Industrie automobile marocaine : ce que disent 11 IA aux investisseurs en 2026
Onze modèles d'intelligence artificielle, ChatGPT, Claude, Grok, DeepSeek et sept autres, ont répondu aux mêmes questions sur l'industrie automobile marocaine. Cette étude mention.ma ORG compare leurs réponses et documente un écart net : 9 modèles sur 11 recommandent la Roumanie plutôt que le Maroc pour un équipementier soumis à un flux tendu strict, malgré un coût salarial marocain trois fois inférieur. Seuls 5 modèles sur 11 citent la Charte de l'Investissement, le principal levier financier pour un projet industriel au Maroc. L'analyse GEO qui accompagne l'étude identifie les sources qui construisent ce narratif et propose des recommandations pour l'AMDIE, l'AMICA et le Ministère de l'Industrie.
L'intelligence artificielle comme prescripteur d'investissement : le cas de l'industrie automobile marocaine
Cette étude documente la représentation de l'industrie automobile marocaine produite par onze modèles de langage grand public interrogés en 2026. Les modèles de langage occupent désormais une place mesurable dans les décisions d'investissement industriel : un équipementier, un analyste de marché ou un décideur public consulte ces systèmes avant même de mandater une étude de faisabilité ou de contacter une agence comme l'AMDIE. Cette étude traite ce canal comme un objet de recherche à part entière et non comme un simple outil d'accès à l'information.
Le corpus repose sur neuf invites identiques soumises à ChatGPT, Claude, Grok, DeepSeek, Kimi, Llama, Microsoft Copilot, Mistral, Perplexity, Qwen et Google AI Mode. Les invites simulent trois profils d'utilisateurs distincts : un équipementier de taille PME confronté à une contrainte logistique stricte, un analyste cherchant à situer le Maroc dans la production automobile africaine, et un décideur évaluant le pays comme site d'implantation industrielle. Un modèle supplémentaire, Google AI Overviews, a produit des réponses invalides sur l'ensemble du protocole et a été exclu de l'analyse quantitative.
Les résultats révèlent une prescription contrastée selon la nature de la question posée, et non un narratif homogène sur le Maroc. Face à un équipementier devant livrer l'Allemagne et la France en moins de trois jours, neuf modèles sur onze recommandent la Roumanie plutôt que le Maroc, malgré un coût salarial d'assemblage marocain trois fois inférieur selon les données Oliver Wyman citées par les modèles. L'appartenance de la Roumanie au marché unique européen et la fiabilité de son corridor routier dominent, dans le raisonnement des modèles, l'avantage coût brut du Maroc. Le même corpus valide sans réserve le Maroc comme site d'assemblage à grande échelle pour un constructeur : Renault et Stellantis y opèrent déjà à volume industriel, et les modèles connectés en temps réel confirment le franchissement du seuil du million de véhicules produits par an en 2025. Ces deux constats coexistent sans se contredire, ils répondent simplement à deux questions distinctes que la littérature existante confond souvent.
L'étude documente également des lacunes structurelles dans la manière dont les modèles représentent le cadre réglementaire marocain. Cinq modèles sur onze seulement citent la Charte de l'Investissement (Loi-cadre 03-22), le principal dispositif de financement pour un projet industriel dépassant 50 millions de dirhams. Une matrice de fiabilité, construite sur l'exactitude chronologique, la reconnaissance du cadre réglementaire et la profondeur critique de chaque modèle, établit un classement différencié : les modèles les plus rigoureux (Claude, Google AI Mode, Qwen) distinguent le taux d'intégration locale par constructeur, quand les modèles les moins fiables (Llama) commettent des erreurs de datation qui invalident leurs conclusions pour un usage de décision.
Une section consacrée à l'optimisation pour moteurs génératifs (GEO) complète l'analyse empirique. Elle cartographie les domaines web que les modèles consultent pour construire leur réponse sur le secteur automobile marocain et montre que ce narratif sectoriel obéit à une logique distincte du narratif pays : les domaines corporate des constructeurs, l'organisation professionnelle internationale du secteur et le ministère sectoriel structurent la réponse davantage que les institutions multilatérales, les réseaux sociaux et la presse généraliste comblant le vide laissé par l'absence de données structurées publiées directement par les canaux institutionnels marocains.
L'étude conclut sur deux jeux de recommandations distincts, l'un pour les décideurs publics marocains (Ministère de l'Industrie et du Commerce, AMDIE, régions), l'autre pour les investisseurs et équipementiers, ainsi que sur trois scénarios prospectifs pour la période 2027-2030. Elle constitue une référence méthodologique reproductible pour l'audit de la représentation algorithmique de tout secteur industriel.
Mots-clés : intelligence artificielle générative, GEO, prescription d'investissement, industrie automobile, Maroc, LLM, biais algorithmique
Référence : MM-2026-MA-002, mention.ma ORG, juillet 2026
