




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.
L’intelligence artificielle au Québec ne se limite pas à la recherche universitaire : c’est une chaîne industrielle complète, structurée pour accompagner votre croissance du début à la fin. De la découverte théorique jusqu’au financement et à la mise en marché, chaque étape est couverte par des acteurs spécialisés prêts à collaborer. Pour réussir, l'essentiel n'est pas de tout maîtriser à l'interne, mais de vous connecter à ce réseau dense qui permet de réduire vos risques et d'accélérer votre innovation face à la concurrence mondiale.
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'I.A 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'I.A. 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 A.I. est complété, et certains organismes influants de la communauté I.A. 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'I.A.

Et aujourd'hui? Aujourd'hui l'excitation générale et la paranoïa collective nous empêchent de voir sereinement les limites de l'I.A. 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'I.A — 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'I.A. est dépourvue de ce qui fait notre intelligence. Des capacités tout à fait mystérieuses pour nous, encore aujourd'hui. L'humain est miracle, l'I.A. 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...
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
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.
Dans le sillage de Marshall McLuhan, qui a révolutionné notre compréhension des médias avec son célèbre adage « The Medium is the Message », une nouvelle perspective émerge dans l’univers du marketing moderne : « The Medium is the Audience ». Cette évolution souligne un changement fondamental dans notre approche de la communication. Alors que McLuhan mettait l’accent sur l’impact intrinsèque des médias sur le message lui-même, nous explorons désormais comment le choix du médium définit et interagit directement avec notre audience. Cette perspective renouvelée ouvre la voie à une compréhension plus nuancée des groupes « cibles » — bien que je n’ai jamais aimé ce vocabulaire issu de la chasse pour qualifier le travail du marketing.
Il est venu le temps de réexaminer comment les regroupements sociaux façonnent les médias, et inversement. Et plus loin encore, comment ces groupes deviennent des médias eux-même. Nous avons recensé cinq niveaux de segmentation possibles, du plus large au plus précis.
Évidemment, la sociologie a longtemps offert une multitude de théories et de concepts pour décrypter les structures et les comportements des groupes humains. Des notions telles que les groupes primaires et secondaires, les réseaux sociaux (les vrais), les subcultures, et les classes sociales, ou encore l’écologie du développement humain de Urie Bronfenbrenner (que nous avons couvert dans cet article) ont façonné notre compréhension des relations interpersonnelles et de la cohésion sociale.
Toutefois, malgré ces avancées théoriques, il n’existait pas de nomenclature simple pour aider les stratèges à préciser leurs intentions. C’est ce que nous avons humblement voulu proposer ici.
Définition de la “masse”: elle réfère généralement à un grand groupe de personnes qui ne possèdent pas nécessairement de liens personnels ou d’interactions directes les unes avec les autres. Elles sont souvent unies par des intérêts ou des activités communs, mais la nature de leur relation est impersonnelle et distante. La masse est typiquement caractérisée par l’anonymat, la diversité et un faible degré d’organisation sociale.
Les médias traditionnels comme la télévision et les journaux s'adressent à cette masse, en diffusant des informations et des publicités de grande envergure. Par exemple, les médias nationaux comme Radio-Canada ou Le Journal de Montréal fournissent un contenu qui résonne avec un large public. Voici quelques caractéristiques des média de masse :
Une niche désigne un sous-groupe au sein d'une société, caractérisé par des intérêts, des besoins ou des caractéristiques spécifiques qui le distinguent du groupe plus large. Ces sous-groupes ont souvent des cultures, des pratiques ou des préférences uniques et partagent généralement une identité ou un sentiment d'appartenance communs. Les niches peuvent se former autour de hobbies, de professions, de croyances ou de toute autre caractéristique qui crée un lien commun entre ses membres.
