Pour échapper à la destruction de la planète ou à des solutions totalitaires accélérées par la digitalisation, une approche renouvelée de l’activité productive humaine et de son management est nécessaire. Il devient indispensable de cocréer et de diffuser des savoirs facilitant l’analyse comparative des pratiques, de leurs objectifs, de leurs effets et de leurs devenirs possibles.

Une grande partie du travail humain a quitté les grandes entreprises industrielles ou de service, du monde dit « développé » où la stabilité de l’emploi constituait la norme. Qu’est-il donc devenu ?

Au travers de digitalisation, de la sous-traitance et de la globalisation, ce travail intellectuel ou manuel s’est déplacé vers les plateformes, a été automatisé ou a migré vers des pays où son coût est compétitif grâce à l’absence de protections légales et environnementales. Il s’agit sans aucun doute d’une grande transformation, d’autant que les phénomènes semblent s’accélérer massivement.

Nous avons exploré, dans un article de la Revue française de gestion, cette situation. Nous y montrons comment les recherches en management peuvent contribuer à un diagnostic approfondi des nouvelles formes de travail et d’emploi et à dessiner les futurs possibles et les conditions toujours multifactorielles et incertaines de leur réalisation.

Nous proposons ainsi un scénario pour échapper à des futurs désastreux : la destruction de la planète, d’une part, et, d’autre part, un totalitarisme algorithmique porté par des États autoritaires et/ou par l’oligarchie des Big Tech américaines ou chinoises. Dans ce scénario très optimiste, qu’envisageait déjà John Meynard Keynes et que promeut aujourd’hui Elon Musk, l’abondance pour tous devenue enfin possible.

Nous avons construit un monde où le travail tel que nous avons pris l’habitude de le concevoir n’occupe qu’un temps très limité. Un monde où les contributions des humains visent leur développement individuel, celui de leurs communautés, de la cité, visent le développement des savoirs et des créations ; avec, en ligne de mire d’une activité productive largement automatisée, l’économie de la vie et la protection de son écosystème.

Partir du travail réel et plus largement de l’ensemble de l’activité productive

Longtemps positionnés dans l’accompagnement d’une relative stabilité, la recherche et l’enseignement en management sont interpellés. Si leur rôle est d’éclairer la société, ils doivent maintenant changer de focale : partir du travail réel, dans ses pratiques d’aujourd’hui et ses transformations à l’horizon. Il leur faut, corrélativement, renoncer aux solutions d’une boîte à outils plaqués sur des problèmes mal formulés.

Au-delà des techniques auxquelles on l’a trop longtemps cantonné, le management peut être conçu comme le pilotage d’une action collective organisée, située et finalisée, traversée de tensions entre efficacité et justice, autonomie et contrôle, performance et soutenabilité. La reconnaissance de la complexité dynamique de l’action collective organisée et de son pilotage constitue la toile de fond d’une approche de la recherche nécessairement généalogique, multiniveau, multidisciplinaire, multiacteurs et privilégiant la recherche empirique.

Micro, meso et macro

Une approche généalogique, car la représentation du travail et de l’emploi contemporaine est relativement récente et susceptible d’évolutions majeures. Cette généalogie permet de comprendre comment se sont progressivement imposées les catégories qui structurent aujourd’hui nos débats –, compétition, performance, agilité, responsabilité – et comment elles ont été rendues « naturelles » par des dispositifs légaux ou gestionnaires, des indicateurs, des discours. C’est aussi saisir que ces catégories peuvent être reconfigurées, que d’autres formes d’organisation et de reconnaissance des contributions productives sont possibles.

À lire aussi : Parler de la beauté des entreprises ? Pas si absurde que cela !

Une approche multiniveau s’impose, car on ne peut comprendre les formes actuelles et futures de l’activité productive humaine et de son management sans reconnaître qu’elles se déploient à des échelles étroitement interconnectées. Au niveau macrosocial, elles s’inscrivent dans les grandes dynamiques géopolitiques, socioéconomiques et sociotechniques : bouleversements technologiques, rapports de force, régulations et dérégulations, conflits, coopérations, répartition des richesses et effets des systèmes productifs sur les écosystèmes.

