Vidéos et podcasts
en Gestion et Management
Facebook Linkedin Youtube Instagram
Toutes les videos

IA et Industrie Automobile: Optimisation ou Révolution ?

  • Recherche
  • Management et Big Data, Management Stratégique

93 vues

Partager

15ème Prix académique de la recherche en management – Prix Syntec Conseil 2024

Cette vidéo présente les résultats d’une étude sur l’intégration de l’intelligence artificielle (IA) dans l’industrie automobile, axée sur les grands acteurs historiques du secteur. L’étude révèle que l’IA est principalement utilisée pour des améliorations incrémentales, telles que l’automatisation de tâches, plutôt que pour des innovations de rupture. Cette « exploitation » optimise les processus existants sans transformation radicale. L’approche organisationnelle est également surprenante : au lieu d’une stratégie « top-down » dirigée par des data scientists, l’IA est intégrée de manière « bottom-up », par les ingénieurs qui l’appliquent dans leurs expertises en fin de processus de développement. Cela montre que l’IA peut être un levier d’optimisation et de créativité lorsqu’elle est utilisée de façon progressive et distribuée. Cette méthode pourrait aussi s’appliquer à d’autres technologies émergentes dans différents secteurs.

Mots clés
  • : Big Data, brevets, dilemme exploration-exploitation, industrie automobile, innovation, Intelligence Artificielle (IA), méthodes mixtes

Auteur.e(s)

DEVAL Marie-Alix
Enseignante-chercheuse
ISTEC Business School
PLANTEC Quentin
Professeur
TBS Education

Institution(s)

Vidéos de la même institution

04:02

Méthodes et évaluations des émissions CO2 des modèles d’intelligence artificielle

Malgré les performances avérées des méthodes modernes d’intelligence artificielles, peu de travaux s’intéressent aux impacts environnementaux liés à la quantité de ressources nécessaires à l’entrainement et à l’usage de ces modèles. Ceci est très alarmant, lorsqu’on sait que le réchauffement climatique est une menace majeure qui met en péril notre planète et nos sociétés. Ainsi, nous abordons globalement dans ce travail la question de la mesure de l’empreinte carbone des modèles d’intelligence artificielle. Plus précisément nous considérons le cas des modèles visant à réduire les émissions de CO2. Pour de tels modèles, nous proposons de mesurer leurs impacts négatifs (quantité CO2 émise par l’entrainement et l’usage des modèles), et leurs impacts positifs (quantité de CO2 non émise du fait de l’usage des modèles). Les évaluations réalisées démontrent que l’empreinte carbone générée par l’entrainement et l’usage des modèles d’intelligence artificielle est globalement non-négligeable. Ainsi, les nouvelles métriques que nous proposons peuvent permettre d’évaluer et de comparer l’impact environnemental de ces modèles, au-delà des métriques usuelles d’évaluation des performances prédictives.
TCHUENTE Dieudonné - TBS Education |
  • Recherche
  • Développement Durable et RSE, Management et Big Data, Systèmes d'information
02:56

Qu’est-ce que la performativité ?

Le concept de performativité explore comment les idées, les théories et les pratiques influencent la construction sociale. Il se réfère à la capacité d'une théorie ou d'une idée à remodeler la société conformément à ses prédictions, en mettant l'accent sur les dispositifs matériels à travers lesquels elles se matérialisent. Initialement développé par le philosophe du langage John Austin, il a été étendu à d'autres domaines comme la sociologie et la gestion. En sociologie économique, par exemple, les travaux de Michel Callon ont montré comment la théorie économique participe à la construction de l'économie réelle à travers l'utilisation d'outils et de méthodes dans des agencements sociotechniques. En gestion, les chercheurs s'intéressent également à la performativité des discours et des outils, cherchant à comprendre comment ils sont mobilisés pour transformer les organisations.
NTSONDE Joel - ISTEC Business School |
  • Dico du Management
  • Management Stratégique, Théorie des Organisations
03:18

Comment accompagner la transition des territoires vers l’économie circulaire ?

Cet article explore les défis rencontrés par les acteurs socio-économiques dans la mise en pratique de l'économie circulaire, un modèle prometteur qui vise à concilier création de valeur économique et préservation de l'environnement. En se concentrant sur le secteur de la construction au niveau territorial, l'article propose une réflexion sur la transition vers l'économie circulaire, en tenant compte des imaginaires, des pratiques organisationnelles et des dispositifs mobilisés par les acteurs publics et privés. Il présente un modèle d'ingénierie politique articulé autour de quatre axes : la conception de nouveaux imaginaires, le développement d'innovations circulaires, la mise en place de méthodes pour guider l'action collective, et la structuration d'écosystèmes favorisant l'émergence de nouvelles pratiques. Ce modèle vise à stimuler l'innovation et à accompagner la transition des territoires vers l'économie circulaire en mobilisant les acteurs socio-économiques.
NTSONDE Joel - ISTEC Business School |
  • Recherche
  • Management de l'Innovation, Management public, Management Stratégique, Théorie des Organisations
03:16

Qu’est-ce que l’innovation responsable ?

