Patent Citation Networks Anticipate Technology Lock-In Risk: Multimodal Evidence from China’s Semiconductor Industry

Dans le monde à enjeux élevés de la technologie, le succès est souvent mesuré par la quantité de ce qu'une entreprise produit et par la fréquence à laquelle d'autres copient ses idées. Lorsqu'une entreprise dépose de nombreux brevets et que ces brevets sont fréquemment cités par ses concurrents, cela est généralement perçu comme un signe de force et de leadership. Cependant, un danger caché plane sous ces signes visibles de prospérité. Tout comme un voyageur qui continue de suivre un chemin familier parce qu'il semble sûr, même lorsque de meilleures routes se ferment, une entreprise peut se retrouver piégée dans sa propre façon de penser. Ce phénomène, connu sous le nom de verrouillage technologique (technological lock-in), se produit lorsqu'une organisation devient si dépendante d'un ensemble spécifique de connaissances et de connexions qu'elle perd sa capacité à s'adapter lorsque le monde change. Le risque est qu'une entreprise puisse paraître incroyablement productive sur le papier alors que sa capacité réelle à innover et à pivoter disparaît silencieusement.

Les chercheurs Jilong Zhang et Lei Chen ont entrepris de trouver un moyen de repérer ce danger avant qu'il ne soit trop tard. Ils se sont concentrés sur l'industrie des semi-conducteurs en Chine, un secteur où la capacité de se réorienter rapidement est vitale pour la sécurité nationale et la stabilité économique. Au lieu d'attendre que la production de brevets d'une entreprise chute ou que ses citations s'estompent — des signaux qui n'arrivent souvent qu'une fois les dégâts accomplis — ils se sont demandé si la structure des connexions d'une entreprise pouvait révéler les problèmes plus tôt. Ils ont traité le réseau de citations de brevets non pas seulement comme un registre des réussites passées, mais comme une carte des possibilités futures. En analysant comment les entreprises lient leurs nouvelles idées aux anciennes, et comment ces idées se propagent à travers différents groupes d'inventeurs, l'équipe espérait construire un système d'alerte capable de voir le rétrécissement des horizons d'une entreprise pendant qu'elle était encore occupée à célébrer son succès actuel.

Pour tester cette idée, les chercheurs ont rassemblé une collection massive de 541 592 brevets d'invention déposés en Chine entre 2001 et 2023. Ils ne se sont pas contentés de compter le nombre de brevets de chaque entreprise ou le nombre de fois qu'ils étaient cités. À la place, ils ont construit un modèle numérique complexe qui examinait simultanément trois types d'informations différents. Premièrement, ils ont examiné les chiffres évidents : le volume de brevets, la taille des équipes qui les créent et le nombre pur de citations. Deuxilement, ils ont lu le texte des résumés de brevets pour comprendre quels problèmes spécifiques les entreprises tentaient de résoudre et si leur concentration s'élargissait ou se rétrécissait. Troisièmement, et plus important encore, ils ont cartographié l'architecture cachée du réseau de citations. Ils ont utilisé une méthode qui trace la manière dont un brevet se connecte à d'autres, cherchant des signes qu'une entreprise ne parlait qu'à elle-même ou à un petit groupe fermé de pairs, plutôt que de tendre vers des communautés de connaissances diverses.

L'équipe a entraîné un modèle informatique pour prédire quelles entreprises finiraient par devenir profondément ancrées dans une voie technologique unique et dominante — un état qu'ils ont défini comme un risque de « verrouillage ». Ils ont découvert que la manière la plus précise de détecter ce risque consistait à combiner ces trois types d'informations. Le modèle qui fonctionnait le mieux était un type d'intelligence artificielle connu sous le nom de forêt aléatoire (random forest), qui excelle dans la détection de motifs au sein de données complexes et désordonnées. Testé sur des données qu'il n'avait jamais vues auparavant, ce modèle a atteint un AUC de 0,54 tout en maintenant les fausses alertes à un niveau relativement bas. Cette performance était nettement supérieure aux méthodes statistiques plus simples, prouvant que la structure cachée des connexions détient des indices vitaux que les chiffres bruts seuls ne peuvent fournir.

