Research
Comment trouver les marchés en croissance ? Approche prédictive des marchés en croissance selon les dernières recherches
Product
Career
Traduction automatique du texte original en japonais
Overview
Les entreprises et les nations qui ont réalisé une croissance historique rapide ont investi dans les domaines de croissance bien avant que la plupart des gens ne les reconnaissent. Comment les marchés de croissance peuvent-ils être identifiés ? Cet article organise les sources de croissance selon quatre changements de l'environnement externe (politique, économique, social et technologique), classe les méthodes de prévision en 5 systèmes et 12 techniques allant de la courbe en S et de la loi de Wright aux signaux faibles, à la méthode Delphi, à la méthode des utilisateurs pionniers et à la planification de scénarios. Nous examinons de manière exhaustive les exemples pratiques des investisseurs, des entreprises, des chercheurs et des nations, les tendances de la recherche la plus récente depuis 2020 et les limites spécifiques à la prévision du marché, en nous appuyant sur les dernières recherches.
Introduction
Les entreprises et les nations qui ont réalisé une croissance historique rapide ont fait de grands investissements et des défis dans les domaines de croissance bien avant que la plupart des gens ne les reconnaissent. Cependant, comment peut-on identifier ces marchés de croissance ? Cet article résume les méthodes pour discerner les marchés de croissance.
La nouveauté de cet article réside dans les trois points suivants.
- Avoir montré par la recherche empirique que les sources de domaines de croissance sont organisées selon quatre changements de l'environnement externe et que ceux-ci orientent non seulement le marché, mais aussi la direction de la recherche et de l'invention.
- Avoir classé les méthodes de prévision en 5 systèmes et montré la relation de correspondance avec les sources.
- Avoir organisé les tendances de la recherche depuis 2020.
Facteurs du marché de croissance
Les sources de domaines en croissance ont, depuis les classiques de la recherche en balayage environnemental (domaine de recherche qui analyse l'environnement externe (politique, économique, social, technologique, etc.) et l'applique à la gestion), été organisées selon quatre changements (PEST) : politique, économique, social et technologique (Aguilar, 1967). Ce qui suit est organisé selon chacun de ces quatre changements.
Changement politique
Comment affecte-t-il le marché ?
- Création et interdiction de la demande : La réglementation crée et supprime directement la demande en rendant certains produits ou technologies obligatoires ou en les interdisant. Il est établi qu'une réglementation correctement conçue stimule l'innovation des entreprises et crée de nouveaux marchés que les entreprises existantes ont négligés (Porter & van der Linde, 1995). Les données de brevets confirment que les inventions en matière de conformité réglementaire se concentrent dans les pays et périodes où la réglementation a été renforcée (Lee, Veloso & Hounshell, 2011).
- Guidage de la recherche par l'allocation des ressources : Les fonds publics de recherche à usage désigné déplacent l'intérêt des chercheurs vers ce thème. Les données du NIH américain montrent que lorsque le financement dans un domaine particulier augmente, les chercheurs changent de sujet dans leurs demandes ; la direction de la recherche est mue par la politique (Myers, 2020).
Exemples concrets
- La loi allemande sur les énergies renouvelables et le marché de l'énergie solaire : La loi sur les énergies renouvelables (EEG) de 2000 a garanti un tarif d'achat fixe pendant 20 ans, propulsant l'Allemagne au rang de plus grand marché solaire du monde et déclenchant des investissements mondiaux dans la production en masse de panneaux. Cette loi a été débattue depuis les années 1990, et les signes avant-coureurs ont pu être observés avant son adoption (Jacobsson & Lauber, 2006).
- La réglementation californienne sur les véhicules zéro émission et le marché des véhicules électriques : La réglementation ZEV introduite en 1990 oblige les fabricants à vendre une certaine proportion de véhicules sans émissions et, par son renforcement ultérieur, a guidé la recherche et le développement de l'électrification. L'un des points de départ du marché des VE n'était pas la demande, mais la réglementation (Collantes & Sperling, 2008).
- Réglementation des gaz d'échappement et convertisseur catalytique : Le renforcement de la réglementation des gaz d'échappement en vertu de la Loi sur la qualité de l'air américaine a augmenté les demandes de brevet des constructeurs automobiles et des fournisseurs en technologies de traitement des gaz d'échappement, en synchronisation avec le calendrier de la réglementation. C'est un exemple où la réglementation a déterminé le moment et la direction de l'invention (Lee, Veloso & Hounshell, 2011).
Changement économique
Comment affecte-t-il le marché ?
- Seuil du pouvoir d'achat : Lorsque le niveau de revenu augmente et que le prix d'un produit tombe en dessous du niveau que les ménages peuvent se permettre, le marché se met en place de manière non continue. L'expansion de la classe moyenne dans les pays en développement a augmenté la population franchissant ce seuil de dizaines de millions de personnes par an (Kharas, 2017).
- Libération des applications par l'effondrement des coûts : À mesure que le coût d'une technologie diminue, les applications qui étaient « techniquement possibles mais trop chères » deviennent successivement viables économiquement et se transforment en marché. Une règle empirique selon laquelle les coûts diminuent d'un taux constant à chaque doublement de la production cumulée a été confirmée pour de nombreuses technologies ; l'intersection de la courbe de baisse des coûts et du seuil de rentabilité des applications devient une estimation du moment du décollage du marché (Nagy et al., 2013; Farmer & Lafond, 2016).
- Guidage de l'invention par les prix relatifs : Lorsque le prix des ressources d'entrée augmente, les inventions se multiplient pour économiser cette ressource. Ce mécanisme, connu sous le nom d'« innovation induite », montre que les signaux économiques orientent la direction de l'invention (Schmookler, 1966; Popp, 2002).
Exemples concrets
- La classe moyenne des pays en développement et les paiements mobiles : La population mondiale de classe moyenne s'est rapidement développée dans les années 2010, l'Asie en représentant la majorité (Kharas, 2017). Avec l'émergence de personnes sans compte bancaire mais possédant un smartphone, des marchés inexistants dans les pays développés ont démarré, tels que les paiements mobiles en Chine et les plateformes de transport et de paiement en Asie du Sud-Est.
- Effondrement du coût du séquençage du génome et tests génétiques grand public : Le coût du séquençage du génome humain d'une personne a chuté d'environ 100 millions de dollars en 2001 à environ 1 000 dollars au milieu des années 2010 (Wetterstrand, 2023). Cet effondrement a transformé en marchés des applications qui n'étaient viables que dans les institutions de recherche, notamment les tests génétiques grand public, la médecine génomique contre le cancer, et la sélection en agriculture et en élevage.
- Prix de l'énergie et brevets de technologies d'économie d'énergie : Depuis les chocs pétroliers des années 1970, l'augmentation des prix de l'énergie a statistiquement significativement augmenté les demandes de brevet pour les technologies d'économie d'énergie. L'effet de l'augmentation des prix apparaît en quelques ans, et l'invention ralentit lorsque les prix baissent (Popp, 2002). C'est l'exemple de démonstration empirique le plus clair que le changement de prix relatif oriente la direction de l'invention.
Changement social
Comment affecte-t-il le marché ?
- Certitude de la composition démographique : La démographie est l'« avenir qui s'est déjà produit ». Le nombre de personnes nées cette année détermine presque complètement la population de 20 ans dans 20 ans, et on peut prévoir la demande de consommation, de soins médicaux et de logement pour chaque groupe d'âge 10 à 20 ans à l'avance. C'est la plus fiable des quatre sources de matériel de prévision (Drucker, 1997).
- Guidage de l'invention par l'anticipation de la demande future : La taille de marché future prévue à partir de la démographie oriente la direction de la recherche et du développement des entreprises. Il a été confirmé de manière causale que plus la taille du marché anticipée dans un domaine est grande, plus les nouveaux produits sont développés (Acemoglu & Linn, 2004).
- Changement des valeurs et du mode de vie : Les changements de valeurs (environnement, santé, utilisation du temps) et de structure des ménages transfèrent la demande d'une catégorie de produits existante à une autre. Contrairement aux statistiques démographiques, ces changements se reflètent tardivement dans les chiffres et ne peuvent être saisis tôt que par l'observation des utilisateurs pionniers (von Hippel, 1986).
Exemples concrets
- Vieillissement de la population au Japon et marchés des soins et de la santé : La proportion de la population japonaise âgée de 65 ans ou plus est passée de 12 % en 1990 à 29 % en 2020, avec une augmentation continue attendue (Institut national de recherche sur la politique et les questions de population sociale, 2023). Sur la base de ce changement certain, avec l'introduction du système d'assurance-soins en 2000, le marché des services de soins s'est mis en place et s'est maintenant étendu à des marchés d'applications technologiques telles que la surveillance, la gestion de la médication et les robots d'aide aux personnes âgées.
- Démographie et développement de nouveaux médicaments : Il a été montré que plus on peut prévoir le nombre de patients futurs d'une maladie à partir de l'évolution de la population de chaque groupe d'âge aux États-Unis, plus le développement et l'approbation de nouveaux médicaments augmentent. On estime que si la taille du marché anticipée est 1 % plus importante, l'entrée de nouveaux médicaments augmente d'environ 4 à 6 %, démontrant que l'anticipation de la demande future détermine la direction de l'invention (Acemoglu & Linn, 2004).
- Expansion de l'emploi des femmes et marché des services de garde et économie de temps : L'expansion de l'emploi et de la formation professionnelle des femmes à la fin du XXe siècle est appelée la « révolution silencieuse », un changement structurel (Goldin, 2006), qui a augmenté les marchés des services d'économie de temps tels que la garde d'enfants, les repas semi-préparés et les services de cuisine à domicile, et les services de ménage dans divers pays, via l'augmentation des ménages biactifs. C'est un exemple où les statistiques démographiques et le changement des valeurs se chevauchent.
Changement technologique
C'est la source de changement la plus discontinue parmi les quatre et elle est traitée le plus largement.
Comment affecte-t-il le marché ?
- Chaîne de domaines d'application par les technologies à usage général : Les technologies à usage général (General Purpose Technology) comme la machine à vapeur, l'électricité et l'informatique ne créent pas directement de valeur, mais génèrent d'innombrables domaines d'application à travers une succession d'innovations complémentaires (Bresnahan & Trajtenberg, 1995). Cette succession est observée à plusieurs reprises dans les hiérarchies infrastructure → plateforme → application, et si l'émergence d'une technologie à usage général peut être confirmée, une prévision structurelle peut être faite : « la prochaine à croître est sa couche d'application, et la prochaine à s'ouvrir est le thème de recherche de la couche d'application » (Andreessen, 2011).
- Longue structure temporelle : Pour qu'une technologie à usage général se reflète dans la productivité, une réinvention complémentaire des processus métier et de la conception organisationnelle est nécessaire, ce qui prend des décennies. Le décalage entre l'invention et la diffusion atteint en moyenne 45 ans historiquement, et ce décalage différentiel explique environ un quart de l'écart de revenus entre les nations (Comin & Hobijn, 2010). Les révolutions technologiques suivent un modèle commun « phase d'introduction → enthousiasme et bulle → point de basculement → phase de déploiement », ce qui est démontré par les 5 vagues depuis la révolution industrielle (Perez, 2002).
- Libération successive du marché par la courbe de coût : La règle empirique selon laquelle « le coût diminue d'un taux constant à chaque doublement de la production cumulée » (loi de Wright) s'est avérée avoir un pouvoir prédictif élevé dans la validation de 62 technologies (Wright, 1936; Nagy et al., 2013). À chaque baisse de coût, une nouvelle application devient rentable et le marché s'ouvre par paliers.
Exemples concrets
- Électricité et productivité des usines (environ 40 ans de décalage) : L'électricité a été mise en pratique dans les années 1880, mais ses effets sur la productivité des usines n'ont été observés que dans les années 1920. Cela est dû aux environ 40 ans requis pour une réinvention complémentaire : la refonte de la disposition et de la conception du travail de l'usine, qui avaient été conçues en supposant des moteurs à vapeur, pour supposer des moteurs électriques (David, 1990). C'est l'exemple historique fondateur montrant que le marché d'une technologie à usage général se met en place non avec l'émergence de la technologie, mais avec la mise en place d'actifs complémentaires.
- Internet, cloud et hiérarchie des marchés d'application : Au-dessus d'Internet en tant qu'infrastructure, le commerce électronique, la recherche et le SaaS ont démarré ; au-dessus du smartphone en tant que plateforme, l'économie des applications a démarré ; au-dessus du cloud, l'économie des API a démarré, chacun avec un décalage d'environ 10 ans. L'observation de 2011 selon laquelle « le logiciel dévore le monde » est une traduction de cette structure hiérarchique en thèse d'investissement (Andreessen, 2011).
- Du GPU à l'apprentissage profond, vers l'IA générale et les agents IA spécialisés : En 2009, il a été montré que le GPU accélérait l'entraînement de l'apprentissage profond plusieurs dizaines de fois (Raina, Madhavan & Ng, 2009), et en 2012, les réseaux de neurones entraînés sur GPU ont remporté un succès écrasant en reconnaissance d'images, marquant le début du boom de l'apprentissage profond (Krizhevsky, Sutskever & Hinton, 2012). L'effondrement du coût du calcul parallèle a permis l'émergence des modèles fondamentaux (IA générale), et un marché d'agents IA spécialisés se développe progressivement comme couche d'application. L'investissement de NVIDIA dans CUDA en 2006 était un pari sur l'amont de cette chaîne causale (Witt, 2025)
- Courbes de coûts du solaire et des batteries : Le coût de l'énergie solaire a baissé d'environ 20 % à chaque doublement de la production cumulée pendant environ 40 ans, passant en dessous des sources d'énergie existantes dans de nombreuses régions dans les années 2010 (Farmer & Lafond, 2016). Les batteries lithium-ion ont suivi la même loi de baisse, atteignant le seuil de viabilité économique des véhicules électriques (Ziegler & Trancik, 2021). En extrapolant les courbes de coûts, on aurait pu estimer le moment du décollage de l'un ou l'autre marché plus de 10 ans à l'avance.
