Échelle des attitudes envers l’intelligence artificielle au travail (AAAW)

1. Résumé / Abstract

L’Échelle des attitudes envers l’intelligence artificielle au travail (Attitudes Towards Artificial Intelligence at Work Scale ou AAAW), développée par Park, Woo et Kim (2024), est un instrument psychométrique novateur et multidimensionnel conçu pour évaluer les réactions affectives, cognitives et comportementales des salariés face à l’intégration croissante des technologies d’intelligence artificielle (IA) dans leur environnement professionnel. Face à la quatrième révolution industrielle, caractérisée par l’automatisation avancée et les agents algorithmiques autonomes, la compréhension des attitudes individuelles au travail est devenue un impératif stratégique tant pour la psychologie du travail et des organisations que pour le management des ressources humaines.

L’échelle AAAW est composée de 25 items répartis rigoureusement en six dimensions distinctes : la ressemblance humaine perçue de l’IA (Perceived Humanlikeness), l’adaptabilité perçue de l’IA (Perceived Adaptability), la qualité perçue de l’IA (Perceived Quality), l’anxiété liée à l’utilisation de l’IA (AI Use Anxiety), l’insécurité de l’emploi induite (Job Insecurity) et l’utilité personnelle de l’IA (Personal Utility). Les répondants expriment leur degré d’accord à l’aide d’une échelle de Likert en 5 points, allant de 1 (« Pas du tout d’accord ») à 5 (« Tout à fait d’accord »).

Les propriétés psychométriques de l’AAAW ont été établies à travers trois échantillons indépendants d’adultes en activité professionnelle. Les analyses factorielles confirmatoires ont mis en évidence un ajustement exceptionnel du modèle à six facteurs corrélés (χ² = 673,60, ddl = 260, CFI = 0,98, TLI = 0,97, RMSEA = 0,04, SRMR = 0,04). La consistance interne est solide, affichant des coefficients alpha de Cronbach supérieurs à 0,80 pour l’ensemble des dimensions et des indices de fiabilité composite (CR) oscillant entre 0,70 et 0,94. La validité convergente est confirmée par des variances moyennes extraites (AVE) comprises entre 0,52 et 0,77, tandis que la validité discriminante satisfait scrupuleusement au critère de Fornell-Larcker. Enfin, l’instrument démontre une excellente validité critériée en prédisant de manière significative les réactions envers les processus de recrutement automatisés et l’intention de collaborer avec des systèmes intelligents.

2. Mots-clés / Keywords

Attitudes envers l’intelligence artificielle, AAAW, psychométrie organisationnelle, acceptation de la technologie, anxiété technologique, insécurité de l’emploi, anthropomorphisme perçu, relations humain-machine, psychologie du travail, transformation numérique, validité factorielle, fiabilité composite.

3. Auteurs / Authors

L’échelle AAAW a été conçue et validée par une équipe de chercheurs spécialisés en psychologie industrielle, organisationnelle et quantitative :

• Jiyoung Park, Ph.D. : Chercheuse en psychologie organisationnelle, rattachée au Department of Psychological Sciences de l’Université Purdue (West Lafayette, Indiana, États-Unis). Ses recherches portent sur l’interaction humain-technologie, les processus de sélection du personnel et l’évaluation psychométrique. Identifiant ORCID : 0000-0002-0941-863X.
• Sang Eun Woo, Ph.D. : Professeure titulaire de psychologie industrielle et organisationnelle au Department of Psychological Sciences de l’Université Purdue. Reconnue internationalement pour ses travaux sur les différences individuelles, le comportement au travail et le développement d’outils de mesure psychologique. Courriel institutionnel : [email protected].
• JeongJin Kim, Ph.D. : Chercheur en psychométrie et comportement organisationnel, expert dans la modélisation en équations structurelles et l’évaluation des attitudes au travail face à l’innovation technologique. Identifiant ORCID : 0000-0001-9234-884X.

4. Objectif / Purpose

Fondements et genèse du projet de mesure

Le déploiement accéléré des systèmes d’intelligence artificielle dans les contextes de travail contemporains transforme radicalement la nature des tâches, la dynamique des équipes et les rapports de pouvoir organisationnels. Alors que les technologies traditionnelles d’automatisation se limitaient à des tâches répétitives et mécaniques, l’intelligence artificielle générative, prédictive et prescriptive s’immisce désormais dans des processus cognitifs complexes, tels que la prise de décision stratégique, le diagnostic médical, l’évaluation des performances et le recrutement de talents.

