IA, culture et innovation : France et Québec, trajectoires différentes et complémentarités stratégiques

En tant que binationale franco-canadienne, je m’amuse souvent à dire que je suis franco-québécoise. C’est dire la gratitude et le respect que j’ai pour le Québec et les Québécois qui m’ont accueillie, moi et ma famille, il y a 14 ans déjà. Quand on en est, comme moi, capable de sacrer spontanément en situation de contrariété (rassurez-vous, c’est rare et toujours avec mon accent français), c’est qu’on a passé le cap de l’assimilation.

14 ans après, je découvre toujours avec émerveillement nos points communs, dont notre belle langue, comme je continue à observer les contrastes subtils qui nous différencient.

Dans mon dernier blogue, j’expliquais comment l’IA transforme nos sociétés et vient bousculer des pans entiers de nos cultures contemporaines. Avant d’analyser les différences et complémentarités des écosystèmes de l’IA en France et au Québec, j’aimerais revenir sur ces aspects culturels qui sont, vous le verrez, à reconnaître comme des leviers de collaboration.

C’est toujours délicat de comparer. Comparer, ce n’est pas dénigrer ni critiquer. C’est au contraire l’art de l’optimiste, du positif et de l’ambitieux, celui de mesurer les différences, de les accepter avec bienveillance et d’en tirer le meilleur, au bénéfice de chacun. Alors, la suite de ce comparatif est menée avec cette volonté de voir, dans chacun, les atouts du partenaire idéal.

Alors, si vous êtes un dirigeant d’entreprise cherchant à développer un nouveau marché pour vos services ou vos produits en IA au Québec ou en France, cette lecture est pour vous. Pour ceux qui souhaitent trouver des exemples concrets de collaborations transatlantiques, c’est en fin de texte.

Introduction : l’IA, une innovation ancrée dans les contextes culturels

La comparaison des écosystèmes d’IA français et québécois montre que les différences culturelles ne sont ni des obstacles ni des sources de fractures. Juste des éléments différenciateurs qu’il faut considérer pour construire de solides fondations collaboratives. En articulant momentum géopolitique, souveraineté technologique, excellence scientifique et pragmatisme d’usage, la France et le Québec disposent ensemble de tous les leviers nécessaires pour construire une IA à la fois performante, éthique et profondément ancrée dans les usages.

Les recherches contemporaines en sociologie de l’innovation et en sciences sociales de l’intelligence artificielle convergent vers un constat désormais largement établi : l’IA n’est pas une simple technologie neutre, mais une innovation sociotechnique profondément influencée par les contextes culturels, institutionnels et politiques dans lesquels elle émerge. Les trajectoires d’idéation, de conception, de développement et d’adoption des solutions d’IA reflètent ainsi des imaginaires collectifs, des traditions scientifiques, des rapports au risque et des modèles de gouvernance distincts.

Dans ce cadre, les écosystèmes français et québécois de l’IA constituent un terrain d’innovation particulièrement riche. Tous deux sont reconnus internationalement pour leur excellence scientifique en intelligence artificielle, mais ils abordent l’IA selon des logiques culturelles différentes. Ces différences ne relèvent ni d’un déficit ni d’une opposition, juste du fait que la France et le Québec avancent de façons différentes, mais complémentaires, dans le domaine de l’IA.

1. L’idéation en IA : entre vision fondatrice et pragmatisme d’usage

En France, l’idéation en IA s’inscrit dans une tradition historique où l’innovation est étroitement liée à l’État, aux grandes écoles et universités et aux organismes nationaux de recherche. L’IA y est pensée très tôt comme un enjeu stratégique de souveraineté, d’autonomie technologique et de positionnement géopolitique. Cette orientation se traduit par une valorisation des modèles fondamentaux et de l’algorithmie, souvent de systèmes complexes.

