Innovation, R&D et diffusion technologique

Approfondissement : du mécanisme au raisonnement autonome

Cette extension sur l’innovation suit la chaîne qui va de la recherche à l’adoption effective d’un procédé ou d’un produit. Les sous-chapitres distinguent production de connaissance, financement, expérimentation, diffusion, compétences et organisation. L’objectif est de comprendre pourquoi une invention remarquable peut mettre longtemps à produire des gains agrégés et pourquoi la mesure de l’innovation ne peut pas être réduite au seul nombre de brevets ou au budget de R&D.

R&D et innovation : deux notions liées mais distinctes

La recherche et développement vise la création systématique de connaissances nouvelles ou l’utilisation originale de connaissances existantes. L’innovation désigne plus largement l’introduction d’un produit, processus ou mode d’organisation nouveau ou sensiblement amélioré.

Source primaire au point d’usage : OCDE — Frascati Manual

Une entreprise peut innover en réorganisant sa logistique sans laboratoire de R&D, tandis qu’un laboratoire peut produire de la connaissance sans innovation commerciale immédiate.

Les statistiques de R&D mesurent des dépenses et personnels selon des conventions spécifiques, tandis que les enquêtes innovation interrogent aussi l’introduction effective de nouveautés.

Assimiler innovation et budget de R&D conduit à sous-estimer les innovations organisationnelles et à surestimer l’impact économique immédiat de la recherche.

Source de contrôle : Eurostat — dépenses de R&D — « R&D et innovation : deux notions liées mais distinctes ».

Mesurer la R&D avec le cadre de Frascati

Un projet doit comporter une dimension de nouveauté et d’incertitude ; une simple maintenance ou personnalisation courante n’est pas automatiquement de la R&D.

Le Manuel de Frascati fournit un cadre international pour identifier et mesurer les activités de recherche et développement. Il distingue notamment recherche fondamentale, recherche appliquée et développement expérimental.

Une comparaison internationale devient fragile si les pays ou entreprises classent différemment les mêmes dépenses.

Un audit de dépense de R&D vérifie le périmètre, les personnels, les coûts internes, les travaux sous-traités et la classification par secteur exécutant.

Recherche fondamentale, appliquée et développement expérimental

Les trois catégories de R&D correspondent à des positions différentes dans la chaîne de connaissance, mais les frontières ne sont pas étanches. La recherche fondamentale cherche des connaissances sans application précise immédiate ; la recherche appliquée vise un objectif pratique ; le développement expérimental transforme des connaissances en solutions nouvelles.

Les portefeuilles publics et privés doivent être lus sur des horizons différents : le rendement de la recherche fondamentale est souvent diffus et très long.

Une découverte en physique peut ouvrir plusieurs décennies plus tard une application industrielle, tandis qu’un développement expérimental peut révéler de nouvelles questions fondamentales.

Exiger un retour commercial immédiat de toute recherche fondamentale risquerait d’éliminer des projets dont les externalités sont précisément les plus larges.

Innovation de produit, de procédé et organisationnelle

Réduire l’innovation à l’apparition d’un gadget visible ignore les gains importants provenant des procédés et de l’organisation.

Une innovation peut modifier ce qui est vendu, la manière de produire ou l’organisation du travail. Ces dimensions se complètent souvent.

L’adoption d’un logiciel de planification peut n’avoir de valeur que si les processus, les responsabilités et la formation sont eux aussi repensés.

Les enquêtes d’innovation cherchent à distinguer nouveauté pour l’entreprise, nouveauté pour le marché et ampleur du changement.

Source de contrôle : OCDE — Manuel de Frascati — « Innovation de produit, de procédé et organisationnelle ».

Connaissance, non-rivalité et externalités

Une connaissance peut souvent être utilisée par plusieurs acteurs sans être détruite par l’usage. Cette non-rivalité crée des externalités qui compliquent l’appropriation privée complète du rendement de la recherche.

Une découverte publiée peut améliorer les travaux de concurrents, d’universités ou de secteurs éloignés de celui qui a financé la recherche initiale.

Les brevets, le secret, les délais d’avance et les complémentarités avec des actifs spécifiques sont autant de mécanismes d’appropriation partielle.

La présence d’externalités justifie un débat sur l’intervention publique, mais ne garantit pas que toute subvention de R&D soit efficace.

Brevets : protection, information et limites

Dans certains secteurs, les entreprises utilisent beaucoup les brevets ; dans d’autres, la rapidité, le secret ou les effets de réseau offrent une protection plus importante.

Un brevet accorde un droit exclusif temporaire en échange de la divulgation d’une invention répondant à des critères juridiques. Il peut soutenir l’investissement innovant mais aussi créer des coûts de transaction ou des stratégies défensives.

Comparer la capacité d’innovation de deux pays uniquement au nombre de brevets peut donc être très trompeur.

Compter les brevets donne une mesure imparfaite : leur valeur économique est extrêmement dispersée et leur propension à breveter varie selon les secteurs.

Crédit d’impôt, subventions et additionalité

Les pouvoirs publics peuvent soutenir la R&D par des crédits d’impôt, subventions, commandes, prêts ou investissement direct. La question centrale est l’additionalité : combien de R&D supplémentaire est réellement provoquée par l’aide ?

Une évaluation compare dépenses avant et après, groupes éligibles et non éligibles ou seuils de politique lorsque la méthode le permet.

Si une entreprise aurait financé exactement le même projet sans soutien, l’aide produit surtout un transfert budgétaire. Si elle déclenche un projet marginal ou accélère l’investissement, l’effet est différent.

Mesurer uniquement le montant d’aide distribué ne dit rien sur son efficacité innovante.

Source de contrôle : Insee — enquêtes innovation — « Crédit d’impôt, subventions et additionalité ».

Recherche publique et infrastructures scientifiques

Des indicateurs bibliométriques mal utilisés peuvent pousser à optimiser le score plutôt que la qualité ou l’utilité scientifique.

Universités, organismes de recherche, grands équipements et bases de données produisent des connaissances et infrastructures dont les bénéfices dépassent souvent une seule entreprise.

Un synchrotron, une cohorte médicale ou un supercalculateur peuvent servir à de nombreux projets et créer des effets d’agglomération autour des équipes utilisatrices.

La performance ne se résume pas au nombre de publications ; formation de chercheurs, transfert, données ouvertes et coopération internationale comptent aussi.

Coopération universités-entreprises et transfert

Le transfert de connaissances peut passer par contrats de recherche, laboratoires communs, mobilité des personnes, licences, startups ou réseaux informels. Les canaux humains sont souvent aussi importants que les contrats.

