• Langue : Français, Anglais
• Discipline : Sciences économiques
• Identifiant : 2026ULILA001
• Type de thèse : Doctorat
• Date de soutenance : 30/01/2026

Résumé en langue originale

Cette thèse examine l'intégration de l'intelligence artificielle (IA) dans les environnements logiciels business-to-business (B2B) au moyen d'un dispositif de recherche multi-méthodes mené au sein d'une entreprise européenne de logiciels B2B. Motivée par le rôle stratégique croissant de l'IA dans la transformation des processus décisionnels fondés sur les données et des modes de coordination organisationnelle en contexte B2B, cette recherche analyse comment les applications d'IA créent de la valeur, rencontrent des contraintes analytiques et organisationnelles, et s'intègrent dans les pratiques des entreprises. Pour structurer cette investigation, la thèse développe un cadre analytique composé de trois dimensions interreliées : les applications, les défis et la mise en œuvre.Ces trois dimensions sont examinées à travers une combinaison d'études quantitatives et qualitatives réalisées dans un environnement logiciel B2B. Dans la dimension des applications, la recherche montre comment les données comportementales et interactionnelles peuvent être transformées en résultats analytiques éclairant les décisions d'acquisition et de rétention des clients. Les études démontrent que les schémas d'usage, les trajectoires d'engagement et les comportements d'essai peuvent être modélisés de manière à élargir la base informationnelle de l'action managériale. Dans la dimension des défis, les analyses révèlent les conditions analytiques et organisationnelles qui influencent la faisabilité et l'utilité des applications d'IA. Celles-ci incluent l'effort nécessaire pour structurer des données hétérogènes, la nécessité de préserver l'interprétabilité lorsque les modèles deviennent plus complexes, ainsi que les contraintes générées par les structures de coordination et de gouvernance existantes. La dimension de mise en œuvre retrace le processus organisationnel par lequel les outils analytiques sont conçus, développés et intégrés dans les pratiques. Les résultats montrent que ce processus se déploie en phases successives de définition des données, de spécification du modèle et d'intégration de l'outil, façonnées par les interactions entre experts techniques, managers et parties prenantes organisationnelles.Ensemble, les trois études offrent une base empirique intégrée permettant de comprendre comment l'IA s'ancre au sein des organisations B2B. Les analyses montrent que les applications fondées sur les données évoluent à travers des processus qui transforment les informations comportementales en connaissances actionnables, permettant aux entreprises d'anticiper les besoins des clients et de soutenir des décisions éclairées. Les résultats démontrent également que les contraintes techniques et organisationnelles façonnent conjointement la faisabilité et l'impact des initiatives d'IA, la réussite de leur mise en œuvre dépendant d'une articulation durable entre infrastructures de données, modèles analytiques, rôles managériaux et routines opérationnelles. En synthétisant ces éléments, la thèse propose une perspective multi-niveaux sur l'intégration de l'IA en contexte B2B, montrant que l'IA contribue à la performance des entreprises par trois mécanismes récursifs, création de valeur, préservation de la valeur et institutionnalisation de la valeur, qui se déploient à différents stades du cycle de vie client et organisationnel. Pris ensemble, ces mécanismes montrent que la valeur des intégrations d'IA en contexte B2B émerge de l'alignement et de la co-évolution continus des actifs de données, des configurations analytiques et des pratiques organisationnelles, grâce auxquels les systèmes prédictifs deviennent à la fois opérationnellement pertinents et institutionnellement pérennes.

Résumé traduit

This dissertation examines the integration of artificial intelligence (AI) in business-to-business (B2B) software environments through a multi-method research design conducted within a B2B European software company. Motivated by the growing strategic role of AI in reshaping data-driven decision processes and organizational coordination in B2B environments, this research investigates how AI applications create business value, encounter analytical and organizational constraints, and become embedded in organizational practice. To guide this purpose, the dissertation develops an analytical framework comprising three interrelated dimensions, applications, challenges, and implementation.The three dimensions are examined through a combination of quantitative and qualitative studies conducted within a B2B software environment. Within the applications dimension, the research shows how behavioral and interaction data can be transformed into analytical outputs that inform customer acquisition and retention decisions. The studies demonstrate how usage patterns, engagement trajectories, and trial usage can be modeled in ways that extend the informational basis of managerial action. In the challenges dimension, the analyses reveal both analytical and organizational conditions that shape the feasibility and usefulness of AI applications. These include the effort required to structure heterogeneous data, the need to maintain interpretability when working with more complex analytical designs, and the constraints created by existing coordination and governance structures. The implementation dimension traces the organizational process through which analytical tools are conceived, designed, and brought into use. The findings show how implementation unfolds through successive phases of data definition, model specification, and tool integration, shaped by the interactions between technical experts, managers, and relevant organizational stakeholders.Together, the three studies offer an integrated empirical foundation for understanding how AI becomes embedded within B2B organizations. The analyses show that data-driven applications evolve through processes that translate behavioral information into actionable insights, enabling firms to anticipate customer needs and support informed decision-making. The findings further demonstrate that technical and organizational constraints together shape the feasibility and impact of AI initiatives, as successful implementation depends on sustained alignment among data infrastructures, analytical models, managerial roles, and operational routines. Synthesizing these insights, the dissertation advances a multi-level perspective on AI integration in B2B contexts, demonstrating that AI contributes to business performance through three recursive mechanisms, value creation, value preservation, and value institutionalization, that unfold across different stages of the customer and organizational lifecycle. Taken together, these mechanisms show that the value of AI integrations in B2B contexts emerges from the ongoing alignment and co-evolution of data assets, analytical configurations, and organizational practices, through which predictive systems become operationally relevant and institutionally sustained.