Introduction Les avancées technologiques, les changements de préférences des consommateurs, la globalisation des échanges sont quelques-uns des différents facteurs qui alimentent l’incertitude dans l’environnement des organisations et rendent beaucoup plus complexe les décisions à prendre. Cela suppose que la prise de décision complexe dans l'incertitude est l’un des enjeux cruciaux des entités dans les économies modernes. Par ailleurs, pour prendre des décisions optimales, l’information se positionne comme étant l’un des principaux facteurs clés de succès à disposition des décideurs. En effet, l’information joue un rôle fondamental dans la stratégie d’une organisation (Kefi & Kalika, 2006 ; Petit, 1998). Or, le volume d’information créée à la seconde à travers une multitude de canaux augmente à une vitesse exponentielle à l’ère du digital (Elgendy & Elragal, 2016). Cela implique que la capacité de mettre à son profit la masse informationnelle issu de l’environnement de son organisation devient un nouveau facteur de différenciation qu’une entité se doit de maitriser. Cela permettra d’anticiper les changements dans son environnement, de détecter les opportunités et les menaces, d’influencer les acteurs qui interagissent avec son organisation ainsi que de se positionner par rapport aux différents concurrents. Généralement, un avantage concurrentiel est obtenu lorsque l’organisation s’approprie une ressource avant ses concurrents (Wernefelt, 1984) particulièrement les ressources informationnelles. En effet, l’information, même d’apparence dérisoire, une fois traitée, peut constituer une valeur économique (Monino, 2013). Dès lors, les pratiques de gestion informationnelle représentent un centre d’intérêt pour les scientifiques. L’analyse des comportements informationnel, de la production, à la recherche, au partage, à la diffusion de l’information, a ouvert la voie à l’émergence de plusieurs disciplines comme l’intelligence économique.  Le cerveau humain dispose cependant de capacités cognitives limitées pour absorber et analyser toute l’information disponible et de réaliser l’ensemble des calculs et analyses nécessaires pour évaluer leurs utilités (Eisenhardt & Zbarcaki 1992). Dans ce même ordre d’idées, il faut souligner que les avancées technologiques ont conduit à l’émergence de nouvelles formes d’intelligence pouvant substituer voire dépasser l’humain sur un nombre croissant de tâches complexes (Wojciech et al, 2017) à l’instar de « l’intelligence artificielle (IA) ». L’objectif premier de cet article est de soulever les différents apports de l’intelligence artificielle aux pratiques d’intelligence économique. Il s’agit en d’autres termes d’apporter des éléments de réponses à la problématique suivante : en quoi l’intelligence artificielle peut-elle révolutionner les pratiques d’intelligence économique ? Outre cela, sachant que l’IA constitue une technologie plutôt récente, en quelle mesure elle peut être bénéfique pour les PME internationales ? S’agissant de la méthodologie qui y est adoptée, l’essentiel de cet article s’appuie sur la littérature actuelle qui traite les principaux concepts du sujet, à savoir l’intelligence artificielle et l’intelligence économique. Puis, à la lumière de ladite littérature, un exercice de réflexion sera réalisé sur les principaux questionnements servant de problématique à notre travail. Dans l’atteinte de l’objectif fixé, ce papier sera organisé comme suit. Dans un premier temps, on traitera les généralités sur l’intelligence économique ainsi que les finalités de celle-ci. Ensuite on mettra l’accent sur l’intelligence artificielle, ses finalités et son processus. Pour finir, nous tenterons de démontrer quels sont les différents impacts que l’intelligence artificielle peut avoir sur l’intelligence économique. Nous mettrons aussi l’accent sur le cas des PME internationales. 1. Intelligence économique, tour d’horizon Nous vivons à l’ère du numérique, en conséquence, les informations sont produites plus rapidement et plus abondamment qu’avant. Face à cette profusion d’informations, il est exigé de plus en plus de notre capacité à traiter l'information, tant en termes de quantité que de qualité (Heinstrom, 2006). Cela suppose qu’afin de prendre des décisions stratégiques efficaces, on est appelé à mener un ensemble d’actions coordonnées sur les informations disponibles dans l’environnement de l’organisation, ce que Henri Marthe (1994) attribue à de l’Intelligence économique. 1.1. Définition et dimensions de l’intelligence économique La définition de l’intelligence économique, à l’instar de tant d’autres objets de recherche scientifique, suscite de divers débats conceptuels (Dafir & Salam, 2016). Il s’agit d’une discipline qui s’est développée au carrefour de plusieurs autres disciplines (Dou, 2008) à savoir les sciences de gestion, les sciences de l’information et de la communication (Dumas, Lacroux & Gasté, 2001) les sciences économiques, politiques et juridiques, bien que, scientifiquement, l’intelligence économique serait tout naturellement une branche des sciences humaines et sociales (Moinet, 2009). L’origine anglosaxon du concept constitue entre autres un autre vecteur de débat dans la littérature francophone traitant l’intelligence économique, car, certains l’apparentent au « Competitive Intelligence » (CI) d’autres au « Business Intelligence » (BI) qui sont en effet deux concepts distincts (Marcon & Moinet, 2006). Partant de là, il est évident que plusieurs définitions sont attribuées à l’intelligence économique par les chercheurs. L’une des définition phare dans la littérature francophone reste celle élaborée par l’équipe de recherche dirigée par Henri Marthe (1994). Selon cette dernière, il s’agit de « l’ensemble des actions coordonnées de recherche, de traitement et de distribution en vue de son exploitation, de l’information utile aux acteurs économiques. Ces diverses actions sont menées légalement avec toutes les garanties de protection nécessaires à la préservation du