Le cas de Mistral AI est emblématique de cette logique. Dès sa création, Mistral se positionne comme un acteur de souveraineté européenne, avec l’ambition explicite de proposer des modèles de langage compétitifs face aux géants américains, tout en revendiquant une approche de diffusion de la gouvernance de ses modèles Deep Learning entraînés, appelée couramment open-weight (partage des poids des modèles, mais pas du code — quelque chose entre le modèle propriétaire fermé et l’Open source).

Approche peu, voire très peu fréquente au Québec. En France, l’idéation n’est pas guidée par un secteur d’application spécifique, mais par la volonté de maîtriser une couche technologique critique de l’IA. Cette posture correspond à ce que la littérature qualifie de stratégie « platform-first », où l’innovation vise à créer une infrastructure générique sur laquelle des usages multiples pourront ensuite être construits. D’abord la base technologique, assez complexe en général, ce qui satisfait l’approche fondamentale (je dirais, si j’osais, élitiste à la française), puis ensuite viennent les cas d’usage pratico-pratiques.

Au Québec, l’idéation emprunte une autre voie. Elle dit reposer davantage sur la collaboration et la proximité entre chercheurs, entreprises et institutions publiques, avec une attention croissante portée à l’impact concret. Les idées d’IA émergent souvent à partir de problèmes opérationnels précis : optimisation de processus industriels, amélioration des services publics, soutien à la prise de décision dans les entreprises ou soutien au diagnostic dans le système de santé.

Cette différence culturelle se traduit par une conception de l’IA moins fondamentale, plus appliquée. Les premières initiatives ne cherchent pas prioritairement à construire des modèles universels, mais à résoudre des problèmes réels dans des environnements corporatifs ou industriels, plus ou moins complexes. Cette approche favorise une idéation « use-case-first », où la valeur de l’innovation est évaluée très tôt et axée sur son utilité opérationnelle.

2. La conception : modèles fondamentaux versus systèmes sociotechniques

Les différences d’idéation se prolongent naturellement dans les phases de conception. En France, et sans déprécier les autres initiatives, la conception des systèmes d’IA est fortement influencée par l’excellence mathématique et algorithmique des instituts de recherche tels que le CNRS, l’INRIA, le CEA, les 3IA, les universités Sorbonne, Saclay, pour ne citer qu’elles, ou les grandes écoles d’ingénieurs. Les priorités portent sur la performance des modèles, leur robustesse théorique, leur efficacité computationnelle et leur capacité à être intégrés dans des cadres normatifs exigeants.

Cette orientation favorise des systèmes souvent puissants, mais souvent éloignés, dans leurs premières versions, des réalités organisationnelles quotidiennes. Les usages sont envisagés dans un second temps, une fois la technologie stabilisée et maîtrisée. Mistral AI illustre cette logique : l’effort principal porte sur la qualité intrinsèque des modèles de langage, laissant aux partenaires industriels ou intégrateurs le soin d’adapter ces modèles à leurs contextes métier. À noter que, pour répondre à cette distance fréquente entre excellence technologique et réalités opérationnelles, la France a mis en place, en 2021, le programme Confiance.ai, précisément conçu pour lever les verrous de l’industrialisation de l’IA en industrie.

À l’inverse, les instituts québécois comme Mila ou IVADO se positionnent sur une approche de conception qu’on peut identifier comme sociotechnique, c’est-à-dire où la technologie et le social se veulent indissociables et dépendants l’un de l’autre. Les systèmes d’IA y sont conçus comme des assemblages combinant algorithmes, données, utilisateurs, organisations et cadres éthiques. La question de la place de l’humain dans la boucle (human-in-the-loop) est souhaitée comme étant centrale dès la conception. Une des incarnations de cette approche est l’OBNL LoiZéro créé par Yoshua Bengio, basé sur l’éthique et la sécurité by design et qui fut incubé au MILA avant de tracer sa propre trajectoire indépendante.

Cette orientation se traduit par des architectures plus modulaires, itératives et adaptables. Les prototypes sont rapidement confrontés aux utilisateurs, ajustés en fonction des retours et intégrés progressivement dans les processus existants.