Les médias de niches se sont multipliés depuis plusieurs années. Les magazines "Runner's World" ou "Wired", servent ces niches en offrant du contenu qui résonne directement avec leurs intérêts uniques. Évidemment, les pages ou groupes FB jouent un rôle prépondérant, comme certains hashtags sur X ou LinkedIn. Les médias de niche jouent un rôle clé en renforçant l'identité du groupe et en créant une communauté autour d'intérêts partagés. Voici quelques caractéristiques des médias de niche :
Une crowd (foule) fait référence à un groupe temporaire de personnes rassemblées en raison d'un intérêt, d'un événement ou d'une situation spécifique. Cette formation est généralement éphémère et se caractérise par un sentiment partagé ou une action collective, sans liens sociaux préexistants ou structures organisationnelles formelles. La crowd peut se former spontanément et se dissoudre une fois que l'objectif commun ou l'événement est terminé. Les média crowd sont les évènement-eux mêmes. Voici les caractéristiques qu’ils partagent :
Une crew (équipage) fait référence à un groupe plus restreint de personnes qui partagent des intérêts communs, des activités ou des objectifs, et qui interagissent régulièrement. Ce type de groupe est caractérisé par des liens plus forts et plus personnels que ceux observés dans une crowd, et ses membres ont souvent un sens d'identité et d'appartenance partagée. Les crews peuvent être formés autour de loisirs, de passions, ou de professions, et ils sont généralement structurés et organisés, avec des membres activement engagés les uns avec les autres.
Les médias de crew comme Facebook ou Discord permettent à ces groupes de créer et de partager leur propre contenu. Les crews utilisent ces plateformes pour communiquer, s'organiser et diffuser des informations spécifiques à leur groupe. Par exemple, un club de skateboard local peut utiliser Instagram pour partager des photos et des informations sur des événements locaux. Voici leurs caractéristiques :
Le clan représente le niveau le plus intime de la segmentation sociale. Il désigne un groupe caractérisé par des liens étroits et personnels, souvent fondés sur des relations de parenté, d'amitié profonde ou d'intérêts partagés très spécifiques. Les clans sont généralement de petite taille et se distinguent par un fort sentiment d'identité collective et de solidarité. Les membres d'un clan ont tendance à se soutenir mutuellement et à partager des valeurs, des traditions ou des objectifs communs. Ce concept peut s'étendre aux groupes étroitement unis dans des contextes non familiaux, tels que des groupes d'amis proches ou des collectifs partageant des passions ou des objectifs similaires.
Les médias-clan sont souvent personnels et privés, comme les groupes WhatsApp de famille ou les conversations Snapchat entre amis. Dans ce contexte, les médias agissent comme des facilitateurs de communication intime et personnelle, renforçant les liens au sein du groupe. Voici ce qu’ils ont en commun :
Les communautés, des niches passionnées aux clans intimes, sont désormais au cœur de la création et de la diffusion d'informations. Ces groupes ne se contentent plus de recevoir des messages ; ils les façonnent, les partagent et exercent une influence notable sur les perceptions et les comportements. Leur rôle actif transforme la communication en une expérience plus personnalisée et authentique, reflétant directement les intérêts et les valeurs propres à chaque communauté. Dès lors, le média n'est plus seulement un diffuseur, mais un facilitateurs. Son pouvoir ne s'en trouve pas diminué, cependant, puisque les algorhythmes jouent le rôle de direction éditoriale, en choisissant à dessein ce qui doit être vu... ou pas.
Comprendre ce rôle croisé entre médias et segments sociaux est essentiel pour les stratégies de communication et de marketing. Les médias ne sont plus seulement des diffuseurs d'information, mais des facilitateurs de conversations au sein et entre ces segments.
C'est à Richard Buckminster Fuller que nous devons la théorie de la Knowledge Doubling Curve, une prédiction dictée en 1980 et qui se vérifie aujourd'hui.
Bucky était le mauvais garçon de la Silicon Valley. Plusieurs fois viré de Harvard, il est devenu une inspiration pour le mouvement cybernétique et un gourou pour la communauté technologique naissante des années 60. Véritable touche-à-tout, architecte, designer, inventeur fou et futurologue, il est le papa de la biosphère de Montréal, et celui d'une théorie : la connaissance collective est exponentielle.
Cette théorie a peu été relayée par les universitaires de l’époque, mais tout s’explique par la réputation académique de Bucky. Or, aujourd’hui, elle résonne comme une véritable prédiction. L’idée : la connaissance collective à vitesse exponentielle. Attention, pas l’intelligence collective, la connaissance collective !

