1. Introduction

1 Au cours des années 1980-1990 les concepts de gestion des connaissances et d’intelligence économique ont été progressivement formalisés, puis transposés en systèmes dédiés au début des années 2000 (Goria, 2006). Au-delà des débats concernant les définitions qui ont pu être proposées, ces systèmes peuvent être simplement considérés comme des dispositifs fondés sur la mise en œuvre partielle ou totale de pratiques d’intelligence économique ou de gestion des connaissances. Dans cet ordre d’idées, il y a une quinzaine d’années, lorsqu’ils étaient dits d’intelligence économique, ces systèmes avaient pour objectif de soutenir la stratégie d’une organisation et leur spectre de mise en application comprenait des services de : veille, protection du patrimoine informationnel, réseautage, influence et lobbying (Salles, 2003). Lorsqu’ils étaient dits de gestion des connaissances, ils avaient généralement pour objectif l’amélioration durable des performances et capacités d’innovation de l’organisation en s’appuyant sur des fonctions d’acquisition, de cartographie, de capitalisation, de partage et de création de connaissances (Ermine, 2003).

2 Tels que, jusqu’en 2004, ces systèmes ont rencontré un certain succès auprès des entreprises et autres institutions, sans que leur conception ne change radicalement. C’est alors que la révolution numérique du Web 2.0 a eu lieu (Legrenzi, 2010). Progressivement il est devenu de plus en plus important pour les organisations d’intégrer les réseaux sociaux dans leur stratégie (Montargot & Duyck, 2017). Ainsi, des réseaux sociaux d’entreprises ont été directement intégrés aux systèmes de gestion des connaissances et d’intelligence économique créant de la sorte une nouvelle génération de projets de knowledge management nommés KM 2.0 (Mounoud & Dudezert, 2008) et d’intelligence économique appelés IE 2.0 (Quoniam & Lucien, 2009). De même, depuis cette époque, l’intérêt des organisations pour le traitement de données hétérogènes et massives s’est plus que développé. On peut désormais considérer l’intégration du big data dans les systèmes des entreprises comme une évolution logique des systèmes d’intelligence économique seuls (Mercanti-Guérin, 2013) ou associés à un système à base de connaissances (Sybord, 2015). Par conséquent, il semble logique qu’il y ait eu aussi des changements dans les pratiques des usagers impactés par l’apparition de ces « nouvelles » technologies. Ces changements ont pu ensuite influencer la conception et les considérations des systèmes d’intelligence économique comme de gestion des connaissances (Carlier, 2013). Maintenant qu’une douzaine d’années s’est écoulée depuis l’émergence du Web 2.0 et la démocratisation des technologies qui lui sont associées, au-delà de la conception technique pure de ces systèmes, un certain nombre de questions peuvent être posées. L’une qui nous intéresse tout particulièrement concerne l’évolution du regard des chercheurs à propos de ces systèmes en tant qu’objet de recherche. Les considèrent-ils toujours de la même manière ? Comment leurs considérations ont-elles évolué ?

3 Nous proposons de donner dans cet article d’introduction quelques éléments de réponses à ces questions à l’aide d’une analyse bibliométrique des écrits scientifiques anglophones référencés dans les bases de données ACM Digital Library et Web of Science, complétée d’une présentation des articles de ce numéro. Cette analyse n’est pas fondée sur un traitement en profondeur des écrits produits à propos des systèmes de gestion des connaissances et d’intelligence économique, mais est centrée sur le vocabulaire employé dans les titres d’un ensemble de publications scientifiques s’y rapportant. Nous partons ainsi de l’hypothèse que si des éléments nouveaux en lien avec la recherche prennent suffisamment d’importance, alors ils finissent par être présents de manière récurrente dans les titres des articles, chapitres de livres et autres écrits scientifiques.

