Adoption des chatbots d’expérience collaborateur basés sur l’intelligence artificielle

1. Résumé / Abstract

L’échelle d’Adoption des chatbots d’expérience collaborateur basés sur l’intelligence artificielle (Adoption of Artificial Intelligence-Based Employee Experience Chatbots), élaborée par Pillai, Ghanghorkar, Sivathanu, Algharabat et Rana (2024), constitue un instrument psychométrique et managérial conçu pour mesurer et expliquer les déterminants cognitifs, affectifs et motivationnels guidant l’acceptation par les salariés d’agents conversationnels intelligents dédiés à la gestion des ressources humaines et à l’expérience employé (Employee Experience ou EEX). L’outil s’ancre conceptuellement dans la théorie du raisonnement comportemental (Behavioral Reasoning Theory, BRT), ce qui lui permet de modéliser simultanément les motivations motrices (« raisons pour ») et les freins psychologiques (« raisons contre ») à l’adoption technologique.

L’instrument opérationnalise un ensemble complet de sous-échelles réparties en plusieurs blocs latents : les valeurs individuelles relatives à l’ouverture au changement, les raisons d’adopter (incluant l’intelligence perçue, l’anthropomorphisme perçu, l’interactivité perçue et la personnalisation), les raisons de rejeter ou de résister (englobant l’anxiété technologique, la barrière linguistique perçue et le risque perçu), l’attitude générale envers les chatbots d’expérience collaborateur, et l’intention comportementale d’adoption continue. Les énoncés sont évalués à l’aide d’une échelle de réponse de type Likert en cinq points, allant de 1 (« fortement en désaccord ») à 5 (« fortement en accord »).

Sur le plan des propriétés psychométriques, l’instrument a fait l’objet d’une validation empirique rigoureuse par modélisation d’équations structurelles aux moindres carrés partiels (PLS-SEM) auprès de professionnels des secteurs des technologies de l’information (TI), des services basés sur les TI (ITeS) et du commerce électronique. La cohérence interne s’avère excellente, affichant des coefficients alpha de Cronbach et des valeurs de fiabilité composite (CR) supérieurs au seuil critique de 0,80 pour tous les construits. La validité convergente est étayée par des variances moyennes extraites (AVE) excédant 0,50, tandis que la validité discriminante est confirmée selon les critères de Fornell-Larcker. Enfin, le test unifactoriel de Harman a révélé une variance expliquée par un seul facteur de 26,82 %, écartant tout biais systématique de la méthode commune.

2. Mots-clés / Keywords

Intelligence artificielle, chatbots de ressources humaines, expérience collaborateur, théorie du raisonnement comportemental, acceptation de la technologie, anthropomorphisme perçu, anxiété technologique, risque perçu, modélisation par équations structurelles, psychométrie organisationnelle, interaction humain-machine, comportement organisationnel.

3. Auteurs / Authors

L’échelle a été développée et validée par une équipe pluridisciplinaire d’enseignants-chercheurs spécialistes des systèmes d’information, du marketing numérique et du management des technologies :

• Rajasshrie Pillai : Symbiosis Centre for Information Technology (SCIT), Symbiosis International (Deemed University), Pune, Inde. Spécialiste de la transformation numérique des RH et de l’adoption des technologies émergentes.
• Yamini Ghanghorkar : Symbiosis Centre for Information Technology (SCIT), Symbiosis International (Deemed University), Pune, Inde. Chercheuse en expérience collaborateur et technologies d’interface homme-machine.
• Brijesh Sivathanu : Operations and Supply Chain Management, Symbiosis Institute of Business Management (SIBM), Symbiosis International (Deemed University), Pune, Inde. Expert reconnu de l’application de l’intelligence artificielle au management des talents.
• Raed Algharabat : Department of Management and Marketing, College of Business and Economics, Qatar University, Doha, Qatar (ORCID). Expert en modélisation des comportements d’adoption numérique et environnements virtuels interactifs.
• Nripendra P. Rana : College of Business and Economics, Qatar University, Doha, Qatar. Chercheur émérite et autorité internationale dans le domaine de l’acceptation technologique, des systèmes d’information d’entreprise et du commerce électronique.

4. Objectif / Purpose

L’objectif fondamental de cet instrument de mesure est de fournir une évaluation diagnostique et prédictive complète de la propension des employés à intégrer et exploiter les agents conversationnels autonomes dotés d’intelligence artificielle dans le cadre de leur expérience de travail au sein de l’organisation. Alors que la majorité des outils psychométriques en systèmes d’information se focalisent sur l’expérience client externe (Customer Experience), l’échelle de Pillai et ses collaborateurs (2024) comble un vide empirique crucial en s’adressant spécifiquement à la dynamique interne de l’environnement de travail : l’expérience collaborateur (Employee Experience, EEX).

