Thèse Amélioration du Processus de Réponse aux Risques Projet par l'Utilisation Combinée de l'Approche Système et de l'Intelligence Artificielle H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Interfaces : matériaux, systèmes, usages Laboratoire de recherche : Laboratoire Génie Industriel Direction de la thèse : Franck MARLE ORCID 0000000191221797 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-14T23:59:59 La thèse vise à améliorer la phase de réponse aux risques dans les projets complexes en articulant la modélisation systémique, l'intelligence artificielle décisionnelle et l'intelligence artificielle générative. Elle s'intéresse à des situations où les risques ne peuvent plus être traités comme une simple liste d'événements indépendants, mais doivent être analysés comme un réseau d'interdépendances dont la topologie influence directement la nature des réponses pertinentes.
Le sujet s'appuie sur deux niveaux de modélisation : le réseau de risques, qui représente les interdépendances causales entre événements, et le réseau organisationnel, qui décrit les acteurs responsables de ces risques ainsi que la complexité de leur coordination. Les actions de réponse se structurent en deux familles : les actions sur les risques (prévention, renforcement, protection amont ou aval) et les actions sur l'organisation (réaffectation d'acteurs, clustering organisationnel).
Trois sous-processus structurent la contribution attendue. Le premier concerne l'orientation stratégique par type d'action. Le deuxième porte sur la formulation d'actions candidates à l'aide du clustering et d'agents spécialisés. Le troisième traite de la recommandation de plans d'action sous contraintes, intégrant la détection de symétries entre les scores de priorité et la fusion d'actions redondantes.
L'enjeu scientifique central consiste à étudier comment des données de projet hétérogènes peuvent être transformées en représentations systémiques exploitables, puis en recommandations de plans d'action justifiables, cohérentes et robustes. La thèse adoptera une démarche de Design Science Research articulant la modélisation conceptuelle, la construction d'artefacts, des validations sur des cas documentés et une confrontation sur le terrain.
La gestion des risques projet s'est d'abord construite autour d'approches linéaires et statiques : identification des risques, estimation de leur probabilité et de leur impact, planification des réponses, puis suivi-contrôle. Cette logique, standardisée par des référentiels tels que le PMBOK ou l'ISO 31000, demeure dominante dans de nombreux contextes. Elle montre rapidement ses limites lorsque les risques interagissent, se propagent et se renforcent mutuellement au sein de projets complexes.
Une deuxième famille de travaux a introduit la modélisation systémique des risques sous forme de réseaux, de graphes ou de matrices de structure, permettant d'analyser les causes, les effets et les propagations (Marle & Vidal, 2008).
En parallèle, les usages récents de l'intelligence artificielle en gestion des risques se sont accélérés, notamment pour l'extraction d'informations à partir de documents, l'analyse de données historiques et la prédiction de dérives (Mohamed et al., 2025 ; Stødle et al., 2025 ; Abaneme et al., 2025).
Le sujet se situe à l'intersection de ces deux dynamiques. Il s'inscrit dans la phase de réponse aux risques, encore moins outillée que les phases d'identification et d'analyse, alors même qu'elle implique des arbitrages complexes entre efficacité, coût, ressources et effets secondaires (Cai et al., 2025 ; Zhang et al., 2026). La thèse s'articule autour de cinq verrous scientifiques complémentaires.

- V1 Difficulté de construction d'entrées utiles à l'IA à partir de données brutes, hétérogènes et souvent incomplètes, le tout sans perdre la structure du problème. Protocole de données : nettoyage, transformation, indicateurs calculés, similarités, clusters et génération synthétique contrôlée si les jeux sont déséquilibrés.
- V2 Difficulté à établir et expliquer un lien entre la topologie du réseau et des types d'action. Priorisation explicable des couples (type d'action × risque), avec mise en évidence des facteurs qui orientent le score.
- V3 Complexité et notamment densité du réseau, ce qui nuit à la capacité d'anticiper son comportement et à la capacité de maîtriser toutes les conséquences d'une action. Clustering par interdépendance pour découper le problème en sous-problèmes de décision ; clustering par similarité pour l'apprentissage et le transfert entre cas proches.
- V4 Intégration de la dimension organisationnelle (acteurs, responsabilités, zones multi-acteurs) dans la modélisation et dans les types d'action ? Double réseau (risques et acteurs), deux familles d'actions (sur les risques et sur l'organisation), détection des zones de complexité organisationnelle.
