Pourquoi l'IA ne déleste pas le décideur public?

La délégation promise, et l'inflexion qui la dément

L'argument de vente de l'IA générative auprès des sommets de l'organisation tient en une phrase : la technologie monterait d'un cran le niveau d'abstraction accessible au dirigeant, le dispensant de comprendre ce qui se passe sous le capot. Le copilote rédige, l'agent exécute, le tableau de bord synthétise. Le décideur n'aurait plus qu'à valider. Cette promesse implicite de délégation est séduisante parce qu'elle réconcilie deux contraintes réputées inconciliables, la sophistication croissante des systèmes et la rareté de l'attention dirigeante.

Les données disponibles racontent l'histoire contraire. Les travaux du Center for Information Systems Research du MIT, conduits par Peter Weill et Stephanie Woerner, mesurent depuis 2019 la « digital savviness » des conseils d'administration de grandes sociétés cotées. Leur constat n'est pas que la compétence numérique cesse d'importer à mesure que l'IA progresse, mais que le seuil se déplace vers le haut. Ce qui constituait un facteur différenciant de performance en 2019 est devenu, en quelques années, un prérequis de base, et une nouvelle frontière s'est ouverte du côté de la maîtrise de l'IA elle-même.

Le seuil qui monte (chiffre-clé)

Selon les analyses du MIT CISR (Weill, Woerner et Banner), la proportion de conseils d'administration jugés « numériquement avertis » est passée d'environ un quart des grandes sociétés cotées américaines en 2019 à près des trois quarts dans la réévaluation de fin 2025. Mais seule une minorité (de l'ordre du quart) franchit la nouvelle barre de la maîtrise de l'IA. Ces conseils affichent un rendement des capitaux propres supérieur d'environ onze points à la moyenne de leur secteur, quand les conseils non avertis se situent près de quatre points en deçà. La compétence ne se dévalue pas avec la diffusion technologique. Son point d'exigence se déplace.

Ces travaux relèvent de la recherche praticienne et non de la revue à comité de lecture, réserve qu'il faut maintenir. Ils sont toutefois corroborés par une publication évaluée par les pairs. Marc Pinski, Thomas Hofmann et Alexander Benlian, mobilisant la théorie des upper echelons (l'idée que les caractéristiques de l'équipe dirigeante déterminent partiellement les choix et les résultats de l'organisation), exploitent des données de littératie de près de sept mille dirigeants pour établir que la littératie en IA de l'équipe de direction influence positivement l'orientation IA de la firme et sa capacité de mise en œuvre. La compréhension du dirigeant n'est pas une variable cosmétique. Elle conditionne ce que l'organisation parvient effectivement à faire de la technologie.

Le terme de littératie en IA mérite d'être posé avec rigueur, faute de quoi il se dissout dans le slogan. La définition de référence, due à Duri Long et Brian Magerko, la conçoit comme un ensemble de compétences permettant d'évaluer de façon critique les technologies d'IA, de communiquer et collaborer efficacement avec elles, et de les mobiliser comme outils. Cette définition est exigeante. Elle n'exige pas du dirigeant qu'il sache entraîner un modèle, mais qu'il sache l'interroger, en cerner les limites, en contester les sorties. C'est une compétence d'évaluation critique, pas un vernis de vocabulaire.

Du facteur de performance à l'obligation juridique non délégable

Tant que la compétence numérique du dirigeant relevait du seul avantage compétitif, sa carence demeurait une faiblesse stratégique parmi d'autres. L'inflexion réglementaire récente change la nature du problème. Elle transforme cette compétence en obligation de droit, et l'attache personnellement à la fonction de direction.

Le règlement européen sur l'intelligence artificielle (règlement UE 2024/1689) consacre cette bascule. Son article 4 impose aux fournisseurs comme aux déployeurs de garantir un niveau suffisant de littératie en IA de leur personnel, obligation entrée en application le 2 février 2025. La définition retenue par le règlement vise les compétences et la compréhension permettant un déploiement éclairé et la conscience des opportunités comme des risques. La directive sur la cybersécurité dite NIS2 (directive UE 2022/2555) va plus loin encore dans l'imputation. Son article 20 impose aux organes de direction des entités essentielles et importantes d'approuver et de superviser les mesures de gestion du risque, et de suivre une formation, en engageant leur responsabilité personnelle. La compréhension cesse d'être une qualité souhaitable du dirigeant. Elle devient une composante opposable de sa charge.