2. Éléments méthodologiques de l’analyse bibliométrique

4 Pour nous faire une idée de l’évolution de la pensée scientifique anglophone, il nous a semblé intéressant d’observer comment les titres des écrits scientifiques à propos des systèmes d’intelligence économique ou de gestion des connaissances avaient évolué. Pour ce faire, nous avons interrogé deux portails d’accès à des bases de données scientifiques : ACM Digital Library et Web of Science. Le premier portail référence plus particulièrement des actes de conférences en lien avec les technologies de l’information et le second des publications dans des revues scientifiques tous domaines confondus. A priori, leur complémentarité pour une couverture de la littérature scientifique anglophone nous a semblé suffisante pour une analyse de l’évolution des écrits portant sur les systèmes d’intelligence économique ou de gestion des connaissances. D’autres auteurs ont d’ailleurs utilisé cette complémentarité entre ces deux mêmes ressources informationnelles pour réaliser une approche bibliométrique centrée sur les systèmes d’information (Kosar et al, 2016). Nous avons aussi complété cette interrogation par celle des portails Cairn, Revue.org et Hal afin d’estimer de manière purement quantitative la production francophone par rapport à l’anglophone.

5 Nous avons limité notre analyse d’un corpus de textes anglophones à l’étude seule des variations de vocabulaire dans les titres des écrits scientifiques que nous obtiendrions en réponses. Ce corpus de titres a été constitué à partir de requêtes ciblant des écrits qui emploient deux expressions dont l’une se rapporte à celle de « système » et l’autre à celle d’« intelligence économique » ou de « gestion des connaissances ». Les champs interrogés ont été : title et topic [11] pour le portail Web of Science et, title et abstract pour le portail ACM Digital Library. Ainsi, nous avons choisi d’associer à l’expression « système », les expressions anglaises : system, device et platform [22]. Puis, nous avons traduit l’expression française « gestion des connaissances » par celle de knowledge management ; traduction qui en règle générale ne suscite pas de débat. Enfin, concernant l’expression « intelligence économique », nous avons choisi de l’associer à trois expressions anglophones pouvant y faire référence : competitive intelligence, strategic intelligence et business intelligence. Même si business intelligence est une expression ambigüe, car elle peut aussi se traduire en français par « analyse décisionnelle » (Gabillaud, 2009) ou celle d’« informatique décisionnelle » (Foucard, 2014), nous l’avons gardée, car certains auteurs l’emploient au sens d’« intelligence économique » (Gaidelis, 2013 ; Pluchart, 2008) et que le nombre de références obtenues avec cette seule expression, via les deux portails scientifiques, n’a pas été trop important (414 occurrences pour douze années), ce qui permettait de filtrer ensuite par lecture des résumés une partie au moins des résultats non pertinents (273 titres sur les 414 ont été ainsi retenus). Nous verrons d’ailleurs, dans ce même numéro, avec la traduction de l’article de (Erickson & Rothberg, 2018) que désormais la plupart des outils de business intelligence sont plus ou moins associés à des systèmes de gestion des connaissances. À ce titre, même si leur traduction n’est pas associée à celle d’intelligence économique, elle peut l’être toutefois à celle de gestion des connaissances, ce qui justifie l’intégration des articles employant ce terme dans le corpus analysé.

