IA en stratégie : ce qu’elle fait bien et ce qu’elle fausse

1. Une expérience simple… et une hypothèse mise à l’épreuve
2. Une convergence frappante des recommandations
3. Le concept de « trendslop » : une stratégie qui ressemble à toutes les autres
4. Le test du contexte : un biais qui résiste
5. Une pensée influencée par les normes culturelles
6. Le piège du compromis : une stratégie qui évite le choix
7. Ce que l’étude change dans la pratique
8. Une discipline à réinventer : interroger les biais de la machine
9. Une question plus large : le risque d’uniformisation
10. Penser avec l’IA, sans s’y abandonner
11. 4 conseils clés pour utiliser l’IA stratégique sans tomber dans ses biais (selon l’étude)

Peut-on confier à l’intelligence artificielle des arbitrages stratégiques ? Une étude récente scientifique publiée par The Harvard Business Review apporte un éclairage précieux et… dérangeant. En analysant les réponses de plusieurs grands modèles de langage, les chercheurs montrent qu’ils ne produisent pas tant des décisions que des reflets des tendances dominantes. Une découverte qui oblige à repenser en profondeur la place de l’IA dans la décision.

Une expérience simple… et une hypothèse mise à l’épreuve

L’étude, menée par Angelo Romasanta, Llewellyn D.W. Thomas et Natalia Levina, part d’une intuition largement partagée dans les entreprises : les modèles de langage pourraient offrir une forme de recul stratégique, en dépassant les biais humains.

Pour tester cette idée, les chercheurs ont soumis plusieurs grands modèles de langage LLM de référence (dont ChatGPT, Claude, Gemini, Grok, DeepSeek, GPT-5 via API) et Mistral) à une série de dilemmes stratégiques classiques. Il ne s’agissait pas de questions théoriques, mais d’arbitrages concrets, ceux que rencontrent quotidiennement les dirigeants : faut-il se différencier ou chercher la compétitivité par les coûts ? Automatiser ou renforcer les équipes ? Investir sur le court terme ou privilégier le long terme ?

Le protocole est robuste. Les modèles sont expérimentés à grande échelle, sur des milliers de simulations, avec des formulations variées et des contextes différents. L’objectif est clair : observer leurs « instincts » stratégiques. Et les résultats ne laissent guère de place au doute.

Une convergence frappante des recommandations

Ce qui frappe d’abord, c’est la cohérence des réponses. Quel que soit le modèle interrogé, les recommandations convergent. Les LLM privilégient massivement des stratégies de différenciation plutôt que de « commoditisation ». Ils encouragent l’augmentation des capacités humaines via la technologie plutôt que leur substitution. Ils valorisent le long terme, la collaboration, l’exploration.

Les chercheurs résument ce constat sans ambiguïté de la façon suivante : les modèles « recommandent de manière constante des stratégies alignées avec les buzzwords managériaux contemporains, indépendamment du contexte ou de la logique stratégique spécifique à la situation ».

Ce point mérite d’être souligné, car il ne s’agit pas simplement d’un biais ponctuel, mais d’une orientation systématique. Autrement dit, les modèles ne produisent pas une diversité de raisonnements. Ils reproduisent un consensus.

Le concept de « trendslop » : une stratégie qui ressemble à toutes les autres

Pour qualifier ce phénomène, les auteurs introduisent un terme évocateur : le « trendslop ». Il désigne une forme de réponse stratégique qui agrège des concepts à la mode (innovation, différenciation, collaboration, long-termisme) sans véritable ancrage dans une situation précise.

Aussi, les chercheurs notent que les dirigeants pourraient s’attendre à obtenir « une perspective extérieure et non biaisée », mais que les modèles présentent en réalité « des biais clairs » et tendent à recommander des stratégies conformes aux tendances dominantes.

Ce que l’IA produit, ce n’est donc pas une stratégie au sens fort, mais une version stylisée de ce que le discours managérial considère aujourd’hui comme souhaitable. Et c’est là que le glissement devient problématique…

Le test du contexte : un biais qui résiste

Pour vérifier si ces orientations dépendent du contexte, les chercheurs ont introduit des variations importantes. Ils ont demandé aux modèles de raisonner à partir de situations très différentes : grandes entreprises, startups technologiques, banques, organisations publiques, ONG.

Ils ont également fait varier le niveau de détail, allant de descriptions très générales à des scénarios plus riches et contextualisés. Mais les conclusions restent les mêmes.

Même lorsque le contexte change, les modèles continuent de privilégier les mêmes types de stratégies. Comme le souligne l’étude, « fournir un contexte (même riche et détaillé) ne déloge pas les biais » observés. Ce résultat signifie que les modèles ne construisent pas réellement leur réponse à partir de la situation. Ils appliquent des schémas appris, qu’ils ajustent à la marge.

Une pensée influencée par les normes culturelles

Pourquoi ces biais apparaissent-ils de manière aussi persistante ? La réponse tient à la nature même des données d’entraînement.

Les modèles de langage apprennent à partir de textes produits par des humains. Or, dans ces textes, certaines idées sont surreprésentées. Depuis plusieurs années, le discours managérial valorise fortement l’innovation, la différenciation, la collaboration, la vision long terme. Ces orientations deviennent des normes.