patrimoine de l'entreprise, dans les meilleures conditions de qualités, de délais et de coût ». D’autres définitions mettent davantage l’accent sur les dimensions de l’intelligence économique en l’occurrence de « la recherche de l’information (la veille) », « la protection du patrimoine informationnel » et « les activités d’influence » (Sliman, 2016). Il en est le cas pour celle proposée par Revelli (1998) qui stipule que l’on peut parler d’intelligence économique dans la mesure où, en plus des actions de veille à travers les processus de collecte, traitement et diffusion de l’information s’ajoute la volonté de mener des actions d’influence. D’autres auteurs, à l’instar de Belich & Dubinsky (1999) prennent en considération le rôle que l’intelligence économique joue dans le jeu concurrentiel. Ces derniers la définissent comme étant la capacité à acquérir, à diffuser et à utiliser efficacement l’information pour permettre une adaptation adéquate d’une organisation aux changements majeurs dans l’environnement. 1.2. Finalités et dimensions de l’intelligence économique L’intelligence économique, à la base, constituait un outil au service des activités de défense de l’intérêt de puissance des Etats-Nations (Harbulot & Baumard, 1997). Suite aux changements qu’aient connu les affrontements entre les puissances après la guerre froide où les conflits auraient cessé d’être essentiellement militaro-idéologiques pour migrer vers les intérêts économiques et culturels, l’intelligence économique a connu un changement de cap vers l’économie constituant ainsi des stratégies collectives et une coopération entre gouvernements et entreprises dans la production d’une connaissance commune pour la défense de l’avantage concurrentiel (Wilensky, 1967).  Dès lors, L’intelligence économique est devenue une composante majeure de la stratégie des entreprises (Monino, 2013). A cet effet, pour cerner la finalité de <a name="_Hlk48650562">l’intelligence économique</a>, on peut se référer aux travaux de plusieurs chercheurs à l’instar de ceux de D’Almeida (2001). Selon ses recherches, l’intelligence économique ouvre la voie à une compréhension finement et globalement d’un environnement complexe conduisant à la prise de bonnes décisions. Elle concourt donc à dissiper l’incertitude dans le but de rendre la décision moins aléatoire (Alain-Dupré & Duhard, 1998). En effet, la principale mission de l’intelligence économique serait la maîtrise de l’information stratégique afin de garantir l’efficacité de la prise de décision (Hussein et al., 2004). Toutefois, en plus de cela, Cohen (2004) nous dit que l’intelligence économique remplie une fonction anticipative en identifiant les éventuelles opportunités et menaces ainsi qu’une fonction proactive en proposant les actions à mettre en place face à une situation donnée. Cela nous renvoie à la dimension « Veille » de l’intelligence économique, qui consiste au fait d’écouter, d’observer et d’analyser l’environnement d’une entité (Amabile et al., 2012). Il est important toutefois de souligner que l’un des principaux enjeux auxquels font face les veilleurs, de même que la plupart des chercheurs, est de trouver comment améliorer le repérage et l’interprétation des signaux faibles ainsi que le traitement de la masse informationnelle (Lesca, 2011). L’intelligence économique permet aussi de mettre en &oelig;uvre des stratégies de « contre intelligence » (Bolch, 1999) à travers sa dimension de protection du patrimoine informationnel. Dans le jeu concurrentiel, les informations, connaissances et compétences détenues par une entité peuvent être convoitées par les concurrents. Dans cette optique, celle-ci doit faire preuve de vigilance en mettant en vigueur des stratégies de contre-intelligence pour lutter contre le risque informationnel. L’entité peut entre-autres, agir discrètement, éviter que les adversaires ne soient pas aussi bien renseignés sur soi que soi sur eux (Sliman, 2016) en les entrainant sur de fausses pistes (Fane & Feige, 2019). Notons que la protection de l’information ne consiste pas seulement à protéger la confidentialité de l’information mais aussi les logiciels et matériels qui utilisent, mémorisent, traitent et divulguent cette information (Khoo et al. 2010). Toutefois, avec les avancées technologique, le spécialiste en intelligence économique se voit faire face à un enjeu majeur concernant la protection du patrimoine informationnel, à savoir les cyber-attaques. L’information détenue par une entité offre aussi à celle-ci la possibilité d’agir sur le comportement des acteurs à travers des stratégies d’influence ou de contre-influence. Cette finalité de l’intelligence économique constitue une troisième dimension de celle-ci consistant à induire un changement de niveau dans la perception des réalités (Juillet & Racouchot, 2012). A titre de synthèse, l’intelligence économique, à partir de l’information issue de l’environnement immédiat de l’organisation permet d’anticiper les changements, de protéger le patrimoine informationnel et d’influencer son environnement ce qui peut conduire à la prise de décision moins aléatoire. 2. Aperçu de l’Intelligence Artificielle  L’appellation « intelligence artificielle » est la réunion de deux concepts à savoir « intelligence » pour faire allusion à la capacité de résoudre des problèmes difficiles (Minsky, 1985a) et « artificielle » en contraste à l’intelligence naturelle. Il s’agit d’une notion qui a bénéficié d’un regain d’intérêt ces dernières décennies en raison des importantes avancées technologiques (Zouinar, 2020) qui fait aussi l’objet de beaucoup de débats dans les cercles scientifiques. Ces débats s’articulent par exemple autour de l’appellation même du concept, car certains chercheurs, à l’instar de Carter & Nielsen (2017), auraient opter de préférence pour l’apellation « Intelligence Augmentée », d’autres auteurs, comme Luc Julia (2019), vont plus loin pour affirmer que l’intelligence artificielle n’existe pas. Les chercheurs n’arrivent pas non plus à s’entendre sur l’aspect éthique de l’intelligence artificielle, surtout vis-à-vis des données personnelles et du respect de la vie privée (Balagué, 2018). D’autres figures dans le monde scientifique pointent du doigt les multiples risques et conséquences sur le facteur humain (Sousa et Rocha, 2019). Toutefois, au-delà de cette multitude de divergences, la plupart des penseurs en intelligence artificielle s’accordent à dire que celle-ci est en train de transformer le quotidien de l’humain. En effet, elle est présente dans presque tous les domaines comme par exemple la médecine, les procédés de production industrielle, la logistique, le droit (Wirth, 2018), entre autres, elle ouvre la voie à la création de la valeur entre les acteurs économiques (Singh et al., 2019 ; Syam et Sharma, 2018). 