Il fallait 100 ans pour que la connaissance collective double en 1900.
Il fallait 25 ans pour que la connaissance collective double au milieu du siècle dernier.
Il fallait 13 mois pour que la connaissance collective double en 2016.
IBM a même poursuivi ces projections et annonce que le savoir doublera toutes les... douze heures, en 2036.
Pensez au corpus de connaissances de la médecine De Humani Corporis Fabrica (sur la structure du corps humain), qui fut l’œuvre majeure d’André Vésale, et véritable référence pour tous les scientifiques du xvie siècle. Tout était là. Toute la connaissance de la médecine rassemblée dans une seule œuvre publiée en 1543. Ce fut un tournant dans l’histoire de la médecine et de l’étude de l’anatomie humaine. Cet ouvrage était si imposant qu’il est souvent confondu avec une encyclopédie en raison de sa vaste couverture du sujet et de sa contribution fondamentale à la compréhension du corps humain. Tout le savoir de l’humanité sur l’humain ! Bon, eh bien De Humani Corporis Fabrica comptait 659 pages illustrées. Imaginez, en moins de 700 pages, on savait tout sur tout, sur la médecine du xvie siècle. Imaginez maintenant le volume de connaissances que nous avons sur le corps humain aujourd’hui !
Ou pensez encore à l’effervescence des sciences après la Deuxième Guerre mondiale, en partie produite par la fuite des cerveaux d’Europe centrale vers les universités américaines après l’élection d’Hitler en 1933. Tous les grands campus américains ont hérité de ces exilés allemands, autrichiens, hongrois, polonais expulsés par le régime nazi — notamment grâce à la fondation Rockefeller. Cette dernière mit en place un fonds d’aide spéciale pour les chercheurs destitués (Aid Fund for Deposed Scholars) destiné à financer des universitaires et intellectuels européens contraints de fuir le nazisme. Entre 1933 et 1942, ce programme permit d’aider plusieurs centaines d’intellectuels à trouver refuge sur des campus américains. Sans faire d’angélisme — l’accueil des chercheurs juifs était tout de même timide : il suffit de s’intéresser au parcours d’Einstein pour s’en convaincre —, ces années furent fructueuses sur le plan scientifique.
Les disciplines se croisèrent, les savoirs s’entrechoquèrent, et de nouveaux modes de pensée ont émergé de ces mélanges. C’est la naissance de la hiérarchie des besoins et des motivations de Maslow, c’est le début du design thinking, des focus groups, de l’informatique de Von Neumann en 1945, et bientôt de l’intelligence artificielle en 1955, avec la fine équipe de Dartmouth.
Ces inventions, combinées, ont accéléré davantage la production de connaissances, liée depuis à la puissance des ordinateurs. Depuis l’invention de l’ordinateur, la recherche est liée à la puissance des microprocesseurs, avec une loi bien connue (et parfois contestée), la loi de Moore. Gordon Moore était un des cofondateurs d’Intel, et un des papas du microprocesseur. Sa loi n’est pas tant une loi physique qu’une observation empirique, mais elle a fait foi pendant des décennies. Voilà ce qu’elle dit : à coût constant, la vitesse des microprocesseurs double tous les 18 mois. Une prédiction de 1965 — que Buckminster Fuller avait anticipée plusieurs années auparavant — restée vraie jusqu’en 2015, la physique imposant des barrières naturelles à la progression de cette vitesse. Moore avait lui-même prévu la limite de sa propre loi. Une limite physique insurmontable, puisqu’en dessous d’une échelle nanométrique (sous 10 nm), il devient difficile de miniaturiser davantage les microprocesseurs sans faire face à des problèmes complexes : effets quantiques, dissipation thermique, limitations de la lithographie, etc. Dès lors, il a été plus facile de multiplier les processeurs que de miniaturiser les microprocesseurs.
C’était sans compter le génie des équipes de Jensen Huang, grand patron de NVIDIA. En 2019, il déclare la mort de la loi de Moore et qu’il faudra désormais compter sur d’autres types de technologie… Optimisation des architectures, parallélisation des cœurs de processeurs et spécialisation des microprocesseurs (notamment les GPU) ont révolutionné l’approche de l’informatique matérielle. L’accélération des ordinateurs est redevenue possible, accélérant encore et encore la production de connaissances.
Aujourd’hui, les chercheurs ne cherchent plus. Ils ont produit des IA capables de chercher à leur place, donc de plus en plus vite. Par exemple, cette IA nommée M3GNet, développée par l’Université de Californie, a « inventé » une base de données de plus de 31 millions de nouveaux matériaux inexistants, en prédisant également leurs propriétés. Grâce à M3GNet, l’humanité découvre de nouveaux matériaux à une vitesse totalement inédite, vertigineuse.