3. L’implantation et l’adoption : régulation des systèmes et pédagogie de l’usage

3.1 L’IA en France

Selon l’INSEE, 10 % des entreprises françaises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2024. Ce taux monte à 33 % dans les grandes entreprises (250+ salariés), 42 % dans le secteur information-communication, activités scientifiques et techniques (17 %), industrie manufacturière (7 %) et moins de 5 % en construction, transport, hôtellerie et restauration.

Les technologies d’IA développées sont majoritairement l’analyse du langage écrit-NLP à 44 %, l’apprentissage automatique (machine learning) à 41 %, l’analyse d’images-vision avec un usage plus limité et la robotique intelligente avec un pourcentage marginal d’environ 7 %.

En France, l’IA est donc principalement adoptée dans des secteurs déjà très numérisés comme le marketing, par exemple, puis peu dans l’économie dite « traditionnelle » comme l’agriculture, l’hôtellerie, etc. L’IA y est adoptée comme une fonctionnalité intégrée dans des logiciels prêts à l’emploi. Elle est conçue pour outiller des fonctions existantes avec peu de transformation profonde des chaînes de valeur, dans un cadre fortement contraint par la conformité, la gouvernance et la régulation (UE, AI Act, exigences sectorielles). C’est d’ailleurs la conformité aux cadres réglementaires qui constitue un des principaux freins à son adoption en France.

3.2 L’IA au Québec

Selon l’Institut de la statistique du Québec (ISQ), 12,7 % des entreprises québécoises ont utilisé des applications d’intelligence artificielle à des fins de production au cours des 12 mois précédant le deuxième trimestre de 2025.

Ce taux atteint 26,1 % dans les entreprises de 100 employés ou plus, 12,2 % dans les très petites entreprises (1 à 4 employés), ce qui met en évidence, comme en France, un effet marqué de la taille, mais avec un seuil d’entrée plus bas pour les grandes entreprises qu’en France (100+ vs 250+). Les secteurs traditionnels restent très peu outillés en IA, comme en France.

Au Québec, l’adoption de l’IA est très fortement concentrée dans certains secteurs, avec des taux nettement supérieurs à la moyenne : finance et assurances, services professionnels, scientifiques et techniques. Ces secteurs affichent des taux d’utilisation compris entre 36,9 % et 55,0 % au deuxième trimestre de 2025. À l’inverse, l’adoption demeure très marginale dans les secteurs dits « traditionnels » : agriculture, foresterie, pêche à 0,3 %, hébergement et restauration à 1,9 %, construction à 2,3 % et transport et entreposage à 2,9 %.

Selon les publications de l’ISQ, l’analyse de textes est la technologie d’IA la plus fréquemment utilisée par les entreprises québécoises ayant adopté l’IA à des fins de production.

L’IA adoptée est majoritairement logicielle, elle est intégrée à des processus opérationnels existants, et l’adoption concerne surtout des applications directement liées à la production de biens ou de services. L’IA progresse moins par manque de technologie que par exigence élevée de valeur immédiate et de capacité d’appropriation organisationnelle, principale motivation de la demande de formation et d’augmentation de la littératie.

3.3 Synthèse comparative

Les deux territoires ne sont pas au même endroit dans la chaîne de valeur.

La France et le Québec affichent aujourd’hui des niveaux d’adoption de l’IA comparables en proportion d’entreprises. En revanche, leurs trajectoires diffèrent : la France investit massivement dans les fondations technologiques et la structuration stratégique, tandis que le Québec privilégie une adoption plus pragmatique, centrée sur des cas d’usage concrets et un impact opérationnel mesurable.

Les différences culturelles sont particulièrement visibles dans les phases d’implantation et d’adoption. En France, l’adoption de l’IA est fortement contrainte par des considérations réglementaires, éthiques et juridiques. La confiance dans les systèmes algorithmiques repose sur leur conformité à des normes explicites, leur explicabilité et leur alignement avec des cadres de responsabilité clairement définis.