Au niveau microsocial, elles transforment les identités collectives et individuelles, les manières de travailler, de consommer, d’éduquer ou de se projeter, rappelant que le système des activités humaines ne s’arrête pas à la porte des organisations. Entre ces deux pôles, le niveau méso, celui des entreprises et des différents types d’organisation, constitue le lieu d’interstructuration où se rejouent en permanence les tensions entre stabilité et changement.

La recherche empirique

Cette conception suppose une ouverture des sciences de gestion aux autres disciplines et un dialogue avec les acteurs du terrain. Les chercheurs, spécialistes du management de l’activité productive humaine, ne peuvent isolément produire des connaissances réellement utiles à l’action. Cette coopération entre disciplines s’impose, mais elle ne se décrète pas : elle suppose de repenser les priorités et les formes d’organisation de la recherche et de l’enseignement.

Il s’agit de favoriser une recherche empirique et des expérimentations associant les acteurs de l’activité productive et les étudiants formés par la recherche, mais aussi de mieux communiquer et de susciter les débats et les controverses. Ces démarches demeurent difficiles, en raison de la fragmentation institutionnelle des savoirs, des cloisonnements entre recherche et action, et des temporalités divergentes entre monde académique et monde professionnel. Elles sont pourtant indispensables pour comprendre les logiques à l’œuvre et éclairer les choix collectifs.

Associer recherche et enseignement

Insistons, l’enseignement ne saurait être dissocié de la recherche, car c’est de leur articulation que dépend la capacité de tous, futurs cadres, dirigeants, cols bleus et cols blancs et chercheurs, mais plus largement citoyens, politiques… à comprendre la complexité du monde productif contemporain et à le transformer. Enseigner sans recherche, c’est risquer de transmettre des recettes déjà obsolètes, des modèles « naturalisés » déconnectés des réalités du terrain et des choix de société qu’ils incarnent implicitement. Dans un contexte où les formes d’organisation de l’activité productive se recomposent rapidement, l’université et les écoles doivent devenir des espaces où l’on apprend à observer, à expérimenter et autant à problématiser qu’à agir.

Manager l’activité productive n’est pas un slogan mais une boussole. Elle invite l’État, les dirigeants, les parties prenantes et le monde académique à déplacer leurs priorités et à écrire ensemble le futur du travail. Face aux crises écologiques, sociales, géopolitiques et technologiques, le management démocratique de l’activité productive peut devenir un instrument d’émancipation collective : une manière de produire, d’apprendre et de vivre ensemble autrement.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

Pourquoi certains chercheurs franchissent le pas de l’entrepreneuriat, et d’autres non ? Une étude menée à l’Université du Mans identifie les blocages qui expliquent pourquoi l’entrepreneuriat académique reste limité en France.

Dès 1999, la loi Allègre donne la possibilité aux chercheurs de créer ou de participer à une entreprise valorisant leurs travaux, tout en conservant un lien avec leur établissement. La loi Pacte de 2019 renforce cette dynamique en visant une simplification et une accélération des parcours de valorisation.

Ces évolutions s’inscrivent dans la stratégie d’innovation portée par France 2030. Doté de 54 milliards d’euros, le plan fixe un cap pour les start-up issues de la recherche : atteindre 500 créations « deep tech » par an d’ici 2030, et favoriser l’émergence de 100 licornes, ces entreprises valorisées à plus d’un milliard d’euros. Le concept de deep tech caractérise des start-up innovantes basées sur des découvertes scientifiques et des ruptures technologiques. Selon Bpifrance, 2 800 start-up deep tech sont actives en France.

