ISSN: 2658-8455

Volume 6, Issue 7 (2025), pp. 101-118.

© Authors: CC BY-NC-ND

L’intelligence artificielle et pilotage de la performance publique

dans les pays en développement : vers un cadre conceptuel intégré
au-delà des approches classiques ?
Artificial intelligence and public performance management in
developing countries: towards an integrated conceptual
framework beyond conventional approaches?

Zeinebou EBEID, (Doctorante en Sciences Economiques et Gestion)

Laboratoire Interdisplinaire de Recherche En Economie, Finance et Management des
Organisations (LIREFIMO)
Faculté des Sciences Juridiques, Economiques et Sociales (FSJES)
Université Sidi Mohammed Ben Abdellah (USMBA) - Fès, Maroc

Abderrazak EL HIRI, (Enseignant-chercheur)

Directeur du Laboratoire Interdisplinaire de Recherche En Economie, Finance et
Management des Organisations (LIREFIMO)
Faculté des Sciences Juridiques, Economiques et Sociales (FSJES)
Université Sidi Mohammed Ben Abdellah (USMBA) - Fès, Maroc

Faculté des Sciences Juridiques, Économiques, et Sociales de Fès

Adresse de correspondance : Adresse : BP 42, Fès 30000
Téléphone : 0663-215258
Les auteurs n'ont pas connaissance de quelconque financement qui
Déclaration de divulgation : pourrait affecter l'objectivité de cette étude et ils sont responsables de tout
plagiat dans cet article.
Conflit d’intérêts : Les auteurs ne signalent aucun conflit d'intérêts.
EBEID, Z., & EL HIRI, A. (2025). L’intelligence artificielle et pilotage
de la performance publique dans les pays en développement : vers un
Citer cet article cadre conceptuel intégré au-delà des approches classiques ? International
Journal of Accounting, Finance, Auditing, Management and Economics,
6(7), 101–118.

Cet article est publié en open Access sous licence

Licence
CC BY-NC-ND

Received: 18/05/2025 Accepted: 25/06/2025

International Journal of Accounting, Finance, Auditing, Management and Economics - IJAFAME

ISSN: 2658-8455
Volume 6, Issue 07 (2025)

101
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

L’intelligence artificielle et pilotage de la performance publique dans les

pays en développement : vers un cadre conceptuel intégré au-delà des
approches classiques ?

Résumé :
Dans un contexte de transformation numérique globale, les pays en développement sont confrontés à de multiples
défis pour moderniser la gestion de la performance publique. Cette étude propose un cadre conceptuel intégré qui
cherche à surmonter les limites des approches traditionnelles axées exclusivement sur les indicateurs financiers et
opérationnels. Une revue systématique de la littérature, basée sur plus de 70 contributions scientifiques indexées
dans certaines bases de données telles que Web of Science, Scopus et Google Scholar, a permis d'identifier cinq
dimensions fondamentales : technologique, organisationnelle, institutionnelle, stratégique et éthique.
Ces dimensions permettent une approche holistique des opportunités offertes par l'intelligence artificielle (IA) pour
améliorer la transparence, l'efficacité et la réactivité des entités publiques, en particulier dans des contextes
marqués par la rareté de données fiables, le manque de compétences techniques et les faiblesses structurelles de la
gouvernance. Le cadre conceptuel proposé est basé sur l'interaction dynamique entre ces dimensions et les acteurs
impliqués (décideurs, fonctionnaires, citoyens), intégrant des outils algorithmiques dans les cycles d'évaluation,
de planification et de gestion de la performance.
Ce modèle hybride constitue à la fois un outil essentiel pour comprendre les défis de la gouvernance numérique et
une base théorique solide pour de futures recherches empiriques. Il offre également des orientations concrètes pour
l'action publique, telles que l'optimisation des ressources, la personnalisation des services et l'amélioration continue
grâce à l'analyse prédictive. L'article comble une lacune théorique en explorant, à partir d'une approche
multidisciplinaire, l'interrelation entre l'innovation technologique, la performance institutionnelle et le
développement durable. Il présente une vision contextualisée, adaptée à la réalité des pays en développement, et
contribue au débat sur l'intelligence artificielle responsable et la réforme des systèmes publics.

Mots clés : Intelligence artificielle, Gestion des performances publiques, Pays en développement, Gouvernance
numérique, Cadre conceptuel intégré.
JEL Classification : O33, H83, O17, H11, L86
Type du papier : Recherche Théorique

Abstract :
In the context of global digital transformation, developing countries face multiple challenges in modernizing public
performance management. This study proposes an integrated conceptual framework that seeks to overcome the
limitations of traditional approaches focused exclusively on financial and operational indicators. A systematic
literature review, based on over 70 scientific contributions indexed in databases such as Scopus, Web of Science
and Google Scholar, identified five fundamental dimensions: technological, organizational, institutional, strategic
and ethical.
These dimensions enable a holistic approach to the opportunities offered by artificial intelligence (AI) to improve
the efficiency, transparency and responsiveness of public entities, particularly in contexts marked by scarcity of
reliable data, lack of technical skills and structural weaknesses in governance. The proposed conceptual framework
is based on the dynamic interaction between these dimensions and the actors involved (decision-makers, civil
servants, citizens), integrating algorithmic tools into the evaluation, planning and performance management cycles.
This hybrid model is both an essential tool for understanding the challenges of digital governance and a sound
theoretical basis for future empirical research. It also offers concrete orientations for public action, such as resource
optimization, service personalization and continuous improvement through predictive analytics. The article fills a
theoretical gap by exploring, using a multidisciplinary approach, the interrelationship between technological
innovation, institutional performance and sustainable development. It presents a contextualized vision, adapted to
the reality of developing countries, and contributes to the debate on responsible artificial intelligence and the
reform of public systems.

Keywords: Artificial intelligence, Public performance management, Developing countries, Digital governance,
Integrated conceptual framework.
Classification JEL : O33, H83, O17, H11, L86
Paper type: Theoretical Research