Les LLM les intègrent et les reproduisent. Ils ne font pas qu’imiter des phrases et imitent des cadres de pensée. Ce qui explique que, face à un dilemme, ils ne cherchent pas nécessairement la solution la plus adaptée… mais celle qui correspond le mieux à ces normes implicites.

Le piège du compromis : une stratégie qui évite le choix

Autre enseignement de l’étude : la manière dont les modèles gèrent les arbitrages. Lorsqu’on leur permet d’éviter un choix binaire, ils proposent très souvent des solutions hybrides. Plutôt que de trancher, ceux-ci recommandent de combiner les options : différenciation et coûts, innovation radicale et incrémentale, centralisation et décentralisation.

Les chercheurs mettent en garde contre cette tendance. Ils rappellent que « rejeter un choix binaire peut sembler sophistiqué et équilibré, mais fonctionne rarement en pratique ». En stratégie, certaines options sont incompatibles. Chercher à les combiner peut conduire à une perte de cohérence, et à ce que les spécialistes appellent une position « bloquée au milieu ».

En proposant systématiquement des compromis, les modèles évitent la difficulté du choix. Mais ils affaiblissent la qualité de la décision.

Ce que l’étude change dans la pratique

Faut-il en conclure que les modèles de langage sont inutiles pour la stratégie ? Les auteurs prennent soin de nuancer. Leur objectif n’est pas de disqualifier ces outils, mais d’en redéfinir l’usage.

Ils soulignent notamment que les LLM sont très performants pour générer des alternatives, identifier des angles morts, et explorer différents scénarios. En revanche, ils insistent sur un point essentiel : « Utilisez les grands modèles de langage pour élargir les options, pas pour prendre des décisions. »

Cette recommandation est loin d’être anodine. Elle implique un changement de posture. L’IA ne doit pas être utilisée comme un arbitre, mais comme un outil d’exploration.

Une discipline à réinventer : interroger les biais de la machine

Les chercheurs proposent également une approche plus active. Puisque les modèles présentent des biais identifiables (en faveur de la différenciation ou du long terme, par exemple) il devient possible de les contrebalancer. En leur demandant explicitement de défendre l’option inverse, on les oblige à explorer d’autres logiques.

Ils suggèrent ainsi de formuler des requêtes du type : « Construisez le meilleur argument possible en faveur d’une stratégie de commoditisation ». Ce type de démarche permet de sortir du cadre implicite du modèle, et de réintroduire de la diversité dans la réflexion.

Une question plus large : le risque d’uniformisation

Au-delà des usages immédiats, si les outils que nous utilisons tendent à produire des réponses alignées sur les tendances dominantes, ne risquons-nous pas d’aboutir à une homogénéisation des stratégies ?

La stratégie, historiquement, repose sur la capacité à faire des choix différents. À voir ce que les autres ne voient pas. À assumer des positions minoritaires.

Or, en s’appuyant sur des modèles qui reproduisent le consensus, il demeure un risque évident : celui de renforcer ce consensus. Non pas parce que les dirigeants cessent de réfléchir, mais parce que leurs outils orientent leur réflexion dans une direction donnée.

Penser avec l’IA, sans s’y abandonner

Oui, l’IA ne remplace pas la réflexion stratégique. Elle la transforme. Elle introduit une nouvelle forme de biais, moins visible que les biais humains, mais tout aussi structurante. Elle produit des réponses crédibles, cohérentes, séduisantes. Et c’est précisément pour cela qu’elles doivent être interrogées.

Car la stratégie ne consiste pas à suivre ce qui semble juste, mais à décider, dans un contexte donné, ce qui est pertinent. Et cette responsabilité, pour l’instant, reste profondément humaine.

4 conseils clés pour utiliser l’IA stratégique sans tomber dans ses biais (selon l’étude)

1. Utiliser les LLM pour élargir les options, pas pour trancher
Les chercheurs insistent : les modèles sont performants pour générer des alternatives, cartographier des scénarios et faire émerger des angles morts. En revanche, ils ne doivent pas être utilisés comme arbitres. La décision finale doit rester humaine, car elle implique des arbitrages contextuels que les modèles ne maîtrisent pas.

2. Tester volontairement les biais du modèle
Puisque les LLM ont des préférences identifiables (différenciation, long terme, augmentation…), il faut les pousser à explorer l’inverse. L’étude recommande explicitement de demander au modèle de construire le meilleur argument pour une option opposée. Cela permet de sortir des réponses « par défaut » et d’enrichir la réflexion stratégique.

3. Ne pas se laisser piéger par les compromis « trop élégants »
Les modèles ont tendance à proposer des stratégies hybrides pour éviter de choisir. Or, ces compromis sont souvent irréalistes ou inefficaces. Les chercheurs rappellent que certaines décisions nécessitent un positionnement clair, et que vouloir combiner des options incompatibles peut affaiblir une organisation.

4. Structurer les prompts pour forcer une vraie analyse stratégique
L’étude suggère de ne pas poser des questions vagues. Il faut au contraire demander explicitement les risques, les contraintes d’implémentation, les impacts organisationnels ou les points de vue des différentes parties prenantes. Cela oblige le modèle à sortir du discours générique et à produire une analyse plus utile.