2.1. Intelligence Artificielle : tentatives de définition Utilisé pour la première fois en 1955 par John McCarthy (McCarthy et al., 1955), dont l’objectif serait, selon certains auteurs, la « mécanisation » de l’intelligence humaine (Nilsson, 2005), le concept « intelligence artificielle » est une notion qu’il est difficile à statuer sur sa définition. Cette difficulté de lui accorder une définition universelle (Bhatnagar et al., 2018 ; Monett et Lewis, 2018) réside particulièrement dans le fait qu’elle réunit une pluralité de champs disciplinaires comme l’informatique, les mathématiques, l’ingénierie et la statistique (Charlin, 2017) ainsi que dans le fait que l’intelligence en soi, est un concept complexe et difficile à appréhender (Wang, 2019). Parmi les tentatives de définition repérées dans la littérature, nous pouvons particulièrement revenir sur celles proposées par Minsky, Shapiro et Levesque. L’intelligence artificielle, pour Minsky (1968), est la science qui permet aux machines de faire des choses qui exigeraient de l'intelligence si elles étaient réalisées par des humains. Cité par Portnoff et Soupizet (2018), Marvin Minsky renchérit pour dire que l’intelligence artificielle est « la construction de programmes informatiques qui s’adonnent à des tâches accomplies, pour l’instant par des êtres humains, de façon plus satisfaisante ». Selon Shapiro (1992) il s’agit d’un domaine de la science et de l’ingénierie qui traite de la compréhension, à l’aide de l’ordinateur, du comportement intelligent et de la création de systèmes artificiels qui reproduisent ce comportement. Quant à Levesque (2013), il la définit comme le domaine qui étudie le comportement intelligent en termes computationnels. Outre ces définitions, Charlin (2017) nous apprend que les techniques d’intelligence artificielle nous permettent d’automatiser l’extraction de connaissances à des fins prédictives, telles prédictions qui seront utilisées à la prise de décisions stratégiques. Il faut se rendre à l’évidence que l’intelligence artificielle est un phénomène social en pleine évolution, ce qui implique que l’on doit s’attendre à une continuelle mise à jour des définitions qui lui sont attribuées. 2.2. Niveaux et processus de l’intelligence artificielle L’intelligence artificielle est en pleine évolution. Les tâches qui lui sont allouées, ou encore ses finalités vont de pair au degré d’autonomie de celle-ci. Il va sans dire que l’objectif premier de l’intelligence artificielle, comme l’a stipulé le créateur du thème John McCarthy, est de fabriquer des machines intelligentes (McCarthy, 2007). Néanmoins, la finalité de celle-ci, va bien au-delà des machines intelligentes. Afin de la cerner, il faut par exemple se référer aux sous-concepts introduits par J. Searle (1980) en l’occurrence de « IA forte et IA faible ». Tout d’abord, l’IA forte (strong AI en anglais) est encore une appétence technologique. Sinon, elle serait un système doté d'une intelligence humaine pure voire surhumaine. Les systèmes d’intelligence artificielles connus de nos jours sont généralement catalogués d’IA faibles. Cette notion suppose que les machines sont aptes – tout en dépassant de loin les humains – à effectuer des tâches spécifiques telle que la perception visuelle, la compréhension du contexte, le raisonnement probabiliste et la gestion de la complexité (Russell et Norvig, 2010). A partir de ces deux niveaux conceptuels, une autre catégorisation de la portée de l’intelligence artificielle permet de mieux cerner la finalité et le fonctionnement de celle-ci. Cette catégorisation divise l’intelligence artificielle en trois niveaux, à savoir : l'intelligence artificielle étroite (Artificial Narrow Intelligence ou ANI), l'intelligence artificielle générale (Artificial General Intelligence ou AGI) et la super intelligence artificielle (ASI) (Adams et al., 2012 ; Thierer et al., 2017). La principale distinction entre ces catégories d’intelligence artificielle est leur degré d’autonomie vis-à-vis de l’humain. En effet, le moins autonome des trois est l’ANI qui, généralement, est apte à résoudre un problème très précis préalablement programmé par des humains (Rosa et al., 2016). Ensuite vient l‘AGI qui est dotée de l’aptitude d'apprendre par elle-même et de transposer sa base de connaissances à d'autres tâches sans aucune aide humaine (Adams et al., 2012) ce qui induirait que l’intelligence artificielle serait apte à émettre un jugement et prendre des décisions, ou encore elle aurait la capacité à réagir à l’imprévu dans un environnement complexe. Enfin on trouve l’ASI (IA forte) que les scientifiques pensent qui pourra être totalement autonome à l’instar de l’intelligence humaine. Bien que le chemin à parcourir pour que l’Intelligence Artificielle mime parfaitement l’intelligence humaine soit long, dans un certain point de vue, celle-ci dépasse l’humain dans bien de domaines, particulièrement grâce à sa capacité de stocker et de traiter rapidement un volume important de données. Elle exprime pleinement ses potentiels à travers diverses fonctionnalités : elle optimise les processus existants, automatise, permet le pilotage assisté, détecte, prédit, et interagit (Berdeche et al., 2015). Méthodes de l’IA : le machine learning et le deep learning Définir les techniques de l’IA est sujet à une sorte d’hétérogénéité et même une certaine confusion (Kahraman et al., 2010 ; Wang 2008). Toutefois on s’adhère à la logique de bien de chercheurs pour qui, l’intelligence artificielle est comparée à une branche des sciences cognitives vu que, outre la logique mathématique, structurellement et fonctionnellement, elle fait appel à la neurobiologie computationnelle. En effet, se reposant en grande partie sur l’apprentissage automatique (machine learning) et plus récemment sur les techniques d’apprentissage profond (deep learning), l’intelligence artificielle s’inspire parfaitement des réseaux de neurones de la structure du cerveau humain. Le système d’apprentissage reste l’élément central de l’intelligence artificielles, cela leur permet de reconnaître et de différencier entre des images, des sons, des mots qui leur sont soumis (Bishop, 1995). Le machine-learning renvoie à la capacité de l’algorithme de l’IA à continuer d'améliorer ses performances sans que les humains aient à expliquer exactement comment accomplir toutes les tâches qui lui sont confiées<a href="#_ftn1" name="_ftnref1" style="color:blue; text-decoration:underline" title="">[1]</a> comparé aux algorithmes traditionnels qui sont limités à émettre un résultat spécifique suite à certaines instructions. L’algorithme du machine-learning peut modifier de lui-même son code et ses paramètres pour tenir compte de son apprentissage (Surden, 2014) via l’expérience qu’ils accumulent au travers des interactions. Bien que le machine-learning puisse adapter son algorithme pour devenir plus performant, il fait cependant l’objet de certaines failles comme par exemple le fait qu’un expert humain doit préalablement faire le tri dans les données. L’apprentissage profond (deep learning) intervient donc pour corriger certaines de ces failles s’appuyant sur un réseau de neurones artificiels mimant les fonctionnalités du cerveau humain (Gruson, 2020). De là, l’apprentissage se fait de manière non supervisée. Dès lors, on parle d’apprentissage par renforcement (reinforcement learning) Marty, 2017). 3. Apports de l’intelligence artificielle aux pratiques d’intelligence économique Si l’on adhère aux conclusions du rapport « Renouveau de l’intelligence artificielle et de l’apprentissage » (ADT, 2018), on peut dire que l’intelligence artificielle, en support aux pratiques d’intelligence économique, est un outil dont la maitrise peut constituer un enjeu stratégique. Partant de ce qui a été développé dans les sections précédentes, on peut dire que les objectifs de l’intelligence artificielle et de l’intelligence économique, dans une certaine optique, se rejoignent. En effet, les systèmes d'intelligence artificielle (IA) tendent à résoudre des problèmes complexes (Borana, 2016), entre autres, en générant automatiquement des solutions plus efficaces (Flasinski, 2016 ; Wirtz et al., 2018) à certains enjeux organisationnels à travers la réalisation de tout un éventail de tâches à l’instar la conception, la planification, la recherche, le tri, la structuration, etc (Von Krogh, 2018), tel en est le cas, en quelque sorte, pour l’intelligence économique. L’intelligence artificielle et l’intelligence économique ont comme pierre angulaire l’information. L’apport de l’une sur l’autre s’avèrerait être important. Rappelons que l’une des fonctions primaires de l’intelligence économique est l’anticipation pour se positionner stratégiquement dans son environnement à travers sa dimension de veille stratégique. Charlin (2017) nous dit que les techniques d’intelligence artificielle aussi nous permettent d’automatiser l’extraction de connaissances à des fins prédictives. En effet, face à un volume d’information en constante croissance à la seconde, en termes de quantité d’informations reçues (Denis & Assadi, 2005) provenant de divers moyens de communications électroniques (Mlaiki  et al., 2011) et compte tenu de la limitation des capacités cognitives des individus contrairement au volume d’information illimité (Isaac et al., 2007), le veilleur est amené à se reposer sur des techniques comme le machine learning pour traiter l’information à travers sa puissance algorithmique, par exemple pour la détection des fake news et l’analyse approfondie des réseaux sociaux (Dou et al., 2018). Charlin (2017) continue pour dire que, à titre d’illustration, en fonction des préférences prédites de clients, une entreprise usant de l’IA dans les pratiques d’IE sera apte à émettre des offres personnalisées destinées à chaque client. L’intelligence artificielle peut être d’une aide majeure à l’intelligence économique surtout en termes de now-casting en accordant un avantage informationnel important à l’organisation (Stucke et Grunes, 2016). En effet, grâce à l’apprentissage profond (deep learning), l’IA a les capacités de prévoir des événements futurs à partir des données actuelles en un temps record. Moore-Coyler (2016) nous dit que ces algorithmes sont capables de combiner données historiques, données en temps réel, observations des comportements des tiers pour évaluer ce qui peut se passer sur le marché au cours des prochains mois, semaines, voire des prochaines heures. En termes de coûts des facteurs de production comme les ressources physiques et financières ainsi que le capital humain, l’intelligence artificielle peut s’avérer d’une aide majeure à l’intelligence économique, dans la mesure où, dans l’aspect veille de cette dernière, on n'aurait plus besoin de suivre les structures traditionnelles d'information couvrant les unités et les rôles de spécialistes occupés par des humains (Von Krogh, 2018). En effet, les tâches, particulièrement celles relatives au traitement de l’information, pourraient être réalisées de manière autonome (Galbraith, 1974) et de manière simultanée. Outre cela, sachant que « la protection de l’information » constitue l’une des dimensions de l’intelligence économique, et, compte tenu du fait que les entreprises, à l’ère du big data, sont de plus en plus exposées aux cyber-attaques (Chen et al., 2012), l’apport de l’intelligence artificielle à l’intelligence économique peut être de taille. Notons que les cyber-attaques peuvent revêtir différentes formes. Leurs objectifs peuvent être soit de détruire totalement ou partiellement le système d’information de l’organisation attaquée (Lala & Panda, 2001) ou de s’emparer d’informations stratégiques de ladite organisation (Hathaway et al., 2012 ; Douzet & Héon, 2013) souvent à des fins d’espionnage concurrentiel (Bwele, 2013).  