Pour le secteur public, cette inflexion se redouble d'une exigence spécifique. L'annexe III du règlement classe en haut risque les systèmes d'IA utilisés par les autorités publiques pour évaluer l'éligibilité aux prestations et services publics essentiels, ou pour les octroyer, les réduire ou les révoquer. L'article 26 fait peser sur le déployeur (et le règlement qualifie explicitement l'autorité publique de déployeur) l'obligation de confier la supervision humaine à des personnes disposant de la compétence, de la formation et de l'autorité nécessaires. L'article 27, enfin, réserve aux organismes publics et aux entités fournissant des services publics une obligation que le secteur privé n'a pas, l'analyse d'impact sur les droits fondamentaux préalable au déploiement. Le décideur public n'est donc pas seulement soumis aux mêmes contraintes que son homologue privé. Il en porte de supplémentaires, conçues précisément parce que ses systèmes engagent les droits des usagers.

Le paradoxe au cœur de l'inflexion : comprendre l'inintelligible

Voici le nœud que le discours institutionnel contourne le plus volontiers. Le droit et la bonne gouvernance exigent du dirigeant une compréhension et une responsabilité renforcées sur des systèmes dont la lisibilité, elle, recule. L'IA générative n'est pas un logiciel de gestion documenté ligne à ligne. C'est un objet dont le comportement émerge de l'entraînement plus qu'il n'est spécifié, et dont les techniques d'explicabilité demeurent immatures, y compris pour les ingénieurs qui le conçoivent.

La sociologie des algorithmes a outillé cette difficulté avant que l'IA générative ne la porte à incandescence. Jenna Burrell a proposé en 2016 une distinction devenue canonique entre trois formes d'opacité, qui permet de ne pas confondre des problèmes de nature différente.

L'opacité, trois formes distinctes (concept académique)

Jenna Burrell (« How the machine 'thinks' : Understanding opacity in machine learning algorithms », Big Data & Society, 2016) distingue trois sources d'opacité des systèmes algorithmiques. La première est le secret intentionnel, qu'il soit commercial ou étatique. La deuxième est l'illettrisme technique de celui qui regarde, faute de savoir lire le code. La troisième tient à la nature même des algorithmes d'apprentissage et à leur échelle, et persiste même pour un expert disposant d'un accès complet. Les deux premières se corrigent par la transparence et la formation. La troisième résiste. C'est elle que l'IA générative aggrave.

Cette typologie a une conséquence directe pour le dirigeant. Une partie de l'opacité qu'il affronte n'est pas soluble dans la formation. Aucune montée en littératie ne rendra un grand modèle de langage pleinement transparent, parce que son opacité ne tient pas à l'ignorance de l'observateur mais à la structure de l'objet. Mike Ananny et Kate Crawford ont prolongé ce constat en montrant que voir un système ne revient pas à le comprendre ni à pouvoir en répondre. L'idéal de transparence, écrivent-ils, bute sur une dizaine de limites qui font de la publication du code ou de l'explication automatisée une réponse partielle, parfois trompeuse.

Si la transparence ne suffit pas, que reste-t-il au dirigeant pour assumer sa responsabilité ? La philosophie de la technique a nommé le vide qui menace. Andreas Matthias a théorisé dès 2004 le responsibility gap, la lacune de responsabilité qui apparaît lorsqu'un système apprenant agit de façon que personne ne pouvait prédire ni contrôler, rendant inapplicables les concepts classiques d'imputation. La réponse la plus aboutie à cette difficulté est le cadre du contrôle humain significatif, que Filippo Santoni de Sio et Giulio Mecacci ont précisé en 2021. Ce contrôle suppose deux conditions, le suivi du système par les raisons humaines pertinentes et la traçabilité des décisions jusqu'à un agent humain qui en répond. Or cette seconde condition exige explicitement qu'au moins une personne dispose d'une compréhension technique et morale appropriée du système. La boucle se referme. Le contrôle, que le droit impose, présuppose la compréhension, que l'objet refuse de plus en plus de livrer.

