Utilisation de l'IA au sein des conseils d'administration québécois : impact potentiel sur le recrutement et la rétention des administrateurs
Bibliographic record
Abstract
L'intelligence artificielle (IA) pourrait transformer profondément la manière dont les organisations fonctionnent et prennent des décisions. Puisque les conseils d’administration (CA) sont responsables de définir les orientations stratégiques des organisations, ils jouent un rôle majeur dans la décision d’adopter ou non des technologies d’IA au sein de ces dernières. D’autre part, les CA seront eux-mêmes de plus en plus amenés à utiliser des outils basés sur l’IA pour améliorer leur propre fonctionnement, notamment en ce qui concerne le développement de la stratégie d’affaires, la planification de la relève pour la haute direction et l’identification des risques émergents. Malgré les avantages que l’IA pourrait apporter aux CA, son introduction comporte plusieurs risques importants. Par exemple, une mauvaise décision suggérée par l’IA, causant des dommages ou entraînant le non-respect d’une loi, pourrait constituer un manquement aux obligations fiduciaires et de diligence raisonnable des administrateurs. Ces derniers devront être capables d’évaluer adéquatement les risques associés à l’utilisation de l’IA dans ce contexte. En examinant la familiarité des administrateurs avec l’IA et leur perception des risques associés, cette étude vise à mieux cerner l’impact potentiel de l’IA sur l’attractivité de la profession d’administrateur et la rétention des administrateurs qualifiés. Comme les outils d’IA spécifiquement conçus pour la prise de décision au sein des CA sont aujourd’hui quasi inexistants et que leurs cas d’utilisation potentiels ne sont pas encore bien compris par tous les administrateurs, nous avons conçu une approche méthodologique basée sur des scénarios hypothétiques que nous avons soumis à seize (16) administrateurs québécois. Un avatar simule des analyses réalisées par l’IA à partir de données fictives et présente des recommandations aux participants afin qu’ils puissent commenter des cas d’utilisation spécifiques. Des entrevues semi-dirigées ont permis d’explorer leurs perspectives sur le potentiel de l’IA pour la prise de décisions au sein des CA et de recueillir leurs points de vue sur l’impact éventuel de son utilisation sur la profession. Les résultats de cette étude qualitative interprétativiste démontrent que la grande majorité des participants estiment que l’IA, sous supervision humaine, permettrait d’améliorer la prise de décisions au sein des CA. Ils ont manifesté une bonne compréhension de plusieurs risques et limitations de l’IA, bien que d’autres risques importants semblent encore méconnus ou largement sous-estimés, dont ceux liés à l’utilisation, dans le contexte québécois, des outils IA développés ailleurs. Ils anticipent d'importants changements au niveau de la profession en cas d’adoption, mais les avis sont partagés quant à l’impact potentiel sur l'attractivité et la rétention. Pour certains, elle rendra la profession plus attrayante en allégeant la charge des administrateurs, ce qui facilitera l'accès à des candidats compétents mais disposant de peu de temps à investir. Pour d'autres, les candidats potentiels s'interrogeront davantage sur la valeur ajoutée qu'ils pourraient apporter au CA qui utilise déjà l’IA pour la prise de décision. Cette étude contribue aux champs de recherche en sciences de la gestion et des technologies de l’information en mettant en évidence la nature multiniveau des impacts qui alimentent l’évaluation des risques liés à l’IA : individuel (administrateur), de groupe (CA), organisationnel (parties prenantes internes), collectif (corps professionnel) et sociétal (parties prenantes externes), ainsi que la répercussion de leurs interactions sur l’avenir de la profession. Alors que la littérature actuelle portant sur la gouvernance avec l’IA ne tient pas suffisamment compte des défis spécifiques des CA québécois, cette étude permet de mieux outiller ces derniers afin d’assurer la rétention et l’attractivité de la profession. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : intelligence artificielle, gouvernance corporative, conseil d’administration, prise de décision
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 | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".