Alors Buckminster était-il fou de considérer que la connaissance allait grandir à une vitesse exponentielle Au-delà de notre ressenti, quelle preuve tangible peut-on produire pour montrer le bien-fondé de son intuition La réponse est arrivée chez Perrier Jablonski au détour d’un mandat, pour lequel nous avions à creuser le sujet. Nous sommes tombés sur une étude édifiante, celle de l’American Clinical and Climatological Association, publiée en 2011.
Cette étude voulait alerter l’administration Obama sur les défis de la formation des médecins, dans un monde où la connaissance grandit si vite. Et le rapport donne des chiffres. Évidemment, ces chiffres sont faciles à obtenir à une époque où tout se compte (brevets, recherches, mémoires, etc.). Les voici.
Il fallait 50 ans pour que la connaissance médicale double en 1950, 7 ans en 1980, 3 ans et demi en 2010... et... 73 jours en 2020. Un étudiant qui a commencé ses études de médecine en 2010 est devenu médecin en 2017. Dans ce même laps de temps, la connaissance médicale a doublé trois fois.
Si vous pensiez que le monde allait certainement ralentir un jour, j’ai une réponse pour vous. Enfin, pas moi, mais le président de Google, Sundar Pichai, qui annonçait en 2019 les premiers tests du premier processeur quantique, le Sycamore 54-qubit. Sycamore a réalisé un calcul complexe en 3 minutes et 20 secondes... alors qu’il faudrait 10 000 ans aux meilleurs super calculateurs du marché. Bien évidemment, il s’agit d’un test réalisé dans des conditions impossibles à reproduire dans le quotidien... Mais ce n’est qu’une question de temps.
Trois minutes contre 10 000 ans. Non, l’accélération n’est pas prête de ralentir...

Ces chiffres donnent le vertige. Mais qui tient le compteur Dans un éditorial publié en 2020 dans Design for Health, Paul Chamberlain reprend la courbe de Fuller et la projection attribuée à IBM d’un doublement des connaissances toutes les douze heures. Il qualifie toutefois cette dernière d’anecdotique et rappelle que les différents domaines du savoir progressent à des rythmes différents. Son texte témoigne donc de la circulation de cette idée jusque dans les publications universitaires, sans en démontrer les chiffres. D’ailleurs, comment additionner une découverte médicale, un brevet et une nouvelle compréhension du comportement humain La courbe de Fuller fournit une image saisissante de l’accumulation des savoirs, dont le rythme exact reste difficile à établir. Chamberlain soulève surtout une question qui nous concerne directement : notre capacité à assimiler et à appliquer ces connaissances arrive-t-elle à suivre Pour nos organisations, voilà un défi bien réel, même sans chronomètre. Source : Paul Chamberlain, « Knowledge is not everything », 2020.
Non, l'innovation ce n'est pas toujours la technologie : c'est une invention utile, originale, et qui a trouvé son public... Et elle peut prendre plusieurs formes. Dix, selon Doblin — douze, selon nous. Acquise par Deloitte, Doblin est une entreprise spécialisée en innovation. En 2013, elle a identifié dix typologies d'innovation dans un ouvrage-référence, Ten Types of Innovation. Au fil de ses mandats stratégiques, Perrier Jablonski a ajouté deux cases aux dix types. Douze, donc. Douze moyens de générer des idées innovantes, en passant sa propre organisation en revue de manière systématique, pour ne rien oublier.
On recense quatre aspects distincts :

