IA et innovation : produire plus d'idées ne suffit pas à innover
Demander à une IA de proposer cent idées ne prend presque plus de temps. C'est spectaculaire, mais ce n'est pas encore de l'innovation.
Une idée peut être originale et ne jamais devenir un produit. Un prototype peut fonctionner dans une démonstration et échouer dès qu'il rencontre une contrainte de fabrication. Une molécule peut être prometteuse dans un modèle et ne jamais franchir l'épreuve clinique. Un logiciel peut être généré plus vite tout en devenant plus difficile à maintenir.
Le quatrième dossier de cette série part donc d'une question simple, "l'IA peut-elle favoriser l'innovation ?", mais oblige à en poser une autre : que devient l'innovation lorsque produire des idées cesse d'être la partie rare du processus ?
Le dossier de recherche fourni pour cet article insiste justement sur ce déplacement. L'IA réduit fortement le coût de l'idéation, du prototypage ou du criblage numérique, mais le travail ne disparaît pas. Il se déplace vers le tri, la validation, l'expérimentation physique et la capacité à distinguer une proposition séduisante d'une innovation réellement utile.
Une bonne idée n'est pas encore une innovation
Le premier piège consiste à mélanger créativité et innovation.
La créativité produit des possibilités. L'innovation exige qu'une possibilité survive à plusieurs filtres : utilité, faisabilité, coût, réglementation, production, adoption et parfois capacité à être maintenue pendant des années.
Cette distinction est importante parce que l'IA est déjà très forte sur la première partie.
Une étude publiée en ligne en juillet 2026 dans Production and Operations Management par Christian Terwiesch, Lennart Meincke, Karan Girotra, Ethan Mollick, Gideon Nave et Karl Ulrich compare des idées de produits générées par des humains avec celles produites par des modèles de langage. Les auteurs constatent que les idées issues de l'IA obtiennent en moyenne de meilleurs scores de qualité mesurés par l'intention d'achat et sont sept fois plus susceptibles d'apparaître dans les 10 % les mieux évaluées.
Mais le même article documente aussi la contrepartie : les idées générées par l'IA sont moins diverses entre elles. Les modèles récents réduisent cet écart, sans encore atteindre systématiquement la diversité humaine observée dans leurs expériences.
On obtient donc un premier paradoxe : l'IA peut améliorer la qualité d'une idée prise isolément tout en rétrécissant le portefeuille collectif dans lequel cette idée apparaît.
Individuellement meilleurs, collectivement plus semblables
Ce paradoxe n'apparaît pas dans une seule étude.
En 2024, Anil Doshi et Oliver Hauser ont publié dans Science Advances une expérience portant sur 293 auteurs et 600 évaluateurs. Les participants devaient écrire de courtes histoires, soit seuls, soit avec une idée générée par IA, soit avec la possibilité d'en demander plusieurs.
L'assistance améliore les résultats individuels. Par rapport au groupe sans IA, la nouveauté perçue augmente de 5,4 % avec une idée générée et de 8,1 % avec un accès à plusieurs idées. L'utilité perçue progresse également, de 3,7 % et 9 % selon la condition.
Le bénéfice est particulièrement marqué pour les participants initialement les moins créatifs.
Mais lorsque les chercheurs comparent les productions entre elles, les histoires assistées par IA sont aussi plus similaires les unes aux autres. Les auteurs décrivent un dilemme collectif : chacun peut obtenir un meilleur résultat, tandis que l'ensemble produit moins de variété.
En 2025, Lennart Meincke, Gideon Nave et Christian Terwiesch ont réanalysé des données expérimentales de brainstorming dans Nature Human Behaviour et abouti à une conclusion comparable : ChatGPT améliore certaines performances individuelles, mais réduit la diversité du réservoir d'idées.
Le problème n'est donc pas que l'IA manquerait nécessairement de créativité. Il est plus subtil : lorsque beaucoup de personnes interrogent des systèmes entraînés sur des corpus proches et optimisés pour produire des réponses plausibles, elles risquent d'explorer des régions semblables de l'espace des solutions.
C'est exactement le type de dépendance invisible que j'évoquais dans IA et dépendance technologique : le retour des forteresses du Web. La concentration ne porte pas seulement sur les fournisseurs ou les API. Elle peut aussi toucher les façons de chercher.
Le nouveau goulot d'étranglement devient la sélection
Pendant longtemps, une partie du coût de l'innovation venait de la difficulté à produire suffisamment d'hypothèses, de concepts ou de prototypes. L'IA réduit brutalement ce coût dans plusieurs domaines.
Ce changement ne supprime pas la rareté. Il la déplace.
Si une équipe peut générer mille concepts au lieu de cinquante, quelqu'un doit encore déterminer lesquels méritent d'être testés. Si cent prototypes logiciels peuvent être produits en quelques jours, il faut encore mesurer leur robustesse, leur sécurité et leur maintenabilité. Si un modèle propose des milliers de structures moléculaires, les capacités de synthèse et de test biologique ne deviennent pas mille fois plus grandes.