Ces quatre changements de l'environnement externe ne sont pas indépendants mais coordonnés. Le marché des véhicules électriques s'est développé par la multiplication de la baisse des coûts des batteries (technologie) × les normes d'émissions (politique) × les valeurs de décarbonisation (société) × la demande des pays émergents (économie). Le marché du solaire aussi est le résultat d'une convergence de la courbe de coûts (technologie et économie), des systèmes de rachat (politique) et des normes environnementales (société). Lorsque plusieurs sources se tournent dans la même direction, la croissance d'un domaine atteint sa plus haute probabilité.
Approche pour prédire les marchés en croissance
Les méthodes de détection et de quantification des changements qui deviennent des facteurs de marchés en croissance peuvent être classées en 5 systèmes et 12 méthodes. Ci-dessous, chaque méthode est expliquée selon les mêmes perspectives : aperçu, contexte d'émergence et exemples concrets.
Système d'extrapolation et de modélisation
Système qui applique des lois aux données passées et les étend à l'avenir. Au stade où les données existent, c'est la méthode la plus quantitative, et au stade où elles n'existent pas, on emprunte à des cas similaires.
Courbe en S / Théorie de la diffusion
- Aperçu : La diffusion des nouvelles technologies suit l'ordre des innovateurs (2,5%) → adoptants précoces (13,5%) → majorité précoce (34%) → majorité tardive (34%) → retardataires (16%), et cumulées, elles dessinent une courbe en S. Lorsque le taux de diffusion atteint 10-20%, la pente de la courbe en S peut être estimée, ce qui permet d'extrapoler le niveau de saturation et la période d'atteinte (Rogers, 1962)
- Contexte d'émergence : L'origine est une étude sociologique dans les années 1930 en Iowa qui a suivi le processus d'adoption du maïs hybride parmi les agriculteurs. On a découvert que la distribution des temps d'adoption était proche d'une distribution normale, et la courbe cumulée formait un S (Ryan & Gross, 1943). Les économistes ont reproduit cela avec les données de chaque État et ont montré que la vitesse de diffusion était proportionnelle à la rentabilité (Griliches, 1957). Rogers a intégré plus de 500 études de diffusion et l'a systématisée comme une théorie générale.
- Exemples concrets : Les taux de diffusion de la télévision couleur, des téléphones mobiles, des smartphones et d'Internet décrivent tous une courbe en S en termes de pénétration dans les ménages américains. L'erreur de prévision du téléphone mobile aux États-Unis dans les années 1980, inférieure à la réalité de plus de 100 fois, est due à l'extrapolation linéaire de la phase initiale de montée en charge lente (The Economist, 1999). Inversement, si on appliquait la courbe en S lorsque le taux de diffusion dépassait 10%, le niveau de saturation aurait pu être lu avec une précision considérable (Rogers, 1962; The Economist, 1999)
Modèle de Bass
- Aperçu : Modèle mathématique qui formalise la courbe en S avec deux coefficients : le coefficient d'innovation p (la force d'adoption volontaire par la publicité ou l'information externe) et le coefficient d'imitation q (la force de diffusion par le bouche-à-oreille des adoptants existants). Le nombre d'adoptants de la période suivante peut être calculé à partir du nombre cumulé d'adoptants, et le moment du pic et la taille du marché peuvent être obtenus analytiquement. Une méta-analyse de 213 études appliquées a montré que la moyenne de p était d'environ 0,03 et celle de q d'environ 0,38 (Bass, 1969; Sultan, Farley & Lehmann, 1990)
- Contexte d'émergence : Dans les années 1960, les fabricants d'électroménagers avaient besoin de prédire le pic des ventes à partir de données de quelques années après le lancement pour planifier la production de biens de consommation durables comme les téléviseurs couleur. Bass a validé l'ajustement sur 11 produits incluant réfrigérateurs, congélateurs et téléviseurs, et a démontré qu'il pouvait prédire à l'avance le moment du pic des ventes des téléviseurs couleur (Bass, 1969)
- Exemples concrets : DirecTV, le service satellite, avait prédit le nombre d'abonnés sur 5 ans avant son lancement en 1994 en utilisant le modèle de Bass en empruntant les coefficients de services similaires comme la télévision par câble, et les résultats correspondaient presque exactement. C'est un exemple représentatif montrant que le modèle fonctionne même avant le lancement (Bass et al., 2001)
Loi de Wright (courbe d'expérience)
- Aperçu : Règle empirique selon laquelle « à chaque doublement de la production cumulée, le coût unitaire baisse d'un pourcentage constant (10-30% selon la technologie) ». Elle prédit le décollage du marché du côté des coûts plutôt que de la demande. Le moment où la courbe de baisse des coûts croise le seuil en dessous duquel l'usage devient économiquement viable est l'estimation du moment où le marché s'ouvre (Wright, 1936)
- Contexte d'émergence : En 1936, l'ingénieur aéronautique Wright a découvert que les heures de travail d'assemblage des cellules d'avion diminuaient à un taux constant avec l'augmentation de la production cumulée. Cela a été utilisé dans les plans de production des avions militaires pendant la Deuxième Guerre mondiale, et dans les années 1960, le Boston Consulting Group l'a introduit dans la stratégie de gestion en tant que « courbe d'expérience » (Wright, 1936; Boston Consulting Group, 1968). À partir des années 2010, cela a été validé statistiquement sur 62 technologies comme ayant un pouvoir prédictif supérieur à d'autres lois de prévision (Nagy et al., 2013)
- Exemples concrets : Les modules de panneaux solaires ont continué à connaître une baisse de coûts d'environ 20% à chaque doublement de la production cumulée depuis 1976, passant en dessous du coût de production du charbon dans de nombreuses régions dans les années 2010. Les batteries lithium-ion ont suivi une loi similaire et ont franchi le seuil de viabilité économique des véhicules électriques (Farmer & Lafond, 2016; Ziegler & Trancik, 2021). Si on avait extrapolé cette loi à partir de 1980, on aurait pu prédire l'ouverture du marché solaire dans les années 2010.
Prévision par classe de référence
- Aperçu : Au lieu de prédire « de l'intérieur » en additionnant les éléments, on examine la distribution empirique des cas précurseurs similaires (classe de référence) et on y positionne la cible. Pour la prévision des nouveaux marchés, on emprunte les coefficients de diffusion ou les années d'atteinte du pic des technologies similaires (Kahneman & Tversky, 1979; Flyvbjerg, 2006)
- Contexte d'émergence : Les psychologues Kahneman et Tversky ont montré que les humains sont systématiquement trop optimistes quand ils regardent leurs propres plans de l'intérieur (biais de planification), et ont proposé une procédure de correction par point de vue externe (Kahneman & Tversky, 1979). Flyvbjerg a montré que 9 projets d'infrastructure de transport sur 10 dépassaient leur budget en utilisant les données de 258 projets (Flyvbjerg, Holm & Buhl, 2002), et a développé la méthode pratique de sortir les taux de correction de la distribution de la classe de référence. Le Trésor britannique a adopté cela en 2004 dans ses lignes directrices officielles pour l'évaluation des projets publics (Flyvbjerg, 2006)
- Exemples concrets : Des études montrent que la prévision des ventes de nouveaux appareils électroménagers en se référant aux courbes de diffusion de produits similaires est plus précise que la prévision basée uniquement sur le jugement des gestionnaires (Goodwin, Dyussekeneva & Meeran, 2013). La prévision avant le lancement de DirecTV est aussi une forme de prévision par classe de référence, empruntant les coefficients de services similaires (Bass et al., 2001). Pour estimer la diffusion des agents IA spécialisés, l'évolution des taux d'adoption en entreprise des SaaS et du cloud serait un candidat pour la classe de référence.
Système de détection de signaux
Système qui recueille des signes fragmentaires et avant-coureurs d'un grand changement, avant qu'ils ne se chiffrent.
Signaux faibles (weak signals)
- Aperçu : Approche qui collecte et interprète de manière systématique des signes fragmentaires et ambigus (signaux faibles) qui précèdent un grand changement. Elle s'associe à une « réponse progressive » qui renforce la réaction selon le degré de confiance du signal (Ansoff, 1975)
- Contexte d'émergence : Le choc pétrolier de 1973 a montré que la planification stratégique à long terme, alors dominante, était complètement incapable de faire face à des changements discontinus. Ansoff, fondateur de la stratégie managériale, a soutenu qu'il serait trop tard d'attendre que toutes les informations soient complètes, et qu'il faut commencer à agir dès le stade des signaux faibles (Ansoff, 1975). Dans les années 2000, cela a été systématisé en tant que recherche sur la « vision périphérique », et les raisons et solutions pour lesquelles les organisations manquent les signaux ont été clarifiées (Day & Schoemaker, 2006; Schoemaker & Day, 2009)
- Exemples concrets : Le fabricant de jouets Mattel a ignoré pendant plusieurs années les signes avant-coureurs selon lesquels les ventes de sa poupée Barbie phare étaient grignotées par la concurrence Bratz (changement des préférences des petites filles, changements dans la présentation en magasin), ce qui a entraîné une perte importante de parts de marché. C'est un exemple analysé comme celui où les signaux existaient mais l'organisation n'avait pas de mécanisme pour les capter (Day & Schoemaker, 2006). Inversement, dans le domaine de la réglementation, la présentation, l'examen et les commentaires du public des projets de loi sont des signaux faibles typiques qui peuvent être observés plusieurs années avant leur adoption.
Analyse métrique des brevets et articles
- Aperçu : Méthode de détection des technologies émergentes quelques années avant leur commercialisation en utilisant des indicateurs tels que l'accélération du nombre de demandes de brevet, l'augmentation du nombre d'articles, les changements structurels dans les réseaux de citation, et la convergence de domaines différents. Récemment, plusieurs indicateurs sont appliqués à l'apprentissage automatique pour une classification automatique (Lee et al., 2018)
- Contexte d'émergence : L'indice de citations d'articles a été proposé en 1955 (Garfield, 1955), et a été mis en pratique en tant que Science Citation Index dans les années 1960, ce qui a permis de suivre les tendances scientifiques de manière quantitative. Pour les brevets, il a été démontré empiriquement que les brevets fortement cités ont une plus grande valeur économique (Hall, Jaffe & Trajtenberg, 2005), faisant des données de brevets un outil pour mesurer la valeur et la direction de la technologie.
- Exemples concrets : La technologie d'édition génomique CRISPR-Cas9 a vu le nombre d'articles connexes et les demandes de brevet augmenter rapidement après la publication du document en 2012, avant le prix Nobel de chimie 2020 et de nombreuses créations d'entreprises. Le suivi des mesures bibliométriques aurait pu détecter quelques années à l'avance l'émergence du marché d'application. La même technique est efficace pour les chercheurs, devenant un outil pour trouver de nouveaux domaines qui ne sont pas encore encombrés (Foster, Rzhetsky & Evans, 2015)
Système d'intelligence collective et de jugement
Système qui améliore la précision par la façon de collecter et de former les jugements humains quand les données n'existent pas et qu'on doit se fier au jugement humain.
Méthode Delphi
- Aperçu : Une méthode de convergence d'opinions où des experts font des prédictions de manière anonyme, puis on leur retourne les résultats collectifs et les raisons avant de les faire répondre à nouveau, en répétant ce processus plusieurs fois. L'anonymat prévient la conformité aux personnes les plus influentes, et les itérations permettent un partage d'informations (Dalkey & Helmer, 1963). Inspirée par Delphes (Delphi), le sanctuaire du temple d'Apollon en Grèce antique où les gens consultaient l'oracle pour les décisions d'État, cette méthode agrège les connaissances et prédictions de nombreux experts afin de prévoir et de décider l'avenir, tout comme on cherchait les oracles de Delphes.
- Contexte historique : Développée dans les années 1950, durant la Guerre froide, par le RAND Institute pour l'US Air Force afin d'agréger les jugements d'experts sur des questions militaires sans données existantes (par ex., le nombre de bombes atomiques nécessaires pour réduire d'un certain montant la production militaire américaine en cas d'attaque soviétique). Cette méthode a résolu le problème des réunions en face à face où les opinions sont influencées par l'autorité ou les personnes très bavardes, grâce à l'itération anonyme (Dalkey & Helmer, 1963). Dans les méta-analyses d'études empiriques ultérieures, la méthode Delphi a surpassé un groupe avec agrégation statistique simple dans 12 études sur 16, et un groupe en face-à-face normal dans 5 études sur 5 (Rowe & Wright, 1999).
- Exemple concret : L'enquête japonaise sur la science et technologie depuis 1971 pose régulièrement aux milliers d'experts des questions sur le moment de réalisation des futures technologies via la méthode Delphi tous les cinq ans environ. La 11e enquête a couvert environ 700 sujets technoscientifiques. C'est l'enquête Delphi la plus longue au monde, se poursuivant depuis un demi-siècle (National Institute of Science and Technology Policy, 2019).
Marchés de prédiction
- Aperçu : Une méthode qui traite des prédictions telles que « X se produira d'ici ◯ ans » comme des titres à acheter et vendre, puis interprète le prix comme une estimation de probabilité. Elle applique à la prédiction la fonction du marché qui agrège les informations dispersées (Wolfers & Zitzewitz, 2004).
- Contexte historique : L'intuition que les prix agrègent les connaissances dispersées remonte aux classiques de l'économie (Hayek, 1945). En 1988, l'Université de l'Iowa a lancé un marché de prédiction sur l'élection présidentielle, qui a prédit le taux de vote avec plus de précision que les sondages d'opinion, ce qui a attiré l'attention (Forsythe et al., 1992). À partir des années 2000, les applications en entreprise ont commencé, et les économistes ont préconisé son utilisation dans les politiques (Arrow et al., 2008).
- Exemple concret : Hewlett-Packard exploitait en interne un marché où les employés faisaient des prédictions sur les ventes d'imprimantes, et a obtenu des résultats plus précis que les prévisions de ventes officielles dans 6 cas sur 8 (Chen & Plott, 2002). L'analyse des marchés de prédiction interne chez Google et Ford a également montré que les prix fonctionnaient globalement comme des probabilités calibrées, confirmant un effet de correction du biais d'optimisme contenu dans les prévisions officielles de l'entreprise (Cowgill & Zitzewitz, 2015).