Un doctorant qui rejoint une entreprise diffuse des méthodes et un réseau de connaissances sans qu’un brevet ne soit nécessairement impliqué.

Les indicateurs de licences et de startups doivent être complétés par les collaborations, la mobilité et les trajectoires des personnels.

Réduire le transfert à la seule valorisation de propriété intellectuelle donne une vision trop étroite de la circulation du savoir.

Diffusion technologique : pourquoi les meilleurs procédés se répandent lentement

Une PME peut connaître un logiciel performant mais retarder son adoption faute de personnel capable de le paramétrer ou de budget pour transformer ses processus.

Une technologie existante peut mettre des années à se diffuser parce que son adoption exige capital, compétences, réorganisation, données, compatibilité avec l’existant et confiance dans la solution.

Confondre disponibilité technique et adoption économique conduit à surestimer la vitesse des gains de productivité.

Les enquêtes d’adoption par taille d’entreprise et secteur aident à mesurer l’écart entre frontière technologique et diffusion moyenne.

Source de contrôle : Eurostat — dépenses de R&D — « Diffusion technologique : pourquoi les meilleurs procédés se répandent lentement ».

Capacité d’absorption et compétences internes

La capacité d’absorption décrit l’aptitude d’une organisation à reconnaître, comprendre et utiliser une connaissance externe. Elle dépend des compétences déjà présentes et des routines d’apprentissage.

Les dépenses de formation, la présence d’ingénieurs, les liens avec la recherche et l’expérience d’adoption donnent des indices de cette capacité.

Une entreprise qui n’a jamais investi dans le numérique peut avoir du mal à exploiter une technologie avancée même si celle-ci devient bon marché.

Subventionner uniquement l’achat d’un équipement sans renforcer les compétences peut produire une innovation de façade.

Frontière technologique et entreprises retardataires

Une politique centrée exclusivement sur quelques champions peut laisser intact le problème de diffusion générale.

La productivité agrégée dépend à la fois des entreprises proches de la frontière et de la diffusion vers le reste du tissu productif. Un petit nombre de leaders très performants ne suffit pas si le fossé avec les autres s’élargit.

Les technologies numériques peuvent accentuer cet écart lorsque les entreprises déjà organisées captent plus rapidement les gains.

On compare distribution des productivités, adoption de technologies et dynamique d’entrée-sortie plutôt que la seule moyenne nationale.

Numérisation, données et complémentarités organisationnelles

Le numérique produit souvent ses gains lorsque données, logiciels, processus et organisation évoluent ensemble. Installer un outil sans modifier les décisions ou les compétences peut générer peu de productivité.

L’IA générative, par exemple, peut accélérer certaines tâches mais nécessite contrôle, sécurité, intégration documentaire et redéfinition des responsabilités.

La mesure doit regarder temps gagné, qualité, erreurs, coûts de supervision et diffusion entre métiers.

Un taux d’équipement élevé ne prouve pas à lui seul un gain de productivité.

Source de contrôle : OCDE — Manuel de Frascati — « Numérisation, données et complémentarités organisationnelles ».

Management, pratiques organisationnelles et productivité

Deux usines utilisant des machines similaires peuvent obtenir des résultats très différents si l’une mesure les défauts et apprend rapidement alors que l’autre conserve des procédures rigides.

Source primaire au point d’usage : OCDE — Oslo Manual

La technologie ne remplace pas la qualité du management. Objectifs clairs, suivi, autonomie, coordination et capacité à expérimenter influencent la manière dont une innovation devient productive.

Attribuer tout écart à la technologie oublie les complémentarités organisationnelles qui déterminent son rendement.

Les enquêtes de pratiques managériales et les comparaisons intra-groupes peuvent aider à isoler ces effets avec prudence.

Standards, interopérabilité et effets de réseau

Les standards peuvent accélérer la diffusion en rendant les systèmes compatibles, mais ils peuvent aussi figer une technologie ou avantager certains acteurs. Les effets de réseau donnent de la valeur à une solution lorsque davantage d’utilisateurs l’adoptent.

On examine compatibilité, coûts de migration, gouvernance du standard et concentration du marché.

Un format de données ouvert peut réduire les coûts de changement, tandis qu’un écosystème fermé peut créer du verrouillage et rendre l’innovation dépendante d’un fournisseur.

Présenter tout standard comme neutre ignore les enjeux de pouvoir et de trajectoire technologique.

Concurrence et innovation : relation non monotone

La formule “plus de concurrence = toujours plus d’innovation” est aussi simpliste que son contraire.

La concurrence peut pousser à innover pour se différencier, mais une pression excessive ou l’impossibilité d’approprier les gains peut réduire certaines incitations. À l’inverse, un monopole protégé peut disposer de ressources mais manquer de pression.

La relation entre concentration et innovation dépend donc du secteur, de la contestabilité et du rythme de renouvellement technologique.

Les analyses suivent dépenses de R&D, entrées, brevets, lancements de produits et évolution des marges, sans réduire la conclusion à un seul indicateur.

Source de contrôle : Insee — enquêtes innovation — « Concurrence et innovation : relation non monotone ».

Politiques de mission et grands défis

Une politique de mission oriente ressources publiques et privées vers un objectif identifiable, par exemple décarbonation, santé ou souveraineté technologique. Elle peut coordonner des investissements complémentaires mais comporte aussi des risques de capture et de sélection politique.

Le succès dépend d’objectifs mesurables, d’étapes, de concurrence entre solutions, d’une capacité à arrêter les projets défaillants et d’une gouvernance transparente.

L’évaluation suit résultats technologiques, diffusion, coûts, effets d’éviction et retombées sur d’autres secteurs.

Une mission mal définie peut devenir un label permettant de financer des projets sans discipline de résultat.

Évaluer une politique d’innovation

Les délais peuvent être longs, ce qui impose des indicateurs intermédiaires sans perdre de vue la finalité. Les effets indirects et les échecs instructifs doivent aussi être documentés.

L’évaluation doit distinguer inputs, outputs et impacts. Dépenses de R&D et nombre de projets sont des inputs ; brevets ou nouveaux produits sont des outputs ; productivité, diffusion et croissance constituent des impacts plus éloignés.

Conclure qu’une politique fonctionne parce que les bénéficiaires innovent davantage sans groupe de comparaison peut confondre sélection et causalité.

Des méthodes quasi expérimentales, comparaisons de cohortes et suivis longitudinaux aident à estimer l’additionalité, avec des limites.