L'étude 2026 de Terwiesch et ses coauteurs apporte ici une nuance intéressante. Plusieurs techniques permettent de restaurer une partie de la diversité perdue : combiner plusieurs fournisseurs de modèles, varier fortement les contraintes, injecter des perspectives hétérogènes ou utiliser des agents spécialisés dans l'exploration. Les auteurs observent aussi qu'en générant beaucoup plus de propositions, l'IA finit par couvrir une part croissante de l'espace d'idées.
Autrement dit, la convergence n'est pas une fatalité technique. Mais elle ne disparaît pas simplement parce qu'on demande "sois créatif".
Le processus doit être conçu pour préserver la divergence.
AlphaFold montre ce que signifie réellement accélérer une découverte
Les sciences donnent une illustration plus tangible du rôle utile de l'IA.
AlphaFold 3, publié dans Nature en 2024 par Josh Abramson et ses coauteurs, améliore fortement la prédiction des structures et interactions impliquant protéines, acides nucléiques, petites molécules, ions et résidus modifiés. Le modèle dépasse plusieurs outils spécialisés sur des tâches importantes de prédiction biomoléculaire.
C'est une avancée majeure. Mais il faut employer les mots correctement.
AlphaFold ne transforme pas automatiquement une prédiction en médicament, ni un candidat en traitement validé. Il réduit le coût et le temps d'une étape qui était auparavant extrêmement difficile : comprendre et modéliser des structures moléculaires complexes.
Sa valeur pour l'innovation vient précisément de là. En comprimant une étape coûteuse, l'IA permet aux chercheurs de consacrer davantage de ressources aux hypothèses qui suivent.
Ce mécanisme est plus crédible que le récit d'une machine qui "invente à notre place". L'IA augmente la cadence de recherche, mais la preuve reste produite par la confrontation aux données et à l'expérience.
GNoME rappelle que prédire n'est pas fabriquer
La science des matériaux offre presque le contrechamp d'AlphaFold.
En 2023, Google DeepMind publie dans Nature GNoME, un système d'apprentissage profond destiné à explorer de nouveaux matériaux inorganiques. Les auteurs annoncent 381 000 nouvelles structures stables dans leur cadre de calcul et indiquent que 736 structures avaient déjà fait l'objet d'une vérification expérimentale indépendante.
Le résultat est impressionnant, mais il a également déclenché un débat scientifique utile.
En avril 2024, Anthony Cheetham et Ram Seshadri publient dans Chemistry of Materials une analyse critique du travail. Ils reconnaissent le potentiel de la méthode, tout en estimant trouver peu de preuves de composés réunissant simultanément les trois qualités qu'ils considèrent déterminantes : nouveauté, crédibilité chimique et utilité.
Ce désaccord ne démontre pas que GNoME aurait "échoué". Il montre quelque chose de plus intéressant pour notre question : un système peut multiplier extraordinairement les candidats plausibles sans abolir le travail nécessaire pour établir lesquels constituent réellement de nouveaux matériaux utiles.
Le calcul fait avancer la frontière. La validation décide ce qui franchit la frontière.
L'IA aide tant que l'on connaît sa frontière
L'expérience menée par Fabrizio Dell'Acqua et ses coauteurs auprès de 758 consultants du Boston Consulting Group complète le tableau. Publiée en 2026 dans Organization Science, elle montre que l'utilisation de GPT-4 améliore nettement la performance sur des tâches situées dans la zone de compétence du modèle : les participants réalisent 12,2 % de tâches supplémentaires, travaillent 25,1 % plus vite et produisent des résultats de meilleure qualité.
Mais sur une tâche volontairement choisie au-delà de cette "frontière technologique dentelée", les utilisateurs de l'IA sont 19 % moins susceptibles d'obtenir la bonne réponse.
Ce résultat ne mesure pas directement l'innovation. Il rappelle cependant une condition essentielle : un outil très performant sur une étape peut détériorer le processus si ses utilisateurs ne savent pas reconnaître les situations où il cesse d'être fiable.
L'innovation est précisément remplie de ces situations atypiques. Par définition, elle s'intéresse souvent à ce qui ne ressemble pas tout à fait aux exemples précédents.
Il faut organiser la divergence avant de demander la convergence
Le modèle opérationnel qui se dégage des études n'est donc ni "tout humain" ni "tout IA".