102
[Link]
ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

1. Introduction
Ces dernières années, la question de l'efficacité du secteur public a pris une importance
croissante dans le débat universitaire et politique international, particulièrement dans les pays
en développement où l'écart entre les objectifs stratégiques et les résultats réels reste
préoccupant. Dans de tels contextes, les systèmes administratifs sont souvent marqués par
l’inefficacité, la corruption, des capacités institutionnelles limitées et une transparence limitée,
qui freinent de manière significative l’amélioration de la performance publique (Heeks, 2018).
Malgré les multiples efforts de réforme entrepris depuis les décennies passées, souvent inspirés
par des paradigmes de gestion tels que la Nouvelle Gouvernance Publique (NGP), les résultats
ont été largement insuffisants. La faiblesse des structures administratives, l'absence
d'indicateurs pertinents et la faible capacité de pilotage stratégique continuent de limiter la mise
en œuvre efficace des politiques publiques. Cela montre qu'il est urgent de repenser les outils
et les modèles utilisés pour évaluer et piloter les résultats du secteur public, en particulier dans
les pays en développement.
Dans ce sens, l'intelligence artificielle (IA) apparaît comme une opportunité sans précédent de
transformer la façon dont les politiques publiques sont conçues, suivies et ajustées. Les
technologies fondées sur l’IA - telles que l’apprentissage machine, l’exploration de données ou
les systèmes experts - permettent de traiter de vastes volumes de données en temps réel,
d’identifier des schémas cachés et de générer des recommandations prédictives susceptibles de
renforcer les capacités de gouvernance et de prise de décision des institutions publiques (on
Trade & Development, 2019). Cette capacité à élargir l’horizon de l’action publique représente
un potentiel de rupture par rapport aux modèles traditionnels d’évaluation fondés sur des
indicateurs fixes, des rapports périodiques et des analyses rétrospectives.
Sur le plan international, un certain nombre de pays avancés ont commencé à intégrer l’IA dans
leurs systèmes de gouvernance, explorant de nouvelles formes de gouvernance intelligente et
adaptative. Toutefois, dans les pays en développement, cette transition n'en est qu'à ses débuts,
en raison de contraintes structurelles, technologiques et politiques (OECD, 2020; Vinuesa &
others, 2020; World Bank, 2021). Le potentiel de transformation de l’IA pourrait toutefois être
particulièrement pertinent dans ces contextes, car il permettrait de surmonter nombre des
faiblesses qui caractérisent les approches traditionnelles : opacité de gestion, lenteur des
réactions aux données, indicateurs inappropriés ou décontextualisés, entre autres. L'IA offre
donc un moyen innovant de construire un système de gestion de la performance plus
dynamique, proactif et contextualisé.
Malgré ces progrès prometteurs, il existe encore un écart théorique important dans la
conceptualisation de cadres intégrés qui articulent de manière cohérente les composantes
traditionnelles de la performance publique (efficacité, efficience, qualité de service,
responsabilité) avec les nouvelles capacités offertes par l’IA. La littérature universitaire manque
de modèles robustes pour prendre en compte cette intégration, en particulier dans les pays en
développement où les contextes institutionnels nécessitent des adaptations spécifiques (Africa,
2024). Plusieurs études ont analysé séparément les outils d’évaluation des performances et aussi
les applications de l’IA dans le secteur public, mais peu d’ouvrages ont réussi à relier
systématiquement les deux dimensions (Heeks, 2020).
C'est pourquoi cet article propose d'élaborer un cadre conceptuel intégré pour l'évaluation et le
pilotage de la performance publique dans les pays en développement, intégrant les contributions
potentielles de l'IA (du Québec, 2021). Sur la base d'un examen critique des modèles existants,
tant dans le domaine de la gouvernance que dans le domaine technologique, on cherche à
construire une architecture théorique permettant de surmonter les contraintes des approches
traditionnelles et d'ouvrir de nouvelles perspectives pour l'innovation dans l'administration

103
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

publique. Ce modèle hybride vise à fournir une base théorique solide qui, dans les recherches
futures, puisse être validée empiriquement et adaptée aux différentes réalités institutionnelles.
L’objectif principal de cet article est donc de contribuer au débat académique sur la
modernisation de la gouvernance dans les pays en développement en proposant une vision
renouvelée de la performance publique intégrant les capacités d’analyse, de prévision et de
recommandation de l’intelligence artificielle. Cette proposition devrait également stimuler de
nouvelles pistes de recherche théorique et pratique sur la numérisation de l’État et l’élaboration
de politiques publiques plus intelligentes, plus inclusives et plus adaptatives.

2. Revue de littérature
Ces dernières années, la gestion de la performance publique a gagné en importance dans les
débats universitaires et politiques, en particulier dans les pays en développement. La littérature
spécialisée s'est attachée à comprendre comment les institutions publiques peuvent améliorer
leur efficacité, leur efficience et leur légitimité en utilisant des outils structurés d'évaluation de
la performance (Osborne, 2006). Cette section propose un examen critique et approfondi des
principales approches théoriques et empiriques en matière d’évaluation de la performance
publique, des limites des modèles traditionnels et des nouvelles perspectives émergentes axées
sur l’utilisation de outils technologiques intelligents telles que l’intelligence artificielle (IA).
2.1. Fondements théoriques de la gestion de la performance publique
Les modèles classiques de gestion de la performance, tels que le tableau de bord intégral
(Balanced Scorecard, BSC) proposé par (Kaplan & Norton, 1992), ont été largement utilisés
dans le domaine public. Ces modèles permettent de mesurer les performances à partir de
plusieurs dimensions : finance, processus internes, apprentissage et croissance, et point de vue
du client. S'ils ont fait la preuve de leur efficacité, leur adaptation au contexte du secteur public,
en particulier dans les pays en développement, s'est avérée limitée en raison de leur approche
essentiellement quantitative et axée sur la logique du secteur privé.
En outre, les approches de contrôle de gestion, telles que celles d'Anthony et Govindarajan,
(2001), offrent une vision centrée sur la planification stratégique, budgétaire et le suivi
d'indicateurs clés. Cependant, des études récentes telles que celles de Bouckaert et Halligan,
(2008) ont montré que l'application de ces approches dans des contextes institutionnels
caractérisés par l'instabilité politique, la faiblesse institutionnelle et le manque de capacités
techniques nécessite une reformulation adaptative. Certains auteurs proposent d'adopter une
perspective plus contextualisée, en intégrant des indicateurs qualitatifs, une évaluation
participative et un alignement sur les objectifs de développement durable (ODD), afin que les
modèles soient plus pertinents pour les environnements publics fragiles (López-Acevedo et al.,
2012).
2.2. Limites des modèles traditionnels dans les pays en développement
De nombreuses études ont identifié des contraintes structurelles dans la mise en œuvre de ces
modèles dans les pays en développement. Parmi les principaux obstacles, on peut citer le
manque de données fiables, l'absence d'une culture organisationnelle axée sur les résultats, la
corruption systémique et l'absence de mécanismes efficaces de responsabilisation (Andrews,
2013; HOOD, 1991; Pollitt & Bouckaert, 2017).
Par exemple, des études de cas en Afrique subsaharienne ont montré que les cadres traditionnels
ne parviennent pas à saisir la complexité des environnements administratifs, dans lesquels les
priorités peuvent changer rapidement et où la mise en œuvre des stratégies est entravée par la
fragmentation des responsabilités institutionnelles (Grindle, 2004; Hope, 2001). À cela s'ajoute
la rigidité des systèmes bureaucratiques, qui limite la possibilité d'innover et d'adapter les outils
de gestion aux changements de l'environnement. La littérature récente insiste sur la nécessité