Notre étude analyse les déterminants de l’intention entrepreneuriale des chercheurs et leur propension à valoriser leurs travaux par la création d’entreprise. Au moyen de questionnaires, puis d’entretiens, nous avons interviewé des chercheurs publics – doctorants, postdoctorants, enseignants-chercheurs et ingénieurs de recherche – sur trois dimensions : leurs motivations et craintes (comportement), leurs compétences perçues et leur formation (compétence), ainsi que l’environnement institutionnel et le soutien de leur entourage (contexte).

Quatorze hypothèses à vérifier

Dans notre étude, nous avons sollicité 156 chercheurs affiliés à l’université du Mans, sur 660 personnes (en 2023). La taille « intermédiaire » de l’Université du Mans – trois facultés, deux Instituts universitaires de technologie (IUT) et une école d’ingénieurs pour 13 000 étudiants – constitue un cas d’étude représentatif des universités régionales françaises.

Pour ce faire, nous avons émis quatorze hypothèses réparties en déterminants liés au comportement, à la compétence, au contexte et des variables comme l’âge, le genre ou la nationalité. Nous les avons testées dans un questionnaire envoyé aux 156 chercheurs, pouvant répondre de « tout à fait d’accord » à « pas du tout d’accord ».

L'auto-efficacité désigne la croyance qu’a la personne sondée en sa capacité à atteindre un objectif.

Aversion au risque

Logiquement, les chercheurs qui perçoivent la création d’entreprise comme un risque financier, social ou personnel majeur sont beaucoup moins enclins à se lancer. Cette crainte s’explique par la culture universitaire qui valorise la stabilité, la recherche fondamentale et la publication dans des revues scientifiques. L’entrepreneuriat apparaît comme un pari risqué, incompatible avec une carrière académique traditionnelle.

À l’inverse, le désir d’agir constitue le moteur le plus puissant de l’intention entrepreneuriale comme le souligne la thèse de Krueger et Brazeal. Les chercheurs qui perçoivent l’entrepreneuriat comme une opportunité de donner un impact concret à leurs travaux et qui sont convaincus de l’intérêt de leurs résultats pour le marché développent une forte intention de créer une entreprise.

Conflit entre chercheur et entrepreneur

La grande majorité des chercheurs interrogés ne considèrent pas la création d’entreprise comme faisant partie de leur rôle professionnel. Cette perception limite fortement les vocations entrepreneuriales.

Les chercheurs qui intègrent l’entrepreneuriat à leur identité professionnelle sont au contraire beaucoup plus enclins à créer une entreprise. Entreprendre n’est pas perçu comme une alternative à la recherche, mais plutôt comme une opportunité complémentaire pour valoriser leurs compétences.

Cette question révèle un conflit entre deux conceptions du métier de chercheur. Pour certains, la mission s’arrête à la production et à la diffusion de connaissances scientifiques. Pour d’autres, elle inclut la transformation de ces connaissances en innovations concrètes via l’entrepreneuriat.

Compétences financières

Les chercheurs qui se sentent capables de gérer les aspects financiers d’une entreprise et de développer une stratégie claire manifestent une intention entrepreneuriale plus élevée. Cependant, ces compétences jouent un rôle secondaire par rapport à la motivation. Un chercheur fortement motivé cherchera à acquérir les compétences qui lui manquent ou à s’entourer de personnes compétentes.

À l’inverse, un chercheur qui maîtrise parfaitement la gestion financière, mais qui n’a pas envie d’entreprendre ne créera pas d’entreprise.

Les formations en entrepreneuriat et les expériences professionnelles antérieures renforcent l’intention entrepreneuriale, mais seulement chez les chercheurs déjà motivés. Ces formations permettent d’acquérir des compétences essentielles à la création et à la gestion d’entreprises, tandis que les expériences professionnelles aident à développer un réseau d’investisseurs, de mentors et d’acteurs de l’écosystème.

Un écosystème d’accompagnement qui sécurise sans convaincre

La France dispose d’un écosystème dense de structures d’accompagnement. Les treize sociétés d’accélération du transfert de technologies (SATT) gèrent la valorisation de la recherche publique, les services de valorisation au sein des universités. Elles ont permis la création de plus de 900 start-up créées dans la deep tech. Comme au Mans, ces structures ne sont pas présentes sur tout le territoire.