L’innovation responsable vise à résoudre la question de la conciliation entre innovation, progrès sociétal et respect de l’environnement. Ce concept découle des réflexions du philosophe Hans Jonas sur la responsabilité de l’Humanité face au pouvoir technologique. Dans les années 2010, l'Union européenne a soutenu des recherches sur l'innovation responsable pour réduire les risques liés aux nouvelles technologies. Ces travaux ont mis en avant quatre dimensions clés : anticipation, réflexivité, inclusivité et réactivité. Cependant, l'innovation va au-delà de la technologie, affectant divers aspects de la société. A présent, le concept d'innovation responsable est abordé de manière plus large, incluant des axes comme les innovations sociales et écologiques, l'amélioration des méthodes d'innovation, une vision systémique et des stratégies de gouvernance adaptées. L'enjeu principal est de transformer l'approche stratégique et organisationnelle de l'innovation pour la rendre plus responsable envers la société et l'environnement.
NTSONDE Joel - ISTEC Business School |
  • Dico du Management
  • Développement Durable et RSE, Management de l'Innovation, Management Stratégique

Vidéos de la même thématique

  • 00:03:45

Changer le modèle économique de l’eau potable

L’eau, cette ressource si précieuse et indispensable à la vie, se trouve aujourd’hui au cœur de nombreux enjeux économiques, sociaux et environnementaux. Pourtant, il a fallu attendre longtemps avant que la communauté internationale ne prenne véritablement conscience de la gravité des risques liés à l’eau. Aujourd’hui, nous faisons face à une question cruciale : comment organiser la gestion de l’eau dans un contexte de raréfaction croissante ? Cela nécessite de repenser en profondeur notre modèle économique de l’eau, qui, à ce jour, repose principalement sur les volumes consommés. Ce changement nécessite des réformes profondes mais nécessaires pour garantir que l’eau, en tant que bien commun global, reste accessible à tous, aujourd’hui et pour les générations futures.
PORCHER Simon - FNEGE |
  • Recherche
  • Gouvernance, Management public, Management Stratégique
  • 00:03:06

IA et Industrie Automobile : Optimisation ou Révolution ?

Cette vidéo présente les résultats d'une étude sur l'intégration de l'intelligence artificielle (IA) dans l'industrie automobile, axée sur les grands acteurs historiques du secteur. L'étude révèle que l'IA est principalement utilisée pour des améliorations incrémentales, telles que l'automatisation de tâches, plutôt que pour des innovations de rupture. Cette "exploitation" optimise les processus existants sans transformation radicale. L'approche organisationnelle est également surprenante : au lieu d'une stratégie "top-down" dirigée par des data scientists, l'IA est intégrée de manière "bottom-up", par les ingénieurs qui l'appliquent dans leurs expertises en fin de processus de développement. Cela montre que l'IA peut être un levier d'optimisation et de créativité lorsqu'elle est utilisée de façon progressive et distribuée. Cette méthode pourrait aussi s'appliquer à d'autres technologies émergentes dans différents secteurs.
PLANTEC Quentin - TBS Education |
DEVAL Marie-Alix - ISTEC Business School |
  • Recherche
  • Management de l'Innovation, Management et Big Data, Management Stratégique
  • 00:03:36

The paradoxical faces of Coffee: Idealism and pragmatism in tension

Our study explores historical paradoxes in the coffee industry, focusing on the persistent tension between pragmatism and idealism. Paradoxes are defined as persistent conflicts between opposing yet complementary forces. For example, organizations must balance stability with the need for change. We analyzed the coffee industry in the United States over a century, from the 1910s to the 2020s, using archives from Harvard Business School's Baker Library and other specialized sources. Our research highlights the paradox between pragmatic concerns (such as coffee supply during wartime) and ideological values (like sustainability concerns in the early 2000s). This tension, influenced by historical contexts, is ever-present. For managers, it is crucial to adapt strategies to cultural trends while balancing practical and idealistic goals. Understanding this dynamic helps navigate the complex landscape of the coffee industry, and this lesson is applicable to other sectors as well.
LE Patrick - NEOMA Business School |
  • Recherche
  • Développement Durable et RSE, Management Stratégique
  • 00:04:02

Méthodes et évaluations des émissions CO2 des modèles d’intelligence artificielle

Malgré les performances avérées des méthodes modernes d’intelligence artificielles, peu de travaux s’intéressent aux impacts environnementaux liés à la quantité de ressources nécessaires à l’entrainement et à l’usage de ces modèles. Ceci est très alarmant, lorsqu’on sait que le réchauffement climatique est une menace majeure qui met en péril notre planète et nos sociétés. Ainsi, nous abordons globalement dans ce travail la question de la mesure de l’empreinte carbone des modèles d’intelligence artificielle. Plus précisément nous considérons le cas des modèles visant à réduire les émissions de CO2. Pour de tels modèles, nous proposons de mesurer leurs impacts négatifs (quantité CO2 émise par l’entrainement et l’usage des modèles), et leurs impacts positifs (quantité de CO2 non émise du fait de l’usage des modèles). Les évaluations réalisées démontrent que l’empreinte carbone générée par l’entrainement et l’usage des modèles d’intelligence artificielle est globalement non-négligeable. Ainsi, les nouvelles métriques que nous proposons peuvent permettre d’évaluer et de comparer l’impact environnemental de ces modèles, au-delà des métriques usuelles d’évaluation des performances prédictives.
TCHUENTE Dieudonné - TBS Education |
  • Recherche
  • Développement Durable et RSE, Management et Big Data, Systèmes d'information
Management et Big Data
Management Stratégique

S'abonner aux vidéos FNEGE MEDIAS

Youtube