Applications en recherche organisationnelle et psychologie du travail

Sur le plan fondamental, l’instrument permet aux chercheurs d’examiner en profondeur les mécanismes psychologiques sous-jacents qui poussent un collaborateur à solliciter un chatbot pour des requêtes administratives, la gestion de sa paie, la planification de formations, l’évaluation de sa performance ou le soutien psychologique interne. L’échelle offre un cadre standardisé pour tester des modèles de médiation et de modération complexes, en isolant le rôle respectif des caractéristiques perçues de l’algorithme (ex. intelligence, ressemblance humaine) et des facteurs de vulnérabilité psychologique individuelle (ex. peur de l’obsolescence des compétences, réticence face à la surveillance algorithmique).

Applications managériales et clinico-organisationnelles

Dans la pratique des ressources humaines, l’échelle remplit plusieurs fonctions opérationnelles essentielles :

• Diagnostic préalable au déploiement (Audit de maturité) : Mesurer le niveau de préparation psychologique des équipes avant d’introduire des solutions d’IA conversationnelle, évitant ainsi des investissements technologiques rejetés par les utilisateurs finaux.
• Identification fine des sources de résistance : Distinguer si le frein principal réside dans un sentiment de risque pour la confidentialité, une incompréhension linguistique ou une anxiété technologique généralisée, permettant de concevoir des programmes d’accompagnement au changement personnalisés.
• Optimisation de l’ergonomie cognitive : Fournir des retours structurés aux équipes de conception logicielle concernant l’interactivité perçue et le niveau optimal d’anthropomorphisme requis sans basculer dans le phénomène de la « vallée de l’étrange » (Uncanny Valley).

5. Construit psychologique / Construct

Le modèle repose sur une conceptualisation multidimensionnelle articulant des antécédents de valeurs, des leviers d’action motivationnels bivalents (« raisons pour » vs « raisons contre »), une variable attitudinale et un construit téléologique d’intention comportementale.

1. Valeurs d’ouverture au changement (Openness to Change Values)

Inspirée des travaux de la psychologie des valeurs universelles (Schwartz, 1992), cette dimension évalue l’orientation dispositionnelle d’un collaborateur vers la nouveauté, l’autonomie de pensée et la réceptivité aux mutations structurelles du travail. Un score élevé reflète une disposition favorable à l’expérimentation technologique et à la curiosité cognitive face aux innovations de rupture.

2. Raisons pour l’adoption (Reasons for Adoption)

Ce pôle regroupe les croyances spécifiques qui fournissent une justification cognitive explicite en faveur de l’utilisation du chatbot EEX :

• Intelligence perçue (Perceived Intelligence) : La croyance que l’agent conversationnel possède les compétences cognitives nécessaires, la rapidité d’exécution et la pertinence informationnelle pour résoudre des problématiques RH complexes avec une haute précision.
• Anthropomorphisme perçu (Perceived Anthropomorphism) : L’attribution de caractéristiques, de schémas de communication ou de traits quasi humains à l’agent conversationnel, facilitant un échange fluide et relationnellement confortable pour l’employé.
• Interactivité perçue (Perceived Interactivity) : La perception d’un dialogue dynamique, bidirectionnel, immédiat et personnalisé, permettant à l’utilisateur de moduler sa requête sans ressentir la rigidité d’un système automatisé traditionnel.
• Personnalisation (Personalization) : La capacité ressentie du système à délivrer des conseils, des informations et des solutions spécifiquement adaptés au profil professionnel, au statut hiérarchique et à l’historique de carrière de l’employé.

3. Raisons contre l’adoption (Reasons Against Adoption)

Ce pôle capture les barrières psychologiques et cognitives qui justifient l’abstention ou le rejet du dispositif :

• Anxiété technologique (Technological Anxiety) : L’état émotionnel négatif caractérisé par l’appréhension, le malaise ou la peur viscérale de commettre des erreurs irréversibles ou d’être jugé incompétent lors de l’interaction avec le système d’intelligence artificielle.
• Barrière linguistique (Language Barrier) : L’inquiétude relative à l’inadéquation sémantique, syntaxique ou culturelle du système, notamment la crainte que le robot ne comprenne pas le jargon métier, les dialectes locaux ou les subtilités communicationnelles de l’employé.
• Risque perçu (Perceived Risk) : La perception de pertes potentielles associées à l’utilisation de l’IA, incluant la fuite de données confidentielles de santé ou de rémunération, la manipulation algorithmique ou l’évaluation biaisée du profil de l’employé.