Les incubateurs académiques et les pôles de compétitivité mettent en réseau chercheurs et industriels. Les chercheuses Bénédicte Aldebert, Rani Jeanne Dang et Amandine Maus soulignent le manque d’appui des grands groupes qui apporteraient une « légitimité corporate ».

Ces dispositifs jouent un rôle important, mais indirect. Ils sécurisent le parcours entrepreneurial en offrant un soutien financier, des conseils en propriété intellectuelle et des possibilités de partenariats industriels. Ces dispositifs amplifient une intention entrepreneuriale préexistante mais ne la créent pas.

Un chercheur qui n’a pas envie d’entreprendre ne sera pas convaincu par la seule existence d’un incubateur. En revanche, ces structures facilitent le passage à l’acte pour les chercheurs déjà motivés.

Quatre recommandations pour débloquer l’entrepreneuriat académique

Créer un « congé valorisation »

Inspiré du congé pour projet pédagogique et du congé pour recherches déjà accordés aux enseignants-chercheurs, ce dispositif offrirait une dispense temporaire d’enseignement et de responsabilités administratives pour développer un projet entrepreneurial sans rupture de carrière. Cette mesure réduirait le risque perçu en permettant un retour possible à la recherche académique.

Faire évoluer les critères d’évaluation des carrières académiques

Les activités de transfert de technologie, de création d’entreprise et de valorisation devraient être reconnues au même titre que les publications scientifiques dans les promotions et les qualifications. Cette reconnaissance institutionnelle légitimerait l’entrepreneuriat comme composante du métier de chercheur.

Programmes de sensibilisation dès le doctorat

Ils combineraient rencontres avec des chercheurs-entrepreneurs, immersions en start-up deep tech et mentorat. L’objectif est de cultiver le désir d’entreprendre et de normaliser l’entrepreneuriat comme débouché possible d’une carrière scientifique.

Cibler l’accompagnement sur les chercheurs manifestant déjà une intention entrepreneuriale

L’idée : renforcer l’appui sur les dimensions juridiques, financières et stratégiques. Plutôt que de multiplier les dispositifs génériques, il faut adapter le soutien aux besoins spécifiques des chercheurs motivés.

Rhouma Drine est membre du Conseil national de l'ordre des experts-comptables.

Abderrahmane Jahmane et Ezzeddine Boussoura ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur poste universitaire.

En janvier 2026, OpenAI a lancé, aux États-Unis, ChatGPT Santé. Ce logiciel est principalement destiné aux patients pour les aider à mieux comprendre et à gérer leurs informations de santé. Il peut aussi être utilisé par les médecins afin de faciliter l’accès aux données médicales et d’améliorer le suivi des patients.

Avec une telle utilisation par les médecins et les patients, la protection des patients – que ce soit leur santé ou leurs données – et la préservation du secret médical dépendent des barrières techniques mises en place.

En pratique, ChatGPT Santé permet d’interpréter des résultats d’analyses, de suivre l’évolution de certains indicateurs, de préparer des rendez-vous médicaux ou encore d’obtenir des explications personnalisées à partir de données de santé.

Pour les patients, c’est un outil d’assistance informationnelle visant à les accompagner dans leur parcours de soins, sans se substituer aux professionnels de santé. Pour ces professionnels, ChatGPT peut servir d’aide au diagnostic.

Dans les deux cas, sa légitimité dépend d’un équilibre délicat : il s’agit de transformer des dossiers médicaux éparpillés en une aide au diagnostic fiable, tout en protégeant la vie privée des patients.

En effet, les données de santé, considérées comme sensibles, sont soumises à des réglementations bien précises. Leur confidentialité est essentielle pour garantir le respect du secret médical et limiter les risques d’utilisation abusive. En effet, un accès non consenti par des assureurs ou des banques pourrait entraîner des refus de couverture, des hausses de primes ou des refus de crédit fondés sur l’état de santé d’un individu.