Reste la tentation paresseuse, et c'est ici que la littérature devient tranchante. Glisser un humain dans la boucle suffit-il à rétablir le contrôle ? Ben Green a examiné en 2022 quarante et une politiques imposant une supervision humaine d'algorithmes gouvernementaux. Son verdict est sévère. Ces dispositifs reposent sur une hypothèse jamais vérifiée, à savoir que l'humain placé en supervision est effectivement capable de superviser. En pratique, le biais d'automatisation (la propension à suivre la recommandation de la machine) et le tamponnage de routine transforment la supervision en légitimation. L'humain dans la boucle ne corrige pas le système. Il l'absout, tout en permettant aux concepteurs et aux administrations de se défausser de leur responsabilité. La leçon n'invalide pas l'exigence de compréhension du dirigeant. Elle la durcit. Seule une littératie substantielle, et non une présence humaine nominale, donne au contrôle une chance d'être réel.

Pourquoi la charge pèse plus lourd sur le décideur public

L'exigence de compréhension est intense pour tout dirigeant. Elle est constitutive pour le dirigeant public, et la raison tient à la nature de ce qu'il administre. Lorsqu'une administration automatise une décision individuelle, ce n'est pas un processus de production qui se déplace dans le code, c'est l'exercice de la puissance publique.

Mark Bovens et Stavros Zouridis l'ont établi dès 2002, avant la vague algorithmique contemporaine. L'informatisation des administrations a fait migrer le pouvoir d'appréciation, des agents de guichet vers les concepteurs de systèmes et les analystes de données. Là où le fonctionnaire de contact exerçait une discrétion visible et contrôlable, c'est désormais le paramétrage du système qui décide, en amont et à grande échelle.

De la bureaucratie de guichet à la bureaucratie de système (concept académique)

Mark Bovens et Stavros Zouridis (« From street-level to system-level bureaucracies », Public Administration Review, 2002) décrivent le passage d'une administration où le pouvoir discrétionnaire s'exerce au contact de l'usager, par des agents, à une administration où ce pouvoir se loge dans la conception des systèmes informatiques. La conséquence est un déplacement du lieu du contrôle constitutionnel. Ce qui se jouait dans la relation à l'usager se joue désormais dans une couche technique, à la fois plus puissante et moins visible.

Ce déplacement transforme la compréhension du système en condition de légitimité de l'action administrative. Un dirigeant privé qui ne comprend pas son outil de scoring risque une mauvaise décision commerciale. Un dirigeant public qui ne comprend pas l'algorithme déterminant un droit risque de priver des usagers d'une prestation sans pouvoir en rendre compte devant le juge ni devant le citoyen. La redevabilité démocratique et le contrôle de l'État de droit ne sont pas des contraintes accessoires. Ils font de l'intelligibilité du système une exigence de premier rang.

Le droit français a anticipé une partie de cette exigence. La loi pour une République numérique du 7 octobre 2016 a inscrit dans le code des relations entre le public et l'administration un principe de transparence des algorithmes publics, comportant l'information de l'usager faisant l'objet d'une décision individuelle et le droit à la communication des règles et des principales caractéristiques du traitement. L'article 47 de la loi Informatique et Libertés interdit qu'une décision administrative individuelle se fonde exclusivement sur un traitement algorithmique sans contrôle effectif du responsable de traitement. Dans le champ de la santé, le législateur a consacré en 2021 un principe plus ambitieux encore.

La garantie humaine (concept juridique)

Introduite à l'article 17 de la loi de bioéthique du 2 août 2021 pour le domaine de la santé, et théorisée notamment par David Gruson, la garantie humaine de l'IA désigne l'exigence d'une supervision humaine tout au long du cycle de vie d'un système, de sa conception à son usage, avec information de la personne concernée. Le principe ne se réduit pas à un humain qui valide en bout de chaîne. Il suppose une capacité humaine d'intervention et de compréhension distribuée sur l'ensemble du processus.

La Défenseure des droits, dans son rapport de novembre 2024 consacré aux algorithmes, aux systèmes d'IA et aux services publics, a prolongé ces garanties par une mise en garde claire contre l'algorithmisation de l'administration et par des recommandations centrées sur la qualité de l'intervention humaine et sur un droit à l'explication. Le signal institutionnel est sans ambiguïté. Du point de vue du contrôle, l'enjeu n'est pas de déléguer à la machine mais d'y engager une compréhension renforcée.

Le coût de l'occultation : ce que les affaires documentent

Le caractère dangereux de l'occultation n'est pas une conjecture morale. Plusieurs administrations en ont fait l'expérience à grande échelle, et le cas le plus proche structurellement de la situation française mérite d'être traité en profondeur, car il réunit tous les ingrédients de l'inflexion mal comprise.