6 Pour ce qui concerne la partie technique de cette analyse quantitative, nous avons d’abord utilisé par la plateforme Endnote pour exporter et dédoublonner les données de ces deux portails (ACM Digital Library et Web of Sciences). Au total nous avons obtenu 2902 titres d’écrits scientifiques uniques à partir de nos requêtes. Pour traiter ces derniers, nous avons fait appel au logiciel Tropes et l’interface Iramuteq qui est une extension du logiciel d’analyses statistiques R. Iramuteq nous a permis d’étudier le corpus dans son intégralité en mettant en avant les rapprochements par cooccurrences des termes employés dans les titres. Après différents essais, nous avons développé notre analyse avec ce logiciel à partir de dendrogrammes à six classes générés à partir de notre corpus divisé en trois sous-corpus relatifs à trois périodes de temps : 2005-2008, 2009-2012 et 2013-2016. Ces dendrogrammes sont des arbres hiérarchiques (figure 3) qui regroupent des termes de notre corpus en fonction d’un calcul de proximité lié à leur fréquence de cooccurrences dans les titres collectés. Un groupe de termes de cette structure est appelé classe et, les classes sont agrégées deux à deux, toujours selon le degré de proximité de l’ensemble des termes qu’elles contiennent. Au niveau des pourcentages associés à la représentation d’une classe, ceux-ci représentent l’importance de chaque classe vis-à-vis de l’ensemble du vocabulaire traité. Les mots les plus importants, c’est-à-dire les plus fréquents, figurent, par ordre d’importance, juste en dessous de l’intitulé de la classe. Il nous a semblé que ce type de présentation exprimait bien certains changements de vocabulaires et de répartition de ces derniers dans les titres analysés (figure 3).

7 Pour compléter ces informations et surtout approfondir notre compréhension de l’évolution du vocabulaire des titres, nous avons utilisé le logiciel Tropes. Ce dernier permet de montrer, notamment, le positionnement des mots les plus fréquents et cooccurrents avec des expressions choisies [33]. Dans la logique de notre sélection d’écrits scientifiques, nous avons pris comme terme central de ces analyses les différents vocabulaires employés pour obtenir nos titres de textes : system, device et platform, knowledge management, business intelligence, competitive intelligence et strategic intelligence. Finalement, seules les analyses centrées sur les expressions system et platform ont permis de mettre en évidence quelques changements notables de vocabulaires.

3. Principales observations

8 De manière générale, une analyse quantitative très simplifiée nous montre que le nombre de publications dédiées aux systèmes de gestion des connaissances représente une très large majorité des publications (oscillant entre 84 et 95 % de l’ensemble des publications du corpus) et que les titres des publications pouvant se rapporter à la fois aux systèmes de gestion des connaissances et d’intelligence économique représentent un effectif quasi constant, mais marginal. Il ne dépasse jamais les 2,5 % de l’ensemble des publications d’une année (zones noires sur la gauche de la figure 1).

Figure 1. Évolution du nombre total de publications anglophones (à droite) et des pourcentages (à gauche) de représentativité des écrits à propos de systèmes ou plateformes pouvant se rapporter uniquement à la gestion des connaissances (KM), à l’intelligence économique (IE) ou aux deux à la fois

Figure 1. Évolution du nombre total de publications anglophones (à droite) et des pourcentages (à gauche) de représentativité des écrits à propos de systèmes ou plateformes pouvant se rapporter uniquement à la gestion des connaissances (KM), à l’intelligence économique (IE) ou aux deux à la fois

9 Il y a eu apparemment un pic de productions scientifiques entre 2008 et 2010, mais en explorant ce sous-corpus spécifique, nous n’avons pas trouvé de changement de vocabulaire spécifique par rapport à la période 2005-2007 ; seul le nombre des occurrences des termes déjà présents semble avoir augmenté.

Figure 2. Évolution du nombre total de publications francophones (à droite) et de la quantité d’écrits correspondants (à gauche) à propos de systèmes ou plateformes pouvant se rapporter uniquement à la gestion des connaissances (KM), à l’intelligence économique (IE) ou aux deux à la fois

Figure 2. Évolution du nombre total de publications francophones (à droite) et de la quantité d’écrits correspondants (à gauche) à propos de systèmes ou plateformes pouvant se rapporter uniquement à la gestion des connaissances (KM), à l’intelligence économique (IE) ou aux deux à la fois