104
[Link]
ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

de passer de modèles verticaux et prescriptifs à des approches plus horizontales, participatives

et adaptatives, qui intègrent la voix des citoyens et l'apprentissage organisationnel (Andrews et
al., 2017).
2.3. Nouveaux paradigmes théoriques : gouvernance intelligente et numérisation
Face à ces contraintes, un courant théorique axé sur la gouvernance intelligente a émergé, qui
encourage l'utilisation stratégique de la technologie pour améliorer la réactivité du secteur
public. Ce paradigme, basé sur des théories telles que la Nouvelle gouvernance publique
(NPM), la théorie de l'agence (Jensen & Meckling, 1976) et les modèles collaboratifs de
gouvernance (Ansell & Gash, 2008; Christensen & Lægreid, 2007), préconise l'utilisation
d'outils numériques pour améliorer la coordination interinstitutionnelle, augmenter la
transparence et renforcer la responsabilité.
L'intelligence artificielle occupe une place centrale dans ce nouveau paradigme, comme le
montrent les études de (Mergel et al., 2019), qui soulignent comment les algorithmes peuvent
contribuer à optimiser l'allocation des ressources, à anticiper les risques opérationnels et à
améliorer la prise de décision en temps réel. De même, des auteurs tels que (Wirtz et al., 2021)
proposent des modèles de gouvernance numérique dans lesquels l'IA est intégrée dans la gestion
quotidienne des services publics, améliorant ainsi l'efficacité administrative et la satisfaction
des citoyens. En outre, de nouvelles recherches (Dwivedi, Yogesh K.; Hughes, Laurie;
Ismagilova, Elvira; Aarts, Gert; Coombs, Crispin; Crick & Yanqing; Dwivedi, Rohita; Janssen,
2021; Moretti, 2022) soulignent que l'intégration de l'IA n'est pas seulement un outil technique,
mais un changement structurel qui affecte les modèles de leadership, la répartition du pouvoir
et la relation entre l'État et la société.
2.4. Application de l'intelligence artificielle à le pilotage des performances publiques
L’Intelligence Artificielle (IA) peut être utilisée pour automatiser la collecte et l'analyse de
grands volumes de données, facilitant ainsi l'évaluation continue de la performance de
l'entreprise (Mergel et al., 2019). Les algorithmes d’apprentissage automatique permettent de
détecter les modèles et de prévoir les dysfonctionnements avant qu’ils n’affectent de manière
significative les performances de gouvernance. En outre, des outils tels que les systèmes experts
et le traitement du langage naturel (PLN) permettent d'analyser des documents de politique
générale, de formuler des recommandations de politique générale et d'évaluer les discours
institutionnels, ouvrant ainsi de nouvelles possibilités de prise de décision fondée sur des
preuves (Brynjolfsson & McAfee, 2017a; Janssen, 2020).
Plusieurs gouvernements ont commencé à explorer ces possibilités. Par exemple, le Royaume-
Uni a mis en place des systèmes d'IA pour détecter les fraudes aux prestations sociales, tandis
que Singapour a utilisé des algorithmes pour gérer le trafic urbain et optimiser les services de
santé (OCDE, 2021). Bien que ces expériences soient encore rares dans les pays en
développement, leur adaptation pourrait représenter une opportunité de surmonter les goulets
d'étranglement structurels. Des recherches récentes recommandent d'accompagner ces
applications de cadres réglementaires solides, de mécanismes d'inclusion numérique et de
programmes de renforcement des capacités afin d'en maximiser l'impact (OECD, 2022;
UNESCO, 2021).

3. Méthodologie de construction du cadre conceptuel

Cette étude est basée sur une approche théorico-conceptuelle fondée sur l'examen critique et
systématique de la littérature académique liée à la gestion de la performance publique, la
gouvernance numérique et l'intelligence artificielle (IA). Étant donné l'impossibilité de réaliser
une étude empirique, la méthodologie adoptée vise à construire un modèle conceptuel original

105
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

en intégrant des théories, des approches et des modèles existants, adaptés au contexte des pays
en développement.
3.1. Approche méthodologique adoptée
Une méthode inductive et comparative basée sur l’identification, l’analyse et la synthèse de
modèles conceptuels existants a été utilisée dans la littérature. Cette approche permet de
développer une nouvelle proposition théorique à partir de l'identification des lacunes,
incohérences ou contraintes dans les cadres actuels. La sélection des sources a été effectuée au
moyen d'une revue bibliographique structurée de publications indexées dans des bases de
données scientifiques (Scopus, Web of Science, Google Scholar), en hiérarchisant les articles
récents (dix dernières années) et pertinents pour le sujet.
3.2. Critères de sélection des modèles et des concepts
Des modèles largement reconnus ont été sélectionnés, tels que le tableau de bord complet
(CMI/BSC), l'approche basée sur les indicateurs de performance clés (KPI) et les modèles de
contrôle de gestion. En outre, des concepts contemporains de gouvernance publique, de
gouvernance intelligente et de technologies numériques ont été intégrés. Le choix de ces
modèles tient à leur applicabilité dans des contextes organisationnels publics et à leur potentiel
d'enrichissement par l'IA.
Parallèlement, des technologies pertinentes d’intelligence artificielle (apprentissage
automatique, exploration de données, analyse prédictive, traitement du langage naturel) ont été
identifiées et sélectionnées, qui ont été utilisées dans d’autres contextes de gouvernance et
constituent une base solide pour leur intégration conceptuelle.
3.3. Stratégie de synthèse théorique
La construction du cadre conceptuel s'est déroulée selon une approche structurée en trois étapes
complémentaires. Tout d'abord, les composantes clés de la performance publique ont été
systématiquement identifiées, en tenant compte d'éléments tels que les acteurs impliqués, les
indicateurs d'évaluation, les processus opérationnels, les niveaux de décision et les systèmes
d'information utilisés dans le secteur public. Cette phase a permis de délimiter les dimensions
fondamentales de l'analyse (López-Acevedo et al., 2012; Schedler & Proeller, 2007).
Ensuite, la contribution potentielle de l'intelligence artificielle à chacune de ces composantes a
été examinée. Cette évaluation s'est appuyée sur une revue critique de la littérature sur les
applications de l'IA dans la gestion publique, soulignant sa capacité à améliorer la précision des
indicateurs, à optimiser les processus décisionnels et à renforcer les capacités institutionnelles
grâce à des outils prédictifs et analytiques (Dwivedi & others, 2021; Moretti, 2022; Wirtz et al.,
2019).
Enfin, une structure hybride a été conçue pour articuler ces éléments dans un modèle conceptuel
inclusif, spécifiquement adapté aux défis structurels des pays en développement. Cette
architecture a été conçue pour intégrer à la fois les principes traditionnels de la gestion de la
performance et les opportunités offertes par l'intelligence artificielle en termes d'innovation,
d'automatisation et d'analyse avancée (Andrews et al., 2017; Mikalef & Gupta, 2023).
Le processus de synthèse s'est appuyé sur des outils d'analyse conceptuelle, tels que des
matrices de comparaison, des diagrammes de cause à effet et des schémas fonctionnels. Ces
outils ont garanti la cohérence interne du cadre proposé et ont permis de représenter
visuellement les relations dynamiques entre les différentes dimensions du modèle (Christensen
& Lægreid, 2011; OECD, 2022).
3.4. Limites méthodologiques
Compte tenu de son caractère conceptuel, cette étude ne comporte pas de validation empirique
du modèle. Toutefois, cette base théorique devrait fournir un point de départ rigoureux pour de

106
[Link]
ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

futures recherches appliquées qui pourraient en évaluer la pertinence pratique dans des
contextes réels.