Il ressemble davantage à ceci :
| Étape | Ce que l'IA peut bien faire | Ce qu'il faut préserver |
|---|---|---|
| Exploration | Produire rapidement beaucoup de pistes, combiner des domaines, chercher des analogies | Plusieurs modèles, plusieurs équipes, des hypothèses humaines indépendantes |
| Critique | Chercher les failles, contradictions, précédents et contraintes oubliées | Le jugement sur la pertinence des objections |
| Prototypage | Accélérer le code, la simulation, la documentation et les variantes | Tests, architecture, sécurité et contraintes physiques |
| Sélection | Éliminer doublons et propositions manifestement faibles | Capacité à conserver les idées atypiques que le modèle classe mal |
| Validation | Aider à structurer l'expérience et analyser les résultats | Mesure réelle, reproductibilité et décision finale |
Cette organisation permet également d'éviter une autre forme de surcharge. Si l'IA produit cent fois plus d'options mais que l'équipe doit toutes les contrôler manuellement, le gain amont se transforme en fatigue de sélection. C'est le même déplacement de charge que celui décrit dans AI Brain Fry : quand la supervision des IA nous grille le cerveau.
L'objectif ne devrait donc pas être "générer le plus possible", mais augmenter le nombre d'expériences utiles que l'organisation est réellement capable de mener jusqu'au bout.
Ce que l'on ne peut pas encore conclure
Les données deviennent sérieuses sur l'idéation, mais elles restent très loin d'une démonstration générale selon laquelle l'IA augmenterait le taux d'innovation des entreprises.
Les expériences de créativité portent sur des histoires courtes, des problèmes de brainstorming ou des concepts de produits relativement simples. Elles mesurent utilement la qualité et la diversité des idées, pas leur survie commerciale cinq ans plus tard.
Les travaux sur AlphaFold ou GNoME concernent des problèmes scientifiques très spécifiques et ne peuvent pas être transposés directement au management d'une PME.
Enfin, accélérer un prototype, produire davantage de brevets ou augmenter le nombre d'expériences ne démontre pas à lui seul que l'organisation crée davantage de valeur. Le bon indicateur est situé plus loin : combien de propositions passent réellement de l'hypothèse à une solution validée et adoptée ?
Pour suivre cette évolution, la logique reste la même que dans Intelligence économique et veille : du signal à la décision : une abondance de signaux n'a de valeur que si elle améliore les arbitrages que l'on peut réellement effectuer.
Ma lecture
Oui, l'IA peut favoriser l'innovation.
Mais la formule "elle génère davantage d'idées" est probablement la partie la moins intéressante du sujet.
Le changement important est économique : l'idée devient moins chère, donc le jugement, la diversité et la validation deviennent plus précieux.
Une organisation qui demande au même modèle de générer les idées, de les noter, de les résumer puis de sélectionner les meilleures peut gagner énormément en vitesse tout en construisant un circuit fermé autour des préférences statistiques du même système.
À l'inverse, une organisation qui utilise l'IA pour multiplier les hypothèses, confronter les équipes à des contre-arguments, accélérer les prototypes et réduire le coût des essais peut explorer davantage, à condition de conserver plusieurs chemins indépendants vers le problème et une validation extérieure au modèle.
C'est peut-être le paradoxe le plus intéressant de ce quatrième volet : l'IA peut rendre chacun plus créatif sans rendre automatiquement l'organisation plus innovante.
La question n'est donc plus "combien d'idées pouvons-nous produire ?".
Elle devient : combien de différences sommes-nous encore capables de préserver jusqu'à l'épreuve du réel ?
Sources et références
- Christian Terwiesch, Lennart Meincke, Karan Girotra, Ethan R. Mollick, Gideon Nave, Karl T. Ulrich, "Artificial intelligence and its impact on creativity and diversity: An empirical study of large language model-generated product ideas", Production and Operations Management, publication en ligne, 22 juillet 2026. DOI : https://doi.org/10.1177/10591478261474243
- Anil R. Doshi, Oliver P. Hauser, "Generative AI enhances individual creativity but reduces the collective diversity of novel content", Science Advances, 2024, 10(28), eadn5290. DOI : https://doi.org/10.1126/sciadv.adn5290
- Lennart Meincke, Gideon Nave, Christian Terwiesch, "ChatGPT decreases idea diversity in brainstorming", Nature Human Behaviour, 2025, 9, p. 1107-1109. DOI : https://doi.org/10.1038/s41562-025-02173-x
- Fabrizio Dell'Acqua et al., "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality", Organization Science, 2026, 37(2), p. 403-423. DOI : https://doi.org/10.1287/orsc.2025.21838
- Josh Abramson et al., "Accurate structure prediction of biomolecular interactions with AlphaFold 3", Nature, 2024, 630, p. 493-500. DOI : https://doi.org/10.1038/s41586-024-07487-w
- Amil Merchant et al., "Scaling deep learning for materials discovery", Nature, 2023, 624, p. 80-85. DOI : https://doi.org/10.1038/s41586-023-06735-9
- Anthony K. Cheetham, Ram Seshadri, "Artificial Intelligence Driving Materials Discovery? Perspective on the Article: Scaling Deep Learning for Materials Discovery", Chemistry of Materials, 2024, 36(8), p. 3490-3495. DOI : https://doi.org/10.1021/acs.chemmater.4c00643