10 Après avoir pris connaissance de ces premières observations, nous avons souhaité comparer rapidement cette production anglophone de publications relatives aux systèmes de gestions des connaissances ou d’intelligence économique par rapport à la production francophone. Pour ce faire, nous avons choisi les portails d’accès aux publications scientifiques Cairn, Revue.org et Hal et y avons interrogé les champs « résumé » et « titre ». Au total pour les années 2005 à 2016, nous avons obtenu 123 publications (articles, actes de conférences, actes de colloque, chapitres de livre, livres). La figure 2 représente le total des publications obtenues par année (à droite) sur la même échelle que pour les publications anglophones. Le nombre des publications étant bien moindre, nous avons affiché sur la gauche de la figure 2 les quantités d’articles relatifs à la gestion des connaissances (KM), à l’intelligence économique (IE) ou aux deux à la fois. Les expressions que nous avons combinées pour obtenir ces publications étaient pour l’intelligence économique : « intelligence économique », « intelligence compétitive », « information stratégique » ; pour la gestion des connaissances : « gestion des connaissances », « gestion de connaissances », « gestion de la connaissance », « management de la connaissance », « management de connaissances », « management des connaissances », « knowledge management » et pour système, « système », « plateforme » et « dispositif ». On peut constater que les publications faisant référence à la fois à l’intelligence économique, à la gestion des connaissances et à un système sont d’environ une par année avec un pic à deux publications en 2007 et aucune publication pour les années 2006, 2008, 2011 et 2016. De plus, par rapport aux publications anglophones, ce sont les publications que l’on peut rattacher aux systèmes et à l’intelligence économique qui sont les plus nombreuses à l’exception des années 2011 et 2014. Toutefois, le faible nombre des publications francophones (avec une moyenne de 10,25 publications par an) rend très sensible le rapport existant entre les publications plutôt dédiées aux systèmes et à l’intelligence économique et celles se rapportant aux systèmes et à la gestion des connaissances. Ce rapport est en effet au plus de 5 publications supplémentaires du côté de l’intelligence économique (en 2006) et au plus de 4 publications supplémentaires pour la gestion des connaissances (en 2014).

11 Pour ce qui l’analyse du corpus de titres d’articles anglophones, l’analyse à l’aide de dendrogrammes (figure 3) montre l’apparition, dans les titres des écrits de 2013-2016 par rapport à ceux de 2005-2008, des termes « media » et « social » dans une même classe (classe 1 du dendrogramme de droite). Toutefois, comme nous l’avons dit plus haut, suite au développement des technologies en lien avec le Web 2.0, nous nous y attendions. Cette classe permet de constater aussi que ces mêmes termes sont associés avec une forte occurrence des termes « tool » et « planning ». La classe 2 (du dendrogramme de droite) est aussi intéressante, même si elle regroupe, en fait, deux sous-classes. D’une part elle rassemble des termes se rapportant à l’application des systèmes au domaine médical : « applied », « medical » et « diagnosis ». D’autre part, cette classe comprend aussi les termes « big » et « concept ». Ceci semble simplement être lié au fait que l’expression « big data » est très souvent employée avec le terme « concept » qui lui se retrouve assez fréquemment avec les termes « medical » et « applied ». La classe 3 est moins parlante. On y constate pour 2013-2016 l’apparition notable du terme « virtual » qui apparaît dans les titres de la classe 3 liés aux termes « dimension » et « evaluation ». Comme la virtualisation des systèmes permet de simuler leur implantation ou déploiement dans les entreprises, leur regroupement dans une même classe semble assez logique, sans que nous puissions en déduire d’autres choses.

Figure 3. Dendrogramme résultant d’un traitement sur l’ensemble du corpus de titres anglophones pour les années 2005-2008 (à gauche) et 2013-2016 (à droite)

Figure 3. Dendrogramme résultant d’un traitement sur l’ensemble du corpus de titres anglophones pour les années 2005-2008 (à gauche) et 2013-2016 (à droite)