Capital-risque, financement et sélection des projets

Les projets innovants présentent souvent des actifs immatériels difficiles à donner en garantie, une forte incertitude et des rendements très asymétriques. Le capital-risque accepte cette structure en finançant un portefeuille dont quelques succès peuvent compenser de nombreux échecs.

Une startup peut disposer d’une technologie prometteuse mais ne pas accéder au crédit bancaire classique faute de revenus stables et de collatéral.

L’évaluation observe montants levés, étapes de financement, dilution, sorties, survie et croissance, sans confondre valorisation financière et valeur sociale de l’innovation.

Présenter le volume de capital-risque comme mesure complète de l’innovation favorise les secteurs compatibles avec ce mode de financement et ignore les autres.

Exercice 19 — Capital-risque, financement et sélection des projets. Un fonds peut investir 10 M€ dans dix jeunes pousses identiques : chacune a 15 % de chance de rendre 8 fois la mise, 35 % de rendre la mise et 50 % de tout perdre. Calculez l’espérance simple d’un investissement puis expliquez pourquoi diversification, corrélations et besoins de refinancement compliquent ce calcul.

Diffusion par les chaînes de fournisseurs

Les grandes entreprises peuvent diffuser normes, logiciels, méthodes de qualité et exigences numériques vers leurs fournisseurs. Cette transmission peut accélérer l’adoption technologique bien au-delà des acteurs directement aidés.

Un donneur d’ordre qui impose un format de données commun ou un procédé de traçabilité peut amener des centaines de PME à investir dans des outils et compétences compatibles.

On peut suivre la diffusion par enquêtes fournisseurs, données de transactions, certifications et adoption de standards, tout en respectant la confidentialité commerciale.

Une politique qui aide seulement le donneur d’ordre sans vérifier l’accès des petits fournisseurs peut renforcer la concentration au lieu d’élargir la diffusion.

Exercice 20 — Diffusion par les chaînes de fournisseurs. Cartographiez une innovation qui dépend de quatre fournisseurs successifs. Si l’adoption est de 90 %, 80 %, 60 % et 95 % à chaque maillon, identifiez le goulet de diffusion et expliquez pourquoi le taux d’adoption final ne peut pas être obtenu en regardant seulement le meilleur fournisseur.

Commande publique comme instrument d’innovation

La commande publique peut stimuler l’innovation lorsque le besoin est formulé en termes de résultat plutôt que de solution technique figée et lorsque la procédure laisse une place réelle à la concurrence entre approches.

Un acheteur public peut demander une réduction mesurable d’énergie ou de délai sans imposer à l’avance la technologie utilisée, ce qui permet aux fournisseurs d’expérimenter.

L’évaluation compare coût total, performance, diffusion ultérieure, accès des nouveaux entrants et gestion du risque contractuel.

Utiliser le mot innovation dans un appel d’offres sans modifier les critères, le partage du risque ou la capacité d’expérimentation ne crée aucune innovation par magie.

Exercice 21 — Commande publique comme instrument d’innovation. Rédigez quatre critères d’un appel d’offres public visant une solution encore innovante : performance à atteindre, interopérabilité, conditions d’essai et partage du risque. Ajoutez une clause évitant de verrouiller le marché autour d’un seul fournisseur sans exclure les prototypes imparfaits.

Clusters, territoires et circulation des compétences

Les écosystèmes d’innovation se concentrent parfois géographiquement parce que chercheurs, entreprises, financeurs, infrastructures et fournisseurs spécialisés bénéficient de proximité et de mobilité.

Un ingénieur changeant d’entreprise transporte des connaissances tacites que ni brevet ni publication ne décrivent entièrement. La proximité peut accélérer ces interactions mais aussi accroître les coûts immobiliers et les inégalités territoriales.

On mesure densité d’emplois qualifiés, collaborations, mobilités, créations d’entreprises et performances, en évitant de confondre concentration préexistante et effet causal du cluster.

Copier le label d’un cluster à un autre territoire sans reproduire les compétences et réseaux réels produit souvent peu de résultats.

Exercice 22 — Clusters, territoires et circulation des compétences. Deux territoires disposent du même budget de R&D, mais l’un concentre laboratoires, financeurs et entreprises dans un rayon de 20 km alors que l’autre est dispersé. Construisez une grille comparant coûts fonciers, circulation des compétences, collaborations et risque de concentration excessive.

Échec, expérimentation et valeur d’option

L’innovation implique des échecs. Une politique bien conçue ne cherche pas à supprimer tout risque mais à apprendre rapidement, limiter les pertes et réallouer les ressources vers les pistes prometteuses.

Un prototype abandonné peut produire des connaissances utiles si les résultats sont documentés ; un projet maintenu artificiellement pour éviter d’admettre l’échec peut au contraire détruire beaucoup de valeur.

Les portefeuilles d’innovation gagnent à définir jalons, critères d’arrêt, budgets progressifs et capitalisation des apprentissages.

Un indicateur qui récompense uniquement le taux de réussite pousse à sélectionner des projets trop sûrs et peut tuer l’expérimentation véritable.

Exercice 23 — Échec, expérimentation et valeur d’option. Un prototype exige 4 M€ aujourd’hui puis 16 M€ seulement si le premier essai réussit avec une probabilité de 40 %. Comparez l’engagement immédiat de 20 M€ à l’investissement par étapes et expliquez la valeur d’option créée par la possibilité d’abandonner.

Portefeuille d’innovation et gouvernance des risques

Une organisation innovante ne doit pas juger chaque projet avec la même règle. Les projets proches du marché peuvent avoir des jalons commerciaux précis ; la recherche plus amont demande des critères d’apprentissage, de faisabilité et de production de connaissances. La gouvernance consiste à équilibrer ces horizons plutôt qu’à imposer un rendement immédiat identique à tous.

Le portefeuille permet aussi de limiter les biais politiques ou managériaux. Si une seule technologie reçoit la totalité des moyens, l’organisation devient vulnérable à une erreur de pari. Une diversification raisonnée entre pistes complémentaires conserve une valeur d’option et facilite la réallocation lorsque de nouvelles informations apparaissent.

Pour suivre le portefeuille, on distingue budget engagé, budget consommé, jalons atteints, connaissances produites, partenariats, actifs créés et décisions d’arrêt. Un projet stoppé à temps après un test négatif peut être mieux géré qu’un projet maintenu artificiellement parce qu’il a déjà coûté cher.