Aux Pays-Bas, l'administration fiscale a déployé un algorithme auto-apprenant de détection de fraude aux allocations familiales. Entre le milieu des années 2000 et 2019, ce système a accusé à tort des dizaines de milliers de familles, en retenant comme facteurs de risque la double nationalité et le faible revenu. Les conséquences ont été dévastatrices, surendettement, ruptures familiales, placement de plus d'un millier d'enfants. L'affaire, connue sous le nom de toeslagenaffaire, a provoqué la démission du gouvernement néerlandais en janvier 2021. Un système connexe, baptisé SyRI, destiné à croiser les données pour détecter les fraudes sociales, a été jugé contraire à l'article 8 de la Convention européenne des droits de l'homme par le tribunal de La Haye en février 2020, au motif notamment de son opacité et de la disproportion entre la lutte contre la fraude et l'atteinte à la vie privée.

La lecture académique de cette affaire est précieuse, parce qu'elle déjoue la tentation de désigner un coupable unique. La littérature en politique sociale et en droit la décrit comme une implosion institutionnelle née de la mise en œuvre ordinaire de politiques largement soutenues, un cas de ce que la science administrative nomme le problème des mains multiples (la dilution de la responsabilité entre de nombreux acteurs dont aucun n'a, seul, voulu le résultat). Ce diagnostic, loin d'atténuer la responsabilité de la direction, la déplace au bon niveau. Si nul opérateur n'est isolément fautif, alors c'est la compréhension de l'inflexion par les dirigeants, leur capacité à voir le système comme un objet de gouvernance et non comme un détail d'exécution, qui faisait défaut. La défaillance n'était pas dans le code. Elle était dans le regard porté, ou non porté, sur ce que le code faisait.

D'autres précédents confirment le schéma sans qu'il soit utile de les développer à parts égales. En Australie, le dispositif automatisé de recouvrement de trop-perçus sociaux, le Robodebt, a fait l'objet d'une commission royale dont le rapport de 2023 a qualifié l'affaire d'échec coûteux d'administration publique et formulé cinquante-sept recommandations. La proximité structurelle de la toeslagenaffaire avec le contexte d'une administration de prestations en fait toutefois le parallèle le plus instructif. Dans les deux cas, un automatisme conçu pour gagner en efficacité a produit un préjudice de masse que les niveaux de direction n'ont pas su anticiper, parce qu'ils ne se sont pas saisis du système comme d'un objet relevant de leur responsabilité directe.

L'angle mort : la capacité interne comme condition de la maîtrise

Le discours institutionnel sur la gouvernance de l'IA publique s'est largement structuré autour de la formation, des chartes éthiques et des comités. Ces dispositifs sont nécessaires. Ils laissent toutefois dans l'ombre une condition matérielle sans laquelle ils restent lettre morte, la capacité interne de l'administration à comprendre et à auditer ses propres systèmes.

La littérature de science administrative documente une érosion lente de cette capacité, sous les effets conjugués de l'externalisation et de la dépendance aux prestataires. Une étude parue dans New Political Economy en 2021 décrit des situations de verrouillage où l'ensemble du savoir-faire et de la documentation d'un système réside dans la tête de quelques employés de prestataires extérieurs. Lorsque ce point est atteint, l'administration n'est plus en mesure de comprendre ce qu'elle déploie, quel que soit le nombre de chartes signées. La compréhension renforcée que l'inflexion exige du dirigeant suppose des équipes capables de la produire et de la lui restituer. Sans substrat de compétence interne, l'obligation de littératie se vide de sa substance et se réduit à un rituel de conformité.

C'est ici que le débat rejoint celui des communs numériques et de la souveraineté. Standards ouverts, documentation maîtrisée, expertise interne, code auditable, ces éléments ne sont pas des préférences idéologiques. Ils constituent la condition matérielle de la maîtrise que le droit réclame. Garder la main, au sens du contrôle humain significatif, suppose de disposer en propre des moyens de comprendre. L'angle mort du discours officiel est précisément là, dans l'écart entre une exigence de compréhension proclamée et les capacités internes qui seules la rendent possible. Une administration qui aurait sous-traité jusqu'à sa propre intelligence de ses systèmes ne pourrait satisfaire l'obligation qu'en apparence.