12 La classe 4 est un peu plus intéressante, puisqu’elle regroupe les termes « representation », « changer », « managing », « source », « disaster » et « response ». Il n’est pas nécessaire d’être un expert pour identifier un champ sémantique associé à l’anticipation de phénomène de type crise ou catastrophe. Une lecture des titres concernés a confirmé cette déduction. La classe 5 (du dendrogramme de droite), quant à elle, nous semble mériter plus d’attention. Elle pourrait correspondre à l’évolution de la classe 2 du corpus 2005-2008 qui est dédiée aux titres employant l’expression « decision making support » et qui semble intégrer désormais des éléments relatifs à l’apprentissage des systèmes ou des individus : « learning », « lessons », « expert ». Comme elle est associée en premier lieu avec la classe 4 pour les années 2013-2016, on y note une complémentarité dans les écrits traitant de conception des systèmes. Enfin, dans la classe 6 (du dendrogramme de droite), ce sont les termes de « cloud » et « computing » en référence au « cloud computing » qui sont bien présents, mais aussi les termes « small » et « medium », le plus souvent référant aux petites et moyennes entreprises. En effet, après une lecture ciblée des titres employant ces adjectifs, nous avons constaté qu’ils étaient le plus souvent associés aux termes « enterprise », « company », « organization » et « business ».

13 Lorsque nous avons analysé à l’aide du logiciel Tropes, le positionnement des cooccurrences de termes et expressions par rapport au terme « system », nous avons remarqué que peu de nouveaux mots étaient apparus au cours des dernières années. Nous notons tout de même l’apparition parmi les expressions récurrentes, celles de : « similarity », « data system », « implementation » et « performance » (graphique en bas de la figure 4).

Figure 4. Comparaison à l’aide de Tropes des termes fréquents cooccurrents au tour de celui de system pour les corpus de titres pour les années 2005-2008 (an haut) et 2013-2016 (en bas)

Figure 4. Comparaison à l’aide de Tropes des termes fréquents cooccurrents au tour de celui de system pour les corpus de titres pour les années 2005-2008 (an haut) et 2013-2016 (en bas)

14 Ceci étant, nous avons pu constater une très nette progression de l’emploi de l’expression « business intelligence » de part et d’autre de celle de « system ». Que ce soit en amont ou en aval de ce dernier terme, l’emploi de « business intelligence » a plus que doublé entre 2005-2008 et 2013-2016, passant de 49 à 107 (sur la gauche du mot « system ») et de 18 à 45 (sur la gauche du mot « system »)

Figure 5. Comparaison à l’aide de Tropes des termes fréquents cooccurrents au tour de celui de system pour les corpus de titres pour les années 2005-2008 (an haut) et 2013-2016 (en bas)

Figure 5. Comparaison à l’aide de Tropes des termes fréquents cooccurrents au tour de celui de system pour les corpus de titres pour les années 2005-2008 (an haut) et 2013-2016 (en bas)

15 De même, cette évolution, de manière à peine plus mesurée, se retrouve autour du terme « platform » (figure 5). L’expression « business intelligence » passe ainsi de 6 à 10 occurrences à gauche de « plateforme » et de 2 à 7 occurrences à droite. Cette même figure (5) permet aussi de remarquer l’apparition de l’expression « big data » avec 8 occurrences sur la droite de l’expression « platform », ce qui proportionnellement est beaucoup plus notable que l’évolution de son emploi avec l’expression « system » (figure 4).

4. Bilan de l’étude et présentations des articles de ce numéro

16 Cette petite analyse bibliométrique nous a permis de montrer le positionnement un peu particulier, du moins en termes de quantité de production, des écrits scientifiques francophones par rapport à la masse d’écrits anglophones. Nous avons pu faire émerger des titres anglophones quelques aspects de ces systèmes qui étaient plus étudiés que d’autres.

17 L’article de Maher Slouma est une sorte de complément à cette analyse puisqu’il nous éclaire à propos de la vision de la communauté francophone (pas uniquement scientifique) de la gestion des connaissances. Il y consacre une étude netnographique qui nous permet déjà de confirmer la situation marginale, ne serait que pour ce qui concerne les liens internet partagés de cette communauté francophone dédiée au KM, par rapport à la communauté internationale. Ensuite, à partir d’une étude qualitative, il tente de cerner ce qui constitue pour cette communauté l’essentiel de l’évolution des pratiques du KM au sein des organisations. Il est intéressant d’y constater l’importance d’un outil de veille pour une démarche de KM, ce qui montre aussi que dans la sphère francophone, lorsqu’il y a expert au sein d’une organisation, les pratiques de KM et d’IE sont considérées comme des démarches complémentaires.