Exercice 24 — Portefeuille d’innovation et gouvernance des risques. Vous gérez 30 M€ entre un projet incrémental peu risqué, une technologie intermédiaire et une rupture très incertaine. Proposez trois allocations possibles, définissez pour chacune un seuil de réexamen et expliquez comment éviter qu’un unique indicateur de succès favorise systématiquement les projets les moins ambitieux.

Courbe en S de l’adoption technologique

L’adoption de nombreuses technologies suit une courbe en S : lente au début, plus rapide lorsque les coûts baissent et que les usages deviennent mieux compris, puis plus lente à nouveau lorsque la majorité des utilisateurs potentiels est équipée. Cette dynamique explique pourquoi une innovation visible n’entraîne pas immédiatement des gains macroéconomiques.

Les premiers adopteurs acceptent souvent un coût élevé et une incertitude forte. Les adopteurs suivants bénéficient de retours d’expérience, de fournisseurs plus nombreux et de standards plus stables. Les derniers utilisateurs peuvent rester freinés par des contraintes spécifiques ou un faible bénéfice attendu.

Mesurer le taux d’équipement à plusieurs dates permet de distinguer innovation naissante, diffusion rapide et saturation. La même politique publique n’est pas adaptée à chacune de ces phases.

Subventionner massivement une technologie déjà proche de la saturation peut produire peu d’additionalité. À l’inverse, soutenir trop tôt une solution non stabilisée peut enfermer les utilisateurs dans une trajectoire technique qui sera rapidement dépassée.

Apprentissage par la pratique et rendements dynamiques

Une technologie devient parfois moins coûteuse et plus performante à mesure qu’elle est produite et utilisée. L’apprentissage par la pratique crée donc une dynamique où l’adoption d’aujourd’hui peut réduire les coûts de demain, au-delà du simple effet d’échelle.

Les fabricants améliorent les procédés, les installateurs réduisent les erreurs et les utilisateurs découvrent de meilleurs usages. Une courbe d’apprentissage relie souvent coût unitaire cumulé et volume produit, mais la pente varie fortement selon les technologies.

L’analyse doit distinguer baisse de coût due à l’apprentissage, baisse du prix des intrants et innovation externe. Une simple corrélation entre volume et coût ne prouve pas le mécanisme.

Cette dynamique peut justifier un soutien temporaire à certaines technologies, mais seulement si les gains d’apprentissage sont plausibles, diffusables et supérieurs aux coûts de verrouillage dans une solution sous-optimale.

Technologies génériques et investissements complémentaires

Certaines technologies dites génériques, comme l’électricité, l’informatique ou potentiellement l’intelligence artificielle, peuvent transformer de nombreux secteurs. Leur effet exige souvent des innovations complémentaires dans l’organisation, les compétences et les équipements.

Une entreprise qui achète un outil d’IA sans restructurer ses flux documentaires, la gouvernance des données et le contrôle humain peut gagner peu. Une autre qui redessine complètement son processus peut obtenir des gains beaucoup plus importants avec le même logiciel.

Les statistiques doivent donc suivre adoption, usages, capital complémentaire et changements organisationnels. Le nombre de licences ou de comptes ouverts mesure seulement l’accès, pas la transformation.

Cette logique explique le décalage possible entre enthousiasme technologique et productivité mesurée. Les effets diffus peuvent apparaître plusieurs années après le début de l’investissement, une fois les complémentarités installées.

Complémentarités et actifs spécifiques

Une innovation produit souvent sa valeur avec des actifs complémentaires : réseau commercial, données, certifications, maintenance, réputation ou capacité industrielle. L’inventeur ne capte donc pas automatiquement l’essentiel de la valeur créée.

Source primaire au point d’usage : Eurostat — innovation statistics

Une technologie médicale peut être excellente mais inutilisable sans protocole clinique, formation et infrastructure. Un logiciel industriel peut rester marginal sans intégration aux machines et aux systèmes de sécurité.

L’analyse stratégique doit identifier qui contrôle les actifs complémentaires, car cela influence la répartition des profits et le pouvoir de négociation. Cette question aide aussi à comprendre pourquoi certaines startups doivent s’allier à de grands groupes.

Une politique d’innovation limitée au laboratoire peut échouer si elle ignore le passage à l’échelle. Le financement de la démonstration, de l’industrialisation et de la certification peut être aussi décisif que le financement de la recherche initiale.

Licences, standards ouverts et diffusion

La manière dont la propriété intellectuelle est licenciée influence la vitesse de diffusion. Des licences exclusives peuvent soutenir l’investissement d’un acteur, tandis que des licences plus ouvertes peuvent favoriser l’adoption et la création de compléments par un écosystème plus large.

Les standards techniques comportant des brevets essentiels exigent souvent des règles de licence pour éviter qu’un détenteur bloque l’ensemble du système. À l’inverse, des conditions trop faibles peuvent réduire l’incitation à contribuer à la technologie.

Le bon diagnostic distingue accès à la spécification, prix de licence, capacité d’implémentation et risques juridiques. Une norme “ouverte” sur le papier peut rester difficile d’accès si la conformité exige des ressources très élevées.

La diffusion optimale n’est donc pas toujours la gratuité totale ni l’exclusivité maximale. Elle dépend du besoin d’investissement initial, des externalités de réseau et de la concurrence entre solutions.

Open source, science ouverte et communs de connaissance

Les modèles ouverts de logiciel ou de science peuvent accélérer la diffusion en réduisant le coût d’accès au code, aux données ou aux résultats. Ils déplacent toutefois le problème économique vers le financement de la maintenance, de la qualité et des infrastructures communes.

Un logiciel open source critique peut être utilisé par des milliers d’organisations tout en dépendant d’une petite équipe de mainteneurs. La valeur créée collectivement peut donc être très supérieure aux ressources consacrées à sa robustesse.

L’évaluation doit regarder nombre de contributeurs, dépendances, gouvernance, sécurité et capacité à financer les fonctions moins visibles. Pour la science ouverte, qualité des métadonnées et reproductibilité sont aussi importantes que l’accès brut aux fichiers.

Présenter l’ouverture comme absence de coût est une erreur. Elle peut réduire les coûts de licence et augmenter la concurrence, mais elle nécessite des modèles durables de financement et de responsabilité.

Laboratoires d’entreprise et recherche de long terme

Certaines grandes entreprises financent de la recherche au-delà des besoins immédiats de leurs produits afin de préparer des technologies futures ou d’entretenir une base de compétences. Cette stratégie peut produire des externalités importantes lorsque les connaissances circulent vers d’autres acteurs.

