là où les firmes de recherche traditionnelles distribuent des questionnaires et organisent des groupes de discussion, ces chercheurs envoient des anthropologues observer les gens dans leur habitat naturel. Comme le formulait Vig Knudstorp lui-même : « Il me vient cette citation célèbre qui dit que si vous voulez comprendre comment vivent les animaux, vous n'allez pas au zoo — vous allez dans la jungle. »
L'équipe a donc déployé ses chercheurs dans les chambres d'enfants, les sous-sols et les cours d'école de plusieurs pays. Plutôt que de leur faire remplir des questionnaires sur leurs jouets préférés, ils sont venus observer leur quotidien pour saisir leurs rituels, leurs dynamiques sociales et leurs aspirations profondes — autant d'éléments intangibles que les sondages traditionnels ne captent jamais.
Le moment de bascule — ce que Madsbjerg et Rasmussen appellent le moment of clarity — s'est produit au début de 2004, dans la chambre d'un garçon de 11 ans, dans une ville allemande de taille moyenne.
Le garçon était un passionné de LEGO, mais aussi un skateur acharné. Quand l'équipe de recherche lui a demandé quel objet le rendait le plus fier, il n'a pas montré une console de jeu, un téléphone ou même une construction LEGO. Il a pointé du doigt une vieille paire d'Adidas, usée, abîmée, méconnaissable.
Il l'a soulevée comme un trophée. Un côté de la semelle était usé selon un angle très précis. Les talons étaient éraflés d'une manière bien particulière. Chaque marque d'usure racontait une histoire — celle des heures et des heures passées à perfectionner un trick de planche à roulettes. L'état de ces chaussures prouvait, à ses yeux comme à ceux de ses amis, qu'il était l'un des meilleurs skateurs de sa ville. C'était sa preuve tangible de maîtrise.
À cet instant, tout s'est éclairé pour l'équipe de recherche. Comme le raconte le consultant Martin Lindstrom, qui conseillera l'entreprise dans son virage stratégique : « Ce que des montagnes de recherche consommateur n'avaient pas révélé, un enfant et sa paire d'Adidas venaient de le démontrer. Ère numérique ou pas, les enfants se souciaient profondément de maîtriser une compétence et de pouvoir exhiber la preuve de leur travail. »
La découverte ethnographique renversait totalement le paradigms du big data. Les enfants ne voulaient pas de la gratification instantanée — ils voulaient le défi, l'effort, la fierté de l'accomplissement. Jouer avec des LEGO, ce n'était pas « s'amuser » au sens superficiel du terme. C'était un acte de création, une quête de maîtrise. Ou comme LEGO allait le distiller dans sa nouvelle devise : the joy of building, and the pride of creation.
Sur le plan de la proposition de valeur, les répercussions ont été profondes. LEGO s'est recentré sur ses gammes classiques et exigeantes, rendant progressivement ses défis de construction plus complexes et détaillés. Quelques années plus tard, des ensembles impressionnants comme le kit de la Death Star, avec ses quelque 3 800 pièces, allaient incarner parfaitement cette philosophie : un défi ardu qui procurait, une fois terminé, un sentiment d'accomplissement comparable à celui d'un trick de skateboard enfin maîtrisé.
Sur le plan financier, la survie immédiate de l'entreprise a d'abord exigé une restructuration chirurgicale et brutale : plus de 1 500 millions de couronnes danoises de réductions de coûts, des coupes sombres dans les effectifs, une refonte complète de la chaîne logistique, la cession des parcs LEGOLAND et l'abandon net des diversifications périphériques. Mais si les comptables ont sauvé le bilan de LEGO, c'est cette compréhension renouvelée de l'enfant qui lui a redonné sa raison d'être.
Portée par cette clarté retrouvée et par une décennie de décisions alignées sur le cœur de métier, LEGO allait dépasser temporairement Mattel au premier semestre 2014, avant de s'imposer durablement comme le plus grand fabricant de jouets au monde.
L'histoire de LEGO n'est pas simplement un cas d'école en redressement d'entreprise. C'est la démonstration éclatante que les données quantitatives, aussi massives soient-elles, ne peuvent pas remplacer la compréhension humaine. Que les algorithmes mesurent les comportements, mais que seule l'ethnographie saisit les motivations. Que la réponse à une question stratégique existentielle se trouvait, ce jour-là, non pas dans un tableau croisé dynamique, mais dans une paire d'Adidas usées, tenues à bout de bras par un gamin allemand de 11 ans, fier comme un roi.
Le design thinking est une méthode centrée sur l'utilisateur et itérative pour résoudre des problèmes en cinq étapes : empathie, définition, idéation, prototypage et déploiement. Flexible et adaptable, cette approche convient à diverses industries, divers problèmes, plusieurs méthodes et tailles d'équipes. Il a inspiré de nombreuses organisations pour l'invention de nouveaux produits et services, mais aussi de processus, de méthodes ou d'approches. C'est d'ailleurs l'inspiration principale de Perrier Jablonski quand vient le temps de mener une réflexion stratégique. Nous avons abordé les mécanismes dans l'article suivant, et c'est sur son berceau que nous allons nous pencher aujourd'hui.
Non, le design thinking n'est pas né subitement dans l'esprit allumé de Tim Brown, mais c'est à sa firme IDEO, née en 1990, que nous devons sa mise en marché flamboyante. Le design thinking a de nombreux parents. Comprendre la contribution de chacun, c'est mieux comprendre la richesse et la profondeur de la méthodologie elle-même. C'est parti pour un petit voyage dans le temps...
John E. Arnold (1913-1963) est professeur de génie mécanique et professeur d'administration des affaires à Stanford. Alors qu'il étudie la psychologie de la pensée créative et de l'imagination, il fait changer le sens du mot design — en le faisant passer de la forme à la fonction. Dans un même élan, il pose les bases de l'innovation telle qu’on la connaît aujourd’hui. En 1956, il crée des camps d’été pour enseigner la créativité aux ingénieurs. Ces séminaires ont eu une influence indiscutable sur le monde des idées, de l’innovation et des affaires. C’est là que se croisent Abraham Maslow, Richard Buckminster Fuller (grand influenceur de la Silicon Valley) ou encore Alex Faickney Osborn (inventeur du brainstorming).