- V5 Concilier optimisation et robustesse pour construire des plans d'actions qui tiennent compte simultanément des synergies, des antagonismes, des coûts, des risques secondaires et des contraintes de ressources ? Recommandation multiobjectifs, détection de symétries entre scores, fusion d'actions redondantes, coordination inter-clusters. Question optionnelle du réapprentissage.
Nous avons identifié la question de recherche centrale de cette thèse, détaillée en trois sous-questions relatives aux différentes étapes du processus de réponse aux risques, ainsi qu'une question méthodologique transversale à toutes les étapes.
- Question de recherche principale : Comment transformer des données de projet hétérogènes en recommandations de plans d'action explicables, cohérentes et robustes, tenant compte à la fois de la structure du réseau de risques, de la dimension organisationnelle, des contraintes de ressources, des effets de second ordre et de la variabilité des contextes de projet ?
- Q1 - Orientation stratégique. Comment prioriser de manière explicable des couples (type d'action × risque) en mobilisant simultanément les caractéristiques intrinsèques du risque, sa position topologique, sa nature, sa proximité avec des risques ou des projets comparables, ainsi que la structure organisationnelle qui l'entoure ?
- Q2 - Formulation et coordination locale. Comment formuler des actions candidates, cohérentes avec le réseau de risques, en mobilisant des clusters et des agents spécialisés, tout en anticipant les effets bénéfiques et néfastes sur les autres risques du portefeuille ? Comment détecter les générations symétriques d'actions issues de scores miroirs ?
- Q3 - Arbitrage global. Comment intégrer ces propositions locales dans des plans d'action multiobjectifs, viables et argumentés, en tenant compte des synergies, des compétitions, des antagonismes, des contraintes de ressources et des risques secondaires ?
- Question méthodologique transversale sur les données. Comment obtenir, transformer et enrichir les données servant d'inputs aux artefacts d'IA, depuis les données brutes de l'organisation ou du projet jusqu'aux représentations intermédiaires utiles à la décision ?
- Une dernière question, aujourd'hui considérée comme optionnelle, concerne la notion de seuil de réapprentissage : À quelles conditions les changements de contexte sont-ils suffisamment significatifs pour justifier un réapprentissage des modèles, plutôt qu'un simple recalcul des scores et des scénarios ?
Des détails sont fournis dans le fichier joint sur la structuration de la proposition, avec des éléments spécifiques à chacun des trois sous-processus de la réponse aux risques du projet, et des éléments transversaux.
La recherche adoptera une démarche de type Design Science Research, alternant modélisation conceptuelle, développement d'artefacts et validation empirique. Le protocole de données constitue une composante méthodologique à part entière, car les données utiles à l'IA ne sont pas directement disponibles au sein des organisations. La thèse devra traiter le passage entre plusieurs niveaux de données.
Un premier niveau correspond aux données brutes : rapports de phase, documents de contexte, registres de risques, historiques de projets, comptes rendus, éléments contractuels et retours d'experts. Un deuxième niveau correspond aux données transformées ou calculées : nettoyage, normalisation, extraction de variables, codage de la nature des risques, calcul des indicateurs de réseau, estimation des similarités risque-risque et projet-projet, constitution de clusters, cartographie du réseau organisationnel. Un troisième niveau correspond aux jeux d'apprentissage et de validation utilisés par les artefacts d'IA. Lorsque certaines configurations seront sous-représentées, des mécanismes de génération synthétique pourront être envisagés de manière encadrée afin de limiter les effets de déséquilibre sur l'apprentissage.
La population de cas d'étude comprendra des cas déjà connus, en interne ou dans la littérature, ainsi que des cas en cours d'étude sur d'autres sujets connexes. La validation empirique mobilisera des cas documentés, des historiques de projets similaires et, le cas échéant, une application de terrain. Le protocole d'évaluation appréciera à la fois la qualité locale des recommandations et leur cohérence systémique. Il pourra examiner la pertinence des scores par type d'action, la présence et la significativité des symétries attendues, la qualité et la traçabilité des actions candidates, la cohérence des clusters et la coordination entre les agents, ainsi que la valeur décisionnelle des portefeuilles proposés sous contraintes.