L'une des découvertes les plus frappantes fut que la structure du réseau de citations fournissait des informations qui ne pouvaient être remplacées par les comptes de brevets ou l'analyse de texte. Même lorsqu'une entreprise avait un volume élevé de brevets et une solide réputation, le modèle pouvait détecter si ses connexions devenaient trop étroites. Les données du réseau agissaient comme une radiographie structurelle, révélant si la connaissance d'une entreprise circulait librement à travers différents domaines ou si elle revenait sur elle-même. Les chercheurs ont constaté que le retrait de ces données de réseau de leur modèle entraînait une chute brutale de sa capacité à prédire le risque, confirmant que la manière dont les idées sont connectées est aussi importante que les idées elles-mêmes.

Cependant, l'étude a également révélé une limitation cruciale : ce système d'alerte fonctionne très différemment pour les grandes entreprises par rapport aux petites. Pour les entités de grande taille ayant de longs historiques de dépôt de brevets et des réseaux de citations denses, le modèle était très efficace. Il pouvait identifier de manière fiable quand leur recherche de nouvelles connaissances devenait stagnante. Mais pour les plus petites entreprises, avec moins de brevets et des connexions plus éparses, le modèle peinait à faire des prédictions précises. Les données pour ces acteurs plus modestes étaient souvent trop ténues pour permettre un diagnostic de confiance. Les chercheurs ont conclu que, bien que l'outil soit puissant pour surveiller les géants établis, il ne peut être utilisé comme une règle autonome pour les petites startups ou les équipes de recherche précoces. Pour elles, les chiffres doivent être combinés au jugement humain et à d'autres formes de preuves.

Pour rendre ces conclusions utiles à la prise de décision réelle, les auteurs ont créé un « Indice de Risque de Verrouillage Technologique ». Il s'agit d'un score allant de zéro à cent qui estime la probabilité qu'une entreprise entre dans un état de verrouillage au cours de l'année à venir. Le score n'est pas un simple chiffre ; il décompose le risque en trois parties, montrant si le danger provient de la production visible de l'entreprise, des sujets dont elle traite, ou de la structure cachée de ses connexions. Un score élevé ne signifie pas qu'une entreprise a échoué ; il sert plutôt de signal d'alerte précoce qui incite à un examen plus approfondi. Il suggère que, bien qu'une entreprise produise encore des résultats, sa voie de progression pourrait se rétrécir, et qu'elle pourrait avoir besoin de chercher de nouveaux partenariats ou d'explorer différentes avenues technologiques pour rester résiliente.

L'étude suggère que les agences publiques et les leaders de l'industrie ne devraient pas se fier uniquement aux mesures traditionnelles comme le nombre de brevets pour évaluer la santé de leurs systèmes d'innovation. En ajoutant des indicateurs basés sur les réseaux à leurs tableaux de bord de surveillance, ils peuvent détecter les faiblesses structurelles avant qu'elles ne mènent à une crise. L'objectif n'est pas de punir les entreprises pour leur succès, mais de les aider à reconnaître quand leur succès les rend rigides. Pour les grandes corporations, cela signifie vérifier régulièrement si leurs sources de connaissances sont suffisamment diversifiées. Pour les innovateurs plus petits, cela signifie comprendre que leur potentiel n'est peut-être pas encore pleinement visible dans les données de brevets, ce qui nécessite une approche d'évaluation plus nuancée. En fin de compte, la recherche offre une nouvelle façon de percevoir les courants invisibles du flux de connaissances, aidant les sociétés à naviguer dans le terrain complexe du changement technologique avec une plus grande clairvoyance.