When Does AI Adoption Enhance SME Innovation Performance? The Roles of Absorptive Capacity, Entrepreneurial Agility, and Digital Maturity

Résumé Technique : Quand l'adoption de l'IA améliore-t-elle la performance d'innovation des PME ?

Énoncé du problème
Bien que l'intelligence artificielle (IA) soit de plus en plus reconnue comme un moteur d'innovation, un « écart adoption-valeur » significatif persiste, particulièrement chez les petites et moyennes entreprises (PME). De nombreuses entreprises adoptent des outils d'IA sans parvenir à les convertir en résultats d'innovation tangibles. La littérature existante traite souvent l'adoption de l'IA comme un antécédent direct de l'innovation ou de la performance de l'entreprise, échouant à expliquer de manière adéquate les mécanismes organisationnels qui traduisent le déploiement technique en valeur. De plus, le contexte spécifique des PME — caractérisé par des contraintes de ressources, des processus d'innovation moins formalisés et une dépendance à la cognition managériale — reste sous-développé dans la recherche sur l'IA. Cette étude répond à la question critique suivante : Quand et par quels parcours de capacités l'intensité de l'adoption de l'IA améliore-t-elle la performance d'innovation des PME ?

Cadre théorique
L'étude intègre la Théorie des Capacités Dynamiques (Teece et al., 1997 ; Teece, 2007) et la Théorie de la Capacité d'Absorption (Cohen & Levinthal, 1990 ; Zahra & George, 2002). Elle propose un modèle séquentiel de renforcement des capacités où :

1. L'Intensité de l'Adoption de l'IA agit comme un intrant technologique qui renforce la Capacité d'Absorption (la capacité d'identifier, d'acquérir, d'assimiler, de transformer et d'exploiter les connaissances).
2. Une Capacité d'Absorption accrue favorise l'Agilité Entrepreneuriale (la capacité de reconnaître rapidement les opportunités, d'expérimenter et de reconfigurer les ressources).
3. L'Agilité Entrepreneuriale traduit ces capacités en Performance d'Innovation des PME.
4. La Maturité Numérique est posée comme une condition de limite qui renforce la relation entre l'adoption de l'IA et la capacité d'absorption, influençant ainsi le parcours indirect en aval.

Méthodologie

• Design : Étude quantitative, explicative, de type transversale par enquête.
• Contexte : PME opérant en Iran, une économie émergente caractérisée par des contraintes de ressources et institutionnelles.
• Échantillon : 294 réponses valides provenant de PME ayant adopté ou expérimenté des outils d'IA. Les répondants comprenaient des propriétaires, des PDG, des responsables de l'innovation et des responsables informatiques.
• Collecte de données : Une stratégie d'échantillonnage par choix raisonné a été utilisée pour s'assurer que les répondants possédaient une connaissance directe de l'utilisation de l'IA et des activités d'innovation.
• Mesure : Cinq construits réflexifs ont été mesurés à l'aide d'échelles adaptées (Likert à 7 points) : Intensité de l'Adoption de l'IA, Capacité d'Absorption, Agilité Entrepreneuriale, Performance d'Innovation des PME et Maturité Numérique.
• Analyse : La modélisation par équations structurelles à moindres carrés partiels (PLS-SEM) a été employée via SmartPLS. L'analyse a suivi une approche en deux étapes : l'évaluation du modèle de mesure (fiabilité, validité) et du modèle structurel (coefficients de chemin, médiation, modération).
• Validation : L'étude a utilisé le bootstrapping (5 000 sous-échantillons) pour les tests de signification et PLSpredict pour évaluer la pertinence prédictive hors échantillon. Le biais de méthode commune a été traité par des remèdes procéduraux et des diagnostics de colinéarité.