Superforecasting
- Aperçu : Une méthode qui traite la prédiction comme une compétence entraînable et augmente la précision par les étapes suivantes : (1) décomposer les grandes questions en petites questions auxquelles on peut répondre, (2) commencer par la base de taux (le taux de réalisation passé dans des cas similaires) et corriger avec des circonstances particulières, (3) exprimer les probabilités avec des graduations fines et les mettre à jour progressivement avec de nouvelles informations, (4) discuter en équipe, et (5) enregistrer les résultats et réfléchir (Tetlock & Gardner, 2015).
- Contexte historique : Face aux résultats de 20 années de recherche montrant que les prédictions d'experts n'étaient pas meilleures que celles de chimpanzés (Tetlock, 2005), l'IARPA, l'agence d'information américaine, a organisé de 2011 à 2015 un tournoi de prédiction géopolitique où plusieurs équipes de recherche rivalisaient. L'équipe de Tetlock a formé des volontaires du public et a sélectionné les meilleurs 2 % de « superprédicteurs » pour constituer une équipe, surpassant largement les autres équipes (Mellers et al., 2014).
- Exemple concret : La question « Dans 5 ans, les agents IA spécialisés seront-ils adoptés par ◯ % des entreprises de taille moyenne ? » ne peut pas être répondue directement. Selon la procédure du superforecasting, on la décompose en : (a) quel pourcentage d'adoption en entreprise les technologies similaires (SaaS, RPA) ont-elles atteint en 5 ans (base de taux), (b) en combien d'années les conditions préalables à l'adoption (intégration API, régulation, prix) seront-elles réunies, et (c) comment évoluent les indicateurs avancés (nombre d'annonces de déploiements pilotes, offres d'emploi). On place une probabilité sur chacun et les combine. Le fait de commencer à partir de la base de taux améliore déjà la précision par rapport à l'intuition des experts (Tetlock & Gardner, 2015).
Système de recherche de demande côté demande
Un système qui découvre la demande cachée, qui n'apparaît pas encore dans les enquêtes de marché, en observant les gens.
Méthode des utilisateurs pionniers
- Aperçu : Une méthode qui identifie les utilisateurs pionniers (lead users) qui font face à des défis plusieurs années avant les utilisateurs moyens et qui créent leurs propres solutions car les produits existants ne les résolvent pas, puis prédit le marché futur à partir de leurs solutions. Le point clé est de chercher les utilisateurs pionniers en dehors du marché de l'entreprise, dans les domaines adjacents confrontés à des défis similaires sous des formes plus extrêmes (von Hippel, 1986).
- Contexte historique : Le point de départ est la découverte que, dans les instruments scientifiques, 77 % des innovations importantes ont été générées par des utilisateurs (chercheurs) et non par les fabricants (von Hippel, 1976). Von Hippel a réfléchi au fait que quand les fabricants interrogent les utilisateurs moyens par études de marché, ils ne voient pas les nouveaux besoins parce que ces derniers ne font pas encore face aux défis, et a formalisé en 1986 la méthode d'apprendre directement auprès des utilisateurs pionniers (von Hippel, 1986).
- Exemple concret : La division médicale de 3M, confrontée à la prévention des infections lors des interventions chirurgicales, n'a pas seulement consulté ses clients, les chirurgiens, mais a recherché des utilisateurs pionniers confrontés aux mêmes défis dans des conditions plus extrêmes : les vétérinaires (patients poilus), les maquilleurs de Hollywood (adhérence de membrane prolongée), et les chirurgiens des pays en développement (prévention des infections sans équipement). Elle a ainsi obtenu de nouveaux concepts de produits de prévention des infections (von Hippel, Thomke & Sonnack, 1999). Les idées issues de la méthode des utilisateurs pionniers ont montré un potentiel de vente environ 8 fois supérieur aux méthodes ordinaires (Lilien et al., 2002).
Théorie du travail
- Aperçu : Une méthode qui part du principe que le client n'achète pas un produit, mais « loue » le produit pour accomplir une « tâche à accomplir (travail) » qu'il souhaite réaliser. Au lieu de définir le marché selon les catégories de produits existantes ou les attributs des clients, on le redéfinit selon l'unité du travail. Lorsqu'on regarde à l'échelle du travail, la taille du marché et la concurrence changent (Christensen et al., 2016).
- Contexte historique : L'ancienne intuition marketing selon laquelle « le client ne veut pas une perceuse mais un trou » (Levitt, 1983) a été théorisée par Christensen dans ses recherches sur l'innovation de rupture. Elle est née de l'analyse des échecs où les entreprises existantes, en segmentant le marché par attributs de clients (âge, revenus), oublient de voir les nouveaux besoins (Christensen, 1997 ; Christensen et al., 2016).
- Exemple concret : Une chaîne de restauration rapide, qui n'obtenait aucun résultat en améliorant le goût ou le prix de son milkshake pour augmenter ses ventes, a découvert par observation que de nombreux acheteurs du matin l'achetaient pour accomplir le travail « tuer l'ennui du long trajet et supprimer la faim jusqu'à midi ». La concurrence pour ce travail n'était pas les autres desserts, mais la banane et le beignet. La taille du marché du milkshake devait être mesurée non pas comme « marché des desserts » mais comme « marché du temps de trajet » (Christensen et al., 2016).
Système structure-scénario
Un système qui, lorsque l'incertitude est si élevée qu'une seule prédiction n'a pas de sens, décrit plusieurs avenirs futurs pour s'y préparer.
Planification de scénarios
- Aperçu : Au lieu de s'en tenir à une seule prédiction, on distingue les facteurs certains (démographie, etc.) des incertitudes importantes (régulation, percées technologiques, etc.), on décrit 2 à 4 images du futur cohérentes en combinant les incertitudes, et on surveille les indicateurs avancés de chaque scénario. L'objectif n'est pas de prévoir correctement, mais de préparer des décisions qui permettront de réagir quel que soit le scénario qui se réalise (Schoemaker, 1995).
- Contexte historique : Dans les années 1950-60, Herman Kahn du RAND Institute a développé une méthode pour décrire la progression d'une guerre nucléaire comme plusieurs scénarios (Kahn & Wiener, 1967). C'est Shell qui a transposé cela à la gestion d'entreprise. Au début des années 1970, Shell a montré à ses cadres un scénario de « hausse spectaculaire des prix du pétrole et prise du pouvoir par les pays producteurs », et a réagi plus tôt que ses concurrents au choc pétrolier de 1973. Wack, le responsable, a formalisé cette expérience dans un article en 1985 (Wack, 1985).
- Exemple concret : Shell a également décrit dans les années 1980 un scénario de changements dans le système soviétique et d'effondrement brutal des prix du pétrole, et aurait été préparé à l'effondrement des prix bruts en 1986 (Schwartz, 1991). Lorsqu'on applique cela à la prédiction de marchés en croissance, par exemple pour les agents IA spécialisés, on peut construire 4 scénarios en croisant deux axes : « intensité de la régulation de l'IA (forte/faible) » et « baisse du coût des modèles de base (rapide/lente) », puis montrer que les domaines d'application et les périodes de lancement diffèrent selon chaque scénario, tout en surveillant comme indicateurs avancés l'état des débats sur les projets de régulation et l'évolution des coûts d'inférence (Schoemaker, 1995).
Correspondance entre sources et méthodes
Les 5 systèmes trouvent leur utilité en étant mis en correspondance avec les 4 sources du chapitre précédent.
- Changements politiques : Système structure-scénario (établir des scénarios pour chaque branchement réglementaire/budgétaire, surveiller les indicateurs avancés)
- Changements économiques : Système extrapolation-modèle (courbes de coût, prix relatifs, indicateurs macroéconomiques)
- Changements sociaux : Système extrapolation-modèle (démographie) + système exploration de demande côté demande (changements de valeurs)
- Changements technologiques : Système détection de signaux + système extrapolation-modèle (brevets, articles → courbes S, courbes de coût)
Exemples concrets de praticiens
Au-delà du monde académique, les excellents chercheurs, investisseurs, entreprises et États pratiquent des méthodes isomorphes aux approches ci-dessus. On organisera ici comment, dans chaque catégorie, les prédictions de marchés en croissance sont faites à travers quelles techniques et actions.
Investisseurs
Les investisseurs sont les acteurs qui convertissent le plus directement les prévisions de marchés en croissance en revenus. Cependant, les horizons temporels et les techniques diffèrent fortement entre les VC, les investisseurs en actions de croissance, les hedge funds et les investisseurs institutionnels.
- Capital-risque (Sequoia Capital) : Don Valentine, qui a investi au stade initial dans Apple, Cisco et Google, plaçait la taille du marché comme premier critère de jugement en matière d'investissement. Il a dit « j'investis dans les grands marchés, pas dans les personnes » et répétait que même un excellent gestionnaire ne pouvait pas construire une grande entreprise dans un petit marché (Valentine, 2010).
- Capital-risqueurs (Y Combinator, Andreessen Horowitz, Founders Fund) : Paul Graham de Y Combinator déclare « habiter l'avenir et créer ce qui manque », et considère que l'inconfort ressenti par les personnes dans un environnement avant-gardiste constitue le marché du futur. Il s'agit d'une version pratique de la méthode des utilisateurs pionniers (Graham, 2012). La thèse « Le logiciel dévore le monde » d'Andreessen Horowitz traduit la théorie des technologies génériques en thèse d'investissement ; la société énonce d'abord ses thèses spécifiques (cloud, mobile, IA), les rend publiques et investit en suivant une approche pratique de type scénario (Andreessen, 2011). La question de Peter Thiel de Founders Fund « Quelle vérité importante à peine personne n'est d'accord ? » montre que les rendements excédentaires ne proviennent que de prédictions s'écartant du consensus (Thiel & Masters, 2014).
- Investisseurs long terme en actions de croissance (Baillie Gifford) : Baillie Gifford, une société de gestion écossaise, a investi dans Amazon et Tesla dès après leur entrée en bourse et a continué à les détenir pendant plus de 10 ans. Sa justification repose sur une recherche empirique montrant que les rendements des actions sont extrêmement asymétriques. Une analyse des actions américaines depuis 1926 révèle que la création totale de richesse provient de 4 % seulement des titres, tandis que les 96 % restants génèrent des rendements égaux ou inférieurs aux bons du Trésor à court terme (Bessembinder, 2018). La stratégie consistant à identifier et à se concentrer sur un petit nombre d'entreprises susceptibles de devenir les grands vainqueurs du marché en croissance, plutôt que de prévoir l'ensemble du marché, et à les conserver longtemps, découle de cette distribution.
- Gestion active thématique (ARK Invest) : ARK Invest utilise explicitement la loi de Wright (réduction des coûts à chaque doublement de la production cumulée) pour extrapoler les courbes de coûts des technologies telles que les batteries, le séquençage génomique et l'IA, et prédire le moment d'essor des marchés d'application avant d'investir (ARK Invest, 2024). Il s'agit d'un exemple d'utilisation directe de l'approche d'extrapolation et de modélisation du présent article dans la gestion, mais la baisse significative des actifs gérés depuis son pic en 2021 illustre également les limites : même si la prédiction de la direction technologique est correcte, des erreurs sur le prix d'entrée et le moment de l'investissement peuvent entraîner des pertes (Perez, 2002 ; Siegel, 2005).
- Fonds spéculatifs macroéconomiques (Bridgewater Associates) : Bridgewater, dirigé par Ray Dalio, classe systématiquement les exemples historiques de crises de la dette, de crises monétaires et de changements d'hégémonie sur plusieurs siècles, puis juge la situation actuelle en la comparant à des phases antérieures similaires (Dalio, 2018). Il s'agit d'une version pratique de la prédiction par classe de référence appliquée aux marchés financiers. D'autre part, George Soros a théorisé la « récursivité » selon laquelle les prédictions des acteurs du marché font bouger les prix, et les prix font bouger la réalité ; il a placé la limite autoréférentielle de la prédiction qui modifie son objet au centre de sa stratégie d'investissement (Soros, 1987). Il s'agit d'un exemple où les limites elles-mêmes de la prédiction deviennent une source de profit.
- Fonds spéculatifs quantitatifs (Renaissance Technologies) : Renaissance Technologies, fondée par le mathématicien James Simons, ne prédit jamais la croissance du marché ni l'avenir des entreprises. La société se limite au trading qui capture les modèles statistiques des données de prix à court terme (quelques jours ou moins) et a maintenu des performances élevées en renonçant aux prédictions à long terme (Zuckerman, 2019). C'est une reconnaissance des limites prise dans la direction opposée à celle du présent article : « séparer ce qui est prévisible (régularités statistiques à court terme) de ce qui ne l'est pas (direction du marché à long terme), et parier uniquement sur le premier ».
- Investisseurs de valeur (Berkshire Hathaway) : Warren Buffett a délibérément évité de prédire et d'investir dans les marchés en croissance. Dans sa lettre aux actionnaires de 2007, il déclare « le pire des métiers est un métier qui croît rapidement, nécessite d'importants capitaux pour cette croissance et génère à peine un profit. Pensez à l'industrie aérienne » (Buffett, 2008). Il dissocie la croissance du marché des rendements d'investissement et sélectionne uniquement les entreprises dotées d'un avantage concurrentiel durable au sein de sa « zone de compétence » : ce qu'il comprend. Il s'agit d'un exemple plaçant en préalable à sa philosophie d'investissement la difficulté de prédire les marchés en croissance et la limite que la croissance ne se traduit pas nécessairement par un profit.
- Investisseurs institutionnels (Temasek, Dotation de Yale) : Temasek, la société d'investissement souverain de Singapour, énonce quatre tendances structurelles : « numérisation », « modes de vie durables », « avenir de la consommation » et « longévité », et réorganise son portefeuille selon ces thèmes (Temasek, 2023). Il s'agit d'une traduction des quatre sources du présent article (technologie, société, économie, démographie) en allocation d'actifs pour investisseurs institutionnels. David Swensen, qui a dirigé la dotation de Yale, a depuis les années 1980 réorienté l'allocation vers des classes d'actifs à fort asymétrie informationnelle et où la technique de prédiction génère des rendements excédentaires, tels que le capital-risque et les actions non cotées, transformant le modèle de gestion de la dotation universitaire (Swensen, 2009). Il s'agit d'un exemple où l'on a choisi non seulement « quel marché va croître » mais aussi « quel marché offre une technique de discernement qui génère des rendements excédentaires ».