Pour pouvoir garantir la confidentialité des données de santé transmises et traitées par ChatGPT Santé (ou d’autres systèmes équivalents), il faut résoudre des défis techniques majeurs : sécuriser les flux de données, garantir l’anonymisation dans un environnement massivement interconnecté, à la fois lors de la collecte de données, de l’entraînement du modèle et de son utilisation.

Fiabilité algorithmique et risque d’hallucination clinique

En tout premier lieu, la protection du patient repose sur la justesse des informations fournies par l’IA aux utilisateurs, patients comme médecins.

Le phénomène d’hallucination, inhérent aux architectures de type Large Language Model (LLM), prend une dimension critique en milieu clinique : une erreur de conversion d’unité ou une confusion posologique (par exemple, 5 milligrammes contre 50 milligrammes) peut engager le pronostic vital.

Pour neutraliser ce biais, OpenAI déploie des « mécanismes d’ancrage » (grounding) par l’intermédiaire de référentiels tels que HealthBench, un benchmark de 150 000 ressources validées par des pairs. Ce processus transforme l’IA en un moteur de synthèse documentaire où chaque affirmation est corrélée à une source vérifiable (DOI d’études, portails hospitaliers), ce qui permet aux patients de mieux comprendre les résultats de leurs analyses avec un jargon moins technique.

Pour les professionnels de santé, cet ancrage rend l’outil plus fiable, car il repose dès lors sur le concept de garantie humaine : l’interface ne se substitue jamais au décideur final (le médecin, quand il s’agit de poser un diagnostic), mais agit comme un médiateur d’informations dont la traçabilité permet au praticien de valider systématiquement la suggestion du modèle.

Sécuriser les flux de communication

L’architecture de ChatGPT Santé repose sur une organisation claire des différents éléments : les phases de calcul (à distance ou en local) afin de permettre la collecte des données, l’entraînement du modèle et son utilisation ; mais aussi les flux d’information entre différents terminaux (smartphones, laboratoires d’analyses, hôpitaux, data centers, etc.).

La circulation des données est gérée par la plateforme B.Well Connected Health. Cette infrastructure agit comme une interface consacrée au domaine médical, permettant de faire communiquer entre elles différentes sources de données même si elles sont très différentes.

Elle permet ainsi d’harmoniser des données variées, comme celles issues d’applications personnelles (Apple Health, MyFitnessPal) ou celles provenant des dossiers médicaux hospitaliers. En vérifiant que chaque donnée correspond bien au bon patient, et en garantissant que les données respectent les normes et règles en vigueur, la plateforme assure un flux de données déterministe ou associé à un seul utilisateur pour la phase d’inférence du LLM (c’est-à-dire son utilisation grâce à des prompts). L’ensemble de cette chaîne de traitement s’opère dans un environnement maintenu en isolation totale vis-à-vis du réseau public.

Contrairement à l’interface standard de ChatGPT, les informations cliniques des patients sont exclues du processus d’entraînement global du modèle de langage : elles ne modifient jamais les poids synaptiques du réseau de neurones global de ChatGPT. Ces données personnelles sont stockées uniquement dans un espace de recherche spécifique à chaque utilisateur, ce qui garantit que les informations sensibles restent séparées du modèle et de son évolution ultérieure.

De plus, l’architecture de ChatGPT Santé s’appuie sur la méthode RAG (Retrieval-Augmented Generation) : au lieu de mémoriser l’historique médical, le modèle consulte, lors de chaque requête, une base de données privée et isolée. Contrairement à une mémorisation classique, où un modèle pourrait intégrer et retenir directement des informations sensibles dans ses paramètres, ce mécanisme limite le risque que ces données soient apprises ou réutilisées involontairement par le modèle.

Cependant, ces vecteurs restent temporairement stockés sur les serveurs d’OpenAI, notamment pour des raisons de modération, jusqu’à trente jours. Cette conservation, même limitée, représente un point de vulnérabilité potentiel, car elle expose les données à un risque résiduel d’accès non autorisé.