Au Québec, l’adoption repose davantage sur l’accompagnement, la formation et l’expérimentation encadrée. Les politiques publiques et les écosystèmes d’innovation mettent l’accent sur la montée en compétences, la littératie en IA et la co-construction avec les acteurs de terrain. Cette approche favorise une adoption plus rapide, parfois moins formalisée juridiquement, mais souvent plus fluide dans les organisations, même si son adoption reste lente.

4. Similarités et complémentarités stratégiques

Malgré ces différences, les écosystèmes français et québécois partagent des fondations communes solides : excellence scientifique reconnue internationalement, forte densité de chercheurs en IA, attention croissante portée aux enjeux éthiques et à l’acceptabilité sociale.

Surtout, leurs différences dessinent une complémentarité presque idéale. La France excelle dans la structuration, la vision stratégique de long terme, la construction de technologies de base et la normalisation. Le Québec excelle dans l’opérationnalisation, l’intégration métier, la pédagogie et l’appropriation organisationnelle.

Dans un contexte où les revues scientifiques soulignent que les innovations en IA les plus durables sont celles qui articulent vision stratégique et capacité d’exécution, cette complémentarité constitue un atout majeur. Elle ouvre la voie à des collaborations transatlantiques où des modèles fondamentaux français, comme ceux développés par Mistral, pourraient être accélérés, contextualisés et industrialisés grâce aux capacités québécoises d’intégration.

Un autre signal fort de cette dynamique transatlantique est envoyé tout récemment à l’écosystème québécois : l’arrivée d’AMI Labs à Montréal. Créée par Yann Le Cun, figure majeure de l’IA, français et longtemps associé à l’écosystème des grands laboratoires industriels (notamment chez Meta), l’entreprise incarne le mouvement : les trajectoires de l’IA ne sont plus seulement nationales, elles se dessinent sans contrainte de frontières. Le fait qu’AMI Labs choisisse Montréal parmi ses implantations n’est pas anodin : la ville concentre un capital scientifique et une crédibilité internationale (Mila, IVADO, universités, RSRI), mais aussi une culture d’expérimentation et de collaboration recherche-industrie historiquement très forte. Montréal offre ainsi un terrain particulièrement adapté à une ambition de recherche avancée, tout en restant connecté à des environnements d’adoption concrets, comme je l’expliquais précédemment. Dans le même mouvement, on pourrait considérer (mon avis totalement personnel) que l’ADN français de Yann LeCun rappelle une autre dimension : la France continue d’alimenter le monde en talents, visions fondatrices et ambitions de « socle ». AMI Labs devient alors un exemple utile pour illustrer mon propos : plutôt que d’opposer France et Québec, l’entreprise montre qu’un acteur IA peut conjuguer une tradition française de recherche de rupture avec une implantation québécoise propice à l’hybridation, au prototypage et aux collaborations. En ce sens, AMI Labs n’est pas seulement « une nouvelle entreprise qui arrive », c’est un cas d’école de la circulation des compétences et des stratégies.

Voyons si cet exemple sera suivi d’autres initiatives transatlantiques majeures et observons de près leur progression.

5. Scénarios Québec-France : Et si on construisait la suite ensemble ?

Hormis des implantations de sociétés, comme brièvement énoncé, de startups ou PME françaises au Québec et réciproquement, je me suis tentée à imaginer d’autres scénarios possibles et relativement simples pour incarner cette collaboration France-Québec qui me tient à cœur.

Le momentum géopolitique est plus que propice, encourageant le Québec à délaisser les États-Unis et à tourner la tête, encore plus qu’avant, vers l’Europe et la France. Alors ? Qu’attendons-nous pour lancer des initiatives de collaboration ? Quelques idées dans la suite, vous me direz ce que vous en pensez.