- Ce que la recherche empirique révèle sur le jugement des investisseurs : Une enquête auprès de 885 capital-risqueurs montre que l'équipe dirigeante est le facteur le plus important dans la sélection des investissements, suivi du marché et du modèle commercial (Gompers et al., 2020). En revanche, une analyse ex-post de plus de 200 entreprises révèle que le moment de l'investissement est le facteur qui explique le mieux la réussite (Gross, 2015). Les rendements du capital-risque suivent une distribution extrêmement asymétrique où quelques grands succès soutiennent l'ensemble (Kerr, Nanda & Rhodes-Kropf, 2014), et les actions cotées en bourse suivent une distribution similaire (Bessembinder, 2018), de sorte que le discernement du marché fonctionne non seulement sur la question « dans quel dossier investir » mais aussi sur la question de la conception du portefeuille « dans quels domaines disperser plusieurs petits paris et comment se concentrer sur les gagnants ». Dans la gestion active des actions cotées, très peu de gestionnaires surpassent la moyenne du marché après déduction des frais (Fama & French, 2010), et la corrélation entre le taux de croissance économique de chaque pays et les rendements boursiers est quasi nulle ou négative (Ritter, 2005). La capacité à prédire les marchés en croissance et le fait que cette prédiction génère des rendements d'investissement constituent deux questions distinctes empiriquement.
Entreprise
- Amazon (Working Backwards, AWS) : « Working Backwards », où l'on rédige d'abord le communiqué de presse du futur et développe en remontant de la valeur client, est une institutionnalisation de l'exploration côté demande. Par cette méthode, au début des années 2000, à partir des défis internes d'infrastructure, l'entreprise a lu la demande « les autres entreprises ont les mêmes défis » et a lancé AWS, un service cloud, en 2006. Il s'agit d'un exemple de découverte d'un marché externe basée sur le défi des utilisateurs pionniers internes (l'équipe de développement de la compagnie) (Bryar & Carr, 2021).
- NVIDIA (CUDA) : En 2006, quelques années avant le boom du deep learning, NVIDIA a commencé à investir dans CUDA, une plateforme de calcul générique GPU. Au départ, le marché n'existait pas et les investisseurs ont critiqué, mais l'entreprise a parié sur le changement technologique de l'effondrement des coûts du calcul parallèle, a continué à investir tout en confirmant les signaux de chercheurs commençant à utiliser les GPU (Raina, Madhavan & Ng, 2009 ; Krizhevsky, Sutskever & Hinton, 2012), et a attendu l'émergence des domaines d'application (Witt, 2025). Il s'agit d'un exemple représentatif de prédiction d'origine technologique et de mise à jour progressive.
- Intel (Point de basculement stratégique) : En 1985, le PDG Andy Grove a décelé le signal que les bénéfices de son activité principale, celle des mémoires, disparaissaient avec l'arrivée des fabricants japonais, et a décidé d'abandonner l'activité fondatrice pour se concentrer sur les microprocesseurs. À partir de cette expérience, Grove a appelé les signaux précurseurs d'un changement structurel de l'industrie « points de basculement stratégique » et a systématisé la méthode pour les détecter (Grove, 1996). Il s'agit d'un exemple montrant que la décision de retrait est aussi une produit de la prédiction du marché.
- Netflix (Streaming) : À sa création en 1997, Netflix a commencé par la location de DVD par courrier, mais en mettant « Net » dans son nom, elle s'attendait à ce que la diffusion en continu devienne l'avenir avec la généralisation du haut débit et la baisse des coûts de communication (courbe de coûts). En 2007, elle a lancé le streaming et a elle-même remplacé son activité principale (Keating, 2012). Il s'agit d'un exemple d'extrapolation de la courbe de coûts et de la décision de la compagnie de prendre en premier l'innovation de rupture.
- Shell (Planification de scénarios) : Comme mentionné précédemment, au début des années 1970, Shell a préparé des scénarios de crise pétrolière et a réagi plus rapidement que ses concurrents au choc pétrolier de 1973 (Wack, 1985). Il s'agit du prototype de la prospective d'entreprise, qu'elle a maintenu dans un département de scénarios depuis un demi-siècle.
- Ce que la recherche empirique révèle sur l'efficacité de la prospective d'entreprise : Une étude suivant 83 entreprises européennes pendant 7 ans montre que les entreprises dotées d'une fonction de préparation au futur (fonction de prospective) présentaient une rentabilité 33 % supérieure et une croissance de la capitalisation boursière environ 2 fois plus élevée que celles qui ne l'étaient pas (Rohrbeck & Kum, 2018). Il s'agit d'une preuve que posséder une fonction d'exploration permanente, et non une prédiction unique, se traduit par une performance commerciale.
Chercheur
- Richard Hamming (Laboratoires Bell) : Hamming cite comme traits communs des chercheurs qui accomplissent de grandes choses la capacité à « choisir les problèmes importants » et à « travailler la porte ouverte (être ouvert aux informations de l'environnement) ». Hamming consacrait chaque vendredi après-midi à la question « quel est le problème important et pourquoi ne m'en occupé-je pas ? », et recommande d'entrer tôt dans les domaines qui s'ouvrent (Hamming, 1986). Il s'agit d'une version pratique de la détection de signaux en fonctionnement continu et de la participation précoce.
- Katalin Karikó (Recherche sur l'ARNm) : Depuis les années 1990, Karikó a poursuivi l'application thérapeutique de l'ARNm, qui recevait alors très peu de financement. Malgré sa rétrogradation au sein de son université et des refus de financements de recherche, elle a publié en 2005 une méthode de nucléosides modifiés supprimant l'immunogénicité de l'ARNm, ce qui a formé la base des vaccins à ARNm de 2020 et a conduit au prix Nobel de physiologie ou médecine 2023 (Karikó et al., 2005). Il s'agit d'un exemple incarnant le fait que la « participation précoce » dans un domaine de recherche suit une échelle de temps différente de celle de « la participation précoce » dans une entreprise, et que le décalage entre l'invention et la diffusion s'étend sur plusieurs décennies (Comin & Hobijn, 2010).
- Chercheurs en GPU et deep learning : En 2009, un groupe de l'université Stanford a montré que l'utilisation des GPU pouvait accélérer l'apprentissage profond de plusieurs dizaines de fois (Raina, Madhavan & Ng, 2009). En 2012, un groupe de l'université de Toronto a écrasé un concours de reconnaissance d'images en utilisant un réseau de neurones entraîné sur deux GPU, devenant le point de départ du boom du deep learning (Krizhevsky, Sutskever & Hinton, 2012). Il s'agit d'un exemple où les chercheurs ont converti en sujet de recherche le signal technologique de l'effondrement des coûts du calcul parallèle, à un stade où de nombreux autres chercheurs ne l'avaient pas encore remarqué.
- Comment choisir selon la recherche empirique : Une étude analysant 17,9 millions d'articles a montré que les articles les plus impactants avaient une structure où « la plupart combinaient des connaissances établies, avec une seule combinaison exceptionnelle » (Uzzi et al., 2013). En combinant ce résultat avec les données selon lesquelles les paris sur de nouveaux domaines génèrent un fort impact mais aussi un taux d'échec élevé (Foster, Rzhetsky & Evans, 2015), on peut conclure que les excellents chercheurs font une entrée précoce « en avançant d'un pas vers des domaines adjacents en croissance, en s'appuyant sur leur expérience accumulée ».
Niveau national
- Singapour (RAHS) : Depuis 2004, le RAHS (Évaluation des risques et balayage d'horizon) est une fonction gouvernementale permanente institutionnalisant la détection de signaux faibles. De plus, en 2009, un Centre stratégique de l'avenir a été établi auprès du Bureau du Premier ministre, coordonnant la planification de scénarios de chaque ministère (Habegger, 2010). C'est un exemple de recherche de signaux fonctionnant en continu à l'échelle nationale.
- Japon (Enquête de prévision scientifique et technologique) : Depuis 1971, il existe une accumulation d'enquêtes Delphi menées tous les cinq ans environ, et lors de la 11e enquête, plusieurs milliers d'experts ont prédit les délais de réalisation de quelque 700 sujets de science et technologie. C'est l'enquête Delphi la plus longue au monde, s'étendant sur un demi-siècle (Institut de recherche politique en science et technologie, 2019).
- Royaume-Uni (Programme Foresight) : Lancé en 1994 sous l'égide du Bureau gouvernemental de la science, des panels d'experts pluridisciplinaires examinent les changements technologiques et sociaux des 10 à 20 prochaines années et en intègrent les résultats dans les politiques (Habegger, 2010).
- États-Unis (DARPA) : Établie en 1958 en réponse au satellite soviétique Spoutnik, l'Agence pour les projets de recherche avancée de défense a investi dans des domaines technologiques avant que le marché n'existe, comme l'ancêtre d'Internet (ARPANET), le GPS, et les véhicules autonomes (Grand Challenge 2004), créant ainsi la base de marchés géants ultérieurs (Fuchs, 2010). Il a également été noté que nombre des principales technologies qui composent l'iPhone proviennent du financement public de la recherche (Mazzucato, 2013). C'est un exemple où l'État accepte le décalage temporel de l'« entrée trop précoce ».
- Taïwan (ITRI et TSMC) : Dans les années 1970, l'Institut de recherche industrielle gouvernemental (ITRI) a introduit la technologie des semi-conducteurs depuis les États-Unis, et en 1987, TSMC a été créée en se séparant de l'ITRI. C'est un exemple où l'État a parié sur la fonderie (une couche qui n'existait pas à l'époque) en lisant la croissance à long terme du marché des semi-conducteurs et le changement de structure industrielle vers la séparation entre conception et fabrication (Mathews, 1997).
Les quatre catégories précédentes ont en commun les éléments suivants.
- Pas de prévisions ponctuelles : L'après-midi du vendredi de Hamming, les critères de marché de Sequoia, le département de scénarios de Shell et le RAHS de Singapour ont tous mis en place des mécanismes permanents de détection continue de signaux.
- Réaction précoce aux signaux technologiques et réglementaires : NVIDIA, Netflix, DARPA et Taïwan ont tous agi avant que les changements de courbes de coûts ou de structures industrielles ne se reflètent dans les chiffres.
- Surveillance et mise à jour continues après les paris : Le fait que NVIDIA ait poursuivi ses investissements tout en confirmer l'utilisation des GPU par les chercheurs, et qu'Intel ait décidé de se retirer, sont deux exemples de pratiques de vérification et de mise à jour après avoir émis des prévisions.
- Différenciation des horizons temporels selon les rôles : Les chercheurs et l'État réagissent au même signal sur des horizons de plusieurs décennies, les VCs sur dix ans, et les entreprises sur 5 à 10 ans, les premiers entrants acceptant les délais les plus longs (Comin & Hobijn, 2010).
Tendances récentes de la recherche sur la prévision des marchés en croissance
Nous examinons les recherches principalement publiées entre la fin des années 2010 et 2026. La perspective de la recherche sur la prévision des marchés en croissance a changé de la manière suivante au cours de cette décennie.
Trois contextes qui ont changé la perspective
- Progrès des données et des méthodes informatiques : Les textes tels que les articles, les brevets, les offres d'emploi et les transcriptions de réunions des résultats financiers sont devenus lisibles par machine et peuvent être traités à grande échelle par apprentissage profond. Des questions autrefois dépendantes du jugement d'experts ou d'études de cas isolées, comme « où les nouveaux domaines vont-ils émerger », ont transitionné vers une science empirique vérifiée sur des millions de points de données (Bloom et al., 2021 ; Ebadi, Auger & Gauthier, 2022).
- Les tournois de prévision comme base expérimentale : Le tournoi de prévision géopolitique lancé en 2011 par l'IARPA, l'agence d'information américaine, a généré les premières données à grande échelle permettant de mesurer et comparer la précision de milliers de prévisionnistes sur les mêmes questions, créant ainsi une base pour vérifier statistiquement « qui, par quelle méthode et avec quelle précision peut prévoir » (Mellers et al., 2014 ; Tetlock, Mellers & Scoblic, 2017).
- Deux transitions technologiques : transition énergétique et IA générale : Le fait que les coûts de l'énergie solaire et des batteries diminuent de manière constante plus rapidement que prévu par les principales institutions a fourni d'énormes matériaux pour la validation rétrospective des méthodes de prévision (Meng et al., 2021). Simultanément, l'émergence de grands modèles de langage a créé une demande accrue pour « quand et dans quelles industries cette technologie généraliste se propagera-t-elle », ce qui est devenu lui-même un sujet de recherche (Eloundou et al., 2024).
Nous examinons ensuite les tendances de la recherche pour chaque sujet.
Prévision technologique
- Établissement de la prévision probabiliste par courbe d'expérience : L'idée dominante pendant longtemps était que les vitesses d'amélioration du coût et des performances technologiques ne pouvaient pas être prédites. À partir du milieu des années 2010, les recherches de validation rétrospective basées sur la courbe d'expérience (loi de Wright) en utilisant l'historique des coûts de plus de 50 technologies se sont accumulées, montrant qu'on peut maintenant fournir des intervalles de confiance incluant la distribution des erreurs de prévision (Farmer & Lafond, 2016 ; Lafond et al., 2018). L'étude décisive a comparé rétrospectivement les estimations d'experts et les prévisions de modèles statistiques pour les technologies énergétiques, montrant que les modèles statistiques étaient plus précis que les experts, qui sous-évaluaient systématiquement les baisses de coûts (Meng et al., 2021). En utilisant ces connaissances pour prévoir probabilistiquement les baisses de coûts du solaire, de l'éolien et des batteries, on en déduit que plus la transition énergétique progresse rapidement, moins elle coûte au total (Way et al., 2022).