Une hypothèse vérifiable

Le risque le mieux identifiable, à l'horizon des prochains mois, n'est pas que les administrations ignorent l'obligation de littératie et de gouvernance de l'IA. C'est qu'elles s'y conforment dans la forme sans s'y conformer dans la substance. La sociologie des organisations a nommé ce mécanisme. La théorie de l'isomorphisme institutionnel de Paul DiMaggio et Walter Powell (1983) explique comment une contrainte juridique engendre une conformité de façade, par isomorphisme dit coercitif, les organisations adoptant les formes attendues pour se mettre en règle. Le concept de découplage, dû à John Meyer et Brian Rowan (1977), décrit le pas de plus, la dissociation entre la structure formelle affichée et les pratiques réelles. Réunis, ces deux mécanismes éclairent le scénario le plus probable, une production d'attestations de formation, de chartes et de comités, découplée de toute montée réelle en compréhension.

Ce scénario reproduit, un cran plus haut, la préoccupation centrale de cette lettre, l'écart entre la livraison et l'adoption, cette illusion de livraison où le dispositif existe sur le papier sans exister dans les usages. L'inflexion générative ne crée pas ce risque. Elle en relève l'enjeu, parce que l'objet sur lequel porte le découplage n'est plus un applicatif de gestion mais un système qui décide de droits.

L'hypothèse se formule donc ainsi. Si l'obligation de littératie et de gouvernance de l'IA est traitée par les administrations comme une mise en conformité formelle, alors les premiers mois d'application produiront principalement des documents d'attestation et des chartes, et non des programmes substantiels de montée en compétence ni des analyses d'impact sur les droits fondamentaux effectivement publiées. Cette hypothèse est vérifiable. Un lecteur attentif pourra observer, à l'approche et au-delà de l'échéance d'application des dispositions sur les systèmes à haut risque (fixée au 2 août 2026, sous réserve d'un éventuel report en cours de discussion), et dans les communications et rapports des autorités compétentes au cours des années 2026 et 2027, deux indicateurs concrets. Premièrement, la publication, ou l'absence de publication, de curricula de formation à l'IA destinés aux décideurs publics, distincts de simples attestations. Deuxièmement, l'existence, ou l'inexistence, d'analyses d'impact sur les droits fondamentaux rendues accessibles pour les systèmes publics relevant de l'annexe III. Si ce qui apparaît relève majoritairement de l'attestation et de la charte, sans curricula ni analyses d'impact publiées, le découplage sera confirmé. L'article pourra être rouvert à cette échéance, et l'hypothèse, tranchée.

---

Note méthodologique.

Cet article tranche plusieurs choix éditoriaux. L'angle retenu est celui du paradoxe (exigence de compréhension renforcée face à une opacité croissante), de préférence à un traitement purement réglementaire. Le parallèle principal est la toeslagenaffaire néerlandaise, choisie pour sa proximité structurelle maximale avec une administration de prestations, les cas Robodebt et SyRI n'étant mobilisés qu'en appui. À la demande de l'auteur, les contraintes d'architecture conceptuelle habituelles de la lettre ont été assouplies et la limite de longueur dépassée. Trois ambiguïtés factuelles méritent signalement. Le nombre de familles lésées dans la toeslagenaffaire est estimé autour de vingt-six mille dans les premiers décomptes, et révisé à la hausse (au-delà de trente-cinq mille) dans des estimations administratives ultérieures, raison pour laquelle le texte recourt à un ordre de grandeur. La qualification de Robodebt comme échec coûteux d'administration publique provient du rapport de la commission royale, la formule plus forte d'échec massif émanant d'un juge fédéral dans un autre cadre. La date d'application des obligations relatives aux systèmes à haut risque (2 août 2026) demeure la date juridiquement contraignante, un éventuel report par le paquet dit Digital Omnibus étant, à ce jour, prospectif et non encore inscrit dans un texte publié. Enfin, les données du MIT CISR relèvent de la recherche praticienne et sont ici corroborées par une publication évaluée par les pairs (Pinski et autres, 2024). Les identifiants DOI sont fournis comme identifiants stables, les adresses de pages d'atterrissage restant à confirmer avant publication là où elles sont signalées.

---

Sources

Sources primaires institutionnelles et juridiques

Règlement (UE) 2024/1689 du Parlement européen et du Conseil établissant des règles harmonisées concernant l'intelligence artificielle, 13 juin 2024 (articles 4, 26, 27 et annexe III). EUR-Lex, https://eur-lex.europa.eu/eli/reg/2024/1689 (à vérifier avant publication).