Aucune entreprise ne peut se démarquer dans les douze types, c'est un objectif irréaliste. Mais si votre organisation se différencie dans une, deux ou trois de ces catégories, c'est gagné! Chez Perrier Jablonski, nous étudions les mécanismes qui démarquent les organisations tant sur le plan des communications que de l'innovation, et au fil de nos recherches, nous avons repéré de véritables joyaux — sans passer par la case Silicon Valley.
Voici donc douze innovations d'ici, d'entreprises de chez nous qui savent inventer et se réinventer. Douze cas qui font école, et qui pourraient bien vous inspirer dans vos propres réflexions.
Certaines entreprises se distinguent par un modèle de profit original. Même si cet aspect peut prendre de nombreuses formes, cette différence doit être perceptible par le consommateur. Pensez par exemple aux services chargés à forfait plutôt qu'à la pièce (abonnements gym, spa, etc.), au modèle de gratuité dans un marché "payant", ou aux services prépayés (Starbucks, PlayStation, et toutes les cartes prépayées). Mais on peut aussi innover dans ce qu'on décide de facturer au client... ou pas. C'est le cas de l'opérateur Fizz, qui a brillamment repensé son offre pour les jeunes — en permettant, par exemple, d'échanger des Go de données entre abonnés, de reporter un solde de données sur le mois suivant, etc. L'idée à se poser dans cette catégorie d'innovation : comment bouleverser le marché avec une offre différente, impossible à comparer avec la concurrence.
Image : Fizz
Le réseau, c'est une manière de connecter plusieurs partenaires pour offrir un service unique. Ce fut le cas au printemps 2021, quand les cabanes à sucre se sont vu privées de clientèle. La solution : l'agence Prospek a eu l'idée de créer un réseau de cabanes partenaires pour offrir chez Métro le kit "Ma cabane à la maison". Le tour de force Mettre des moyens en commun. Résultat, 96 établissements Métro mobilisés, 70 propriétaires de cabanes à sucre impliqués, 110 000 boîtes vendues. Un total de 500 000 repas pour 11,5 millions de dollars. C'est une saison des sucres "sauvée", mais c'est aussi une invention qui a trouvé son public... donc une innovation. Regardez autour de vous et posez-vous la question suivante : avec quel partenaire pourrais-je connecter mon produit, ou mon offre

La structure, c'est l'assemblage des différents organes de votre organisation. Comment êtes-vous structurés pour opérer À l'intérieur de ce cadre, comment pouvez-vous trouver de nouvelles manières de faire Nous avons choisi Pomerleau (St-Georges) qui a décidé de s'attaquer à la pénurie de personnel, en créant un organe vital à son avenir : un centre de formation continue interne, PX3. Les employés peaufinent leurs apprentissages tout au long de leur carrière grâce à un corpus de connaissances créé sur mesure et pensé spécifiquement pour Pomerleau. Cette démarche est remarquable par la clarté de son ambition : prendre en main sa destinée en misant sur la formation, et ne pas attendre que son industrie forme une relève. Mieux vaut le faire soi-même, et PX3 et une démonstration brillante de cette réalité.

On aurait pu mettre Loop Mission (Montréal) dans bien des catégories ici. Modèle d'affaires basé sur l'économie circulaire, marque forte, réseau de distribution varié, performance-produit, etc. Mais pour nous, l'entreprise se distingue d'abord par son processus de fabrication. L'idée : sauver des fruits et légumes de la destruction, et transformer le gaspillage en opportunité d'affaires. Le succès a été instantané! Aujourd'hui, Loop Mission (Montréal) produit des jus, des smoothies, des sodas, des bières, du gin et des savons, avec une marque forte, pleine de couleurs et de promesses. La logistique est certainement le lieu des plus grandes innovations des dernières années. Pensez simplement à Amazon ou Netflix : la révolution est logistique.
La performance-produit vise la capacité pure du produit, et le bénéfice net pour le consommateur : plus vite, plus haut, plus fort. C'est précisément le cas pour B-Temia (St-Augustin-de-Desmaures), une pionnière dans les exosquelettes — ces squelettes externes au corps humain, qui peuvent seconder nos muscles dans des tâches difficiles ou répétitives. Après le domaine militaire, B-Temia a concentré ses recherches sur les personnes souffrants de maladies orthodégénératives — et leur permettent littéralement de marcher à nouveau grâce à un savant mélange de capteurs, de moteurs et d'intelligence artificielle. La question à se poser quand on veut innover en performance-produit, c'est "qu'est-ce que mon produit fait de plus, de mieux"