4. Attitude envers les chatbots d’expérience collaborateur (Attitude)

Définit l’évaluation affective et cognitive globale, positive ou négative, que porte l’employé sur l’utilisation effective du chatbot IA pour accomplir ses tâches liées à sa vie dans l’entreprise.

5. Intention d’adoption (Adoption Intention)

Le critère comportemental final du modèle, mesurant la résolution déclarée, l’engagement et la probabilité subjective que le collaborateur utilise activement le chatbot d’expérience collaborateur de manière soutenue et continue dans son quotidien professionnel.

6. Cadre théorique / Theoretical Framework

L’architecture épistémologique de cet instrument est fermement adossée à la Théorie du Raisonnement Comportemental (Behavioral Reasoning Theory, BRT), formalisée par Westaby (2005). La BRT représente une évolution majeure par rapport aux modèles classiques d’acceptation technologique tels que le Modèle d’Acceptation de la Technologie (TAM ; Davis, 1989) ou la Théorie Unifiée de l’Acceptation et de l’Utilisation de la Technologie (UTAUT ; Venkatesh et al., 2003).

La supériorité explicative de la BRT en contexte d’IA organisationnelle

Les paradigmes technologiques conventionnels ont longtemps postulé que l’intention découle quasi exclusivement d’évaluations utilitaristes positives (l’utilité perçue et la facilité d’utilisation perçue). Cependant, la psychologie cognitive a démontré que les décisions des individus sont fondamentalement motivées par des raisons spécifiques, qui servent à justifier leurs jugements et à préserver leur cohérence interne face au soi et aux pairs.

La BRT postule que les raisons pour et les raisons contre ne sont pas simplement les pôles opposés d’un même continuum unipolaire, mais bien deux construits cognitifs orthogonaux et distincts. Un employé peut simultanément reconnaître que le chatbot d’IA est extrêmement intelligent et rapide (raison pour), tout en refusant catégoriquement de l’utiliser en raison d’une forte anxiété liée à la surveillance managériale (raison contre). Cette ambivalence attitudinale ne peut être capturée par les échelles unidimensionnelles classiques.

Circuits causaux et médiation cognitive

Dans le modèle de Pillai et al. (2024), le réseau nomologique opère selon une chaîne causale interconnectée :

• Les valeurs d’ouverture au changement influencent directement les raisons pour et les raisons contre, tout en exerçant un effet transversal sur l’attitude globale.
• Les raisons spécifiques agissent comme médiateurs entre les valeurs fondamentales de l’individu et son attitude générale, tout en exerçant également un impact direct sur l’intention d’adoption comportementale.
• L’attitude agit comme catalyseur final reliant les délibérations cognitives à l’engagement d’utilisation concret.

Ce cadre théorique permet de saisir la complexité neuropsychologique et organisationnelle de l’interaction humain-machine à l’ère des modèles de langage avancés et de l’automatisation cognitive des processus d’affaires.

7. Validité / Validity

La validité psychométrique de l’échelle d’adoption des chatbots EEX a été établie via une série de protocoles méthodologiques stricts, combinant démarches qualitatives pré-test et analyses quantitatives confirmatoires par moindres carrés partiels (PLS-SEM).

Validité de contenu et validité faciale (Face & Content Validity)

Les items de l’échelle ont initialement été adaptés de corpus psychométriques établis (ex. Claudy et al., 2015 ; Gupta & Arora, 2017 ; Westaby, 2005). Pour garantir une adéquation parfaite au contexte de l’expérience collaborateur (EEX), le pool initial d’items a été soumis à un panel d’experts du domaine (spécialistes en SIRH, psychologues du travail et praticiens de l’interaction humain-machine). Cette procédure de validation qualitative a permis de raffiner la sémantique des assertions, d’éliminer les ambiguïtés techniques et de confirmer que chaque dimension opérationnalisait sans équivoque son construit cible respectif.

Validité convergente (Convergent Validity)

Conformément aux préconisations méthodologiques de Hair, Hult, Ringle et Sarstedt (2017) ainsi que de Guadagnoli et Velicer (1988), la validité convergente a été confirmée par deux indicateurs empiriques :

• Les variances moyennes extraites (Average Variance Extracted, AVE) associées à chacun des construits latents dépassent substantiellement le seuil normatif standard de 0,50, démontrant que les construits capturent plus de 50 % de la variance de leurs indicateurs respectifs plutôt qu’une variance liée aux erreurs de mesure.
• Les saturations factorielles standardisées (outer loadings) des items sont statistiquement significatives au seuil de p < 0,001 et supérieures au critère conservateur de 0,708.