4. Cadre conceptuel proposé

Le cadre conceptuel proposé s'appuie sur un modèle hybride qui combine les principes
classiques de la gestion de la performance publique avec les capacités émergentes de
l'intelligence artificielle (IA). Cette approche reconnaît la nécessité urgente d'améliorer
l'efficacité, l'efficience et la transparence du secteur public dans les pays en développement, où
les systèmes traditionnels d'évaluation des performances se heurtent à des contraintes
structurelles (Christensen & Lægreid, 2011; Dunleavy & others, 2006; Schedler & Proeller,
2007). Ce modèle vise non seulement à mesurer la performance, mais aussi à transformer le
processus de gestion publique, en s'appuyant sur les capacités prédictives et prescriptives
offertes par l'IA (Faqihi & Miah, 2022; Wirtz et al., 2019).
Table 1 : Dimensions du Cadre Conceptuel Proposé
Dimension Description Implications pratiques
Infrastructure numérique, qualité des Nécessité d'adopter des technologies
Technologique
données, capacités analytiques adaptées au contexte local
Capital humain, culture de
Préparer les organisations à la
Organisationnelle l'innovation, structures de
gestion de projets IA
gouvernance
Normes, mécanismes de contrôle,
Renforcer les mécanismes de
Institutionnelle alignement avec les priorités
transparence et de responsabilité
gouvernementales
Clarté des objectifs, intégration avec Aligner les objectifs de l'IA avec les
Stratégique
les systèmes de planification résultats attendus
Protection des droits, équité, Assurer l’équité et la transparence
Éthique
transparence des algorithmes des systèmes IA
Source : Conception propre aux auteurs
4.1. Structure générale du modèle hybride
Le modèle conceptuel s'articule autour de quatre dimensions interdépendantes. La première
dimension, la gouvernance institutionnelle, comprend les cadres réglementaires, les structures
administratives et les mécanismes de coordination interinstitutionnelle qui conditionnent
l'environnement opérationnel du secteur public. Des études telles que celles d'Osborne et al.
(2013) et Moore (1995) soulignent qu'un système de gouvernance efficace doit assurer la
stabilité, la légitimité et la capacité de coordination afin de garantir la mise en œuvre effective
des politiques publiques.
La deuxième dimension, le système d'évaluation des performances, intègre des indicateurs
quantitatifs et qualitatifs alignés sur les objectifs stratégiques de l'administration publique. Les
recherches de Rantanen et al. (2007) et Schedler et Proeller (2007) ont montré que les approches
d'évaluation doivent aller au-delà des indicateurs financiers traditionnels, en intégrant des
perspectives centrées sur les utilisateurs et la valeur publique générée. Cette dimension est
directement liée à la capacité institutionnelle à traduire les données en décisions stratégiques.
La troisième dimension concerne l'intelligence artificielle en tant que moteur analytique. L'IA
permet de traiter de grands volumes de données, d'identifier des modèles et de générer des
recommandations qui améliorent la prise de décision. Dwivedi et al. (2021) et Moretti (2022)
soulignent comment l'IA peut générer de la valeur dans des contextes de gouvernance en
automatisant des tâches, en anticipant les risques et en personnalisant les services. L'IA devient
ainsi le cœur technique du modèle, reliant les entrées et les sorties au moyen d'algorithmes.
La quatrième dimension comprend les acteurs et les interactions, notamment les décideurs

107
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

politiques, les fonctionnaires, les citoyens et les acteurs technologiques. La littérature sur la
gouvernance numérique (Ansell & Gash, 2008; Overman & Schillemans, 2020) souligne que
les dynamiques interactives entre ces acteurs influencent la conception, la mise en œuvre et
l'acceptation des solutions basées sur l'IA.
La figure 1 représente ce modèle hybride. Les flèches entre les composants illustrent la nature
circulaire et rétroactive du processus : les acteurs participent à la génération d'entrées, l'IA
transforme ces données en connaissances, et les résultats éclairent de nouvelles décisions. Cette
dynamique renforce l'adaptabilité et la capacité d'apprentissage du système, comme le
soulignent Andrews et al. (2017) et Grindle (2004).
Cette illustration, ci-dessous, résume visuellement cette architecture conceptuelle et ses
logiques d'interdépendance :
Figure 1 : Modèle Conceptuel Hybride de la Performance Publique avec IA

Source : Réalisé par les auteurs

La figure 2, quant à elle, détaille le processus d'intégration de l'IA dans la gestion de la
performance. De la collecte de données à la prise de décision automatisée, chaque étape est
basée sur un flux logique validé par des expériences empiriques (Janssen, 2020; OECD, 2022).
Les flèches reflètent un processus séquentiel mais flexible, où chaque étape peut être alimentée
par des mécanismes d'ajustement continu. Exemple concret : à Singapour, les systèmes d'IA
appliqués aux transports urbains ont permis de réduire le temps de réponse aux urgences grâce
à l'analyse prédictive des flux de véhicules. Ce type de mise en œuvre illustre le potentiel
transformateur du modèle hybride.
Figure 2 : Processus d’Intégration de l’IA dans la Gestion de la Performance

Source : Réalisé par les auteurs

108
[Link]
ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

4.2. Composants clés du modèle

Le modèle identifie trois ensembles d'éléments fonctionnels : les entrées, les processus et les
résultats. Les entrées comprennent les données administratives, les enquêtes de satisfaction, les
rapports budgétaires et les indicateurs de développement. La littérature suggère que la qualité
et la disponibilité de ces données sont déterminantes pour le succès du modèle (López-Acevedo
et al., 2012). Il est proposé qu'une stratégie de données bien structurée augmente la précision
de l'analyse des performances.
Les processus font référence au traitement que l'IA applique aux données : exploration, analyse
des sentiments, détection des anomalies et génération de recommandations. Des études récentes
(Brynjolfsson & McAfee, 2017b; Mergel, 2016) montrent que ces processus sont essentiels
pour transformer les données en connaissances exploitables, réduire l'incertitude et améliorer
la précision des décisions publiques. La figure 2 illustre en détail ce flux, où chaque étape est
liée à des résultats opérationnels concrets.
Les résultats comprennent des tableaux de bord interactifs, des alertes automatisées, des
rapports de performance et des propositions d'ajustement des politiques. Ces résultats
permettent non seulement un suivi continu des performances, mais aussi un retour d'information
sur le système en vue de son amélioration continue. La figure 3 montre comment ces catégories
sont interreliées entre elles et avec les quatre dimensions structurelles. Les interactions reflètent
la complexité systémique du modèle et son caractère holistique. Dans des pays comme
l'Estonie, l'utilisation de l'IA dans les services d'identification électronique a permis d'améliorer
la transparence administrative et la confiance des citoyens, illustrant l'impact pratique de ces
résultats.
Figure 3 : Interactions entre les Dimensions du Cadre Conceptuel

Source : Réalisé par les auteurs

4.3. Flexibilité et adaptabilité
L'une des caractéristiques essentielles du modèle proposé est son adaptabilité à différents
contextes institutionnels, niveaux de gouvernement et secteurs d'activité. Des recherches telles
que celles de Grindle (2004) et Pupion (2017) indiquent que la mise en œuvre réussie de cadres
de gestion nécessite des adaptations en fonction de la capacité institutionnelle, de la maturité
numérique et de la disponibilité des données. Ainsi, l'hypothèse est que plus l'adaptabilité
modulaire du modèle est grande, plus son impact sur l'amélioration des performances
institutionnelles est important.