- Extension aux technologies sans marché existant : L'objet de la prévision s'est étendu des technologies ayant un historique de coûts aux technologies sans marché actuel. Des méthodes d'estimation des taux d'amélioration par domaine technologique à partir des données de brevets ont été développées, et les taux d'amélioration annuels de 1 757 domaines technologiques ont été prédits (Singh, Triulzi & Magee, 2021). Pour les technologies émergentes elles-mêmes, un cadre définissant cinq attributs—nouveauté radicale, croissance relativement rapide, cohérence, impact remarquable et incertitude—a été proposé (Rotolo, Hicks & Martin, 2015), et sur la base de ce cadre, appliquer l'apprentissage automatique à plusieurs indicateurs de brevets a montré la capacité à classer les technologies ultérieurement en croissance à un stade précoce (Lee et al., 2018). Des méthodes utilisant l'apprentissage profond pour détecter les signaux faibles à partir de textes de articles, brevets et actualités se sont également développées (Zhou et al., 2020 ; Ebadi, Auger & Gauthier, 2022), et le Centre commun de recherche de l'UE les a intégrées dans ses opérations annuelles (Commission européenne, Centre commun de recherche, 2024).
- Point d'aboutissement : Comme point d'aboutissement, les questions « quand cette technologie devient-elle économiquement viable » et « quelle technologie va émerger ensuite » peuvent maintenant être répondues sur la base de preuves statistiques plutôt que sur l'intuition d'experts. Parmi les limites des prévisions de marché décrites ultérieurement, le piège de l'extrapolation linéaire et la sous-évaluation par les experts peuvent tous être corrigés par cette méthode. Les données et méthodes sont publiques, permettant aux chercheurs individuels et aux PME de mener la même exploration.
Diffusion et demande
- Suivi de la diffusion par données textuelles : La diffusion des nouvelles technologies était autrefois mesurée après que les ventes ou les taux de pénétration n'apparaissent dans les statistiques. À partir des années 2020, une méthode a été développée combinant les transcriptions de réunions de résultats d'entreprises, les brevets et les offres d'emploi pour suivre comment 29 technologies de rupture se sont propagées dans quelles entreprises et quelles villes (Bloom et al., 2021). Il a été montré que l'emploi dans les nouvelles technologies se concentre initialement dans quelques villes de pointe et se diffuse au fil du temps. Une étude utilisant les offres d'emploi avec apprentissage automatique pour vérifier si les technologies satisfont les conditions de technologies généralistes (amélioration rapide, pénétration étendue dans les industries, induction d'innovations complémentaires) a confirmé que ces technologies présentent une nature de technologie généraliste plus forte que d'autres technologies émergentes (Goldfarb, Taska & Teodoridis, 2023). Pour les grands modèles de langage, l'étendue du marché du travail affectée a été estimée à partir de la composition des tâches par profession, avec une estimation que environ 80 % des travailleurs sont affectés dans une partie de leurs tâches (Eloundou et al., 2024). Il a été empiriquement démontré que les offres d'emploi et les transcriptions de résultats, en tant que données publiques, fonctionnent comme des indicateurs précurseurs plusieurs années en avance sur les statistiques de marché.
- Preuve causale que la demande pilote l'invention : Du côté de la demande, la question « les attentes de taille du marché futur pilotent-elles réellement la direction de l'invention » a été vérifiée causalement. Dans l'industrie pharmaceutique, les domaines de maladies dont la taille de marché future prédite par la démographie est importante voient plus de développements de nouveaux médicaments (Acemoglu & Linn, 2004), et une élasticité estimée montre que l'expansion de la taille du marché de 1 % augmente le nombre de nouveaux médicaments d'environ 0,2 % (Dubois et al., 2015). Dans l'industrie automobile, les fabricants des pays où les prix du carburant ont augmenté ont augmenté les brevets en technologies propres plutôt que pour les moteurs à combustion interne (Aghion et al., 2016), et il existe également des preuves que la demande pilote jusqu'à la localisation de la production, avec le constat que les pays avec un fardeau de maladie plus important produisent et exportent plus de traitements pour cette maladie (Costinot et al., 2019). Les prévisions de marché ne concernent pas seulement « se réaliser ou non » mais incluent aussi le problème concurrentiel de « d'autres font-ils la même prévision et entrent-ils ».
- Trajectoire et délai de la science au marché : La trajectoire et les délais allant de la science au marché peuvent aussi être mesurés maintenant. Une étude analysant le réseau de citations de 4,8 millions de brevets et 32 millions d'articles a montré que les brevets de plus grande valeur marchande sont plus proches des sciences fondamentales, tandis que les articles d'impact plus important sont plus proches de l'application technologique (Ahmadpoor & Jones, 2017), et les bases de données des brevets citant des articles ont été mises en place, permettant de suivre à grande échelle quelles sciences de quels domaines sont utilisées dans l'industrie (Marx & Fuegi, 2020). D'autre part, il a été montré que pour que l'investissement dans les technologies généralistes se reflète dans la productivité, un investissement dans des actifs immatériels complémentaires—processus métier, talents, données—est nécessaire, et que cette période est caractérisée statistiquement par une baisse temporaire de la productivité formant une « courbe en J » (Brynjolfsson, Rock & Syverson, 2021). Pour l'IA généraliste, cette tradition de recherche prédit que l'amélioration des processus métier et la préparation des données, plutôt que l'amélioration des performances des modèles fondamentaux, deviendront l'étape limitante de la diffusion.
Frontière de la recherche
- Déclin des résultats disruptifs et rigidification des domaines matures : Les données massives commencent à apporter des réponses à la question de savoir où s'ouvrent les nouvelles zones de recherche et où les chercheurs devraient parier. Une étude analysant 45 millions d'articles et 3,9 millions de brevets montre que la proportion de résultats « disruptifs » qui renouvellent les connaissances existantes diminue continuellement dans tous les domaines (Park, Leahey & Funk, 2023), et il a également été confirmé que dans les domaines les plus matures, les nouvelles idées s'établissent plus difficilement (Chu & Evans, 2021). Du côté des chercheurs, une stratégie conservatrice se concentrant sur des domaines à la mode déjà établis est dominante, tandis que des millions d'articles montrent que les paris sur de nouveaux domaines génèrent un impact élevé (Foster, Rzhetsky & Evans, 2015)
- Décalage temporel dans l'évaluation de la nouveauté : L'évaluation de la nouveauté présente un décalage temporel. Les articles hautement novateurs contenant des combinaisons inhabituelles montrent un schéma de « reconnaissance tardive » : peu cités à court terme mais hautement influents à long terme (Wang, Veugelers & Stephan, 2017), et les articles les plus impactants avaient une structure combinant des connaissances classiques avec une seule combinaison inhabituelle (Uzzi et al., 2013). Cependant, une grande ampleur a également confirmé le « pivot penalty » où l'impact des résultats diminue lorsque les chercheurs se détournent de leur domaine d'expertise (Hill et al., 2025), et il est rationnel d'accéder aux nouveaux domaines de manière adjacente à l'accumulation de sa propre expertise
- Point d'arrivée : En résumé, il existe une régularité selon laquelle les nouveaux domaines s'ouvrent plus facilement aux frontières des domaines ou dans les petits domaines plutôt qu'au centre des grands domaines matures. Le point d'arrivée actuel est que le « marché en croissance » pour les chercheurs et les inventeurs est une zone frontalière adjacente à leur propre expertise et pas encore encombrée
Jugement humain et IA
- Comparaison des méthodes d'agrégation : Lors de la collecte de jugements humains pour faire des prédictions, la validité de chaque méthode de collecte et d'agrégation a été vérifiée par les données des tournois de prédiction. Les « enquêtes de prédiction » où les participants donnent directement des probabilités et sont agrégées statistiquement montrent une précision égale ou supérieure aux marchés de prédiction (Atanasov et al., 2017), et il a également été montré que l'ajout d'une « polarisation » qui pousse les probabilités moyennes vers 0 ou 1 lors de l'agrégation améliore la précision (Satopää et al., 2014). Pour la méthode Delphi, les conditions qui améliorent la précision (diversité des participants, qualité du retour d'information, nombre d'itérations) ont été clarifiées dans un examen (Rowe & Wright, 1999). L'implication pour la pratique est que l'agrégation statistique anonyme de probabilités est plus précise que la formation de consensus en conférence, et qu'une précision équivalente peut être obtenue sans les coûts d'exploitation des marchés de prédiction
- Émergence et limites des LLM : Depuis 2023, les grands modèles de langage (LLM) sont apparus en tant que prédicteurs. Un ensemble de 12 LLM différents a montré une précision statistiquement indistincte de l'intelligence collective de 925 humains (Schoenegger et al., 2024a), et les LLM renforcés par la recherche d'informations à jour et optimisés dans leurs procédures de raisonnement se rapprochent du groupe de prédiction humain pour chaque question individuelle (Halawi et al., 2024). Dans les expériences où les prédicteurs humains sont assistés par des LLM, la précision s'est améliorée de manière significative avec l'assistance (Schoenegger et al., 2024b). D'autre part, les comparaisons sur des références continuellement mises à jour confirment que même les LLM de pointe ne dépassent pas encore les super-prédicteurs entraînés (Karger et al., 2024), et il y a encore une distance avant l'automatisation complète
- Point d'arrivée : En conclusion, l'IA réduit considérablement les coûts des étapes préalables à la prédiction telles que l'exploration, la présentation des taux de base et la création de brouillons de scénarios, tandis que le jugement de probabilité final et le jugement de mise à jour sont plus précis s'ils sont confiés pour le moment à des humains entraînés. La division du travail « l'IA explore, l'humain juge, l'IA surveille, l'humain met à jour » est la composition la plus précise que la recherche actuelle puisse montrer. Grâce à cette division du travail, le niveau de scanning qui n'était autrefois à la portée que des États et des capital-risqueurs est maintenant accessible aux chercheurs individuels et aux entreprises ordinaires
Limites de la prédiction de marché en croissance
Jusqu'à présent, nous avons organisé les sources, les méthodes, la pratique et les dernières recherches pour identifier les marchés en croissance. Enfin, nous allons organiser les limites inhérentes à la prédiction de marché. Les limites peuvent être divisées en quatre catégories : la perception humaine, la structure du marché, l'auto-référence de la prédiction et les données et méthodes
Limites de la perception
- Précision de la prédiction des experts : Il a été démontré par des validations massives et à long terme que la précision de la prédiction des experts est à peu près équivalente à des suppositions aléatoires. Une étude qui a suivi environ 28 000 prédictions faites par 284 experts sur 20 ans a montré que le taux de réussite des experts était à peu près équivalent à celui d'un « chimpanzé jetant des fléchettes », et que le type qui explique tout par une grande théorie (type hérisson) s'est moins bien débrouillé, tandis que le type qui intègre flexiblement des informations hétérogènes (type renard) était relativement supérieur (Tetlock, 2005). Pour les prédictions de marché également, une enquête commandée par AT&T au début des années 1980 a prédit qu'il y aurait environ 900 000 abonnements aux téléphones mobiles aux États-Unis en 2000, soit plus de 100 fois inférieur au chiffre réel d'environ 109 millions (The Economist, 1999). Pour l'énergie solaire également, les prédictions d'adoption des principales organisations sont régulièrement restées en deçà des résultats réels, et même lorsque les résultats ont dépassé les prédictions, les prédictions de l'année suivante n'ont pas augmenté suffisamment (Creutzig et al., 2017)
- Régularité de la distorsion : Il y a une régularité dans la direction de la distorsion. Premièrement, bien que la diffusion des technologies suive des courbes en S ou exponentielles, les humains prolongent les tendances récentes en lignes droites, ce qui entraîne l'erreur de « surévaluer le changement dans 2 ans et sous-évaluer le changement dans 10 ans » (Gates, 1996; Rogers, 1962). Il a été confirmé par comparaison rétrospective avec des modèles statistiques que les experts sous-évaluaient systématiquement la baisse des coûts des technologies énergétiques (Meng et al., 2021). Deuxièmement, les innovations disruptives ont une faible performance et un marché petit au moment de leur apparition, de sorte que l'analyse basée sur la voix des clients existants et les données de marché existants les juge comme « négligeables » (Christensen, 1997). Troisièmement, quand on prédit en construisant son propre projet « de l'intérieur », l'erreur de planification (planning fallacy) crée systématiquement un biais optimiste. Une analyse de 258 projets publics a montré que 90 % avaient sous-estimé les coûts (Kahneman & Tversky, 1979; Flyvbjerg, Holm & Buhl, 2002)
- Conservatisme des chercheurs : Il existe une distorsion similaire chez les chercheurs. Les chercheurs ont tendance à adopter une stratégie conservatrice se concentrant sur les domaines à la mode déjà établis, mais tandis que les paris sur les nouveaux domaines ont un taux d'échec élevé, l'impact du succès est large, et des millions d'articles montrent qu'au niveau collectif, le choix conservateur est excessif (Foster, Rzhetsky & Evans, 2015). Dans les domaines dont la croissance est évidente pour tous, la compétition est féroce et le gain d'une participation précoce est perdu ; il n'y a de rendement excédentaire que dans les prédictions qui s'écartent du consensus (Thiel & Masters, 2014)
Limites structurelles
- Distinction entre risque et incertitude : Le « risque » prévisible et l'« incertitude » non prévisible ont été distingués. Pour le risque où la probabilité peut être calculée à partir des fréquences passées, l'incertitude où il n'existe pas de passé de référence (incertitude de Knight) ne peut pas avoir la probabilité définie elle-même, et le lancement de nouveaux marchés appartient souvent à cette dernière catégorie (Knight, 1921). De plus, dans les domaines où la distribution des résultats s'écarte considérablement de la distribution normale, les événements rares décident de la majorité des résultats, de sorte que la prédiction moyenne est systématiquement erronée. Il a été empiriquement confirmé que l'investissement en capital-risque et la valeur des inventions possèdent précisément cette distribution (Taleb, 2007; Scherer & Harhoff, 2000; Kerr, Nanda & Rhodes-Kropf, 2014)
- Rendements croissants et dépendance au sentier : Sur les marchés où fonctionnent les rendements croissants et la dépendance au sentier, de petits hasards initiaux décident du vainqueur et ne peuvent être prédits à l'avance. Comme la technologie qui s'est diffusée en premier renforce son avantage grâce aux effets de réseau ou aux effets d'apprentissage, un standard techniquement inférieur peut dominer le marché. Ce processus a été modélisé théoriquement (Arthur, 1989) et illustré par l'histoire de la disposition de clavier QWERTY qui s'est solidifiée sans être techniquement optimale (David, 1985). Cela signifie que « quel marché croît » peut être prédit, mais « qui gagne sur ce marché » est structurellement difficile à prévoir
- Intégration structurelle des bulles : Le déploiement des technologies génériques intègre structurellement les phases d'enthousiasme et de bulle. Les cinq révolutions technologiques depuis la révolution industrielle ont toutes connu un afflux excessif de capital financier formant une bulle au stade d'introduction, puis sont entrées dans la phase de déploiement après l'effondrement (Perez, 2002). Même si on prédit correctement la croissance du marché, une participation ou un investissement durant la phase de bulle entraînera des pertes. L'exactitude de la prédiction et l'exactitude du moment d'entrée et du prix doivent être vérifiées séparément
Limites de l'auto-référence
- Prophéties auto-réalisatrices : La prédiction de phénomènes sociaux change le comportement du sujet du fait même qu'on le prédit. Cette structure de « prophétie auto-réalisatrice » est un point classique de la sociologie (Merton, 1948) et s'applique directement aux prédictions de marché. Lorsque la conjecture « ce marché va croître » est largement partagée, les entrées affluent et la croissance se réalise, mais le gain par participant disparaît. Il a été empiriquement confirmé que les prévisions de taille de marché future motivent réellement l'invention et l'entrée dans les industries pharmaceutiques et automobiles (Acemoglu & Linn, 2004; Dubois et al., 2015; Aghion et al., 2016)
- Problème du prix reflétant tout : Dans le contexte de l'investissement, cette limite se manifeste comme le problème de ce qui est « déjà reflété dans le prix ». Les prévisions basées sur les informations publiques étant déjà reflétées dans le prix, la croissance connue de tous ne génère pas de rendement excédentaire (Fama, 1970). Le « piège de la croissance » où l'investissement dans les industries et entreprises en croissance se termine de façon inattendue par des rendements faibles découle de l'intégration dans le prix des attentes de croissance et du paiement d'un prix surévalué (Siegel, 2005). Discerner la croissance et en tirer profit sont deux problèmes différents
- Loi de Goodhart : Quand une mesure devient un objectif, elle perd sa valeur en tant que mesure. Cette loi selon laquelle « quand une certaine statistique devient l'objectif d'une politique, elle perd sa fiabilité en tant que statistique » (Goodhart, 1984) s'applique également aux indicateurs avancés. Si le nombre de demandes de brevets ou le nombre d'offres d'emploi deviennent largement connus comme « signaux d'un marché en croissance », le nombre de demandes et d'offres conscientes de cette interprétation augmente, et le signal se transforme en bruit. Un indicateur avancé détient son pouvoir prédictif le plus élevé uniquement pendant la période avant qu'il ne soit reconnu comme indicateur
Limites des données et des méthodes
- Les nouveaux marchés n'ont pas de données : Les méthodes quantitatives nécessitent des données historiques, mais les nouveaux marchés, par définition, n'en ont pas. Les coefficients des modèles de diffusion ne peuvent être estimés de manière stable que lorsque le taux de pénétration atteint 10 à 20 % (Bass, 1969; Sultan, Farley & Lehmann, 1990), et avant cela, on doit recourir à la prévision par classe de référence, qui emprunte les coefficients de cas similaires (Kahneman & Tversky, 1979). Cependant, le choix de ce que l'on considère comme « similaire » influence les résultats, et ce choix lui-même dépend du jugement du prévisionniste. Le constat que les modèles statistiques surpassent les experts (Meng et al., 2021) est une conclusion concernant les technologies ayant des décennies d'historique de coûts, et ne s'applique pas directement aux technologies sans antécédents.