Validité discriminante (Discriminant Validity)

La distinction empirique entre les différentes dimensions latentes a été validée selon le critère classique de Fornell et Larcker (1981) : pour chaque construit, la racine carrée de l’AVE s’est avérée rigoureusement supérieure à l’ensemble des corrélations inter-construits correspondantes (ou formulé de manière équivalente, les variances partagées au carré sont inférieures aux valeurs d’AVE respectives). Cette absence de recouvrement empirique atteste que des concepts distincts tels que l’anxiété technologique et le risque perçu, ou l’intelligence perçue et l’interactivité, mesurent bien des phénomènes psychologiques non redondants.

Contrôle du biais de la méthode commune (Common Method Bias)

Afin de parer aux distorsions potentielles inhérentes aux données auto-rapportées collectées en coupe transversale, le test unifactoriel de Harman (Wang et al., 2018) a été exécuté. L’analyse sans rotation n’a dégagé aucun facteur général expliquant la majorité de la variance : le premier facteur principal n’explique que 26,82 % de la variance globale, se situant largement sous le seuil critique d’alerte de 50 %, confirmant ainsi l’absence de menace substantielle liée au biais de méthode commune.

8. Fidélité / Reliability

La consistance interne et la précision de mesure de l’instrument ont été démontrées au moyen d’analyses statistiques approfondies au sein de la cohorte d’employés sous étude.

Cohérence interne et Fiabilité composite

Deux coefficients majeurs de fiabilité ont été calculés pour chaque variable latente : le coefficient alpha de Cronbach (Cronbach’s alpha) et la fiabilité composite (Composite Reliability, CR). Dans l’ensemble du système de mesure de Pillai et al. (2024) :

• Tous les coefficients alpha de Cronbach dépassent le seuil critique de 0,80, témoignant d’une très forte consistance interne et d’une excellente corrélation mutuelle entre les items composant chaque bloc de questions.
• Toutes les valeurs de fiabilité composite (CR) excèdent également le critère strict de 0,80 (situées pour la plupart entre 0,83 et 0,93), garantissant que les construits atteignent un niveau d’exactitude psychométrique largement supérieur aux exigences minimales requises pour la recherche confirmatoire (Hair et al., 2017).

Stabilité et robustesse inter-groupes

L’échantillon d’étalonnage regroupant des professionnels issus de multiples segments du secteur tertiaire technologique (entreprises de développement logiciel, prestataires de services informatiques infogérés et plateformes d’e-commerce), la distribution des indices de fiabilité atteste de la résilience métrologique de l’instrument à travers diverses sous-populations de cols blancs et de cadres confrontés quotidiennement à des interfaces logicielles.

9. Analyse factorielle / Factor Analysis

L’évaluation des propriétés structurales de l’instrument repose sur une modélisation par équations structurelles de type PLS-SEM (Partial Least Squares Structural Equation Modeling), préconisée pour les modèles prédictifs complexes intégrant des réseaux denses de médiation théorique (Hair et al., 2017).

Modèle de mesure (Measurement Model)

L’évaluation factorielle a permis de vérifier les critères psychométriques essentiels de la structure factorielle :

• Saturations factorielles des items (Item Loadings) : Chaque indicateur manifeste s’est avéré saturer fortement et de manière univoque sur sa variable latente cible, les saturations individuelles s’échelonnant au-delà des standards admis (> 0,70), validant la rétention intégrale des items du modèle opérationnel.
• Absence de multicolinéarité critique : Les facteurs d’inflation de la variance (Variance Inflation Factor, VIF) calculés pour les indicateurs et les prédicteurs se sont situés systématiquement sous le seuil d’alerte de 3,3 (ou conservateur de 5,0), excluant toute instabilité statistique dans l’estimation des poids et coefficients de chemin.

Modèle structurel et puissance prédictive

L’analyse causale issue du modèle structurel démontre l’adéquation globale du réseau factoriel avec les hypothèses dérivées de la théorie du raisonnement comportemental :

• Les coefficients de détermination (R²) attestent d’une part substantielle de variance expliquée pour l’attitude globale des employés et pour l’intention finale d’adopter les chatbots d’IA dans les processus d’expérience collaborateur.
• Les tailles d’effet (f²) confirment que des construits tels que l’intelligence perçue et la personnalisation d’une part, et l’anxiété technologique d’autre part, exercent une influence substantielle et statistiquement significative sur la trajectoire décisionnelle du collaborateur.