18 Nous retrouvons cette mise en évidence ou hypothèse d’une complémentarité entre KM et IE au sein d’un système de gestion des données de l’organisation, dans une partie des travaux de recherches faisant référence au big data. En fait, comme nous l’avions mentionné en début d’article, nous nous attendions à l’apparition d’écrits y faisant référence. Leur nombre est toutefois un peu moins important que ce que nous anticipions. Cela relativiserait l’absence de ces technologies parmi celles revêtant de l’importance dans la communauté francophone du KM à partir du moment où cette question ne leur est pas directement posée. Cette expression big data et les technologies auxquelles elle réfère implicitement sont souvent résumées par la prise en compte simultanée de « 5 V » caractérisant les données traitées : volume (vraiment très important), variété (très grande hétérogénéité des données), vélocité (très grande rapidité de traitement), véracité (relative à la fiabilité des données traitées et générées par les analyses automatisées), valeur (création d’informations utiles à partir de croisements de données) (Bensamoun et Zolynski, 2015). En revanche, l’apparition de l’expression cloud computing n’était pas attendue. Toutefois, lorsque l’on y réfléchit ou regarde de plus près, un lien entre big data et cloud computing apparaît. En effet, cette apparition dans les titres du corpus de l’expression cloud computing rend compte de l’importance que revêtent désormais ces technologies dédiées au stockage de données à l’extérieur de l’organisation. Même si le corpus met en évidence des articles purement dédiés au big data comme au cloud computing, la proximité entre ces deux sous-corpus est visible par le regroupement dès le premier niveau d’élévation du dendrogramme 2013-2016 de la figure 3 (rattachement des classes 2 et 6). Cette externalisation des données en dehors de l’entreprise permet d’accroître à la fois la capacité de stockage de l’organisation (Bensamoun et Zolynski, 2015), mais aussi la sécurité des données qui y sont stockées.

19 À ce propos, la traduction de l’article d’Erickson et Rothberg (2014) permet de mettre en évidence l’importance qu’ont prise les technologies de big data et du cloud computing, tout au moins pour une partie des grandes entreprises américaines. En fait, cet article, rédigé du point de vue des sciences de gestion, présente une segmentation entre grandes entreprises américaines selon leur secteur industriel. Celle-ci montre l’intérêt des entreprises pour la mise en place de démarches d’IE ou de KM (très faible pour les deux, important pour les deux, important pour l’un et très faible pour l’autre) en fonction de leur secteur d’activité. Selon l’environnement dans lequel évolue l’entreprise, sa relation au KM et à l’IE ne serait pas identique et il en serait de même pour ce qui concerne l’intérêt accordé aux technologies du big data. Cet article a le mérite de nous interroger à propos de ce type de répartition des organisations sous un angle autre que la distinction plus classique PME/grandes entreprises ou public/privé.

20 En complément, l’article de Jean-Sébastien Vayre nous permet de mieux comprendre ces technologies du big data. Pour ce faire, il aborde plus particulièrement la question des technologies d’intelligence et d’apprentissage artificiels. Il nous explique comment les machines apprennent à décider à partir de systèmes employant des processeurs d’analyse situationnelle à mémoire connexionniste. Ces systèmes sont autoapprenants, en évolution constante et, comme nous l’avons évoqué ci-dessus, de plus en plus présents dans les organisations. Il semble donc que leur compréhension et prise en compte dans la manière de considérer les systèmes d’IE comme de KM est désormais plus que nécessaire.