A titre défensif, l’intelligence artificielle peut concourir à compromettre les attaques en ligne contre les organisations. De nos jours, la plupart des méthodes de détection des attaques en ligne développées (Greensmith et al., 2010) reposent sur l'intelligence artificielle (Komar et al., 2017) permettant ainsi une vérification rapide des codes ainsi qu’une identification des bogues et des vulnérabilités. L’intelligence artificielle permet de répondre aux attaques de manière plus précise et dans un plus court délai (Taddeo & Floridi, 2018). Toutefois, il faut se rendre à l’évidence qu’il s’agit d’une arme à double tranchant car, de la même manière qu’elle peut aider à contrecarrer les cyber-attaques, l’intelligence artificielle pourrait agrandir le nombre d’acteurs capables de mener des cyber-activités malveillantes. La stratégie d’influence, ou encore, le lobbying représente une des trois dimensions de l’intelligence économique. Romma et Boutin (2005) définissent la stratégie d’influence comme « la combinaison d’un ensemble de modes d’actions, exercés de manière directe ou indirecte, ouverte ou couverte, vis-à-vis de personnes, de collectivités, d’organisations et/ou d’Etats, en vue d’acquérir un meilleur crédit, de prendre de l’ascendant et finalement d’orienter les décisions dans le sens souhaité ». L’un des exemples phares récents d’utilisation des informations à des fins d’influence à partir des procédés d’intelligence artificielle est le scandale Facebook-Cambridge Analytica. Le but étant d’utiliser les données recueillies à travers Facebook sur la période allant de 2014 à 2015 afin d’influencer les intentions de vote. L’influence à travers l’intelligence artificielle nous renvoie au concept du Big Nudging, avec « big » pour big data et « nudge » pour incitation, en d’autres termes, le fait d’utiliser le big data aux fins de pousser des acteurs à avoir un comportement souhaité. En effet, à partir des informations crées par les différents acteurs, l’intelligence artificielle peut détecter automatiquement des thèmes d’influence et coupler avec les personnalités des acteurs ainsi que les canaux prisés par ceux-ci pour peaufiner ses stratégies. Le risque est de se trouver dans l’illégalité en faisant usage des procédés de l’intelligence artificielle pour des stratégies d’influence malsaines comme le fake news. Qu’en est-il des PME internationales ? L’intelligence artificielle dispose d’une grande capacité à rebattre les cartes du jeu concurrentiel (Marty, 2017). Toutefois, il faut souligner que la vulgarisation des procédés de l’IA chez les entreprises est encore en sa genèse, même chez les grandes entreprises. Cela a été révélé en 2017 par le Boston Consulting Group (BCG) et le MIT qui constataient qu’une entreprise sur cinq seulement les utilisait « largement » (Portnoff & Soupizet, 2018), et ce rapport est encore plus faible chez les PME<a href="#_ftn2" name="_ftnref2" style="color:blue; text-decoration:underline" title="">[2]</a>. La PME constitue l’un des principaux vecteurs de création de richesse représentant soit 90% des entreprises dans le monde<a href="#_ftn3" name="_ftnref3" style="color:blue; text-decoration:underline" title="">[3]</a>. Cette catégorie d’entreprise fait généralement état d’une limitation en termes de ressources humaines, financières, matérielles et informationnelles (Rogers 1990), qui a tendance à avoir une incidence sur leur compétitivité. Face à ces contraintes, elles sont amenées à faire preuve d’innovation, de créativité et de proactivité (Evans & Moutinho, 1999) en vue de se créer une place et pérenniser dans l’arène des affaires. Ce caractère novateur et proactif des PME peut se manifester dans le fait d’effectuer leurs activités au-delà des frontières nationales (Knight et Cavusgil, 2004). L’internationalisation peut donc se constituer en stratégie échappatoire pour les PME face aux différentes contraintes engendrées par la globalisation et obtenir un avantage concurrentiel (Dutot et al., 2014). Leur internationalisation est aussi sujette à plusieurs obstacles souvent liés à un manque d’informations (Laghzaoui & Monnoyer-Longé, 2013). La maitrise de la complexité des marchés internationaux, la réduction des risques et de l’incertitude sont donc tributaires de l’information que la PME détient sur le marché (Child & Hsieh, 2014 ; Nguyen et al., 2006). Les PME, particulièrement celles internationales ont intérêt à implémenter l’intelligence artificielle dans leurs pratiques d’intelligence économique pour pouvoir faire face à leurs concurrents, en particulier ceux de plus grande taille qui, généralement, sont déjà à fond dans la course à se procurer des technologies de l’IA. Comme l’a mentionné Villani (2018) dans son rapport, ceux qui possèdent les données, mais aussi les compétences et les technologies permettant de les traiter via la conception d’algorithmes d’IA, ont entre leurs mains « l’une des clés du pouvoir de demain dans un monde numérique ». En outre, il faut souligner que l’un des principaux enjeux réside dans le fait que, au sein des PME, le dispositif de l’intelligence économique se concentre généralement sur le dirigeant de l’entreprise (Sliman, 2016). Cela suppose que l’usage de l’IA dans les pratiques d’intelligence économique serait tributaire de la personnalité du dirigeant, de son degré d’ouverture technologique, ses expériences etc. Il est donc essentiel que le manager se rende compte du