109
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

Le modèle est conçu pour être modulaire, permettant aux organisations publiques de mettre en
œuvre progressivement ses composants en fonction de leurs besoins et de leurs ressources. Par
exemple, dans des contextes où la numérisation est faible, des processus d'analyse de données
de base peuvent être lancés, tandis que les administrations plus avancées peuvent déployer l'IA
pour une analyse prédictive en temps réel. La figure 4 représente cette architecture
fonctionnelle, montrant comment les différents modules (sources de données, moteur d'IA,
visualisation, rétroaction politique) s'intègrent dans un système cohérent et évolutif. Cette figure
doit être comprise comme un guide technique pour une mise en œuvre par étapes.
Figure 4 : Architecture fonctionnelle du modèle IA-Publique

Source : Réalisé par les auteurs

4.4. Avantages du modèle proposé
Le modèle hybride proposé présente un avantage fondamental en surmontant les limites des
approches traditionnelles axées exclusivement sur des indicateurs statiques. Ces modèles, qui
utilisent généralement des mesures historiques pour évaluer la performance institutionnelle, ont
tendance à être réactifs et manquent la capacité d'adaptation dans des contextes dynamiques.
En revanche, le modèle proposé intègre des outils analytiques basés sur l'intelligence artificielle
qui permettent une évaluation continue, multidimensionnelle et contextualisée, ce qui est
particulièrement utile dans des environnements caractérisés par une forte volatilité, une faible
disponibilité des données et une faiblesse institutionnelle.

110
[Link]
ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

En outre, l'automatisation des processus clés et l'utilisation d'algorithmes d'apprentissage

automatique renforcent la capacité du système à anticiper les problèmes, à détecter les
anomalies et à émettre des alertes précoces. Cette capacité de prévision améliore
considérablement la prise de décision, permettant aux responsables publics d'agir de manière
plus agile et plus efficace. L'approche proactive proposée contribue à une gouvernance plus
résiliente et axée sur les résultats.
Un autre avantage notable est le renforcement de la transparence et de la responsabilité. Les
visualisations interactives générées par le système, ainsi que la traçabilité des décisions
automatisées, facilitent le suivi par les citoyens et favorisent un meilleur contrôle social. Cela
améliore non seulement la confiance institutionnelle, mais crée également un environnement
plus favorable à la participation citoyenne éclairée. Par conséquent, le modèle contribue non
seulement à la performance organisationnelle, mais aussi au renforcement de la démocratie.

5. Apports théoriques et implications

Cette étude propose une innovation théorique significative en intégrant les technologies de l'IA
dans un modèle conceptuel d'évaluation de la performance publique. Elle apporte une vision
renouvelée de la gouvernance publique en considérant l'IA non seulement comme un outil
technique, mais aussi comme une composante structurelle du système de gestion (Dwivedi &
others, 2021a; Rantanen et al., 2007; Tangi et al., 2020). L'articulation entre la théorie de
l'agence, les nouvelles théories de la gouvernance et l'approche numérique représente une
contribution aux études sur l'administration publique et la gestion publique numérique (Benbya
et al., 2020; United Nations, 2022).
5.1. Avancées dans la littérature
Le cadre conceptuel proposé représente une contribution significative à la littérature sur la
gouvernance publique, la transformation numérique et l'intelligence artificielle. Il comble une
lacune identifiée dans de nombreuses études en proposant un modèle adapté aux pays en
développement qui tient compte à la fois des contraintes structurelles et des opportunités
découlant de l'utilisation des nouvelles technologies. L'intégration des perspectives
technologiques, organisationnelles, institutionnelles et éthiques permet une analyse plus solide
et plus complète de la performance publique, en accord avec les approches multidisciplinaires
contemporaines.
De même, le modèle introduit une logique d'interdépendance entre les acteurs, les processus et
les technologies, conformément aux postulats de la gouvernance numérique (Margetts &
Dorobantu, 2017) et de la création de valeur publique (Moore, 1995). La proposition s'aligne
également sur les travaux de Chen & Hsieh (2019) et Moretti (2022) et Mikalef & Gupta (2023),
qui préconisent des cadres analytiques qui transcendent les approches traditionnelles et
reconnaissent la complexité des environnements publics contemporains.
5.2. Implications pratiques
Bien que cet article soit de nature conceptuelle, ses implications pratiques sont multiples. Pour
les décideurs politiques, le modèle offre un guide systématique pour structurer les réformes
visant la transformation numérique du secteur public. Ce cadre permet d'identifier les
dimensions critiques à aborder pour une mise en œuvre réussie des solutions basées sur l'IA, en
tenant compte à la fois des facteurs techniques, institutionnels et éthiques.
Pour les administrateurs publics, le modèle sert d'outil de planification stratégique et
opérationnelle. En offrant un cadre clair pour l'évaluation des performances, il facilite
l'allocation des ressources, le suivi des objectifs et l'amélioration continue des processus. En

111
[Link]
Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

outre, l'inclusion de modules d'analyse automatisée contribue à optimiser la gestion basée sur
les données et à renforcer la capacité de réponse organisationnelle.
Pour les chercheurs, le modèle constitue une base théorique pour développer des études
empiriques permettant d'évaluer son applicabilité, sa validité et sa pertinence dans divers
contextes. Il soulève également des questions pertinentes sur la gouvernance algorithmique,
l'éthique de l'automatisation et l'interaction entre les humains et les systèmes intelligents,
ouvrant ainsi de nouvelles pistes de recherche.
5.3. Orientations pour les recherches futures
Il est recommandé de mener des études de cas dans différents pays en développement afin de
valider empiriquement le modèle proposé. Ces études pourraient se concentrer sur des domaines
clés tels que la santé publique, l'éducation et les services sociaux, où le besoin de systèmes
efficaces et adaptables est particulièrement urgent. En outre, des recherches comparatives entre
différents niveaux de gouvernement (national, régional et local) permettraient d'identifier les
variations dans la mise en œuvre et les résultats du modèle.
Une autre piste prometteuse consiste à concevoir des indicateurs spécifiques pour mesurer la
maturité de l'intégration de l'IA dans la gestion des performances. Ces indicateurs pourraient
faciliter les évaluations comparatives et établir des normes minimales de capacité
institutionnelle. Il est également suggéré de réaliser des simulations du modèle afin d'explorer
différents scénarios d'application et de mieux comprendre les dynamiques internes entre les
dimensions proposées.
Enfin, des approches participatives intégrant les citoyens et les acteurs non étatiques dans la
conception et l'évaluation des systèmes basés sur l'IA pourraient être explorées. Ce type de
recherche contribuerait à garantir que les solutions technologiques répondent aux besoins réels
de la population et respectent les principes démocratiques fondamentaux.
Table 2 : Exemples d’Applications de l’IA dans le Secteur Public
Application Description Bénéfices observés
Systèmes de prévision de Utilisation de l’IA pour prédire la Amélioration de la réactivité et de
la demande de services demande de services (santé, l’efficacité des services
publics éducation, transports)
Outils d’analyse des Analyse des données de Optimisation des ressources et
données publiques performance des institutions identification de nouveaux leviers
publiques de performance
Gestion des ressources Utilisation d’algorithmes pour la Amélioration de la répartition des
humaines avec IA gestion des ressources humaines tâches et de l’efficacité
dans les ministères opérationnelle
Source : Conception propre aux auteurs