Résultats clés
L'analyse empirique a produit les résultats suivants :

1. Médiation indirecte uniquement : L'effet direct de l'Intensité de l'Adoption de l'IA sur la Performance d'Innovation des PME n'était pas statistiquement significatif ($\beta = 0,079, p = 0,142$). Cependant, l'effet total et l'effet indirect sériel étaient significatifs. Cela indique un mécanisme de médiation indirecte uniquement.
2. La chaîne de capacités :
   • L'Intensité de l'Adoption de l'IA affecte positivement la Capacité d'Absorption ($\beta = 0,391, p < 0,001$).
   • La Capacité d'Absorption améliore fortement l'Agilité Entrepreneuriale ($\beta = 0,555, p < 0,001$).
   • L'Agilité Entrepreneuriale améliore significativement la Performance d'Innovation des PME ($\beta = 0,484, p < 0,001$).
3. Médiation sérielle : Le chemin sériel (Adoption de l'IA $\rightarrow$ Capacité d'Absorption $\rightarrow$ Agilité Entrepreneuriale $\rightarrow$ Performance d'Innovation) était significatif ($\beta = 0,105, p < 0,001$), confirmant le mécanisme séquentiel proposé.
4. Rôle modérateur de la Maturité Numérique : La maturité numérique modère positivement la relation entre l'Intensité de l'Adoption de l'IA et la Capacité d'Absorption ($\beta = 0,128, p = 0,008$). Le graphique d'interaction montre que l'effet positif de l'adoption de l'IA sur la capacité d'absorption est nettement plus fort pour les entreprises ayant une maturité numérique élevée.
5. Médiation sérielle modérée : La maturité numérique renforce l'ensemble du parcours indirect, ceant que le processus de renforcement des capacités est plus efficace dans les PME numériquement matures.
6. Pertinence prédictive : Les résultats de PLSpredict ont indiqué une pertinence prédictive satisfaisante au niveau des indicateurs pour la Performance d'Innovation des PME, le modèle PLS-SEM surperformant un benchmark linéaire en termes d'erreur quadratique moyenne (RMSE).

Contributions clés
Le document revendique quatre contributions théoriques primaires :

1. Changement de logique IA-Innovation : Il dépasse la perspective de l'effet direct, démontrant que l'adoption de l'IA n'est pas un prédicteur autonome de l'innovation. Au lieu de cela, elle fonctionne comme un intrant dans un processus de renforcement des capacités.
2. Extension de la Théorie de la Capacité d'Absorption : Il positionne la capacité d'absorption comme le « pont de traitement des connaissances » critique entre l'adoption de l'IA et l'action entrepreneuriale, montrant que l'IA renforce la capacité de l'entreprise à traiter les connaissances externes.
3. L'Agilité Entrepreneuriale comme mécanisme : Il identifie l'agilité entrepreneuriale comme le mécanisme orienté vers l'action par lequel les connaissances absorbées sont converties en performance d'innovation, liant la recherche sur l'IA à la théorie de l'entrepreneuriat.
4. La Maturité Numérique comme condition de limite : Il théorise et soutient empiriquement que la maturité numérique n'est pas seulement un facteur de fond, mais une condition critique qui détermine si l'adoption de l'IA peut être convertie en capacité d'absorption et, par la suite, en innovation.

Signification et affirmations
L'étude conclut que la valeur d'innovation de l'IA dans les PME dépend moins de l'acte d'adoption lui-même que des capacités organisationnelles qui permettent aux entreprises d'apprendre de l'IA et d'agir sur les informations générées par l'IA. Les auteurs affirment que l'IA n'innove pas au nom des PME ; plutôt, les PME innovent avec l'IA uniquement lorsqu'elles possèdent la maturité numérique, la capacité d'absorption et l'agilité entrepreneuriale nécessaires.

Les conclusions suggèrent que pour que l'IA améliore l'innovation, les PME doivent se concentrer sur le renforcement des capacités complémentaires — spécifiquement, la capacité d'interpréter les données générées par l'IA et l'agilité à agir en conséquence — plutôt que de considérer l'acquisition technologique comme une condition suffisante de succès. L'étude souligne que dans les économies émergentes à ressources limitées, ces conditions de capacité sont encore plus critiques pour combler l'écart adoption-valeur.