potentiel de l’IA et emboite le pas pour, d’une part, rester dans le jeu concurrentiel, d’autre part, stimuler l’innovation, la productivité et la création de nouveaux revenus. Conclusion L’objectif de cet article était de mettre en lumière les différents apports de l’intelligence artificielle sur l’intelligence économique. Nous en avons profité pour faire un tour d’horizon sur chacun des principaux concepts. Nous étions tenus à mettre en exergue quelques-uns des enjeux de l’intelligence économique. Car, pour démontrer que l’intelligence artificielle peut s’avérer d’une grande utilité à l’intelligence économique, nous avons basé notre réflexion sur les trois principales dimensions de cette dernière à savoir : la veille, la protection du patrimoine informationnel et l’influence et lesdits enjeux. Il convient, tout d’abord, de rappeler que la collecte massive de données, le big data a accentué le déploiement de l’intelligence artificielle (Gruson, 2020). En effet, nous avons pu voir que compte tenu de l’abondance de l’information disponible à l’ère de la numérisation de notre quotidien, l’intelligence artificielle peut automatiser certaines taches du veilleur et permettre d’en exécuter plusieurs de manière très satisfaisante, et ce simultanément, ce qui concourt à obtenir des résultats plus efficaces et qui conduirait à la prise de décisions moins aléatoires. Quant à la protection de l’information, on a compris que l’intelligence artificielle, au même titre qu’elle peut participer à la prolifération des attaques en ligne, elle peut aussi les contenir en ayant une réponse rapide et plus efficace, et, elle dispose aussi de la capacité de prévenir ces genres d’attaques. L’intelligence artificielle peut aussi être un support aux stratégies d’influence de l’organisation, cependant, le côté éthique de son usage est un sujet de discussion. Nous avions aussi vu que l’IA dans les pratiques d’IE peut être d’une grande utilité aux PME internationales pour faire pour faire face à la concurrence des entreprises de grandes tailles, stimuler les gains et l’innovation. Toutefois, bien que l’usage de l’intelligence artificielle dans les pratiques d’intelligence économique puisse être vecteur de compétitivité, il s’avère toutefois important de soulever certaines des limites de celui-ci pour l’utilisateur potentiel. En effet, en se référant au processus des systèmes d’intelligence artificielle faible (Weak AI) qu’on connait actuellement, on comprend que les problèmes que ceux-ci sont aptes à résoudre sont ceux résolus auparavant par des humains (Simmons & Chappell, 1988), ce qui impliquerait qu’à un objectif managérial nouveau ou encore face à un brusque changement dans l’environnement de l’organisation qui n’était pas codé dans les réseaux de neurones (neural networks) du système d’intelligence artificielle, l’utilité de ce dernier peut être remis en cause. En d’autres termes, les technologies intelligentes ne sont pas vraiment capables d'exécuter des tâches intelligentes telles que le raisonnement symbolique, la gestion de situations sociales etc. (Brynjolfsson et McAfee, 2014). A côté de cela, il faut rappeler l’un des enjeux majeurs de l’intelligence artificielle dans les pratiques d’intelligence économique concerne les ressources humaines. Certes celle-ci rendrait la prise de décision moins aléatoire, protégerait plus efficacement le patrimoine informationnel ou encore affuterait les politiques d’influence, toutefois, elle concourt à la suppression de plusieurs postes. D’après un rapport de McKinsey (2018), la diminution de l’emploi équivalent temps plein due à l’IA atteindrait 18% à l’échelle mondiale à l’horizon de 2030. Il est aussi à souligner que cet article peut être sujet à certaines limitations, particulièrement en raison du fait que les recherches en intelligence artificielle sont encore dans leur genèse. <div style="page-break-after: always"> </div> Références Adams S., Arel I., Bach J., Coop R., Furlan R., Goertzel B., Hall J. S., Samsonovich A., Scheutz M., Schlesinger M., Shapiro S. C., Sowa J. « Mapping the landscape of human-level artificial general intelligence». AI Magazine, Vol. 33 N°1, 2012. ADT, Renouveau de l’intelligence artificielle et de l’apprentissage, Rapport Académie des Technologies, 2018 Alain-Dupré P. & Duhard N, Les armes secrètes de la décision, Editions Gualino, 1998 Amabile S., Meissonier R., Haller C., & Boudrandi S, « Capacité d’absorption des informations et pratiques de veille stratégique dans les PME : une étude sur des domaines vitivinicoles provençaux ». Systèmes d'Information et Management, Vol. 17, N°3, 2012. Balagué C., « De l'éthique des algorithmes et de l'intelligence artificielle ». Post-Print hal-01900566, HAL, 2018 Belich T. & Dubinsky A.J. « Information processing among exporters: an empirical examination of small firms ». Journal of Marketing Theory and Practice, Vol. 7, N°4, 1999 Bhatnagar S. Alexandrova A. Avin S. Cave S. Cheke L. Crosby M. Feyereisl J. Halina M. Loe B. S. hÉigeartaigh, S. O.; Martnez-Plumed F. Price H. Shevlin H. Weller A. Winfield A & Hernández-Orallo J. «Mapping Intelligence: Requirements and Possibilities ».  In Müller, V. C., ed., Philosophy and Theory of Artificial Intelligence 2017. Springer, Berlin, 2018. Bishop C. M. « Neural networks for pattern recognition ». Clarendon, 1995. Bloch A. Intelligence Economique, Eds Economica : benchmarking, chaîne de valeur, Paris, 1999. Borana J. « Applications of artificial intelligence & associated technologies ».  