Ricardo (St-Lambert) était déjà un exemple de réussite en marketing. Après le succès des recettes Ricardo, il fallait réussir plusieurs virages. Celui de la marque média, celui des accessoires, puis celui des plats préparés. Après plusieurs années d'effort, la marque s'est imposée dans nos cuisines. Elle a mené de nombreuses batailles commerciales, dans une industrie déjà saturée de marques historiques (Lagostina), centenaires (Creuset), innovantes (OXO) ou endossées (Martha Stewart) — et ce, dans toutes les catégories (petits électros, accessoires, art de la table, etc.). Comme une dernière pierre à l'édifice, la marque a récemment investi les rayons des épiceries avec ses plats préparés. Même si elle l'a fait avec un peu de retard par rapport à la concurrence, elle l'a fait avec beaucoup de talent. Nul doute que l'acquisition de Ricardo par Sobeys va donner encore plus de puissance à l'ensemble. Dans un écosystème de produits, on recherche de la cohérence entre les produits. Ce n'est pas juste une question de marque, mais une question de sens. Attention à ne pas créer de confusion, à ne pas devenir un écosystème all-dressed : on veut de la clarté! Est-ce que cette nouvelle offre est logique avec l'ensemble Est-ce que ce nouvel item contribue à la puissance de l'écosystème tout entier Si oui, une image de marque cohérente viendra sceller cette union entre tous les produits de l'écosystème.

Après avoir été une institution rue Saint-Denis, Altitude Sports (Montréal) est devenue une entreprise 100% en ligne et un véritable exemple national dans la vente d’équipement de plein air et vêtements techniques. Le but peut paraître simple : offrir une expérience agréable et marquante à ses clients. Bref, devenir le champion de l'expérience client. Bon. Mais quand on se présente face à des mastodontes (Sport Expert, Decathlon, Amazon), mieux vaut avoir une bonne idée de comment s'y prendre. C'est (encore) en misant sur la logistique (livraison le jour même, retours faciles, réponse rapide, service à la clientèle chaleureux, inventaire généreux, prix bas, etc.) que la marque a su convaincre. Faites-en l'expérience, c'est assez bluffant. La question qui doit vous obséder ici : comment rendre mon client encore plus content

Ici, on veut diversifier la distribution de votre produit ou service. Cela peut-être un canal propriétaire ou un canal partenaire (vendre votre produit dans un réseau qui ne vous appartient pas). Notre exemple favori Chocolats Favoris (Montréal), qui a ouvert des mini succursales à l'intérieur des IGA. C'est gagnant-gagnant. La chaîne d'épicerie peut offrir un nouveau service à ses clients, et le chocolatier bénéficie de l'achalandage (et des horaires étendus) de la chaîne. Les épiceries sont devenues de véritables relais de distribution pour des marques qui opéraient à l'extérieur de leurs étalages auparavant : St-Hubert, Baton Rouge, Cool&Simple, etc., mais l'idée de Chocolats Favoris va plus loin, en offrant une véritable expérience au-delà du produit. La question à vous poser ici est la suivante : par où mon offre pourrait-elle passer? Comment distribuer mes produits différemment? Comment démultiplier la distribution de mes services

