Les enjeux méthodologiques engendrés par l’accès à des sources de données importantes atteignent aujourd’hui des domaines de recherche jusqu’ici peu concernés, comme le comportement organisationnel. La réflexion sur les méthodes applicables pour tirer parti des possibilités offertes par des données secondaires disponibles en grande quantité est relativement récente. Les chercheurs en management, habitués à travailler sur des échantillons de taille modeste dans un cadre hypothético déductif font face à un vrai défi méthodologique lorsqu’ils souhaitent tirer parti de données secondaires en adoptant une approche guidée par les données (data driven). Parmi les pistes permettant de relever ce défi figure l’usage de modèles graphiques gaussiens (MGG), qui permettent la visualisation et l’analyse des relations entre un ensemble de variables gaussiennes. L’application de cette « façon de voir » à la psychologie a favorisé le développement d’un courant de recherche très actif, la psychométrie de réseau (Network Psychometrics), qui renouvelle l’étude des échelles de mesure et des attitudes en s’appuyant notamment sur des graphes parcimonieux. L’objectif de cet article est de montrer la valeur ajoutée de cette approche dans le champ du comportement organisationnel, lorsqu’elle est utilisée comme outil exploratoire. Nous verrons que les MGG peuvent offrir un point de vue complémentaire lorsqu’il s’agit d’analyser des systèmes d’interactions entre variables et comment ils peuvent s’articuler avec les approches confirmatoires par méthodes d’équations structurelles, plus couramment employées pour ce type d’analyse. Les enjeux de cette articulation seront illustrés par l’exploration de la version française d’une mesure récente de l’implication au travail.