10. Instrument de mesure / Instrument

L’instrument se présente sous la forme d’un inventaire auto-administré conçu pour une passation rapide sur support numérique ou papier.

• Type d’instrument : Questionnaire / Inventaire psychométrique standardisé de perception et d’intention technologique.
• Format d’administration : Enquête en ligne ou auto-évaluation sur poste de travail en intranet d’entreprise.
• Format de réponse : Échelle d’accord de type Likert en 5 points graduée comme suit :
  • 1 = Fortement en désaccord (Strongly Disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Neutre / Ni en accord ni en désaccord (Neutral)
  • 4 = D’accord (Agree)
  • 5 = Fortement d’accord (Strongly Agree)
• Cotation et calcul des scores : Les scores pour chaque dimension latente sont calculés en effectuant la moyenne arithmétique simple ou le calcul des scores composites factoriels des items constitutifs de la sous-échelle. Aucun item inversé ne nécessite de recodage complexe, facilitant l’interprétation directe des moyennes dimensionnelles.
• Population cible : Adultes (18 ans et plus), collaborateurs en poste, salariés d’entreprises privées ou publiques utilisant ou s’apprêtant à déployer des plateformes RH automatisées assistées par IA.
• Temps de passation estimé : Environ 8 à 12 minutes pour l’ensemble du protocole.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de publication du test : 2024.
• Utilisation commerciale : Non. Toute exploitation commerciale, intégration dans un produit logiciel payant ou distribution marchande de l’instrument sans licence préalable est interdite.
• Frais d’utilisation (Fee) : Gratuit pour la recherche académique fondamentale et l’enseignement supérieur, sous réserve de citer scrupuleusement la publication princeps des auteurs.
• Détenteur des droits et copyright : Les droits de publication et de diffusion appartiennent à Emerald Publishing Limited et aux auteurs (Pillai, Ghanghorkar, Sivathanu, Algharabat, & Rana).
• Procédure d’obtention des items complets : Les items complets du questionnaire figurent dans les tableaux méthodologiques de l’article original (notamment Table 5, pages 461–463). Les chercheurs souhaitant administrer la version officielle complète doivent se référer à la publication source ou adresser une demande formelle aux auteurs correspondants via leurs affiliations académiques.

12. Références / References

Les références ci-dessous soutiennent le fondement conceptuel, le développement et la validation psychométrique de l’instrument :

• Claudy, M. C., Garcia, R., & O’Driscoll, A. (2015). Consumer resistance to innovation—a behavioral reasoning perspective. Journal of the Academy of Marketing Science, 43(4), 528–544. https://doi.org/10.1007/s11747-014-0399-0
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Guadagnoli, E., & Velicer, W. F. (1988). Relation of sample size to the stability of component patterns. Psychological Bulletin, 103(2), 265–275. https://doi.org/10.1037/0033-2909.103.2.265
• Gupta, A., & Arora, N. (2017). Consumer adoption of m-banking: A behavioral reasoning theory perspective. International Journal of Bank Marketing, 35(4), 733–747. https://doi.org/10.1108/IJBM-11-2016-0162
• Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). SAGE Publications. https://doi.org/10.1007/978-3-030-80519-7
• Pillai, R., Ghanghorkar, Y., Sivathanu, B., Algharabat, R., & Rana, N. P. (2024). Adoption of artificial intelligence (AI) based employee experience (EEX) chatbots. Information Technology & People, 37(1), 449–478. https://doi.org/10.1108/ITP-04-2022-0287
• Schwartz, S. H. (1992). Universals in the content and structure of values: Theoretical advances and empirical tests in 20 countries. Advances in Experimental Social Psychology, 25, 1–65. https://doi.org/10.1016/S0065-2601(08)60281-6
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425–478. https://doi.org/10.2307/30036540
• Wang, Y., Meister, D. B., & Gray, P. B. (2018). Social influence and technology acceptance: A meta-analysis. Information & Management, 55(4), 485–496. https://doi.org/10.1016/j.im.2017.11.002
• Westaby, J. D. (2005). Behavioral reasoning theory: Identifying new linkages underlying intentions and behavior. Organizational Behavior and Human Decision Processes, 98(2), 97–120. https://doi.org/10.1016/j.obhdp.2005.07.003

13. Questions et items du questionnaire / Scale Items

Les items constitutifs de cette échelle sont protégés par le droit d’auteur (copyright) et demeurent la propriété intellectuelle exclusive des auteurs et de l’éditeur scientifique (Emerald Publishing Limited). Par conséquent, les énoncés officiels complets ne sont pas reproduits intégralement dans le domaine public ouvert.