Directive (UE) 2022/2555 (NIS2), 14 décembre 2022 (article 20). EUR-Lex, https://eur-lex.europa.eu/eli/dir/2022/2555 (à vérifier avant publication).

Loi n° 2016-1321 du 7 octobre 2016 pour une République numérique, et décret n° 2017-330 du 14 mars 2017. Légifrance (à vérifier avant publication).

Loi n° 78-17 du 6 janvier 1978 modifiée (Informatique et Libertés), article 47. Légifrance (à vérifier avant publication).

Loi n° 2021-1017 du 2 août 2021 relative à la bioéthique, article 17 (garantie humaine). Légifrance (à vérifier avant publication).

Défenseure des droits, « Algorithmes, systèmes d'IA et services publics : quels droits pour les usagers ? », 13 novembre 2024 (à vérifier avant publication).

Rapports officiels et décisions de justice

Royal Commission into the Robodebt Scheme, Final Report, juillet 2023 (présidée par Catherine Holmes). https://robodebt.royalcommission.gov.au (à vérifier avant publication).

Rechtbank Den Haag, jugement SyRI, 5 février 2020, ECLI:NL:RBDHA:2020:865 (à vérifier avant publication).

Cadres théoriques (publications académiques évaluées par les pairs)

Burrell, J. (2016). « How the machine 'thinks' : Understanding opacity in machine learning algorithms ». Big Data & Society, 3(1). DOI 10.1177/2053951715622512.

Ananny, M. & Crawford, K. (2018). « Seeing without knowing : Limitations of the transparency ideal and its application to algorithmic accountability ». New Media & Society, 20(3), 973-989. DOI 10.1177/1461444816676645.

Matthias, A. (2004). « The responsibility gap : Ascribing responsibility for the actions of learning automata ». Ethics and Information Technology, 6(3), 175-183. DOI 10.1007/s10676-004-3422-1.

Santoni de Sio, F. & Mecacci, G. (2021). « Four Responsibility Gaps with Artificial Intelligence ». Philosophy & Technology, 34, 1057-1084. DOI 10.1007/s13347-021-00450-x.

Green, B. (2022). « The flaws of policies requiring human oversight of government algorithms ». Computer Law & Security Review, 45, 105681. DOI 10.1016/j.clsr.2022.105681.

Bovens, M. & Zouridis, S. (2002). « From street-level to system-level bureaucracies : How information and communication technology is transforming administrative discretion and constitutional control ». Public Administration Review, 62(2), 174-184. DOI 10.1111/0033-3352.00168.

Long, D. & Magerko, B. (2020). « What is AI Literacy ? Competencies and Design Considerations ». Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16. DOI 10.1145/3313831.3376727.

Pinski, M., Hofmann, T. & Benlian, A. (2024). « AI Literacy for the top management : An upper echelons perspective on corporate AI orientation and implementation ability ». Electronic Markets, 34. DOI 10.1007/s12525-024-00707-1.

Rachovitsa, A. & Johann, N. (2022). « The Human Rights Implications of the Use of AI in the Digital Welfare State : Lessons Learned from the Dutch SyRI Case ». Human Rights Law Review, 22(2). DOI 10.1093/hrlr/ngac010.

« Disrupting the Welfare State ? Digitalisation and the Retrenchment of Public Sector Capacity ». New Political Economy (2021). DOI 10.1080/13563467.2021.1952559.

Cadres mobilisés en conclusion

DiMaggio, P. J. & Powell, W. W. (1983). « The Iron Cage Revisited : Institutional Isomorphism and Collective Rationality in Organizational Fields ». American Sociological Review, 48(2), 147-160.

Meyer, J. W. & Rowan, B. (1977). « Institutionalized Organizations : Formal Structure as Myth and Ceremony ». American Journal of Sociology, 83(2), 340-363.

Données et recherche praticienne

Weill, P., Woerner, S. & Banner, A. (2025). « AI-Savvy Boards Drive Superior Performance ». MIT Sloan Management Review (et publications associées du MIT CISR). https://sloanreview.mit.edu (à vérifier avant publication).

Weill, P., Apel, T., Woerner, S. & Banner, J. S. (2019). « It Pays to Have a Digitally Savvy Board ». MIT Sloan Management Review (à vérifier avant publication).