6. Conclusion
Cet article présente un cadre conceptuel hybride pour l'évaluation et le pilotage de la
performance publique dans les pays en développement, intégrant les technologies de
l'intelligence artificielle aux principes classiques de gestion. Partant d'une critique des modèles
traditionnels, l'étude a démontré la pertinence d'adopter une perspective innovante et flexible
adaptée à des contextes institutionnels complexes.
La principale contribution réside dans la construction d'un modèle théorique qui répond aux
limites observées dans la pratique administrative, en proposant une architecture conceptuelle
qui facilite la prise de décision, l'évaluation continue et l'amélioration de la performance
institutionnelle. L'intégration des technologies de l'IA permet une vision plus dynamique,
prédictive et axée sur les résultats (Chatfield & Reddick, 2020; Hughes & Moore, 2020; López
& Ramírez, 2020).

112
[Link]
 ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

L'article a également mis en évidence la nécessité de repenser les pratiques d'évaluation dans le
secteur public, non pas comme des exercices bureaucratiques, mais comme des processus
intégrés orientés vers la transparence, l'efficacité et la responsabilité (Overman & Schillemans,
2020; Sebastian & others, 2017).
Parmi les limites de l'étude figure l'absence de validation empirique, inhérente à sa nature
théorique. Néanmoins, cette approche ouvre de multiples pistes pour de futures recherches, à la
fois empiriques et comparatives, qui permettraient de tester la robustesse du modèle proposé
dans différents contextes nationaux et sectoriels.
Enfin, un appel est lancé aux chercheurs, aux décideurs politiques et aux acteurs du
développement pour qu'ils considèrent le potentiel de transformation de l'IA dans la
gouvernance publique, non pas comme une fin en soi, mais comme un instrument au service
d'une gestion publique plus efficace, plus équitable et plus inclusive.

Références :

(1). Africa, S. (2024). Stratégie continentale sur l’intelligence artificielle. Union Africaine.
(2). Andrews, M. (2013). The Limits of Institutional Reform in Development: Changing
Rules for Realistic Solutions. Cambridge University Press.
(3). Andrews, M., Pritchett, L., & Woolcock, M. (2017). Building State Capability:
Evidence, Analysis, Action. Oxford University Press. [Link]
(4). Ansell, C., & Gash, A. (2008). Collaborative Governance in Theory and Practice.
Journal of Public Administration Research and Theory, 18(4), 543–571.
[Link]
(5). Anthony, R. N., & Govindarajan, V. (2001). Management Control Systems (10th ed.).
McGraw-Hill/Irwin.
(6). Benbya, H., Nan, N., Tanriverdi, H., & Yoo, Y. (2020). Complexity and information
systems research in the emerging digital world. MIS Quarterly: Management
Information Systems, 44(1), 1–17. [Link]
(7). Bouckaert, G., & Halligan, J. (2008). Managing Performance: International
Comparisons. Routledge.
(8). Brynjolfsson, E., & McAfee, A. (2017a). Machine, Platform, Crowd: Harnessing Our
Digital Future. W. W. Norton \& Company.
(9). Brynjolfsson, E., & McAfee, A. (2017b). The Business of Artificial Intelligence.
Harvard Business Review, 1–20. [Link]
intelligence
(10). Chatfield, A. T., & Reddick, C. G. (2020). AI ethics in government: A cross-sectoral
review of challenges and opportunities. Government Information Quarterly, 37(4),
101567.
(11). Chen, Y.-C., & Hsieh, J.-Y. (2019). Artificial intelligence in government: Promises and
challenges. Public Administration Review, 79(6), 843–846.
(12). Christensen, T., & Lægreid, P. (2007). The Whole-of-Government Approach to Public
Sector Reform. Public Administration Review, 67(6), 1059–1066.
[Link]
(13). Christensen, T., & Lægreid, P. (2011). The Ashgate research companion to New Public
Management. Ashgate Publishing, Ltd.
(14). du Québec, G. (2021). Stratégie d’intégration de l’intelligence artificielle dans
l’administration publique 2021-2026. Secrétariat Du Conseil Du Trésor.
(15). Dunleavy, P., & others. (2006). Digital era governance: IT corporations, the state, and
e-government. Oxford University Press.
(16). Dwivedi, Yogesh K.; Hughes, Laurie; Ismagilova, Elvira; Aarts, Gert; Coombs, Crispin;

113
[Link]
 Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

Crick, T. D., & Yanqing; Dwivedi, Rohita; Janssen, M. M. A. (2021). Artificial

Intelligence (AI): Multidisciplinary perspectives on emerging challenges,
opportunities,. Elsevier, 57.
[Link]
ADOw8Kw6TYAAAAA:bNkOm0LqUZ5q0L0tmbj15FQU9eyVUApg_-
n2PcDYzmrjsn7-J9fNdEVhxuNNPgWtfm_PHSETieU
(17). Dwivedi, Y. K., & others. (2021a). Artificial Intelligence (AI): Multidisciplinary
perspectives on emerging challenges, opportunities, and agenda for research, practice
and policy. International Journal of Information Management, 57, 101994.
(18). Dwivedi, Y. K., & others. (2021b). Artificial Intelligence (AI): Multidisciplinary
perspectives on emerging challenges. International Journal of Information
Management, 57.
(19). Faqihi, A., & Miah, S. J. (2022). Designing an AI-Driven Talent Intelligence Solution:
Exploring Big Data to extend the TOE Framework. ArXiv Preprint ArXiv:2207.12052.
(20). Grindle, M. S. (2004). Good enough governance: Poverty reduction and reform in
developing countries. Governance, 17(4), 525–548.
(21). Heeks, R. (2018). Digital transformation for development: A review of the literature.
Development Informatics Working Paper Series, 63.
(22). Heeks, R. (2020). Artificial Intelligence for Sustainable Development: Challenges and
Opportunities for Developing Countries. Development Informatics Working Paper
Series, 68.
(23). HOOD, C. (1991). A PUBLIC MANAGEMENT FOR ALL SEASONS? Public
Administration, 69(1), 3–19. [Link]
(24). Hope, K. R. (2001). The new public management: Context and practice in Africa.
International Public Management Journal, 4(2), 119–134.
(25). Hughes, O., & Moore, M. H. (2020). Public value creation in digital government.
Australian Journal of Public Administration, 79(2), 174–180.
(26). Janssen, M. (2020). AI Governance and Public Values. Government Information
Quarterly, 37(3), 101431.
(27). Jensen, M. C., & Meckling, W. H. (1976). Theory of the Firm: Managerial Behavior,
Agency Costs and Ownership Structure. Journal of Financial Economics, 3(4), 305–
360. [Link]
(28). Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard--measures that drive
performance. Harvard Business Review, 70(1), 71–79.
(29). López-Acevedo, G., Krause, P., Mackay, K., & Savedoff, W. (2012). Building Better
Policies: The Nuts and Bolts of Monitoring and Evaluation Systems. World Bank
Publications. [Link]
(30). López, M., & Ramírez, M. (2020). Ética e inteligencia artificial: desafíos para la
administración pública. Revista Española de Ciencia Política, 52, 13–34.
[Link]
(31). Margetts, H., & Dorobantu, S. (2017). Understanding government digital
transformation: The role of public sector innovation. Philosophical Transactions of the
Royal Society A, 375(2109), 20160361.
(32). Mergel, I. (2016). Agile innovation management in government: A research agenda.
Government Information Quarterly, 33(3), 516–523.
(33). Mergel, I., Edelmann, N., & Haug, N. (2019). Defining Digital Transformation: Results
from Expert Interviews. Government Information Quarterly, 36(4), 101385.
[Link]
(34). Mikalef, P., & Gupta, M. (2023). The dynamics of AI capability and its influence on
public value creation: A resource-based perspective. Government Information