Science [ETEBMS-2016], Vol. 5, N°6, 2016. Bwele C. « Le cyberespionnage industriel : de la sécurité informatique à la sécurité économique », Sécurité Globale, Vol. 2, N°24, 2013. Carter S. & Nielsen M. « Using Artificial Intelligence to Augment Human Intelligence ». Distill, 2017. Charlin L. « Intelligence artificielle : une mine d’or pour les entreprises ». Gestion, Vol. 42, N°1, 2017. Chen H., Chiang R.H. & Storey V.C. « Business intelligence and analytics : from big data to big impact », Management Information Systems Quarterly, Vol. 36, N°4, 2012. Child J., & Hsieh L. H. « Decision mode, information and network attachment in the internationalization of SMEs: A configurational and contingency analysis ». Journal of world Business, Vol. 49, N°4, 2014. Cohen C. « L’efficacité de la veille et l’intelligence Stratégique et son impact sur la performance de l’organisation ». Thèse de Doctorat en Sciences de Gestion, Université d’Aix en Provence, 2004. D’Almeida N. Les promesses de la communication, Presses Universitaires de France, Paris, 2001. Dafir A. & Salam G. « L’intégration de la diplomatie économique dans un dispositif national d’intelligence économique : quels enjeux pour le Maroc ? ». Revue internationale d'intelligence économique, Vol. 8, N°2, 2016. Denis J, Assadi H. Les usages de l’e-mail en entreprise. Efficacité dans le travail ou surcharge informationnelle ? Le travail avec les technologies de l’information, 2005. Dou H. « Des sciences dures à la veille technologique et à l’intelligence économique », in Bernat J-P., dir., L’intelligence économique : co-construction et émergence d’une discipline via un réseau humain, Hermès-Lavoisier, Paris, 2008. Dou H., Juillet A., & Clerc P. « L’intelligence économique du futur : Une nouvelle approche stratégique et opérationnelle ». ISTE Group, 2018. Douzet F. & Héon S. « L’analyse du risque cyber, emblématique d’un dialogue nécessaire », Sécurité et stratégie, Vol. 14, N°3, 2013. Dumas P., Lacroux F., Gasté D. « Décider ensemble : complexité des apprentissages et convergence des disciplines », in Actes du colloque La communication d’entreprise : regards croisés Sciences de Gestion – Sciences de l’Information et de la Communication, Université Nice Sophia Antipolis – Université Montpellier 1, 6-7 décembre 2001. Dutot, V. Bergeron, F. & Raymond, L. « Information management for the internationalization of SMEs: an exploratory study based on a strategic alignment perspective ». International Journal of Information Management, Vol. 34, N°5, 2014. Eisenhardt K. M. & Zbaracki M. J. « Strategic decision making ». Strategic Management Journal, Vol. 13, N°S2, 1992. Elgendy N., & Elragal A. Big Data Analytics in Support of the Decision-Making Process. Procedia Computer Science, Vol.  100, 2016. Evans M. & Moutinho L. « Contemporary Issues in Marketing ». Basingstoke: Macmillan Business, 1999. Fane O., & Feige J. « Espionnage industriel : protections, outils de gestion et perspectives ? ». Question (s) de management, N°1, 2019. Flasinski M. « Cognitive architectures ». In Introduction to artificial intelligence. Cham, Switzerland: Springer, 2016 Galbraith J. R.  « Organization design: An information processing view ». Interfaces, Vol. 4, N°3, 1974. Greensmith J., Whitbrook A. & Aickelin U. « Artificial Immune Systems». Handbook of Metaheuristics, 2nd edition, Springer, chapter 14, 2010. Gruson D. « L’intelligence artificielle en santé : La Machine, le Médecin et Moi ou le Monde de S.A.R.R.A. ? ». L'information psychiatrique, volume Vol. 96, N°5, 2020. Harbulot C., & Baumard P. « Perspective historique de l’intelligence économique ». Intelligence économique, Vol. 1, 1997. Hathaway O. A., Crootof R., Levitz P., Nix H., Nowlan A., Perdue W. & Spiegel J. « The law of cyber-attack », California Law Review, Vol. 100, N°4, 2012. Heinstrom J. « Fast surfing, broad scanning and deep diving: The influence of personality and study approach on students' information-seeking behavior». Managing information, Vol. 13, N°9, 2006. Hussein S., Salles M., & Dousset B. « Les besoins des PME en intelligence économique : définition de profils types ». Veille stratégique scientifique & technologique : systèmes d'information élaborée, bibliométrie, linguistique, intelligence économique, Toulouse, 2004. Isaac H, Campoy É. & Kalika M. « Surcharge informationnelle, urgence et TIC. L’effet temporel des technologies de l’information ». Management & Avenir. Vol. 13, N°3 , 2007. Juillet A. & Racouchot B. 2012. « L’influence, le noble art de l’intelligence économique », Communication et organisation, Vol. 42, 2012. Kahraman C., Kaya I., & Çinar D. « Computational intelligence: past, today, and future». In: Ruan, D. (ed.) Computational Intelligence in Complex Decision Systems, Atlantis Press, Paris, 2010 Kefi H. & Kalika M., « Le rôle stratégique des TIC In Management et TIC, 5 ans de e-management dans les entreprises ». Éditions Liaisons, Paris, 2006. Kersting K & Meyer U. « From big data to big artificial intelligence? » KI - Künstliche Intell Vol. 32 N°1, 2018. Khoo B., Harris P. & Hartman S. « Information Security Governance Of Enterprise Information Systems: An Approach To Legislative Compliant », International Journal of Management and Information Systems, Vol. 14, N°3, 2010 Knight G. A., & Cavusgil S. T. « Innovation, organizational capabilities, and the born-global firm ». Journal of international business studies, Vol. 35, N°2, 2004. Komar M., Kochan V., Dubchak L., Sachenko A., Golovko V., Bezobrazov S., & Romanets I. « High performance adaptive system for cyber-attacks detection». 9th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), 2017. Laghzaoui S. & Monnoyer-Longé M. « Engagement international et pratiques de veille stratégique : cas des PME exportatrices ». Marché et organisations, Vol. 18, N°2, 2013 Lala C. et Panda B. « Evaluating damage from cyber-attacks : a model and analysis », Transactions on Systems, Man, and Cybernetics, Vol. 31, N°4, 2001. Lesca H. & Lesca N. « Les signaux faibles et la veille anticipative pour les décideurs. Méthodes et applications », Hermès Lavoisier, économie et société, 2011. Marcon C. & Moinet N.. « L’intelligence Économique », Ed Dunod, Paris, P. 13, 2006 Martre H., « Intelligence économique et stratégie des entreprises ». Commissariat général du Plan, La Documentation Française, 1994. Marty F. « Algorithmes de prix, intelligence artificielle et équilibres collusifs ». Revue internationale de droit économique, Vol. 31, N°2, 2017. McCarthy J. « What is Artificial Intelligence? Stanford University, Computer Science Department», 2007. McCarthy J., Minsky M., Rochester N., & Shannon C.E., A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 1955. McKinsey Global Institute, «Notes from the AI Frontier : Modeling the Impact of AI on the World Economy», septembre 2018. Minsky M. « Semantic Information Processing », MIT Press, Cambridge, MA, 1968. Minsky M. « The Society of Mind ». Simon and Schuster, New York, 1985a.. MLAIKI A, KALIKA M & KEFI H. Facebook …encore, encore ! Rôle de l’affect, de l’habitude et de la surcharge informationnelle dans la continuité d’utilisation des réseaux sociaux numériques. 