La pression des résultats trimestriels peut toutefois pousser à réduire les projets dont le rendement est lointain. Les partenariats avec universités et organismes publics peuvent alors partager coûts et risques, à condition de clarifier propriété intellectuelle et publication.

Pour mesurer l’effort, on observe dépenses, personnels, collaborations, publications, brevets et surtout trajectoires des technologies jusqu’aux usages. Une dépense élevée ne garantit pas la qualité de la recherche.

La gouvernance doit protéger une partie de l’exploration tout en maintenant des critères d’apprentissage. Sans cette discipline, un laboratoire peut devenir soit trop court-termiste, soit déconnecté des capacités réelles de l’organisation.

Startups, incumbents et division du travail innovant

Les startups explorent souvent des niches risquées avec des équipes concentrées, tandis que les entreprises établies disposent de clients, de capital, d’infrastructures et de capacités de production. Les deux formes peuvent être complémentaires plutôt qu’opposées.

Une startup peut développer une technologie puis être rachetée pour accéder rapidement à la distribution mondiale. Cela peut accélérer la diffusion, mais une concentration excessive des acquisitions peut aussi réduire la concurrence future si les innovations sont neutralisées.

L’analyse suit taux de création, survie, croissance, acquisitions et concentration des acheteurs. Il faut distinguer sorties créatrices de valeur et stratégies d’élimination de concurrents potentiels.

Une politique qui ne soutient que les startups peut ignorer la diffusion dans le tissu existant ; une politique qui ne soutient que les grands groupes peut étouffer l’expérimentation. L’écosystème a besoin de plusieurs types d’acteurs.

Réglementation et innovation : contrainte ou signal de marché

Une réglementation peut augmenter les coûts, mais elle peut aussi créer un marché pour de nouvelles solutions lorsqu’elle fixe un objectif clair et technologiquement neutre. L’effet dépend de la stabilité, de la proportionnalité et de la capacité des entreprises à expérimenter.

Une norme environnementale progressive peut susciter des investissements de réduction d’émissions. Une règle changeant chaque année ou imposant une technologie précise peut au contraire décourager les alternatives et accroître le risque d’investissement.

L’évaluation compare coûts de conformité, entrées de nouveaux acteurs, dépôts de brevets, adoption de technologies et résultats environnementaux ou sociaux. Le simple nombre de pages réglementaires ne mesure pas la qualité du cadre.

Opposer réglementation et innovation de manière absolue est donc trompeur. La vraie question porte sur la conception de la règle, la prévisibilité et les incitations qu’elle crée pour chercher de meilleures solutions.

Cybersécurité, confiance et adoption technologique

Une technologie peut être techniquement performante mais peu adoptée si les utilisateurs craignent la perte de données, l’indisponibilité ou la dépendance à un fournisseur. La confiance devient alors un actif complémentaire de l’innovation.

Dans le cloud, l’IA ou les objets connectés, un incident majeur peut ralentir l’adoption d’un secteur entier. À l’inverse, des certifications crédibles, une architecture robuste et des mécanismes de réversibilité peuvent réduire le risque perçu.

Le suivi doit inclure incidents, coûts de sécurité, temps de reprise, vulnérabilités et dépendances critiques, pas seulement performances fonctionnelles. L’innovation utile intègre la sécurité dès la conception.

Réduire la cybersécurité à un coût de conformité peut donc être une erreur stratégique. Lorsqu’elle renforce la confiance et la résilience, elle devient un facteur de diffusion et de productivité à long terme.

Tableau de bord de diffusion technologique

Un tableau de bord utile combine plusieurs étapes : connaissance de la technologie, expérimentation, adoption, usage régulier, intégration profonde et résultat mesuré. Cette chaîne évite de traiter un simple achat comme une transformation accomplie.

Pour l’IA en entreprise, par exemple, on peut suivre part des salariés ayant accès à l’outil, tâches réellement transformées, temps gagné, erreurs, coûts d’infrastructure et nouveaux produits créés. Chaque indicateur raconte une étape différente.

Les ventilations par taille d’entreprise, secteur et territoire sont essentielles. Une moyenne nationale élevée peut cacher un écart croissant entre grands groupes et PME, ou entre métropoles et territoires moins dotés.

Cette approche aide le décideur à choisir le bon levier : sensibilisation lorsque la connaissance manque, financement lorsqu’un investissement bloque, formation lorsque les compétences manquent, standardisation lorsque l’interopérabilité freine la diffusion.

Audit final d’une politique de R&D et d’innovation

Un audit complet commence par l’objectif : augmenter la recherche, provoquer davantage d’innovation, accélérer la diffusion ou améliorer la productivité. Ces objectifs ne sont pas interchangeables et n’appellent pas les mêmes indicateurs.

Il faut ensuite reconstituer la chaîne d’instruments : crédit d’impôt, subventions, commandes, infrastructures, formation et réglementation. Les chevauchements peuvent créer des doubles financements ou rendre impossible l’identification de l’effet propre de chaque dispositif.

La mesure d’impact distingue ce qui aurait eu lieu sans aide, les projets additionnels, les retombées diffusées à d’autres acteurs et les coûts administratifs. Les résultats sont examinés sur plusieurs horizons parce que la recherche met souvent du temps à produire des applications.

Enfin, une politique crédible publie aussi les échecs et les révisions. Une innovation publique ne devrait pas être jugée sur la capacité à maintenir chaque programme, mais sur la capacité à apprendre, arrêter ce qui ne fonctionne pas et réallouer rapidement les ressources.

Dossiers appliqués et cas pratiques

Les dossiers d’innovation qui suivent portent sur la chaîne complète allant de la connaissance au déploiement. Ils demandent de séparer invention, adoption et diffusion, puis d’identifier les compléments nécessaires — compétences, logiciels, organisation, financement ou standards. Un projet ne doit pas être qualifié de succès économique uniquement parce qu’une technologie existe ou qu’un brevet a été déposé.

Cas 1 — Crédit d’impôt et projet qui aurait existé de toute façon

Une entreprise bénéficie d’un crédit d’impôt pour un programme de R&D qu’elle avait déjà décidé avant la mesure. Le soutien réduit son coût mais ne crée pas nécessairement de recherche supplémentaire. Le cas pose la question de l’additionalité. On compare dépenses de l’entreprise avant et après, puis on cherche un groupe comparable moins exposé à la mesure. Si les bénéficiaires augmentent davantage leur R&D, le signal est intéressant mais doit encore être corrigé des différences initiales. Le cas montre pourquoi le coût budgétaire et le montant de R&D “soutenu” ne sont pas la même chose que la R&D additionnelle. Il conduit aussi à distinguer effets sur volume, localisation, emplois de chercheurs et éventuels comportements d’optimisation de l’assiette.