- Faiblesse de l'apprentissage automatique face aux changements de régime : L'apprentissage automatique ne peut apprendre que des modèles passés et présente une faiblesse face aux moments où la structure change (changements de régime). Dans un grand concours de prévision utilisant plus de 100 000 séries chronologiques, les méthodes purement fondées sur l'apprentissage automatique ont été dépassées par les méthodes statistiques simples, et la combinaison de plusieurs méthodes s'est avérée la plus précise (Makridakis, Spiliotis & Assimakopoulos, 2018; Makridakis et al., 2020). Pour les grands modèles de langage, tandis que certains rapports affirment qu'ils rivalisent avec la sagesse collective humaine, les repères continuellement mis à jour montrent qu'ils ne surpassent pas encore les super-prévisionnistes entraînés (Schoenegger et al., 2024a; Karger et al., 2024).
- Faux positifs dans la détection de signaux : La détection de signaux se heurte toujours au problème des faux positifs. La définition même des technologies émergentes contient de l'incertitude (Rotolo, Hicks & Martin, 2015), et les technologies qui attirent l'attention avant de s'essouffler, le « battage », ne sont pas rares. Le « cycle de battage », qui décrit l'évolution des attentes envers les technologies, est largement utilisé en pratique, mais il a été signalé que les justifications empiriques pour généraliser sa forme sont faibles en termes de recherche (Dedehayir & Steinert, 2016). La plupart des signaux faibles sont, rétrospectivement, du bruit qui n'a mené à rien.
Point d'arrivée compte tenu des limites
- Probabilité, mise à jour et combinaison : Ces limites ne sont pas une raison d'abandonner la prévision, mais une raison de changer la façon dont on l'utilise. Premièrement, les résultats de la prévision ne sont pas des points uniques mais des distributions de probabilité, et doivent être traitées avec une marge. Deuxièmement, les probabilités doivent être mises à jour chaque fois que de nouvelles informations arrivent, et s'en tenir à une prévision une fois qu'elle a été émise est le facteur d'erreur le plus grave. La différence d'environ 30 % entre les prévisionnistes entraînés et les analystes du renseignement provient principalement de cette habitude de mise à jour (Mellers et al., 2014; Tetlock & Gardner, 2015). Troisièmement, s'appuyer sur une seule méthode plutôt que sur une combinaison de plusieurs est une conclusion qui est constamment soutenue tant par un demi-siècle de recherche en prévision que par les compétitions les plus récentes (Armstrong, 2001; Makridakis et al., 2020).
- Complément par prospective : L'incertitude que la prévision ne peut pas traiter est abordée par la prospective (foresight). Pour l'avenir imprévisible, il est plus rationnel de décrire plusieurs scénarios, de surveiller les indicateurs avancés et de préparer des décisions capables de répondre à n'importe quel scénario, plutôt que de miser sur une seule prévision (Schoemaker, 1995; Wack, 1985). Si une prévision se trompe, c'est que la méthode est mauvaise, et les méthodes peuvent être améliorées. Cependant, les méthodes améliorées ont aussi des limites, et la conception des décisions basée sur ces limites devient l'étape suivante de la prévision.
Conclusion
Nous avons ainsi synthétisé les approches pour identifier les marchés en croissance. Les méthodes présentées ici ne peuvent certes pas prédire avec certitude les marchés en croissance, mais montrent qu'une approche scientifique peut permettre de prévoir avec la plus haute probabilité possible. Elles peuvent être mobilisées comme approche pour prévoir la structure des marchés futurs à l'ère de l'IA.
Références
- Acemoglu, D., & Linn, J. (2004). Market size in innovation: Theory and evidence from the pharmaceutical industry. Quarterly Journal of Economics, 119(3), 1049–1090. (Article démontrant que la taille du marché anticipée d'après la démographie détermine l'orientation du développement de nouveaux médicaments)
- Aghion, P., Dechezleprêtre, A., Hémous, D., Martin, R., & Van Reenen, J. (2016). Carbon taxes, path dependency, and directed technical change: Evidence from the auto industry. Journal of Political Economy, 124(1), 1–51. (Article démontrant que la hausse des prix des carburants accroît les brevets de technologies propres des constructeurs automobiles)
- Aguilar, F. J. (1967). Scanning the business environment. Macmillan. (Ouvrage qui a systématisé l'analyse de l'environnement externe de l'entreprise et a servi de prototype à l'analyse PESTEL)
- Ahmadpoor, M., & Jones, B. F. (2017). The dual frontier: Patented inventions and prior scientific advance. Science, 357(6351), 583–587. (Article mesurant la distance entre la science et la technologie via les réseaux de citation de brevets et d'articles, montrant que les brevets de forte valeur marchande sont proches de la science fondamentale)
- Andreessen, M. (2011, August 20). Why software is eating the world. The Wall Street Journal. (Essai présentant la thèse d'investissement selon laquelle le logiciel réorganise tous les secteurs)
- Ansoff, H. I. (1975). Managing strategic surprise by response to weak signals. California Management Review, 18(2), 21–33. (Article proposant de faire face aux « signaux faibles » qui précèdent les grands changements)
- Armstrong, J. S. (Ed.). (2001). Principles of forecasting: A handbook for researchers and practitioners. Kluwer Academic Publishers. (Manuel synthétisant les principes de la recherche en prévision, montrant que la combinaison de méthodes améliore la précision)
- Arrow, K. J., Forsythe, R., Gorham, M., Hahn, R., Hanson, R., Ledyard, J. O., Levmore, S., Litan, R., Milgrom, P., Nelson, F. D., Neumann, G. R., Ottaviani, M., Schelling, T. C., Shiller, R. J., Smith, V. L., Snowberg, E., Sunstein, C. R., Tetlock, P. C., Tetlock, P. E., … Zitzewitz, E. (2008). The promise of prediction markets. Science, 320(5878), 877–878. (Article discutant l'efficacité des marchés de prévision et leur potentiel politique)
- Arthur, W. B. (1989). Competing technologies, increasing returns, and lock-in by historical events. Economic Journal, 99(394), 116–131. (Article théorisant comment, sous rendements croissants, le hasard initial détermine le gagnant, rendant la prévision antérieure difficile)
- Atanasov, P., Rescober, P., Stone, E., Swift, S. A., Servan-Schreiber, E., Tetlock, P., Ungar, L., & Mellers, B. (2017). Distilling the wisdom of crowds: Prediction markets vs. prediction polls. Management Science, 63(3), 691–706. (Article démontrant que les sondages de prévision statistiquement agrégés montrent une précision égale ou supérieure à celle des marchés de prévision)
- Bass, F. M. (1969). A new product growth for model consumer durables. Management Science, 15(5), 215–227. (Article original du modèle Bass qui formalise la diffusion des nouveaux produits par les coefficients d'innovation et d'imitation)
- Bass, F. M., Gordon, K., Ferguson, T. L., & Githens, M. L. (2001). DIRECTV: Forecasting diffusion of a new technology prior to product launch. Interfaces, 31(3), S82–S93. (Article rapportant que le modèle Bass a prédit les abonnés à la télévision par satellite avant le lancement du produit, avec des résultats quasi identiques)
- Bloom, N., Hassan, T. A., Kalyani, A., Lerner, J., & Tahoun, A. (2021). The diffusion of disruptive technologies (NBER Working Paper No. 28999). National Bureau of Economic Research. (Article retraçant la diffusion entre entreprises et régions de 29 technologies disruptives à partir de textes de conférences téléphoniques, de brevets et d'offres d'emploi)
- Boston Consulting Group. (1968). Perspectives on experience. Boston Consulting Group. (Rapport ayant intégré la loi de Wright sous la forme de la « courbe d'expérience » dans la stratégie managériale)
- Bresnahan, T. F., & Trajtenberg, M. (1995). General purpose technologies: 'Engines of growth'? Journal of Econometrics, 65(1), 83–108. (Article montrant comment les technologies d'usage général génèrent la croissance via une chaîne d'innovations complémentaires)
- Bryar, C., & Carr, B. (2021). Working backwards: Insights, stories, and secrets from inside Amazon. St. Martin's Press. (Ouvrage où un initié explique le processus de raisonnement par la fin, basé sur le client, d'Amazon)
- Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372.(Article montrant la courbe en J représentant le délai avant que l'investissement dans les technologies d'usage général se traduise par une productivité accrue, via la mise en place d'actifs immatériels complémentaires)
- Chen, K.-Y., & Plott, C. R. (2002). Information aggregation mechanisms: Concept, design and implementation for a sales forecasting problem (Social Science Working Paper No. 1131). California Institute of Technology.(Article rapportant que le marché prédictif interne de HP a dépassé les prévisions de ventes officielles)
- Christensen, C. M. (1997). The innovator's dilemma: When new technologies cause great firms to fail. Harvard Business School Press.(Ouvrage montrant pourquoi l'innovation de rupture échappe à l'analyse de marché des entreprises établies)
- Christensen, C. M., Hall, T., Dillon, K., & Duncan, D. S. (2016). Know your customers' "jobs to be done". Harvard Business Review, 94(9), 54–62.(Article expliquant la théorie des tâches, qui redéfinit le marché à partir des « tâches que le client souhaite accomplir »)
- Chu, J. S. G., & Evans, J. A. (2021). Slowed canonical progress in large fields of science. Proceedings of the National Academy of Sciences, 118(41), e2021636118.(Article montrant que plus un domaine scientifique est mature et vaste, plus il est difficile que de nouvelles idées s'établissent)
- Collantes, G., & Sperling, D. (2008). The origin of California's zero emission vehicle mandate. Transportation Research Part A: Policy and Practice, 42(10), 1302–1313.(Article analysant le processus d'établissement de la réglementation ZEV de Californie en 1990 et montrant que la régulation a orienté l'émergence du marché des véhicules électriques)
- Comin, D., & Hobijn, B. (2010). An exploration of technology diffusion. American Economic Review, 100(5), 2031–2059.(Article montrant que le délai entre l'invention et la diffusion atteint en moyenne 45 ans, et que cet écart explique les écarts de revenus entre pays)
- Costinot, A., Donaldson, D., Kyle, M., & Williams, H. (2019). The more we die, the more we sell? A simple test of the home-market effect. Quarterly Journal of Economics, 134(2), 843–894.(Article démontrant que plus le fardeau des maladies est lourd dans un pays, plus ce pays produit et exporte les traitements correspondants, prouvant que la demande détermine la localisation de la production)
- Cowgill, B., & Zitzewitz, E. (2015). Corporate prediction markets: Evidence from Google, Ford, and Firm X. Review of Economic Studies, 82(4), 1309–1341.(Article montrant que les marchés prédictifs internes de Google et Ford fonctionnent comme des probabilités calibrées et ont corrigé les biais optimistes des prévisions officielles)
- Creutzig, F., Agoston, P., Goldschmidt, J. C., Luderer, G., Nemet, G., & Pietzcker, R. C. (2017). The underestimated potential of solar energy to mitigate climate change. Nature Energy, 2, 17140.(Article analysant les causes de la sous-estimation systématique des prévisions de déploiement de l'énergie solaire par les grandes institutions)
- Dalkey, N., & Helmer, O. (1963). An experimental application of the Delphi method to the use of experts. Management Science, 9(3), 458–467.(Article rapportant la première application expérimentale de la méthode Delphi)