114
[Link]
 ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

Quarterly, 40(2), 101746.

(35). Moore, M. H. (1995). Creating Public Value: Strategic Management in Government.
Harvard University Press.
(36). Moretti, A. (2022). Artificial intelligence and public governance: A state-of-the-art
review. Government Information Quarterly, 39(2), 101664.
(37). OCDE. (2021). L’administration publique au service de la relance : Investir dans
l’avenir. Éditions OCDE. [Link]
(38). OECD. (2020). OECD Digital Economy Outlook 2020. OECD Publishing.
[Link]
(39). OECD. (2022). Artificial Intelligence in Society. OECD Publishing.
(40). on Trade, U. N. C., & Development. (2019). Digital Economy Report 2019: Value
creation and capture: Implications for developing countries. UNCTAD.
(41). Osborne, S. P. (2006). The New Public Governance? Public Management Review, 8(3),
377–387. [Link]
(42). Osborne, S. P., Radnor, Z., & Nasi, G. (2013). A New Theory for Public Service
Management? Toward a (Public) Service-Dominant Approach. The American Review
of Public Administration, 43(2), 135–158. [Link]
(43). Overman, S., & Schillemans, T. (2020). Digital accountability: Exploring the effects of
accountability mechanisms on the use of big data and algorithms in public sector
decision-making. Government Information Quarterly, 37(3), 101486.
(44). Pollitt, C., & Bouckaert, G. (2017). Public Management Reform: A Comparative
Analysis - Into the Age of Austerity (4th ed.). Oxford University Press.
(45). Pupion, P.-C. (2017). L’esprit du NPM et les organisations publiques. Gestion et
Management Public, Volume 5 /(3), 1–3. [Link]
(46). Rantanen, H., Kulmala, H. I., Lönnqvist, A., & Kujansivu, P. (2007). Performance
measurement systems in the public sector: Do they really work? International Journal
of Productivity and Performance Management, 56(4), 373–385.
(47). Schedler, K., & Proeller, I. (2007). Managing and measuring performance in public
organizations: An integrated approach. Springer.
(48). Sebastian, I. M., & others. (2017). How big old companies navigate digital
transformation. MIS Quarterly Executive, 16(3), 197–213.
(49). Tangi, L., Janssen, M., & Benedetti, M. (2020). Evidence-based policymaking and the
use of AI in government: The role of data infrastructures. Information Polity, 25(4),
475–492.
(50). UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence.
(51). United Nations. (2022). E-Government Survey 2022: The Future of Digital
Government. United Nations Department of Economic and Social Affairs.
[Link]
2022
(52). Vinuesa, R., & others. (2020). The role of artificial intelligence in achieving the
Sustainable Development Goals. Nature Communications, 11(1), 233.
(53). Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial Intelligence and the Public
Sector—Applications and Challenges. International Journal of Public Administration,
42(7), 596–615. [Link]
(54). Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2021). Artificial Intelligence and the Public
Sector—Applications and Challenges. International Journal of Public Administration,
44(9), 715–730.
(55). World Bank. (2021). The World Bank Annual Report 2021: From Crisis to Green,
Resilient, and Inclusive Recovery. World Bank Publications.
[Link]
115
[Link]
 Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

reports/documentdetail/120541633011500775/the-world-bank-annual-report-2021-
from-crisis-to-green-resilient-and-inclusive-recovery
(56). Africa, S. (2024). Stratégie continentale sur l’intelligence artificielle. Union Africaine.
(57). Andrews, M. (2013). The Limits of Institutional Reform in Development: Changing
Rules for Realistic Solutions. Cambridge University Press.
(58). Andrews, M., Pritchett, L., & Woolcock, M. (2017). Building State Capability:
Evidence, Analysis, Action. Oxford University Press. [Link]
(59). Ansell, C., & Gash, A. (2008). Collaborative Governance in Theory and Practice.
Journal of Public Administration Research and Theory, 18(4), 543–571.
[Link]
(60). Anthony, R. N., & Govindarajan, V. (2001). Management Control Systems (10th ed.).
McGraw-Hill/Irwin.
(61). Benbya, H., Nan, N., Tanriverdi, H., & Yoo, Y. (2020). Complexity and information
systems research in the emerging digital world. MIS Quarterly: Management
Information Systems, 44(1), 1–17. [Link]
(62). Bouckaert, G., & Halligan, J. (2008). Managing Performance: International
Comparisons. Routledge.
(63). Brynjolfsson, E., & McAfee, A. (2017a). Machine, Platform, Crowd: Harnessing Our
Digital Future. W. W. Norton \& Company.
(64). Brynjolfsson, E., & McAfee, A. (2017b). The Business of Artificial Intelligence.
Harvard Business Review, 1–20. [Link]
intelligence
(65). Chatfield, A. T., & Reddick, C. G. (2020). AI ethics in government: A cross-sectoral
review of challenges and opportunities. Government Information Quarterly, 37(4),
101567.
(66). Chen, Y.-C., & Hsieh, J.-Y. (2019). Artificial intelligence in government: Promises and
challenges. Public Administration Review, 79(6), 843–846.
(67). Christensen, T., & Lægreid, P. (2007). The Whole-of-Government Approach to Public
Sector Reform. Public Administration Review, 67(6), 1059–1066.
[Link]
(68). Christensen, T., & Lægreid, P. (2011). The Ashgate research companion to New Public
Management. Ashgate Publishing, Ltd.
(69). du Québec, G. (2021). Stratégie d’intégration de l’intelligence artificielle dans
l’administration publique 2021-2026. Secrétariat Du Conseil Du Trésor.
(70). Dunleavy, P., & others. (2006). Digital era governance: IT corporations, the state, and
e-government. Oxford University Press.
(71). Dwivedi, Yogesh K.; Hughes, Laurie; Ismagilova, Elvira; Aarts, Gert; Coombs, Crispin;
Crick, T. D., & Yanqing; Dwivedi, Rohita; Janssen, M. M. A. (2021). Artificial
Intelligence (AI): Multidisciplinary perspectives on emerging challenges,
opportunities,. Elsevier, 57.
[Link]
ADOw8Kw6TYAAAAA:bNkOm0LqUZ5q0L0tmbj15FQU9eyVUApg_-
n2PcDYzmrjsn7-J9fNdEVhxuNNPgWtfm_PHSETieU
(72). Dwivedi, Y. K., & others. (2021a). Artificial Intelligence (AI): Multidisciplinary
perspectives on emerging challenges, opportunities, and agenda for research, practice
and policy. International Journal of Information Management, 57, 101994.
(73). Dwivedi, Y. K., & others. (2021b). Artificial Intelligence (AI): Multidisciplinary
perspectives on emerging challenges. International Journal of Information
Management, 57.
(74). Faqihi, A., & Miah, S. J. (2022). Designing an AI-Driven Talent Intelligence Solution:

116
[Link]
 ISSN: 2658-8455
Volume 6, Issue 7 (2025), pp. 101-118.
© Authors: CC BY-NC-ND

Exploring Big Data to extend the TOE Framework. ArXiv Preprint ArXiv:2207.12052.
(75). Grindle, M. S. (2004). Good enough governance: Poverty reduction and reform in
developing countries. Governance, 17(4), 525–548.
(76). Heeks, R. (2018). Digital transformation for development: A review of the literature.
Development Informatics Working Paper Series, 63.
(77). Heeks, R. (2020). Artificial Intelligence for Sustainable Development: Challenges and
Opportunities for Developing Countries. Development Informatics Working Paper
Series, 68.
(78). HOOD, C. (1991). A PUBLIC MANAGEMENT FOR ALL SEASONS? Public
Administration, 69(1), 3–19. [Link]
(79). Hope, K. R. (2001). The new public management: Context and practice in Africa.
International Public Management Journal, 4(2), 119–134.
(80). Hughes, O., & Moore, M. H. (2020). Public value creation in digital government.
Australian Journal of Public Administration, 79(2), 174–180.
(81). Janssen, M. (2020). AI Governance and Public Values. Government Information
Quarterly, 37(3), 101431.
(82). Jensen, M. C., & Meckling, W. H. (1976). Theory of the Firm: Managerial Behavior,
Agency Costs and Ownership Structure. Journal of Financial Economics, 3(4), 305–
360. [Link]
(83). Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard--measures that drive
performance. Harvard Business Review, 70(1), 71–79.
(84). López-Acevedo, G., Krause, P., Mackay, K., & Savedoff, W. (2012). Building Better
Policies: The Nuts and Bolts of Monitoring and Evaluation Systems. World Bank
Publications. [Link]
(85). López, M., & Ramírez, M. (2020). Ética e inteligencia artificial: desafíos para la
administración pública. Revista Española de Ciencia Política, 52, 13–34.
[Link]
(86). Margetts, H., & Dorobantu, S. (2017). Understanding government digital
transformation: The role of public sector innovation. Philosophical Transactions of the
Royal Society A, 375(2109), 20160361.
(87). Mergel, I. (2016). Agile innovation management in government: A research agenda.
Government Information Quarterly, 33(3), 516–523.
(88). Mergel, I., Edelmann, N., & Haug, N. (2019). Defining Digital Transformation: Results
from Expert Interviews. Government Information Quarterly, 36(4), 101385.
[Link]
(89). Mikalef, P., & Gupta, M. (2023). The dynamics of AI capability and its influence on
public value creation: A resource-based perspective. Government Information
Quarterly, 40(2), 101746.
(90). Moore, M. H. (1995). Creating Public Value: Strategic Management in Government.
Harvard University Press.
(91). Moretti, A. (2022). Artificial intelligence and public governance: A state-of-the-art
review. Government Information Quarterly, 39(2), 101664.
(92). OCDE. (2021). L’administration publique au service de la relance : Investir dans
l’avenir. Éditions OCDE. [Link]
(93). OECD. (2020). OECD Digital Economy Outlook 2020. OECD Publishing.
[Link]
(94). OECD. (2022). Artificial Intelligence in Society. OECD Publishing.
(95). on Trade, U. N. C., & Development. (2019). Digital Economy Report 2019: Value
creation and capture: Implications for developing countries. UNCTAD.
(96). Osborne, S. P. (2006). The New Public Governance? Public Management Review, 8(3),
117
[Link]
 Zeinebou EBEID & Abderrazak EL HIRI. L’intelligence artificielle et pilotage de la performance publique dans les pays en
développement : vers un cadre conceptuel intégré au-delà des approches classiques ?

377–387. [Link]
(97). Osborne, S. P., Radnor, Z., & Nasi, G. (2013). A New Theory for Public Service
Management? Toward a (Public) Service-Dominant Approach. The American Review
of Public Administration, 43(2), 135–158. [Link]
(98). Overman, S., & Schillemans, T. (2020). Digital accountability: Exploring the effects of
accountability mechanisms on the use of big data and algorithms in public sector
decision-making. Government Information Quarterly, 37(3), 101486.
(99). Pollitt, C., & Bouckaert, G. (2017). Public Management Reform: A Comparative
Analysis - Into the Age of Austerity (4th ed.). Oxford University Press.
(100). Pupion, P.-C. (2017). L’esprit du NPM et les organisations publiques. Gestion et
Management Public, Volume 5 /(3), 1–3. [Link]
(101). Rantanen, H., Kulmala, H. I., Lönnqvist, A., & Kujansivu, P. (2007). Performance
measurement systems in the public sector: Do they really work? International Journal
of Productivity and Performance Management, 56(4), 373–385.
(102). Schedler, K., & Proeller, I. (2007). Managing and measuring performance in public
organizations: An integrated approach. Springer.
(103). Sebastian, I. M., & others. (2017). How big old companies navigate digital
transformation. MIS Quarterly Executive, 16(3), 197–213.
(104). Tangi, L., Janssen, M., & Benedetti, M. (2020). Evidence-based policymaking and the
use of AI in government: The role of data infrastructures. Information Polity, 25(4),
475–492.
(105). UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence.
(106). United Nations. (2022). E-Government Survey 2022: The Future of Digital
Government. United Nations Department of Economic and Social Affairs.
[Link]
2022
(107). Vinuesa, R., & others. (2020). The role of artificial intelligence in achieving the
Sustainable Development Goals. Nature Communications, 11(1), 233.
(108). Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial Intelligence and the Public
Sector—Applications and Challenges. International Journal of Public Administration,
42(7), 596–615. [Link]
(109). Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2021). Artificial Intelligence and the Public
Sector—Applications and Challenges. International Journal of Public Administration,
44(9), 715–730.
(110). World Bank. (2021). The World Bank Annual Report 2021: From Crisis to Green,
Resilient, and Inclusive Recovery. World Bank Publications.
[Link]
reports/documentdetail/120541633011500775/the-world-bank-annual-report-2021-
from-crisis-to-green-resilient-and-inclusive-recovery

118
[Link]