Cas 2 — Technologie disponible, mais organisation non prête

Une PME achète un logiciel avancé d’automatisation. Six mois plus tard, les gains sont faibles. L’audit révèle des données mal structurées, des procédures contradictoires et des salariés non formés. Le cas montre qu’une technologie ne produit pas sa productivité indépendamment de l’organisation. On calcule le coût total en ajoutant intégration, nettoyage de données, formation et contrôle qualité. Un second scénario finance ces compléments et mesure le temps réellement économisé. L’écart entre les deux scénarios représente la valeur des actifs complémentaires. Cet exemple explique pourquoi les statistiques d’adoption brutes peuvent surestimer la transformation. Une entreprise peut “avoir” une technologie sans l’avoir incorporée à ses routines productives. La diffusion se mesure donc par l’usage et les résultats, pas uniquement par la présence d’un outil.

Cas 3 — Brevet très cité, faible succès commercial

Une invention reçoit beaucoup de citations de brevets mais son produit commercial échoue. Le cas distingue valeur de connaissance et valeur commerciale. Les citations peuvent signaler une influence technologique, tandis que l’échec du produit peut venir du prix, de la distribution, du timing ou d’actifs complémentaires insuffisants. On suit licence, publications, usages dans d’autres secteurs et revenus directs. Le résultat peut montrer une forte externalité de connaissance malgré un faible rendement privé pour l’inventeur. Cette situation justifie de ne pas évaluer une politique de recherche uniquement par les ventes du premier produit. Elle rappelle aussi qu’une forte activité de brevet ne garantit pas une industrie compétitive : la capture de valeur dépend des capacités d’industrialisation, de financement et de mise sur le marché.

Cas 4 — Standard ouvert contre écosystème propriétaire

Deux technologies concurrentes apparaissent. La première publie un standard ouvert permettant à de nombreux fournisseurs de développer des produits compatibles ; la seconde est plus intégrée mais contrôlée par un seul acteur. Le cas suit prix, vitesse d’adoption, nombre de compléments et coûts de changement. L’écosystème ouvert peut croître rapidement grâce aux effets de réseau, tandis que le système propriétaire peut offrir une meilleure coordination initiale. Il n’existe pas de conclusion automatique. Le résultat dépend de la qualité, de la gouvernance et de la capacité à éviter la fragmentation. L’exercice aide à comprendre que “ouvert” et “fermé” sont des architectures économiques, pas seulement des positions idéologiques. Les droits de propriété, les interfaces et la portabilité déterminent la dynamique de concurrence et d’innovation.

Cas 5 — Achat public orienté résultat

Une administration veut réduire de moitié le délai de traitement d’un dossier. Au lieu d’imposer un logiciel précis, elle formule un objectif mesurable et ouvre la compétition entre plusieurs solutions. Le cas compare procédure classique et achat orienté résultat. Dans le second, les fournisseurs peuvent proposer automatisation, simplification des formulaires ou réorganisation. L’évaluation porte sur délai final, qualité, sécurité, coût total et réversibilité. La puissance publique devient un acheteur d’innovation sans prétendre connaître à l’avance la technologie optimale. Le risque est toutefois de définir un indicateur trop étroit que les fournisseurs optimisent au détriment d’autres dimensions. Le cahier des charges doit donc inclure contraintes de qualité et mécanismes de test. Cette méthode transforme la commande publique en outil d’apprentissage plutôt qu’en simple acquisition de produit.

Cas 6 — Cluster subventionné sans masse critique

Un territoire crée un label de cluster, finance un bâtiment et attire quelques entreprises, mais les collaborations restent faibles. Le cas vérifie si les ingrédients économiques existent réellement : compétences spécialisées, universités, fournisseurs, capital, mobilité des personnes et projets communs. Sans ces liens, la proximité géographique ne suffit pas. On compare création d’emplois qualifiés, collaborations de R&D et mobilité avant et après. Le coût immobilier et les subventions sont intégrés au calcul. Un cluster réussi peut produire des externalités locales, mais un cluster artificiel peut déplacer des activités sans créer de connaissance supplémentaire. L’exemple illustre le problème de sélection : les régions déjà dynamiques obtiennent souvent de meilleurs résultats, ce qui peut donner l’impression que le label lui-même a causé la performance.

Cas 7 — Open source critique sous-financé

Un composant open source est utilisé dans des milliers de systèmes publics et privés, mais sa maintenance repose sur quelques développeurs. Une vulnérabilité grave révèle l’écart entre valeur créée et ressources consacrées à la robustesse. Le cas calcule le coût collectif potentiel d’une panne et le compare au financement nécessaire pour audits, tests et maintenance. Le logiciel est non rival mais sa production de qualité n’est pas gratuite. Un mécanisme de financement mutualisé peut donc être justifié sans fermer le code. L’exemple montre que l’ouverture déplace la question économique : au lieu de payer une licence exclusive, les utilisateurs doivent organiser la contribution à un commun. La gouvernance, la sécurité et la continuité deviennent des éléments centraux de la politique d’innovation numérique.

Cas 8 — Intelligence artificielle et délai avant productivité

Une entreprise déploie des assistants d’IA dans plusieurs métiers. Les premiers mois, les coûts augmentent à cause de la formation, de la sécurité et de l’intégration. Après réorganisation des processus, certains gains apparaissent. Le cas suit temps par tâche, qualité, taux d’erreur, coût informatique, supervision humaine et nouveaux services. Une simple enquête demandant “utilisez-vous l’IA ?” ne permet pas de mesurer l’impact. Le scénario montre aussi que les gains peuvent être très hétérogènes : certaines tâches sont accélérées, d’autres nécessitent davantage de contrôle. Cette hétérogénéité explique pourquoi une technologie très diffusée peut mettre du temps à apparaître dans la productivité agrégée. Le bon indicateur relie usage à résultat, et non à l’intensité du discours technologique.