5.1 Scénario 1 : Corridor d’opérationnalisation technologique

« Concevoir en France, déployer au Québec et opérationnaliser en collaboration étroite »

Principe : un projet d’IA est conçu et structuré en France (modèle open-weight par exemple, architecture, cadre de conformité), puis opérationnalisé au Québec dans des contextes organisationnels réels avant un retour vers l’Europe.

Projets idéaux : modèles de langage, IA de confiance, briques NLP, plateformes d’IA « platform-first ».

Apport France : choix du modèle, design de l’architecture cible, optimisation du modèle, exigence de traçabilité et cadre d’IA de confiance, tout en respectant l’approche souveraineté.

Apport Québec : intégration SI (données réelles), intégration et co-design avec le métier, expérimentation terrain avec indicateurs de confiance, formation des lignes métier pour une adoption progressive.

Résultat : des solutions robustes et utilisables, accompagnées de guides d’industrialisation.

5.2 Scénario 2 : Sandbox d’adoption transatlantique

« Tester plus rapidement, observer mieux les bloquants, déployer progressivement »

Principe : mettre en place une sandbox France-Québec permettant de tester rapidement des solutions d’IA dans des environnements québécois, avec un cadre d’expérimentation responsable.

Méthode → Hypothèse → test → retour utilisateurs → ajustement → diffusion graduelle.

Projets idéaux : assistants métiers, agents IA, automatisation ciblée, outils d’aide à la décision.

Apport France : choix des architectures et des critères d’évaluation, cadre éthique et réglementaire, tests de robustesse et généralisation des contraintes.

Apport Québec : culture du test et approche Produit (productisation), pédagogie de l’usage et littératie, proximité avec les équipes terrain qui testent.

Résultat : une adoption mesurée, maîtrisée et crédible, structurée par des mesures et indicateurs d’opérationnalisation. Des artefacts réutilisables (scripts, jeux de tests, guides opérationnels, …).

5.3 Scénario 3 : Laboratoire industriel sociotechnique France–Québec

« Concevoir l’IA responsable avec le meilleur des deux forces »

Principe : créer des labs conjoints centrés sur la conception sociotechnique : algorithmes, données, usagers, processus, gouvernance et éthique dès le départ et en continu. L’impact est qu’on désigne un système complet.

Décision → données → modèle → interface → organisation → règles → responsabilité

Projets idéaux : IA en santé, services publics, finance, industrie, là où l’humain dans la boucle est critique.

Apport France : conception de systèmes robustes, explicables, normés et prêts pour l’auditabilité (preuves, normes et propriétés de responsabilité).

Apport Québec : prototypage itératif, confrontation rapide aux usages réels, architectures modulaires pour faciliter l’intégration SI et l’intégration aux métiers.

Résultat : des solutions pensées pour être acceptées et utilisées, pas seulement performantes.

5.4 Scénario 4 : Go-to-market coordonné

« France = accès aux dispositifs Europe | Québec = preuve d’usage »

Principe : articuler les forces des deux écosystèmes pour accélérer la mise en marché. La preuve d’usage par le Québec qui dérisque le produit, l’accès au financement européen qui structure et diffuse à grande échelle grâce à des mécanismes institutionnels.

Pilote instrumenté au Québec → preuve d’usage + artefacts → packaging + conformité → relais dispositifs Europe → déploiements sectoriels et internationaux.

Projets idéaux : solutions B2B nécessitant crédibilité institutionnelle et preuves terrain.

Apport France : accès aux dispositifs européens (European Innovation Council (EIC) – Horizon Europe, EDIHs connectés aux filières industrielles et publiques et PPI – Public Procurement of Innovative Solutions), structuration des marchés, image de confiance. Ou tout financement privé des industriels qui souhaitent gagner en vélocité, certains des programmes cités étant relativement lourds à actionner.

Apport Québec : cas d’usage clients, intégration accélérée, démonstration de valeur opérationnelle. Un produit IA testé au Québec avec preuves d’usage devient beaucoup plus crédible pour les institutions de mise en marché citées ci-dessus.