- David, P. A. (1985). Clio and the economics of QWERTY. American Economic Review, 75(2), 332–337.(Article montrant, à partir de l'exemple du clavier QWERTY, que les normes techniquement sous-optimales peuvent dominer le marché en raison de la dépendance au sentier)
- David, P. A. (1990). The dynamo and the computer: An historical perspective on the modern productivity paradox. American Economic Review, 80(2), 355–361.(Article montrant à partir de l'histoire du délai de 40 ans avant l'effet de productivité de l'électricité la structure temporelle des technologies d'usage général)
- Day, G. S., & Schoemaker, P. J. H. (2006). Peripheral vision: Detecting the weak signals that will make or break your company. Harvard Business School Press.(Ouvrage démontrant pourquoi les organisations négligent les signaux faibles et comment améliorer la vision périphérique)
- Dedehayir, O., & Steinert, M. (2016). The hype cycle model: A review and future directions. Technological Forecasting and Social Change, 108, 28–41.(Examen clarifiant la faiblesse des justifications de recherche concernant la possibilité de généraliser empiriquement la forme de la courbe de hype)
- Drucker, P. F. (1997). The future that has already happened. Harvard Business Review, 75(5), 20–24.(Article montrant l'approche utilisant les données démographiques comme « l'avenir déjà survenu » pour la prévision)
- Dubois, P., de Mouzon, O., Scott-Morton, F., & Seabright, P. (2015). Market size and pharmaceutical innovation. RAND Journal of Economics, 46(4), 844–871.(Article estimant l'élasticité selon laquelle une augmentation de 1 % de la taille du marché accroît le nombre de nouveaux médicaments d'environ 0,2 %)
- Ebadi, A., Auger, A., & Gauthier, Y. (2022). Detecting emerging technologies and their evolution using deep learning and weak signal analysis. Journal of Informetrics, 16(4), 101344.(Article présentant une méthode pour détecter les technologies émergentes et leur évolution par apprentissage profond et analyse des signaux faibles)
- The Economist. (1999, October 7). Cutting the cord.(Article rapportant le cas où les prévisions du marché de la téléphonie mobile dans les années 1980 ont été inférieur aux résultats réels de plus de 100 fois)
- Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.(Article estimant la portée du marché du travail impactée par les grands modèles de langage en fonction de la composition des tâches professionnelles)
- European Commission Joint Research Centre. (2024). Weak signals in science and technologies 2024. Publications Office of the European Union.(Rapport de détection des signaux faibles mis en œuvre annuellement par l'UE)
- Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25(2), 383–417.(Article synthétisant l'hypothèse de marché efficient selon laquelle les informations publiques sont déjà refondues dans les prix)
- Farmer, J. D., & Lafond, F. (2016). How predictable is technological progress? Research Policy, 45(3), 647–665.(Article démontrant que la prévision probabiliste du coût technologique basée sur la courbe d'expérience possède une précision pratique)
- Felin, T., & Zenger, T. R. (2017). The theory-based view: Economic actors as theorists. Strategy Science, 2(4), 258–271.(Article présentant la vision stratégique basée sur la théorie selon laquelle le potentiel du marché ne devient visible que par la théorie unique de l'entreprise)
- Flyvbjerg, B. (2006). From Nobel Prize to project management: Getting risks right. Project Management Journal, 37(3), 5–15.(Article appliquant la prévision par classe de référence à la pratique et montrant des méthodes pour traiter les erreurs de planification)
- Flyvbjerg, B., Holm, M. S., & Buhl, S. (2002). Underestimating costs in public works projects: Error or lie? Journal of the American Planning Association, 68(3), 279–295.(Article démontrant que 90 % des 258 projets d'infrastructure ont dépassé leurs budgets et confirme la nécessité de la prévision par classe de référence)
- Forsythe, R., Nelson, F., Neumann, G. R., & Wright, J. (1992). Anatomy of an experimental political stock market. American Economic Review, 82(5), 1142–1161. (Article de recherche rapportant que le marché électronique de l'Iowa a prédit les résultats électoraux plus précisément que les sondages d'opinion.)
- Foster, J. G., Rzhetsky, A., & Evans, J. A. (2015). Tradition and innovation in scientists' research strategies. American Sociological Review, 80(5), 875–908. (Article qui a montré sur des millions de publications que, tandis que le choix conservateur de thèmes de recherche est dominant, les paris sur de nouveaux domaines génèrent un impact élevé.)
- Fuchs, E. R. H. (2010). Rethinking the role of the state in technology development: DARPA and the case for embedded network governance. Research Policy, 39(9), 1133–1147. (Article analysant le mécanisme par lequel la DARPA investit dans des domaines technologiques au stade où le marché n'existe pas encore.)
- Garfield, E. (1955). Citation indexes for science: A new dimension in documentation through association of ideas. Science, 122(3159), 108–111. (Article proposant l'index de citation des publications et posant les fondations de la scientométrie.)
- Gates, B. (1996). The road ahead (Rev. ed.). Penguin Books. (Ouvrage soulignant la tendance humaine à surévaluer les changements à court terme et à sous-évaluer ceux à long terme.)
- Goldfarb, A., Taska, B., & Teodoridis, F. (2023). Could machine learning be a general purpose technology? A comparison of emerging technologies using data from online job postings. Research Policy, 52(1), 104653. (Article qui a vérifié en utilisant les annonces d'emploi en ligne si l'apprentissage automatique satisfait aux conditions d'une technologie d'usage général.)
- Goldin, C. (2006). The quiet revolution that transformed women's employment, education, and family. American Economic Review, 96(2), 1–21. (Article analysant l'expansion de l'emploi et de la formation professionnelle des femmes comme une « révolution tranquille ».)
- Gompers, P. A., Gornall, W., Kaplan, S. N., & Strebulaev, I. A. (2020). How do venture capitalists make decisions? Journal of Financial Economics, 135(1), 169–190. (Article clarifiant les facteurs et pondérations des décisions d'investissement à partir d'une enquête auprès de 885 capitalistes-risqueurs.)
- Goodhart, C. A. E. (1984). Monetary theory and practice: The UK experience. Macmillan. (Ouvrage présentant la « loi de Goodhart », selon laquelle une mesure statistique perd sa fiabilité comme indicateur dès qu'elle devient un objectif politique.)
- Goodwin, P., Dyussekeneva, K., & Meeran, S. (2013). The use of analogies in forecasting the annual sales of new electronics products. IMA Journal of Management Mathematics, 24(4), 407–423. (Article montrant que la prévision des ventes de nouveaux produits électroniques utilisant l'analogie avec des produits similaires est plus précise que la prévision par jugement seul.)
- Graham, P. (2012). How to get startup ideas. Y Combinator. (Essai présentant une méthode de découverte d'idées de startup : « vivez dans le futur et créez ce qui manque ».)
- Griliches, Z. (1957). Hybrid corn: An exploration in the economics of technological change. Econometrica, 25(4), 501–522. (Article analysant quantitativement la courbe S de diffusion du maïs hybride et montrant que la vitesse de diffusion est proportionnelle à la rentabilité.)
- Gross, B. (2015). The single biggest reason why start-ups succeed [Video]. TED Conferences. (Conférence montrant à partir de l'analyse de plus de 200 entreprises que le timing est le facteur de succès le plus important.)
- Grove, A. S. (1996). Only the paranoid survive: How to exploit the crisis points that challenge every company. Currency Doubleday. (Ouvrage dans lequel l'auteur, en tant qu'acteur direct, analyse la migration des bénéfices lorsque l'industrie des ordinateurs personnels est passée de l'intégration verticale à la division horizontale du travail.)
- Habegger, B. (2010). Strategic foresight in public policy: Reviewing the experiences of the UK, Singapore, and the Netherlands. Futures, 42(1), 49–58. (Article comparant les institutions de prospective stratégique de différents gouvernements, notamment le RAHS de Singapour.)
- Halawi, D., Zhang, F., Yueh-Han, C., & Steinhardt, J. (2024). Approaching human-level forecasting with language models. arXiv preprint arXiv:2402.18563. (Article montrant qu'un modèle de langage renforcé par la recherche d'informations atteint une précision proche de celle des collectifs de prévision humains.)
- Hall, B. H., Jaffe, A., & Trajtenberg, M. (2005). Market value and patent citations. RAND Journal of Economics, 36(1), 16–38. (Article empirique montrant que les brevets les plus cités contribuent davantage à la valeur de l'entreprise.)
- Hamming, R. W. (1986). You and your research [Lecture]. Bell Communications Research Colloquium Seminar. (Conférence arguant que les chercheurs qui produisent de grands résultats choisissent des problèmes importants et entrent tôt dans les domaines en émergence.)
- Hayek, F. A. (1945). The use of knowledge in society. American Economic Review, 35(4), 519–530. (Article fondateur de la théorie des marchés de prévision, discutant comment les prix agrègent les connaissances dispersées.)
- Hill, R., Yin, Y., Stein, C., Wang, X., Wang, D., & Jones, B. F. (2025). The pivot penalty in research. Nature, 642, 999–1006. (Article montrant sur un large ensemble de données que l'impact diminue lorsqu'un chercheur change de spécialité vers un nouveau sujet.)
- Jacobsson, S., & Lauber, V. (2006). The politics and policy of energy system transformation—explaining the German diffusion of renewable energy technology. Energy Policy, 34(3), 256–276. (Article analysant le processus d'adoption de la loi allemande sur les énergies renouvelables et comment elle a lancé le marché de l'énergie solaire.)
- Kahn, H., & Wiener, A. J. (1967). The year 2000: A framework for speculation on the next thirty-three years. Macmillan. (Ouvrage fondateur du scénariotechnique issu du RAND Institute, systématisant la méthode des scénarios.)
- Kahneman, D., & Tversky, A. (1979). Intuitive prediction: Biases and corrective procedures. TIMS Studies in Management Science, 12, 313–327. (Article présentant l'erreur de planification et une procédure de correction utilisant le point de vue externe (classe de référence).)
- Karger, E., Bastani, H., Yueh-Han, C., Jacobs, Z., Halawi, D., Zhang, F., & Tetlock, P. E. (2024). ForecastBench: A dynamic benchmark of AI forecasting capabilities. arXiv preprint arXiv:2409.19839. (Article présentant un benchmark mis à jour en continu, montrant que les derniers modèles de langage ne rivalisent pas encore avec les super-prévisionnistes.)
- Karikó, K., Buckstein, M., Ni, H., & Weissman, D. (2005). Suppression of RNA recognition by Toll-like receptors: The impact of nucleoside modification and the evolutionary origin of RNA. Immunity, 23(2), 165–175. (Article présentant la méthode des nucléosides modifiés à la base des vaccins à ARNm, sujet du prix Nobel 2023.)
- Keating, G. (2012). Netflixed: The epic battle for America's eyeballs. Portfolio/Penguin. (Ouvrage décrivant comment Netflix, dès sa création, a prévu la transition vers la diffusion en continu et a remplacé son activité principale.)
- Kerr, W. R., Nanda, R., & Rhodes-Kropf, M. (2014). Entrepreneurship as experimentation. Journal of Economic Perspectives, 28(3), 25–48. (Article montrant que les rendements des capital-risqueurs suivent une distribution asymétrique dépendant d'un petit nombre de grands succès, et que l'investissement fonctionne comme une expérience.)