Bruce Archer (1922-2005) est ingénieur mécanique et professeur en design au Royal College of Art, à Londres. C'est à lui que l'on doit l'enseignement du design à l'université. Dans les années 60, il publie coup sur coup deux ouvrages qui vont révolutionner le design industriel. D’abord Systematic Method for Designers — dans lequel Archer défend l’idée d’une approche systématique et plutôt scientifique du design; ensuite The Structure of the Design Process. Il prépare les bases du design thinking en mettant en valeur une approche basée sur une méthode systématique, réfutant l’idée d’un processus basé sur l’intuition et la seule créativité des concepteurs.
L’économiste et psychologue Herbert Simon (1916-2001) est considéré comme le père spirituel du design thinking dans sa forme actuelle. Il publie The Sciences of the Artificial dans lequel il explore les processus de conception et de prise de décision, et certains concepts d'intelligence artificielle. Le design y est décrit comme un mode de pensée. Ainsi, le design — passé de la forme à la fonction, sous l'influence de John E. Arnold —, devient un processus. Il développe aussi l’idée du « satisficing », décrivant les limites de la rationalité. Il reçoit le prix Turing en 1975 et le prix Nobel en 1978 pour ses travaux.
Le designer industriel Bill Moggridge (1943-2012) conçoit le premier ordinateur portable, le GRiD Compass. Spécialisé dans le design d’interaction, il concentre ses recherches sur les interfaces et les expériences-utilisateur. Cette idée de l'usager "au centre" est fondamentale en design thinking. L'observation fine des comportements des usagers est un pilier de la méthode. L'influence des travaux de Moggridge est certaine, puisqu'il co-fondera plus tard IDEO.

Donald Norman (1935-) est psychologue, professeur émérite en sciences cognitives à l'Université de Californie à San Diego. C'est le premier à utiliser le terme user-centered design, lui-même au centre de la pratique du design thinking.
Peter Rowe (né en 1945) est architecte, urbaniste et chercheur. Il est le premier à utiliser le terme design thinking, dans un ouvrage intitulé... Design Thinking. Il y décrit les méthodes utilisées par les architectes et urbanistes pour concrétiser leurs idées dans la création de bâtiments et d'espaces publics. Le design thinking voit donc officiellement le jour au M.I.T., qui l'enseigne encore aujourd'hui.
IDEO naît de la fusion de quatre entreprises : David Kelley Design, Moggridge Associates, ID Two (également dirigée par Moffridge) et Matrix Product Design (fondée par Mike Nuttal). David Kelley popularise le design thinking et devient un grand promoteur d’une approche structurée de résolution de problèmes.

Tim Brown — alors unique PDG d’IDEO — écrit un article intitulé Design Thinking dans Harvard Business Review, puis il publie un livre en 2009, « Change by Design », où il fait œuvre d’évangélisation pour la méthode. C'est le début de l'aventure médiatique du design thinking.
Depuis, l'Université de Stanford s’est emparée du sujet en proposant une école spécialisée dans le design thinking — et avec la complicité d’IDEO. Ainsi, la d.school (de son vrai nom Hasso Plattner Institute of Design) propose des programmes pédagogiques tant sur son campus qu’en ligne, avec une approche très californienne de la discipline. De son côté, le M.I.T. enseigne la méthode de manière beaucoup plus académique — et avouons-le, un peu austère... (mais c'est aussi ma préférée, hors de tout doute!)

Le parcours du design thinking est en perpétuelle évolution et la ligne d'arrivée n'est pas prête d'être tracée. Si IDEO, le M.I.T. et la d.school de Standford sont les gardiens du temple, la discipline va devoir évoluer encore. Les impacts environnementaux et sociétaux — timidement évoqués dans les cours de design thinking — vont devoir se développer. Les répercutions des nouveaux outils de connaissance et de création — ChatGPT, MidJourney, Stable Diffusion, etc. — vont devoir être prises en compte. Et cette liste va s'allonger d'année en année, d'évolution en révolution.
Et voilà. Il est intéressant de noter le parcours qui a été nécessaire au design thinking pour se rendre jusqu'à nous. D'abord, le mélange de plusieurs disciplines dans les années 50, qui a donné naissance à de nouvelles réflexions, telle que l'étude de la psychologie créative ou la mécanisation de la pensée. Bref, on voulait comprendre comment notre cerveau fonctionnait, et on cherchait des explications logiques, qui dépasseraient le mystique élan créatif. Enfin l'usager au centre et l'observation de ses interactions seront les dernières pierres angulaires de la méthodologie telle qu'on la connait aujourd'hui. Dernière? Hum... pas vraiment. Il a fallu le génie marketing de David Kelley et Tim Brown pour populariser et évangéliser les organisations du monde entier, et les inviter à "penser design".