Disruption par la data et l'IA : identification de patrons d'innovation de business model grâce à la data dans le contexte d'innovation de business model

Data & AI-driven disruption : identification of data-driven solution business model patterns in the context of business model innovation

• Auteur / Autrice : Julian Schirmer
• Direction : Isabelle Bourdon
• Type : Thèse de doctorat
• Discipline(s) : Sciences de gestion et du management
• Date : Soutenance le 13/12/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Economie Gestion de Montpellier (2015-.... ; Montpellier)
• Partenaire(s) de recherche : Laboratoire : Montpellier Research in Management
• Jury : Président / Présidente : Régis Meissonier
• Jury : Examinateurs / Examinatrices : Laurence Lehmann-Ortega
• Jury : Rapporteurs / Rapporteuses : Thomas Houy, Lise Arena

Mots clés

Mots clés contrôlés

Technologie de rupture

Modèles d'entreprise

Intelligence artificielle

Mots clés libres

Données et IA

Innovation de business modèle

Patrons de business modèle

Disruption

Data & AI

Business model innovation

Business Model Patterns

Disruption

Résumé

Contexte de la Recherche:La durée de vie des entreprises diminue en raison des perturbations technologiques rapides, en particulier par les données et l'IA. Les entreprises en place cherchent à comprendre leurs risques de perturbation et les moyens d'innover grâce à ces technologies.Théorie:La théorie de l'innovation perturbatrice de Clayton Christensen discute comment les petites entreprises perturbent les acteurs établis grâce à la technologie. Pour survivre, les entreprises en place doivent adopter une approche ambidextre (O’Reilly & Tushman, 2016), équilibrant les opérations actuelles avec des innovations de modèle d'affaires. Bien que la recherche déchiffre les modèles d'affaires propulsés par la technologie (Amshoff et al., 2015), la littérature existante ne s'est pas concentrée sur les modèles spécifiques aux données & IA.Méthodologie:En utilisant une approche qualitative, cette thèse fusionne les paradigmes interprétativiste et constructiviste pour explorer les logiques d'innovation basées sur les données et proposer de nouveaux modèles d'affaires. La recherche utilise une approche de science du design dans l'entrepreneuriat (Seckler et al., 2021) à travers des études de cas (Yin, 2014) et développe des modèles d'affaires basés sur les données et l'IA. La méthodologie comprend :Triangulation des Données : Analyse de données de 1090 startups et 341 entreprises en place, s'étendant de 2019-2023 et de diverses géographies.Triangulation des Enquêteurs : Examen des modèles basés sur les données en agriculture et en assurance avec des experts du domaine.Triangulation Méthodologique : Fusion de recherches de bases de données avec des ateliers de conseil pour des études de cas exploratoires.Contributions :Primaire : Identification de 40 modèles d'affaires propulsés par les données.Secondaire : Analyse de la manière dont les avancées en données & IA influencent l'évolution des modèles d'affaires.Tertiaire : Création d'outils de modèles propulsés par les données pour les ateliers d'innovation.Méthodologique : Élaboration d'un schéma directeur pour identifier les modèles d'affaires émergents issus des avancées technologiques.

Research Context:Companies' lifespans are shrinking due to rapid technological disruptions, especially by data & AI. Incumbents aim to understand their disruption risks and ways to innovate through these technologies.Theory:Clayton Christensen's disruptive innovation theory discusses how smaller companies disrupt incumbents using technology. Incumbents must adopt an ambidextrous approach (O’Reilly & Tushman, 2016) for survival, balancing current operations with business model innovations. Although research deciphers tech-driven business model patterns (Amshoff et al., 2015), existing literature hasn't focused on patterns specific to data & AI.Methodology:Using a qualitative approach, this thesis merges interpretivist and constructivist paradigms to explore data-driven innovation logics and propose new business model patterns. The research employs a design science in entrepreneurship approach (Seckler et al., 2021) through case studies (Yin, 2014) and expands on solution business model patterns using data & AI. The methodology comprises:Data Triangulation: Analyzing data from 1090 startups and 341 incumbents, spanning 2019-2023 and various geographies.Investigator Triangulation: Examining data-driven models in agriculture and insurance with domain experts.Methodological Triangulation: Merging database searches with consulting workshops for explorative case studies.Contributions:Primary: Identification of 40 data-driven business model patterns.Secondary: Analysis of how data & AI advancements influence business model pattern evolution.Tertiary: Creating data-driven model pattern tools for innovation workshops.Methodological: Crafting a blueprint to identify emerging business model patterns from technological advancements.