- Kharas, H. (2017). The unprecedented expansion of the global middle class: An update (Global Economy & Development Working Paper No. 100). Brookings Institution.(Article d'études ayant estimé l'expansion rapide de la population de la classe moyenne mondiale et sa concentration en Asie)
- Knight, F. H. (1921). Risk, uncertainty and profit. Houghton Mifflin.(Classique d'économie ayant distingué le risque dont la probabilité peut être calculée de l'incertitude qui ne peut pas être calculée)
- Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105.(Article dont les réseaux de neurones profonds entraînés sur GPU ont remporté une victoire écrasante en reconnaissance d'images et a marqué le point de départ de la révolution du deep learning)
- Lafond, F., Bailey, A. G., Bakker, J. D., Rebois, D., Zadourian, R., McSharry, P., & Farmer, J. D. (2018). How well do experience curves predict technological progress? A method for making distributional forecasts. Technological Forecasting and Social Change, 128, 104–117.(Article proposant une méthode de prévisions distribuées basées sur les courbes d'expérience et validée sur plus de 50 technologies)
- Lee, C., Kwon, O., Kim, M., & Kwon, D. (2018). Early identification of emerging technologies: A machine learning approach using multiple patent indicators. Technological Forecasting and Social Change, 127, 291–303.(Article montrant une méthode d'identification précoce des technologies émergentes utilisant plusieurs indicateurs de brevets et l'apprentissage automatique)
- Lee, J., Veloso, F. M., & Hounshell, D. A. (2011). Linking induced technological change, and environmental regulation: Evidence from patenting in the U.S. auto industry. Research Policy, 40(9), 1240–1252.(Article démontrant que la réglementation sur les émissions polluantes aux États-Unis a stimulé les demandes de brevets pour les technologies de dépollution automobile)
- Levitt, T. (1983). The marketing imagination. Free Press.(Ouvrage ayant popularisé la perception que « les clients veulent des trous, pas des perceuses »)
- Lilien, G. L., Morrison, P. D., Searls, K., Sonnack, M., & von Hippel, E. (2002). Performance assessment of the lead user idea-generation process for new product development. Management Science, 48(8), 1042–1059.(Article montrant que la méthode des utilisateurs pionniers chez 3M a généré un potentiel de chiffre d'affaires environ 8 fois supérieur aux méthodes conventionnelles)
- Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3), e0194889.(Article montrant que les méthodes pures d'apprentissage automatique surpassent les méthodes statistiques simples et clarifiant les limites du machine learning en prévision)
- Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54–74.(Article rapportant qu'une combinaison de plusieurs méthodes a été la plus précise dans une compétition de prévisions sur 100 000 séries chronologiques)
- Marx, M., & Fuegi, A. (2020). Reliance on science: Worldwide front-page patent citations to scientific articles. Strategic Management Journal, 41(9), 1572–1594.(Article ayant construit une base de données des articles scientifiques cités par les brevets, permettant de suivre les connexions entre la science et l'industrie à grande échelle)
- Mathews, J. A. (1997). A Silicon Valley of the East: Creating Taiwan's semiconductor industry. California Management Review, 39(4), 26–54.(Article analysant le processus par lequel le gouvernement taïwanais a créé son industrie des semiconducteurs via l'ITRI et TSMC)
- Mazzucato, M. (2013). The entrepreneurial state: Debunking public vs. private sector myths. Anthem Press.(Ouvrage montrant que nombre des principales technologies composant l'iPhone proviennent du financement de recherche publique et discutant du rôle des investissements publics préalables)
- Mellers, B., Ungar, L., Baron, J., Ramos, J., Gurcay, B., Fincher, K., Scott, S. E., Moore, D., Atanasov, P., Swift, S. A., Murray, T., Stone, E., & Tetlock, P. E. (2014). Psychological strategies for winning a geopolitical forecasting tournament. Psychological Science, 25(5), 1106–1115.(Article démontrant expérimentalement dans un tournoi de prévisions que l'entraînement, le travail en équipe et la mise à jour des probabilités améliorent considérablement la précision des prévisions)
- Meng, J., Way, R., Verdolini, E., & Diaz Anadon, L. (2021). Comparing expert elicitation and model-based probabilistic technology cost forecasts for the energy transition. Proceedings of the National Academy of Sciences, 118(27), e1917165118.(Article montrant que les modèles statistiques surpassent les estimations d'experts en prévision des coûts des technologies énergétiques et que les experts sous-estiment les baisses de coûts)
- Merton, R. K. (1948). The self-fulfilling prophecy. Antioch Review, 8(2), 193–210.(Article ayant formalisé le concept de « prophétie autoréalisatrice » où une prévision change le comportement de l'objet et se réalise d'elle-même)
- Myers, K. (2020). The elasticity of science. American Economic Journal: Applied Economics, 12(4), 103–134.(Article démontrant avec les données du NIH que les chercheurs réorientent leurs sujets de recherche en réaction aux financements affectés à un usage spécifique)
- Nagy, B., Farmer, J. D., Bui, Q. M., & Trancik, J. E. (2013). Statistical basis for predicting technological progress. PLoS ONE, 8(2), e52669.(Article validant le pouvoir prédictif de la loi de Wright sur les données de 62 technologies)
- Park, M., Leahey, E., & Funk, R. J. (2023). Papers and patents are becoming less disruptive over time. Nature, 613, 138–144.(Article montrant sur 45 millions d'articles et 3,9 millions de brevets que la proportion de résultats disruptifs continue de diminuer)
- Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar.(Ouvrage montrant à travers 5 vagues que les révolutions technologiques passent par les phases d'introduction, de bulle, de point de basculement et d'expansion)
- Popp, D. (2002). Induced innovation and energy prices. American Economic Review, 92(1), 160–180.(Article démontrant que l'augmentation des prix de l'énergie stimule les demandes de brevets en technologies d'économie d'énergie)
- Porter, M. E., & van der Linde, C. (1995). Toward a new conception of the environment-competitiveness relationship. Journal of Economic Perspectives, 9(4), 97–118.(Article soutenant que la réglementation bien conçue favorise l'innovation et de nouveaux marchés)
- Raina, R., Madhavan, A., & Ng, A. Y. (2009). Large-scale deep unsupervised learning using graphics processors. Proceedings of the 26th Annual International Conference on Machine Learning, 873–880.(Article montrant que les GPU accélèrent considérablement l'entraînement du deep learning et qui a servi de signal d'alerte précoce de la demande croissante en calcul GPU)
- Rogers, E. M. (1962). Diffusion of innovations. Free Press.(Ouvrage fondateur de la théorie de la diffusion montrant que la diffusion des innovations suit une courbe en S)
- Rohrbeck, R., & Kum, M. E. (2018). Corporate foresight and its impact on firm performance: A longitudinal analysis. Technological Forecasting and Social Change, 129, 105–116.(Article démontrant que les entreprises disposant d'une fonction de prévoyance d'entreprise affichent des taux de rentabilité et de croissance élevés sept ans plus tard)
- Rohrbeck, R., Battistella, C., & Huizingh, E. (2015). Corporate foresight: An emerging field with a rich tradition. Technological Forecasting and Social Change, 101, 1–9.(Article organisant le domaine de recherche de la prévoyance d'entreprise et positionnant sa relation avec la prévision)
- Rotolo, D., Hicks, D., & Martin, B. R. (2015). What is an emerging technology? Research Policy, 44(10), 1827–1843.(Article définissant les technologies émergentes par cinq attributs et fournissant un cadre commun aux recherches ultérieures)
- Rowe, G., & Wright, G. (1999). The Delphi technique as a forecasting tool: Issues and analysis. International Journal of Forecasting, 15(4), 353–375.(Article validant la précision de prévision de la méthode Delphi par examen d'études empiriques)
- Ryan, B., & Gross, N. C. (1943). The diffusion of hybrid seed corn in two Iowa communities. Rural Sociology, 8(1), 15–24.(Article découvrant initialement que l'adoption d'innovations suit une courbe en S, fondateur de la recherche sur la diffusion)
- Satopää, V. A., Baron, J., Foster, D. P., Mellers, B. A., Tetlock, P. E., & Ungar, L. H. (2014). Combining multiple probability predictions using a simple logit model. International Journal of Forecasting, 30(2), 344–356.(Article montrant que la précision s'améliore quand les prévisions de probabilité collectives sont extrêmisées et agrégées)
- Scherer, F. M., & Harhoff, D. (2000). Technology policy for a world of skew-distributed outcomes. Research Policy, 29(4–5), 559–566.(Article montrant que la valeur économique des inventions suit une distribution très inégale, un petit nombre représentant la majorité de la valeur)
- Schmookler, J. (1966). Invention and economic growth. Harvard University Press.(Classique de la théorie de la demande comme moteur, montrant que la direction de l'invention répond à l'ampleur de la demande)
- Schoemaker, P. J. H. (1995). Scenario planning: A tool for strategic thinking. Sloan Management Review, 36(2), 25–40.(Article clarifiant la procédure et la portée stratégique de la planification par scénarios)
- Schoemaker, P. J. H., & Day, G. S. (2009). How to make sense of weak signals. MIT Sloan Management Review, 50(3), 81–89.(Article présentant des méthodes pour détecter et interpréter systématiquement les signaux faibles au sein d'une organisation)
- Schoenegger, P., Park, P. S., Karger, E., Trott, S., & Tetlock, P. E. (2024b). AI-augmented predictions: LLM assistants improve human forecasting accuracy. arXiv preprint arXiv:2402.07862.(Article montrant que la précision de prévision des humains s'améliore significativement quand ils sont assistés par des LLM)
- Schoenegger, P., Tuminauskaite, I., Park, P. S., & Tetlock, P. E. (2024a). Wisdom of the silicon crowd: LLM ensemble prediction capabilities rival human crowd accuracy. Science Advances, 10(45), eadp1528.(Article montrant que les ensembles de LLM rivalisent avec la précision de prévision de la sagesse collective humaine)
- Schwartz, P. (1991). The art of the long view: Planning for the future in an uncertain world. Doubleday.(Ouvrage systématisant la pratique de planification par scénarios de Shell, décrivant la préparation à l'effondrement des prix du pétrole en 1986)
- Siegel, J. J. (2005). The future for investors: Why the tried and the true triumph over the bold and the new. Crown Business.(Ouvrage montrant sur des données long terme le « piège de la croissance » où les investissements dans les secteurs en croissance produisent des rendements faibles)
- Singh, A., Triulzi, G., & Magee, C. L. (2021). Technological improvement rate predictions for all technologies: Use of patent data and an extended domain description. Research Policy, 50(9), 104294.(Article prédisant les taux d'amélioration annuels pour 1 757 domaines technologiques à partir de données de brevets)
- Sultan, F., Farley, J. U., & Lehmann, D. R. (1990). A meta-analysis of applications of diffusion models. Journal of Marketing Research, 27(1), 70–77.(Méta-analyse de 213 études d'application du modèle Bass, présentant les valeurs typiques des coefficients d'innovation et d'imitation)
- Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.(Ouvrage examinant comment lorsque les résultats s'écartent de la distribution normale, les événements rares dominent les résultats et les prévisions moyennes échouent)
- Tetlock, P. E. (2005). Expert political judgment: How good is it? How can we know? Princeton University Press.(Ouvrage ayant suivi la précision de prévision d'experts pendant 20 ans, démontrant ses limites et possibilités d'amélioration)
- Tetlock, P. E., & Gardner, D. (2015). Superforecasting: The art and science of prediction. Crown.(Ouvrage systématisant la prévision comme une compétence entraînable)
- Tetlock, P. E., Mellers, B. A., & Scoblic, J. P. (2017). Bringing probability judgments into policy debates via forecasting tournaments. Science, 355(6324), 481–483.(Article proposant les tournois de prévision comme moyen d'introduire la pensée probabiliste dans les débats politiques)
- Thiel, P., & Masters, B. (2014). Zero to one: Notes on startups, or how to build the future. Crown Business.(Ouvrage discutant l'investissement dans les « vérités cachées » s'écartant du consensus)
- Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical combinations and scientific impact. Science, 342(6157), 468–472.(Article montrant que les articles à fort impact combinent des connaissances conventionnelles avec une combinaison exceptionnelle)
- Valentine, D. (2010). View from the top [Lecture]. Stanford Graduate School of Business.(Conférence du fondateur de Sequoia Capital décrivant sa vision où la taille du marché est le premier critère de décision d'investissement)
- von Hippel, E. (1976). The dominant role of users in the scientific instrument innovation process. Research Policy, 5(3), 212–239.(Article montrant que 77 % des innovations en instruments scientifiques proviennent des utilisateurs, fondateur de la méthode des utilisateurs pionniers)
- von Hippel, E. (1986). Lead users: A source of novel product concepts. Management Science, 32(7), 791–805.(Article original de la méthode des utilisateurs pionniers montrant que les utilisateurs avancés anticipent la demande future)
- von Hippel, E., Thomke, S., & Sonnack, M. (1999). Creating breakthroughs at 3M. Harvard Business Review, 77(5), 47–57.(Article rapportant comment la division médicale de 3M a obtenu de nouveaux concepts de produits grâce à la méthode des utilisateurs pionniers)
- Wack, P. (1985). Scenarios: Uncharted waters ahead. Harvard Business Review, 63(5), 72–89.(Article rapportant la pratique de planification par scénarios de Shell par un acteur direct)
- Wang, J., Veugelers, R., & Stephan, P. (2017). Bias against novelty in science: A cautionary tale for users of bibliometric indicators. Research Policy, 46(8), 1416–1436.(Article montrant que les articles à forte nouveauté sont sous-évalués à court terme mais exercent une influence élevée à long terme))
- Way, R., Ives, M. C., Mealy, P., & Farmer, J. D. (2022). Empirically grounded technology forecasts and the energy transition. Joule, 6(9), 2057–2082.(Article montrant que plus rapide la transition énergétique, plus bas le coût total grâce à des prévisions probabilistes fondées sur les courbes d'expérience)
- Wetterstrand, K. A. (2023). DNA sequencing costs: Data. National Human Genome Research Institute.(Données publiques montrant l'évolution du coût du séquençage du génome humain)
- Witt, S. (2025). The thinking machine: Jensen Huang, Nvidia, and the world's most coveted microchip. Viking.(Ouvrage décrivant comment NVIDIA a attendu l'émergence des marchés d'application grâce à ses investissements d'avance dans CUDA)
- Wolfers, J., & Zitzewitz, E. (2004). Prediction markets. Journal of Economic Perspectives, 18(2), 107–126.(Article passant en revue la théorie et les preuves empiriques des marchés prédictifs)
- Wright, T. P. (1936). Factors affecting the cost of airplanes. Journal of the Aeronautical Sciences, 3(4), 122–128.(Article original de Wright découvrant la relation entre la production cumulée et la réduction des coûts (loi de Wright))
- Zhou, Y., Dong, F., Liu, Y., Li, Z., Du, J., & Zhang, L. (2020). Forecasting emerging technologies using data augmentation and deep learning. Scientometrics, 123, 1–29.(Article présentant une méthode de prévision des technologies émergentes par augmentation de données et apprentissage profond)
- Ziegler, M. S., & Trancik, J. E. (2021). Re-examining rates of lithium-ion battery technology improvement and cost decline. Energy & Environmental Science, 14(4), 1635–1651.(Article montrant que le coût des batteries au lithium-ion a diminué selon la courbe d'expérience)
- 国立社会保障・人口問題研究所. (2023). 日本の将来推計人口(令和5年推計). 人口問題研究資料第347号.(Document public montrant l'évolution du taux de vieillissement au Japon et les projections futures)
- 科学技術・学術政策研究所. (2019). 第11回科学技術予測調査. NISTEP REPORT No. 183.(Dernier rapport de l'enquête Delphi japonaise poursuivie tous les cinq ans depuis 1971)