Résultat : un mécanisme de mise en marché qui réduit trois blocages classiques des solutions IA B2B : le risque perçu, la difficulté d’adoption (passer de pilote à déploiement), la difficulté à convaincre des financeurs/acheteurs institutionnels.

5.5 Scénario 5 : Parcours transatlantique de métiers augmentés

« Cadrer les métiers au Québec, les pratiquer en France »

Principe : on transforme une intuition ou perception (« le métier change avec l’IA ») en méthode réplicable : on conçoit en France un référentiel d’activité, puis on le teste au Québec par la pratique quotidienne, jusqu’à obtenir un métier augmenté qui tient dans le réel et qui est compréhensible de tous.

Projets idéaux : métiers prioritaires comme ceux des trajectoires professionnelles ou fonctions support (RH, finance, TI, légal ou gestion par exemple). Le Campus IA d’Afi U. en est un bon exemple.

Apport Québec : clarification de ce qu’est la transformation des rôles, formation à l’interaction homme-machine dans les métiers, élaboration de parcours de formation aux nouveaux métiers avec expérimentation des outils IA utiles spécifiquement à l’automatisation et à l’hybridation des tâches métiers et identification des nouvelles tâches métier à valeur pour les organisations.

Apport France : mise en situation réelle, appropriation quotidienne, ajustement des pratiques et retour d’expérience des professionnels dans leurs métiers augmentés.

Résultat : des référentiels de métiers augmentés éprouvés, enseignables et transférables.

Scénario 6 : Co‑apprentissage France-Québec par métiers «miroirs»

« Même métier, deux contextes, une intelligence collective »

Principe : essayer de détecter ce qui est universel dans un métier et ce qui dépend d’un contexte, pour encourager son adoption. Les professionnels français et québécois exerçant le même métier suivent un parcours commun et travaillent sur des cas d’usage similaires, dans des contextes différents.

Métiers idéaux : métiers prioritaires comme les métiers des fonctions corporatives (RH, finance, TI, légal, gestion par exemple).

Format : cohortes mixtes, ateliers synchrones, expérimentation locale, échanges entre pairs.

Valeur pédagogique : les différences culturelles, réglementaires et organisationnelles deviennent un levier d’apprentissage et facilite l’exportation de talents entre nos 2 pays.

Résultat : des professionnels capables d’adapter l’IA à leur métier, avec esprit critique et autonomie. Une base commune de référentiels métiers en francophonie. 

6. Conclusion

Ces scénarios montrent que la collaboration France-Québec peut aller bien au-delà du simple transfert technologique. En combinant conception, opérationnalisation et productisation, adoption responsable et apprentissage des métiers augmentés, nos deux territoires peuvent bâtir un modèle transatlantique pragmatique, où l’IA transforme à la fois les systèmes, les organisations et les pratiques professionnelles avec des résultats mesurables, reproductibles et exportables.

Vous avez des questions, des retours ou une proposition de collaboration ? Contactez-moi, je serai ravie d’en discuter avec vous.

À propos de Marie-Pierre Habas-Gerard

Marie-Pierre Habas-Gerard a étudié en mathématiques computationnelles appliquées au calcul ab initio en chimie quantique, moléculaire et structurale. Elle a poursuivi ces années de recherche, développement et d’enseignement universitaire à travers plus de 25 ans d’expérience au sein de multinationales, de PME et de startups.

Au fil de sa carrière, elle a occupé des rôles de directrice de programmes, responsable de produits, leader de pratiques en intelligence artificielle ainsi que directrice générale de Confiance IA, un consortium industriel dédié à l’IA de confiance.

Cette expérience professionnelle, développée sur trois continents, se poursuit aujourd’hui au sein d’Afi U. École des organisations, à Montréal, où elle agit comme leader de la Faculté Transformation des affaires et IA ainsi que leader du Campus IA.