Cas 9 — Arrêter un projet de recherche sans considérer l’argent perdu

Un programme expérimental a consommé la moitié de son budget mais les tests montrent que la voie choisie a peu de chances d’aboutir. Le biais de coût irrécupérable pousse à continuer pour “ne pas perdre” ce qui a déjà été dépensé. Le cas compare deux décisions : poursuivre ou arrêter et réallouer les moyens vers une piste plus prometteuse. Les dépenses passées ne doivent pas entrer dans le choix futur sauf si elles modifient les probabilités ou les coûts restants. L’apprentissage produit par l’échec doit cependant être documenté et partagé lorsque c’est possible. Une bonne gouvernance de l’innovation valorise donc les décisions d’arrêt précoces lorsqu’elles évitent de plus grandes pertes. Elle juge le portefeuille sur sa capacité d’apprentissage et de sélection, pas sur un taux artificiel de projets “réussis”.

Cas 10 — Construire un tableau de bord national d’innovation

Le cas final rassemble recherche, innovation et diffusion. Le tableau de bord suit dépenses de R&D, chercheurs, collaborations, créations d’entreprises innovantes, brevets avec prudence, adoption technologique par taille d’entreprise, compétences, investissement immatériel et productivité. Chaque indicateur est daté et relié à une étape de la chaîne. Une hausse de R&D sans diffusion devient visible ; une forte adoption sans gain de productivité déclenche une question sur l’usage ou la mesure. Le tableau distingue également inputs, outputs et impacts afin d’éviter de présenter des dépenses comme des résultats. Les comparaisons internationales sont accompagnées de définitions homogènes. L’objectif n’est pas d’obtenir un score unique de “puissance innovante”, mais de montrer où la chaîne fonctionne, où elle ralentit et quel type de politique correspond au problème identifié.

Cas 11 — Subvention d’adoption pour les PME

Un programme subventionne l’achat d’outils numériques par les petites entreprises. Le taux d’équipement augmente rapidement, mais la productivité ne suit pas partout. Le cas distingue acquisition, usage et transformation des processus. Les entreprises qui combinent l’aide avec formation et conseil organisationnel obtiennent de meilleurs résultats. Pour évaluer l’additionalité, on compare bénéficiaires proches du seuil d’éligibilité et entreprises non aidées, avec prudence sur la sélection. L’exercice montre que la politique peut réussir sur l’adoption tout en échouant sur l’impact final. Il faut donc publier plusieurs étapes de la chaîne et éviter de présenter le nombre de licences financées comme preuve d’un gain de compétitivité.

Cas 12 — Consortium de recherche et partage de propriété intellectuelle

Plusieurs entreprises et un laboratoire public financent ensemble une technologie précompétitive. Le succès scientifique est bon, mais un conflit apparaît sur la propriété des résultats. Le cas montre que la gouvernance contractuelle est un actif complémentaire de la recherche. Des règles définies à l’avance sur licences, publication et champs d’usage réduisent les coûts de négociation après la découverte. Une exclusivité trop large peut bloquer la diffusion ; une ouverture totale peut réduire l’incitation de certains partenaires à financer. L’exercice consiste à proposer une architecture équilibrée avec droits différenciés et obligations de diffusion. Il illustre l’idée qu’une innovation collective peut échouer économiquement malgré une réussite scientifique si les règles de valorisation sont mal conçues.

Cas 13 — Technologie verte et courbe d’apprentissage

Une technologie de décarbonation est initialement plus coûteuse que l’alternative fossile, mais son coût diminue à mesure que les capacités installées augmentent. Le cas estime un taux d’apprentissage et simule plusieurs volumes cumulés. On ajoute ensuite le prix du carbone et les coûts de réseau pour comparer le coût système, pas seulement le coût de l’équipement. Le soutien public peut accélérer l’apprentissage, mais un pari trop exclusif risque d’enfermer le pays dans une technologie qui progresse moins vite que prévu. L’exercice demande donc une stratégie par étapes avec critères de révision. Il montre comment externalité climatique, apprentissage et incertitude technologique interagissent dans une politique d’innovation.

Cas 14 — Dépendance à un fournisseur technologique unique

Une administration déploie un outil propriétaire dans tous ses services. L’intégration est rapide, mais le coût de sortie augmente chaque année car formats, données et compétences deviennent spécifiques. Le cas mesure le lock-in par les coûts de migration, la portabilité des données et le nombre de fournisseurs capables de reprendre le service. On simule ensuite une hausse de prix ou une interruption. L’innovation initiale peut avoir produit des gains, mais l’absence d’interopérabilité crée un risque stratégique. L’exercice montre pourquoi les contrats doivent prévoir réversibilité, formats ouverts et documentation dès le départ. Une politique numérique ne peut pas être évaluée uniquement par la vitesse de déploiement ; la capacité future de changer de solution fait partie de la valeur.

Cas 15 — Diffusion de l’IA dans une chaîne industrielle

Un grand donneur d’ordre déploie une IA de prévision et demande à ses fournisseurs de partager des données standardisées. Les grands fournisseurs s’adaptent facilement, les plus petits rencontrent des coûts élevés. Le cas mesure gains de stock, précision des prévisions et coût de mise en conformité. Une aide ciblée aux petites entreprises peut éviter que l’innovation ne renforce uniquement la concentration. On vérifie aussi la gouvernance des données et les risques de dépendance commerciale. L’exercice montre que la diffusion technologique peut redistribuer le pouvoir au sein d’une chaîne de valeur. Une innovation efficace à l’échelle du système doit donc être jugée aussi sur l’accès aux interfaces, la sécurité et la capacité des acteurs à négocier.

Cas 16 — Formation des chercheurs et fuite des compétences

Un pays finance beaucoup de doctorants mais une part importante rejoint ensuite des entreprises ou laboratoires étrangers. Le cas évite deux réactions simplistes. La mobilité peut constituer une perte si l’écosystème domestique ne propose aucun débouché, mais elle peut aussi créer des réseaux internationaux et des retours de connaissances. On suit lieux d’emploi, collaborations, retours et créations d’entreprises. Le financement de la formation doit être relié à l’attractivité des carrières, aux infrastructures et au capital disponible. L’exercice montre que compter uniquement le nombre de chercheurs formés ne mesure pas la capacité d’innovation nationale. La circulation des personnes est un mécanisme de diffusion qu’il faut comprendre avant de parler automatiquement de “fuite”.

Cas 17 — Mesure d’innovation biaisée par les grandes entreprises

Une statistique nationale montre une hausse de la dépense de R&D, mais celle-ci vient presque entièrement de quelques grands groupes. Les PME stagnent. Le cas compare moyenne, médiane et distribution par taille, puis examine les secteurs. La hausse agrégée peut être excellente pour la frontière technologique tout en laissant la diffusion générale inchangée. Une politique unique de soutien supplémentaire aux grands groupes ne répondrait pas nécessairement au problème. L’exercice invite à construire deux tableaux de bord : frontière et diffusion. Il rappelle qu’un indicateur national peut masquer une concentration des capacités innovantes et que la stratégie publique doit distinguer soutien à l’excellence et élargissement de la base productive.