De nombreuses marques voient le jour. Désormais, elles sont nombreuses à le faire bien. D'abord parce que — qu'on le veuille ou non — Instagram (et autres) ont généralisé une certaine esthétique et les entrepreneurs et entrepreneures sont beaucoup plus sensibles au design qu'auparavant. Mais parfois, elles prennent un chemin difficile. C'est le cas de Stefano (Montréal). Pourquoi difficile Parce qu'après des années de succès en restauration et dans les médias, le passage à la production de masse pour Stefano Faita représentait un risque pour la perception de qualité. Pire encore, l'entreprise s'est attaquée méticuleusement à chacun des basiques de la cuisine italiennes : sauces tomate, pâtes, pizzas, etc. Des catégories saturées qui n'avaient pas besoin d'un nouveau joueur. C'est en misant sur son obsession pour la simplicité et la qualité que la marque est entrée tel un cheval de Troie dans les épiceries, avant d'étendre sa gamme (desserts, huiles, vins, viandes préparées, etc.) Mais cette réussite est aussi due à un packaging impeccable et implacable (signé lg2). Avec simplicité et efficacité, la gamme complète est quasiment devenue un repère signalétique dans les rayons. Oui, l'agence a fait un travail remarquable (dans tous les sens du terme), mais la marque a aussi sa part de responsabilité dans l'exécution, et surtout la protection de sa propre marque à travers le temps et les lancements. Vous avez de la chance, il y a beaucoup de talent au Québec pour vous aider à bâtir une marque forte.

L'idée est ici de générer un sentiment d'appartenance fort. L'exemple parfait, les lufavores. Ils ne sont pas des clients des Fermes Lufa (Montréal)... non... ils en sont les adeptes! Ils sont près 96 000 au Québec, et ils deviennent de véritables porte-paroles pour le producteur-distributeur. La marque ne lésine pas sur les efforts pour nourrir la passion — et la curiosité de leurs apôtres : visites ponctuelles de la ferme, rencontres avec les maraichers et les producteurs, portes ouvertes, événements, communications fréquentes. Ils sont même mobilisés pour aider leurs communautés autour des sujets chers à Lufa. Et c'est le secret de la réussite de l'entreprise : le sentiment d’appartenance se bâtit à deux conditions : on partage les mêmes principes et la même ambition... et avoir un ennemi commun, se battre contre (ou pour) quelque chose. Alors comment pouvez-vous mobiliser votre clientèle derrière un enjeu, une cause

On parle ici de la manière de diriger, de prendre des décisions... mais aussi de la culture d'entreprise, la politique de recrutement et de rétention. Évidemment, de nombreuses entreprises ont saisi l'importance capitale d'innover dans ce domaine. Parmi elles, c'est sans conteste Cascades (Montréal) qui remporte la palme. Précurseur dans le domaine, le fleuron québécois a toujours investi sa confiance dans son actif le plus cher : ses employés. Culture d'ouverture et de responsabilisation, rémunération équitable, partage des profits, gestion décentralisée, politique de la porte ouverte pour favoriser les discussions franches sans égard au niveau hiérarchique... tous les moyens sont bons pour impliquer les employés. Ces derniers sont impliqués dans la vie de l'entreprise et l'autonomie est valorisée à tous les étages. L'intérêt pour l'innovation va plus loin, avec la mise en place d'un comité d'innovation chargé de repérer et d'intégrer les prochaines pratiques innovantes. Tout ce travail intérieur se voit de l'extérieur : Cascades est la 17e entreprise la plus durable au monde selon Global 100 et Forbes la classe dans le TOP300 des meilleurs employeurs au Canada. La question à vous poser : comment faire de l'implication de votre équipe un atout pour vous différentier Attention, ne criez pas "l'humain d'abord" sur tous les toits : faites-le.

Comme pour Loop ou Stefano, Attitude aurait mérité d'être à plusieurs endroits dans cet article. Mais la promesse centrale des produits Attitude (Sherbrooke) est dans son nom : la bonne attitude — pour ses employés, ses clients et la planète. Ancrée dans l'histoire personnelle du fondateur Jean-François Bernier, la promesse est matérialisée partout dans l'entreprise. Le principal argument de l'entreprise, la confiance. Cela peut paraître simple, mais c'était une gageüre, dans une industrie polluée par le greenwashing et par les milliards de dollars de pub des grands joueurs installés depuis des décennies... Mais la marque s'adresse à une clientèle informée et exigeante, avec qui on ne peut pas jouer sur les mots et les promesses. Pari réussi puisque la marque est distribuée partout, et — c'est plus rare — elle a su s'exporter : aujourd'hui 75% de la production est vendue dans près de 50 pays.
