Le management des équipes de R&D entre organisation et contrat d’incitation : l’essaimage stratégique
Bibliographic record
Abstract
Résumé L’innovation constitue un enjeu stratégique pour les entreprises de haute technologie qui justifie des investissements importants en R&D. L’optimisation de ces investissements relève surtout du management organisationnel de l’innovation qui conduit à l’élaboration de structures organisationnelles complexes dont l’efficacité reste limitée. Après avoir exploré les limites des postulats sous-jacents à cette approche, l’article montre que la relation entre les managers et les chercheurs est marquée par une asymétrie d’informations au profit de ces derniers. La problématique de la relation de délégation qui caractérise la relation entre l’employeur et le chercheur peut être résolue par l’essaimage stratégique. Cette pratique, qui permet à un chercheur de créer une entreprise à partir des travaux qu’il a réalisés dans le service de la R&D de sa maison mère, constitue une incitation économique et symbolique forte pour le chercheur à révéler ses informations et à valoriser financièrement sa recherche. L’essaimage stratégique est une pratique émergente dans les entreprises de haute technologie qui justifie la préférence méthodologique pour l’étude de cas approfondie de l’entreprise française la plus engagée dans cette démarche, à savoir France Télécom.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".