Pourquoi les découvertes scientifiques deviennent rarement des entreprises
- il y a 1 jour
- 4 min de lecture
La production scientifique n’a jamais été aussi intense.
Chaque année, des millions de publications repoussent les frontières des connaissances en neurosciences, biotechnologie, intelligence artificielle et matériaux avancés. Les investissements mondiaux en R&D dépassent désormais plusieurs milliers de milliards de dollars par an, reflétant un engagement soutenu en faveur de l’innovation à grande échelle.
Et pourtant, seule une fraction de ces découvertes devient un jour une entreprise.
Cet écart n’est pas marginal. Il est structurel.
Le paradoxe de la science moderne : abondance sans traduction
À première vue, la relation entre science et innovation semble évidente : davantage de découvertes devraient conduire à davantage de technologies, et in fine à davantage d’entreprises.
En pratique, c’est l’inverse qui se produit.
Comme illustré dans le rapport (voir Figure 1), la production scientifique a fortement augmenté au cours des dernières décennies, tandis que le nombre de startups issues de la recherche est resté relativement limité.
La majorité des découvertes :
restent confinées aux publications
s’arrêtent à une validation expérimentale précoce
n’évoluent pas vers des systèmes technologiques scalables
Cela ne reflète pas un manque de valeur scientifique, mais une difficulté de traduction.
Au-delà de la “vallée de la mort” : une mauvaise lecture structurelle
Le passage de la recherche à la commercialisation est souvent décrit comme un problème de financement — la fameuse “vallée de la mort”.
Cette lecture est incomplète.
Le rapport montre que le problème n’est pas principalement financier. Il est architectural.
Une découverte ne devient pas automatiquement une technologie.Une technologie ne devient pas automatiquement un produit.Un produit ne devient pas automatiquement une entreprise.
Chaque transition requiert des éléments distincts :
des compétences spécifiques
des environnements institutionnels différents
des logiques de développement propres
des formes de capital adaptées
Lorsque ces transitions sont considérées comme linéaires, les projets échouent non pas parce que la science est faible, mais parce que la structure nécessaire à leur développement fait défaut.
Le gap de maturation : là où les projets s’arrêtent
L’un des points de blocage les plus critiques — et les plus sous-estimés — se situe entre la découverte et la technologie.
Une découverte scientifique démontre un mécanisme.Une technologie doit fonctionner comme un système.
Cette distinction est fondamentale.
Comme détaillé dans le rapport (Section III), la maturation technologique nécessite :
la reproductibilité des résultats
la robustesse dans différents contextes
une stabilisation par l’ingénierie
une intégration en systèmes
Le cadre des Technology Readiness Levels (TRL), présenté page 12, le montre clairement : la plupart des découvertes restent à des niveaux très précoces (TRL 1–3), tandis que les startups émergent généralement à des niveaux intermédiaires (TRL 4–6).
Cet écart est déterminant. C’est souvent là que les projets s’arrêtent.
Non pas par manque de potentiel, mais par absence de structure de maturation.
Pourquoi les startups n’émergent pas automatiquement
Même lorsqu’une technologie devient viable, la création d’une entreprise n’est pas garantie.
Les startups émergent uniquement lorsque plusieurs conditions sont réunies simultanément :
une technologie suffisamment mature
une trajectoire de développement structurée
une équipe fondatrice adaptée
un accès à un capital pertinent
Le cadre présenté dans le rapport (Figure 3) montre que ces éléments doivent converger — non pas de manière séquentielle, mais de façon coordonnée.
Le timing devient alors critique.
Trop tôt → l’entreprise repose sur des bases scientifiques instables
Trop tard → l’opportunité reste confinée au monde académique
Dans les deux cas, l’échec est structurel, pas accidentel.
La deeptech change complètement les règles
Les startups scientifiques — en particulier en deeptech — évoluent sous des contraintes très différentes des startups classiques.
Comme détaillé dans la Section V :
les cycles de développement s’étendent souvent sur 10 à 15 ans
les besoins en capital sont élevés
l’incertitude technique persiste longtemps
Le graphique de la page 19 l’illustre clairement : les entreprises deeptech nécessitent des investissements prolongés avant toute commercialisation, contrairement aux startups logicielles qui génèrent plus rapidement des signaux de marché.
Cela implique :
une progression discontinue (par jalons)
des phases de validation longues
un déploiement du capital particulièrement structuré
Le défi organisationnel : au-delà de l’excellence scientifique
L’expertise scientifique seule ne suffit pas à construire une entreprise.
À mesure que les technologies mûrissent, les organisations doivent intégrer plusieurs dimensions :
science
ingénierie
stratégie réglementaire
développement produit
structuration du capital
La Section VI souligne que les ventures les plus solides sont celles capables de coordination interdisciplinaire — et pas uniquement d’innovation scientifique.
Cette coordination n’est pas naturelle.
Elle nécessite :
de nouvelles structures de gouvernance
un langage partagé entre disciplines
une évolution organisationnelle progressive
Sans cela, le développement reste fragmenté, même avec une science solide.
Les écosystèmes comme infrastructure invisible
Les startups scientifiques n’émergent pas isolément.
Elles dépendent fortement de leur environnement.
Comme décrit dans la Section VII, les écosystèmes performants ne se définissent pas uniquement par :
le talent
le capital
les institutions
Mais par leur capacité à réduire les frictions de coordination.
Parmi les facteurs clés :
la proximité entre chercheurs et investisseurs
la disponibilité de capital spécialisé
la densité de fondateurs et d’experts expérimentés
Dans ces environnements, les startups émergent plus rapidement — non pas parce que les découvertes sont meilleures, mais parce que la coordination est plus fluide.
Une autre manière de penser l’innovation
L’apport central du rapport est de proposer une lecture architecturale de l’innovation.
Les startups scientifiques émergent lorsque quatre systèmes s’alignent :
Architecture scientifique — production de connaissances
Architecture technologique — maturation et stabilisation
Architecture venture — structuration organisationnelle
Architecture du capital — financement long terme
Ce cadre, présenté dans la Figure 5, montre que la création d’entreprise résulte d’un alignement de systèmes — et non d’une simple transition.
La plupart des échecs surviennent lorsque ces systèmes évoluent séparément.
Les succès apparaissent lorsqu’ils convergent.
Conclusion
La rareté des startups scientifiques est souvent mal comprise.
Elle ne résulte ni d’un manque d’idées, ni d’un manque de financement.
Elle tient à la difficulté de coordonner plusieurs systèmes dans le temps.
Cela change profondément la manière d’aborder l’innovation :
d’une logique de pipeline → vers une logique d’architecture
de la découverte → vers la coordination
de l’opportunité → vers le développement structuré
Dans cette perspective, l’entrepreneuriat scientifique n’est pas simplement la création de startups.
C’est le mécanisme par lequel la connaissance devient industrie.
Accéder au rapport complet
Cet article ne couvre qu’une partie du cadre proposé.
Le rapport complet offre une analyse détaillée et structurée de :
la maturation technologique
la formation des ventures
les stratégies de financement
la coordination des écosystèmes
Télécharger : The Architecture of Scientific Startups ici :