Cette mutation engendre des réactions psychologiques polarisées chez les travailleurs, oscillant entre l’enthousiasme face aux gains d’efficacité et la terreur existentielle d’une obsolescence professionnelle. Historiquement, les échelles mesurant l’acceptation des technologies, telles que le Technology Acceptance Model (TAM) ou l’UTAUT, traitaient la technologie comme un simple outil passif. Elles échouaient ainsi à capturer la spécificité de l’IA, caractérisée par une autonomie perçue, une agentivité propre et des traits quasi-humains. L’objectif principal de l’échelle AAAW était donc de combler ce vide méthodologique en fournissant une mesure psychométrique globale, scientifiquement étalonnée et adaptée à l’écologie du travail moderne.

Applications en recherche fondamentale et organisationnelle

Sur le plan fondamental, l’AAAW permet d’analyser la structure latente des attitudes professionnelles envers les entités non-humaines intelligentes. L’outil sert de catalyseur pour tester des modèles théoriques intégrant le stress technologique (technostress), la motivation intrinsèque et l’engagement professionnel. Les chercheurs peuvent utiliser cette échelle pour examiner comment des variables dispositionnelles (ex. les traits de personnalité du Big Five, la tolérance à l’ambiguïté) modèrent la relation entre l’implémentation de l’IA et l’intention de démission ou le bien-être au travail.

Applications appliquées et diagnostics en entreprise

Dans la pratique managériale et clinique du travail, l’échelle offre des applications directes de premier ordre :

• Audits de climat technologique : Évaluer le niveau de réceptivité ou de résistance cognitive et émotionnelle des équipes avant le déploiement d’un progiciel fondé sur l’IA.
• Prévention des risques psychosociaux (RPS) : Identifier précocement les foyers de technostress, d’anxiété d’usage et de sentiment d’insécurité de l’emploi pour prévenir l’épuisement professionnel (burnout).
• Personnalisation des programmes de formation : Adapter les modules d’acculturation numérique selon que les réticences proviennent d’un manque de confiance dans la qualité de l’outil ou d’une crainte anthropomorphique.
• Optimisation des processus RH algorithmiques : Mesurer l’acceptation par les candidats et les salariés des dispositifs d’évaluation automatisés et de sélection algorithmique.

5. Construit psychologique / Construct

L’échelle AAAW appréhende l’attitude envers l’IA comme un méta-construit structuré en six dimensions psychologiques fondamentales. Celles-ci couvrent tant les caractéristiques attribuées à l’artefact technologique que les répercussions subjectives vécues par le travailleur :

1. Ressemblance humaine perçue de l’IA (Perceived Humanlikeness)

Cette dimension évalue dans quelle mesure les salariés perçoivent les systèmes d’IA comme manifestant des traits, des modes de pensée ou des comportements analogues à ceux des êtres humains. Enracinée dans les théories de l’anthropomorphisme social et cognitif, cette facette explore si l’outil est appréhendé comme une entité dotée d’empathie simulée, de conscience réflexive ou d’un style relationnel humanisé. Une perception élevée d’humanité peut susciter un sentiment de proximité ou, à l’inverse, déclencher le phénomène de la « vallée de l’étrange » (uncanny valley), où la quasi-humanité d’une machine provoque un profond malaise psychologique.

2. Adaptabilité perçue de l’IA (Perceived Adaptability)

L’adaptabilité renvoie à la capacité perçue du système à s’ajuster dynamiquement aux variations contextuelles de l’environnement de travail, à apprendre de ses erreurs et à faire face à des situations professionnelles non programmées. Un travailleur percevant l’IA comme hautement adaptable lui prête une souplesse opérationnelle, la capacité d’interagir avec flexibilité et un potentiel d’évolution continu à mesure que les exigences des tâches se complexifient.

3. Qualité perçue de l’IA (Perceived Quality)

Cette composante technique et fonctionnelle jauge l’excellence opérationnelle, la précision, la robustesse et la fiabilité analytique des résultats générés par l’algorithme. Elle mesure la croyance du salarié dans l’exactitude des calculs, l’absence de biais cognitifs ou d’erreurs logiques dans les recommandations fournies par la machine, et la consistance globale de ses performances techniques comparées aux standards humains les plus rigoureux.