2011 Moinet N. « L'épistémologie de l'intelligence économique face au défi de la communication ». Revue internationale d'intelligence économique, Vol. 1, N°2, 2009. Monett D., and Lewis C. W. P. « Getting clarity by defining Artificial Intelligence - A Survey ».  In Müller, V. C., ed., Philosophy and Theory of Artificial Intelligence 2017. Berlin: Springer. 2018. Monino J. « L'information au c&oelig;ur de l'intelligence économique stratégique ». Marché et organisations, Vol. 18, N°2, 2013. Moore-Coyler R. « Predictive Analytics are the Future of Big Data – Enterprises Need to Use their Data Repositories to Predict not to Reflect », V3, October 9, 2016. Nguyen T., Barrett N., & Fletcher R. « Information internalisation andinternationalisation: evidence from Vietnamese firms ». International Business Review, Vol. 15, N°6, 2006. Nilsson N. J. « Human-Level Artificial Intelligence? Be Serious! ».  AI Magazine, Vol. 26, N°4, 2005. Petit P. 1998. « L’économie de l’information en question », in Petit P. (ed.), L’économie de l’information : les enseignements des théories économiques, Paris, La découverte. Portnoff A. Y., & Soupizet J. F. « Intelligence artificielle : opportunités et risques ». Futuribles, (426), 2018. Purdy M. & Daugherty P. « Why artificial intelligence is the future of growth». Edited by Accenture, 2016. Revelli C.  « L’intelligence stratégique sur Internet. Comment développer efficacement des activités de veille et de recherche sur les réseaux ». Dunod, 1998. Romma N. & Boutin E. « Les stratégies d’influence sur Internet : validation expérimentale sur le lobby antinucléaire ». Les systèmes d’information élaborée, ile rousse, 2005. Rogers D. S. « Investigation of information technology adoption: the impact of logistics structure and strategy ». Michigan State University. Department of Marketing and Transportation, 1990. Rosa A., Feyereisl J., & Team T. G. « A framework for searching for general artificial intelligence», 2016. Russell S.J. & Norvig, P. « Artificial Intelligence: A Modern Approach». Prentice Hall, third ed. Englewood Cliffs, New Jersey, 2010. Searle J.R. « Minds, brains, and programs». Behavioral and Brain Sciences, Vol. 3, N°03, 1980. Singh J., Flaherty K., Sohi R.S., Deeter-Schmelz D., Habel J., Le Meunier-FitzHugh K., Malshe A. et al. « Sales profession and professionals in the age of digitization and artificial intelligence technologies: concepts, priorities, and questions». J. Pers. Sell. Sales Manag., Vol. 39, 2019 Simmons A. B., & Chappell S. G. 1988. « Artificial intelligence-definition and practice». IEEE Journal of Oceanic Engineering, Vol. 13, N°2, 1988. Sliman M. « Les dirigeants des PME face au défi de l’intelligence économique : cas de trois entreprises marocaines », Marché et organisations, Vol. 2, N°26, 2016. Sousa M.J. & Rocha Á. « Skills for disruptive digital business », Journal of Business Research, Vol. 94, 2019. Stucke M. E. & Grunes A. P, « Big Data and Competition Policy »,  Oxford University Press, 2016. Surden H. Machine learning and law. Wash. L. Rev., 2014. Syam N. & Sharma A, «Waiting for a sales renaissance in the fourth industrial revolution: machine learning and artificial intelligence in sales research and practice », Indus. Market. Manag., Vol. 69, 2018 Taddeo M. & Floridi, L. «Regulate artificial intelligence to avert cyber arms race», 2018 Thierer A., O’Sullivan Castillo A., & Russell R. « Artificial intelligence and public policy ». Edited by Mercatus Center at George Mason University, 2017. Villani, C., « Donner un sens à l’IA », Rapport publié en 2018. Von Krogh G, « Artificial Intelligence in Organizations: New Opportunities for Phenomenon-Based Theorizing. Academy of Management Discoveries, Vol. 4, N°4, 2018. Wang P, « What do you mean by “AI”? », In: Artificial General Intelligence, 2008: Proceedings of the First AGI Conference, Vol. 171, p. 362. IOS Press Wang P, « On Defining Artificial Intelligence», Journal of Artificial General Intelligence, Vol. 10, N°2, 2019 Wernerfelt B. « A resource-based view of the firm », strategic management journal, Vol. 5, N°2, 1984. Wilensky H.L. « Organizational intelligence: knowledge and policy in government and industry». Basic Books Inc, Publishers, New York, 1967. Wirth N, « Hello marketing, what can artificial intelligence help you with? » International Journal of Market Research, Vol. 60, N°5, 2018. Wirtz B. W., Weyerer J. C., & Geyer C, “Artificial Intelligence and the Public Sector—Applications and Challenges”. International Journal of Public Administration, 2018. Zouinar M, « Évolutions de l’Intelligence Artificielle : quels enjeux pour l’activité humaine et la relation Humain Machine au travail ? ». Activités, Vol. 17, N°1, 2020 Réf <div>  <hr align="left" size="1" width="33%" /> <div id="ftn1"> <a href="#_ftnref1" name="_ftn1" style="color:blue; text-decoration:underline" title="">[1]</a> The business of artificial intelligence, Harvard Business Review, 21 Juillet 2017 </div> <div id="ftn2"> <a href="#_ftnref2" name="_ftn2" style="color:blue; text-decoration:underline" title="">[2]</a> Le long chemin des PME vers l’intelligence artificielle, lesechos.fr, 18 mars 2019 </div> <div id="ftn3"> <a href="#_ftnref3" name="_ftn3" style="color:blue; text-decoration:underline" title="">[3]</a> La force économique des petites entreprises, iso.org, 4 mars 2015 </div> </div>