21 Au-delà des technologies du big data et du cloud computing, nous avons retrouvé dans notre étude de corpus des éléments confortant l’idée que les outils du Web 2.0 étaient devenus quasi incontournables pour les systèmes d’IE comme de KM. L’article de Audrey de Ceglie et Nadia Hassani nous présente comment les réseaux sociaux sont devenus un véritable outil de KM pour les entreprises. À partir d’une étude des réseaux sociaux professionnels dans lesquels échangent des femmes chef d’entreprise, elles montrent comment ces réseaux permettent de remplir différents aspects d’une démarche de KM, c’est-à-dire : le partage, le transfert, la capitalisation et la création de connaissances.

22 Dans un registre un peu différent, puisqu’il s’agit de la prise en compte d’informations informelles à partir d’un réseau d’acteurs disséminés sur un territoire géographique important et non plus sur le Web, Fleur Nadine Ndjock rend compte de conclusions relativement similaires. En fait, elle met en évidence l’intérêt pour un système d’IE d’être complété d’éléments de KM pour y apporter une valeur ajoutée informationnelle. En l’occurrence, elle centre son approche sur l’analyse de la conception de l’Observatoire Dynamique appliqué au Système Educatif (ODSE) camerounais. On y retrouve le problème de l’éloignement des décideurs stratégiques par rapport au terrain, le gap informationnel qui en découle et ses conséquences au niveau décisionnel. Le partage de connaissances tacites y prend une importance cruciale et donc impose une production véritablement collective de sens pour prendre des décisions stratégiques en lien avec les réalités du terrain.

23 Enfin, nous avons été surpris de ne pas voir émerger certains vocabulaires parmi les titres des textes du corpus anglophone. En fait, puisqu’il s’agit de recherches que nous suivons aussi, nous pensions voir apparaître des termes relatifs à l’association d’éléments relevant du domaine ludique avec ces systèmes. Ainsi, des mots tels que play, playing, played, game, gaming, gamification ou gamified ne sont actuellement présents que très rarement dans des titres d’articles portant sur les systèmes de KM ou d’IE (6 occurrences seulement entre 2013 et 2016). Cela nous semble en effet une autre tendance forte de ces dernières années, mais qui doit se développer en dehors des sphères de réflexion portant sur les systèmes d’intelligence économique comme de gestion des connaissances. Toutefois, dans une relation inverse, l’industrie du jeu n’est pas ignorante en matière de dispositifs d’IE et de KM. L’article de Joanne du Hommet, Madjid Ihadjane et Luc Grivel, nous montre comment la gestion des connaissances comme le Web 2.0 sont devenus des outils incontournables pour une entreprise internationale de l’industrie du jeu vidéo. À partir d’une méthode employant une technique originale fondée sur l’analyse de cartes mentales et de graphiques à base de cercles concentriques issus des travaux de Savolainen (2008) et Tais (2012), ces auteurs analysent de manière qualitative les pratiques informationnelles au sein de l’entreprise Ubisoft. Plus particulièrement, ils examinent comment les informations utiles aux décisions sont obtenues et partagées par les employés de cette entreprise pour qu’elle reste innovante.

24 Les systèmes d’IE et de KM ont donc bien changé depuis les années 2000. Nous sommes d’ailleurs peut-être même au début d’une phase de mutation de ces systèmes en d’autres entités conjuguant les aspects des uns et des autres en fonction du type d’organisation qui les emploiera. Il est possible que la place des technologies du big data en lien avec ces systèmes y soit, d’ici quelques années, très importante. Si la communauté francophone a reconnu l’intérêt d’une intégration progressive de ces systèmes, elle semble encore en marge des préoccupations sur ces mêmes systèmes à un niveau international. Toutefois, bien que la production scientifique française dédiée aux systèmes d’IE et de KM soit très limitée, celle-ci est très variée et nous semble encore prometteuse. Nous espérons donc que ce numéro, en dehors du fait qu’il augmentera vraisemblablement de façon significative la production scientifique francophone à leur propos, stimulera l’intérêt d’autres chercheurs pour ces objets de recherches.