Anonymiser les données pour éviter l’identification des patients

La protection des données dans ChatGPT Santé doit garantir que la nature des informations traitées ne permette pas l’identification du patient.

La première technique de « dés-identification » mise en place par OpenAI est bien sûr de retirer les identifiants directs, par exemple les noms de patients. Mais ceci n’élimine pas le risque de réidentification par corrélation de métadonnées, rendant l’anonymat vulnérable. En effet, une récente étude a démontré que le croisement de seulement trois points de données (une pathologie rare, une géolocalisation précise et un historique de fréquence cardiaque issu d’un wearable) permet une réidentification dans plus de 80 % des cas. Par sa capacité de corrélation, l’IA peut en effet lier des informations anonymes pour isoler un profil unique.

Pour neutraliser ce risque, ChatGPT Santé pourrait se reposer sur la « confidentialité différentielle », qui consiste à ajouter une petite perturbation aléatoire aux données afin qu’aucune analyse ne puisse être rattachée avec certitude à un individu.

L’efficacité du système dépend de la gestion de ce compromis entre bruit et confidentialité : un niveau de confidentialité trop élevé sacrifie l’utilité clinique des informations (qui sont trop bruitées pour être utiles), alors qu’un bruit insuffisant fragilise le secret médical face à la puissance d’analyse croisée des systèmes d’IA.

Garder les données confidentielles lors de la phase d’utilisation du LLM

Si ChatGPT Santé s’appuie sur un chiffrement de bout en bout pour sécuriser les flux de communication, le véritable défi réside dans la protection des données en cours d’utilisation, lors de la phase dite d’« inférence ».

En effet, l’architecture des modèles de type transformer impose à ce jour au système de déchiffrer l’information pour opérer ses calculs d’inférence. Cela implique que, même de manière fugitive, les données de santé résident en clair dans la mémoire vive (RAM) des serveurs de calcul, constituant un point de vulnérabilité face à des vecteurs d’attaque de type « extraction de mémoire ».

L’avenir de la confidentialité des données de santé repose sur des techniques de chiffrement avancées, notamment le chiffrement homomorphe. Cette approche permet d’effectuer des calculs directement sur des données chiffrées, sans avoir besoin de les déchiffrer au préalable. Autrement dit, il est possible de traiter les données tout en les gardant protégées, ce qui garantit que leur contenu reste inaccessible, même pendant leur utilisation.

Pour l’instant, OpenAI adopte une approche hybride : l’utilisation de serveurs spécifiques sur Microsoft Azure doit permettre de garder les données séparées des données des autres utilisateurs (ou celles d’autres applications que ChatGPT Santé). Cette organisation crée un environnement proche d’un système interne (également appelé « sur site »), même s’il repose sur le cloud. Elle permet de mieux protéger les échanges de données, mais n’élimine pas totalement les risques d’exposition temporaire lors de leur traitement.

Le conflit de souveraineté : les données françaises face aux lois états-uniennes

Enfin, le déploiement de ChatGPT Santé en Europe poserait un défi de souveraineté majeur.

En effet, en France, la législation impose l’hébergement des données cliniques chez des prestataires certifiés « Hébergeurs de données de santé ». Bien que Microsoft Azure dispose de centres de données certifiés en France (France Central), le calcul intensif requis par l’IA nécessite des processeurs ultrapuissants qui consomment énormément d’énergie. Pour des raisons de disponibilité électrique, ces moteurs de calcul sont souvent situés dans des fermes de serveurs hors de l’Union européenne.

Or, ce déport de la donnée vers des serveurs états-uniens déclenche l’application du Cloud Act, une loi qui permet aux autorités des États-Unis d’exiger l’accès aux informations gérées par une entreprise états-unienne, indépendamment de leur lieu de stockage physique.

Ce cadre entre en collision directe avec le règlement général sur la protection des données (RGPD) européen, créant un conflit de lois où la protection européenne s’effacerait devant les prérogatives de sécurité américaines.

Nesrine Kaaniche ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.