Cas 18 — Évaluation dix ans après une politique de mission

Une politique de mission a financé plusieurs technologies sur dix ans. L’audit final ne se contente pas de compter les subventions ou brevets. Il examine coûts, capacités industrielles créées, diffusion, dépendances importées, émissions évitées, entreprises nouvelles et technologies abandonnées. On compare le scénario observé à une trajectoire contrefactuelle plausible, tout en reconnaissant l’incertitude. Certains projets ont échoué mais fourni des connaissances utiles ; d’autres ont survécu grâce aux aides sans devenir compétitifs. Le cas montre qu’une mission doit être jugée comme un portefeuille évolutif, avec décisions d’arrêt et de réallocation. La transparence sur les échecs est une condition d’apprentissage, pas la preuve que toute la politique était mauvaise.

Synthèse : contrôler les résultats de ce cours

• L’indicateur mesure-t-il un effort de R&D, une invention, une adoption effective ou un gain économique après diffusion ?
• Le périmètre distingue-t-il recherche publique, recherche privée, cofinancements et dépenses d’investissement complémentaires ?
• Le délai entre découverte, expérimentation, adoption et productivité est-il suffisamment long pour observer le mécanisme étudié ?
• Le groupe de comparaison permet-il de distinguer l’effet de l’innovation d’une tendance sectorielle déjà engagée ?
• Les données de brevets, dépenses et performances sont-elles rapprochées sans supposer qu’un seul indicateur résume toute l’innovation ?

Une évaluation d’innovation devient crédible lorsque l’on sait qui adopte, à quelle date, avec quels investissements complémentaires, quel indicateur de performance et quel groupe de comparaison. Sans cette chaîne, on mesure souvent une dépense ou une intention plutôt qu’une innovation réellement diffusée. La conclusion doit rester proportionnée au niveau de preuve disponible.

Conclusion opérationnelle

La conclusion de ce cours d’innovation repose sur une discipline de traçage. Une dépense de R&D, un brevet ou un prototype n’ont de valeur économique que si l’on suit ensuite adoption, diffusion, complémentarités organisationnelles et résultats observables. Le lecteur doit être capable de documenter le passage entre effort technologique et transformation effective des performances. Cette méthode évite de confondre annonce d’innovation et impact économique démontré.

Repères finaux pour la vérification

Une stratégie d’innovation complète doit donc distinguer recherche, invention, démonstration, industrialisation, adoption et diffusion. Chaque étape possède ses propres blocages et ses propres instruments. Une hausse de budget en amont ne résout pas automatiquement un problème de compétences ou de passage à l’échelle situé beaucoup plus loin dans la chaîne.

Le lecteur peut construire un tableau simple avec quatre colonnes : problème identifié, mécanisme supposé, instrument public et indicateur de résultat. Si une politique ne remplit pas clairement ces quatre cases, son évaluation future sera très difficile et son succès pourra être revendiqué sans preuve robuste.

Enfin, la diffusion mérite autant d’attention que l’invention. Une économie peut disposer d’excellents laboratoires et pourtant obtenir peu de gains agrégés si les entreprises ordinaires n’adoptent pas les nouvelles méthodes. L’enjeu devient alors la capacité d’absorption, l’organisation, la formation et le financement de la transformation.

Cette grille aide aussi à lire les politiques d’intelligence artificielle : compter les modèles, les brevets ou les startups ne suffit pas. Il faut mesurer les usages réels, les gains de qualité, les coûts de sécurité et la diffusion entre tailles d’entreprises et territoires.

Audit transversal : relier théorie, données et décision

La mise en pratique consiste à suivre une innovation dans le temps : dépenses de recherche, prototype, première adoption, part d’utilisateurs et résultat économique observé. Les cas suivants montrent pourquoi la valeur d’une politique dépend de l’additionalité et de la diffusion, pas uniquement de l’existence d’une subvention ou d’un projet technologique.

Source primaire au point d’usage : OCDE — Frascati Manual

Cas transversal : invention, adoption et diffusion sont trois étapes différentes

Une technologie peut être inventée sans devenir rapidement productive à grande échelle. Entre le laboratoire et la diffusion se trouvent des investissements complémentaires, des compétences, des standards, des infrastructures et des changements d'organisation. Cette séquence explique pourquoi l'effet macroéconomique d'une innovation peut apparaître longtemps après son apparition technique. Une entreprise pionnière peut gagner immédiatement en efficacité, alors que le tissu productif dans son ensemble reste presque inchangé tant que les fournisseurs, les PME, les administrations ou les travailleurs n'ont pas adapté leurs pratiques. L'analyse doit donc distinguer le stock de connaissances disponibles du taux réel d'adoption et de la qualité de l'usage. Ce cadre est particulièrement utile pour l'intelligence artificielle : compter les modèles, les brevets ou les dépenses informatiques ne suffit pas à mesurer le gain de productivité. Il faut observer les processus transformés et les résultats obtenus.

Méthode de contrôle : mesurer l'innovation sans confondre dépenses et résultats

La dépense de recherche et développement mesure un effort, pas automatiquement un succès. Les brevets, publications et enquêtes d'innovation apportent d'autres signaux, mais chacun possède ses biais. Certaines innovations ne sont pas brevetées, certaines dépenses échouent, et certaines technologies créées ailleurs peuvent générer d'importants gains grâce à leur diffusion locale. Pour construire un tableau de bord crédible, il faut donc combiner plusieurs familles d'indicateurs : ressources engagées, production de connaissances, adoption, investissement complémentaire, compétences et effets observés sur la productivité ou la qualité. L'analyse gagne aussi à distinguer innovation de produit, de procédé et d'organisation, car leurs bénéfices ne se matérialisent pas de la même manière. Cette approche évite de classer les pays ou les entreprises sur un seul indicateur spectaculaire et permet de suivre la chaîne complète qui transforme une idée en capacité économique réelle.

La clôture d’un audit d’innovation doit archiver la population étudiée, la période d’adoption, les dépenses engagées, les indicateurs de diffusion et les résultats observés. L’objectif n’est pas de célébrer une technologie, mais de vérifier si elle est réellement utilisée, par qui, avec quelles compétences et avec quel effet mesurable. Cette discipline sépare communication technologique et transformation économique effective.