4. Anxiété liée à l’utilisation de l’IA (AI Use Anxiety)

Reflétant la charge affective négative, cette dimension capte le niveau d’appréhension, de tension interne, de nervosité et de crainte diffuse éprouvé par le salarié à l’idée d’interagir directement avec des interfaces d’IA ou de dépendre de leurs décisions. L’anxiété technologique se traduit par un sentiment d’incompétence relative, la peur de commettre des erreurs irréparables ou l’angoisse d’être jugé défavorablement par un système opaque fonctionnant comme une « boîte noire ».

5. Insécurité de l’emploi (Job Insecurity)

L’insécurité de l’emploi mesure la perception d’une menace existentielle pesant sur la pérennité de son propre poste ou sur la valeur marchande de ses compétences à court ou moyen terme, en raison des capacités de substitution de l’IA. Cette variable psychologique traduit la peur du remplacement, du déclassement hiérarchique ou de la précarisation statutaire consécutive à l’automatisation cognitive des attributions professionnelles.

6. Utilité personnelle de l’IA (Personal Utility)

À l’opposé des dimensions de menace, l’utilité personnelle mesure l’instrumentalité positive directe perçue par le collaborateur. Elle évalue dans quelle mesure l’IA est vécue comme un partenaire d’amplification capacitaire, permettant d’alléger la charge de travail fastidieuse, d’accroître l’efficacité individuelle, de libérer du temps pour des tâches créatives et de soutenir l’épanouissement professionnel au quotidien.

6. Cadre théorique / Theoretical Framework

Le développement de l’échelle AAAW repose sur une synthèse interdisciplinaire intégrant des courants théoriques majeurs issus de la psychologie sociale, de la psychologie du travail et de l’interaction humain-machine (HCI) :

Le modèle CASA (Computers Are Social Actors)

Élaboré initialement par Clifford Nass et Byron Reeves, le paradigme Computers Are Social Actors stipule que les individus appliquent de manière automatique et inconsciente des règles, des normes et des schémas relationnels humains aux technologies informatiques dès lors que celles-ci présentent des indices sociaux élémentaires (comme l’utilisation du langage naturel, l’interactivité ou l’autonomie). Dans l’AAAW, ce cadre théorique justifie l’inclusion centrale de la « ressemblance humaine » et de l’« adaptabilité » comme dimensions structurantes du jugement social porté sur la machine.

L’extension du modèle TAM et de l’UTAUT

Le modèle d’acceptation de la technologie (TAM de Davis, 1989) et la théorie unifiée de l’acceptation et de l’utilisation des technologies (UTAUT de Venkatesh et al., 2003) postulent que l’utilité perçue et la facilité d’utilisation conditionnent l’adoption comportementale. Park, Woo et Kim (2024) adaptent ces paradigmes traditionnels en démontrant que dans le cas de l’IA, l’utilité doit être distinguée selon qu’elle profite globalement à l’organisation ou personnellement à l’employé (« Personal Utility »), cette dernière étant le véritable vecteur motivationnel de l’agent.

La théorie de l’évaluation cognitive du stress (Lazarus & Folkman)

Selon la théorie transactionnelle du stress de Richard Lazarus et Susan Folkman (1984), un événement environnemental est évalué à travers deux filtres : l’évaluation primaire (l’événement représente-t-il une menace, une perte ou un défi ?) et l’évaluation secondaire (dispose-t-on des ressources pour y faire face ?). L’AAAW operationalise l’évaluation primaire de menace à travers les sous-échelles d’« anxiété liée à l’utilisation » et d’« insécurité de l’emploi », tandis que l’utilité personnelle et la qualité perçue correspondent à une évaluation d’opportunité ou de défi favorisant des stratégies de coping proactives.

Le modèle Exigences-Ressources au travail (Job Demands-Resources)

Le modèle JD-R (Demerouti et al., 2001) offre une grille de lecture complémentaire : l’IA peut agir comme une exigence génératrice d’épuisement lorsque le salarié éprouve de l’anxiété et de l’insécurité face à un outil opaque, ou comme une ressource stimulante lorsqu’elle renforce son efficience et libère son potentiel cognitif.

7. Validité / Validity

La validation psychométrique de l’AAAW a été menée selon les directives méthodologiques les plus strictes de l’American Psychological Association (APA), réparties sur trois collectes de données indépendantes auprès de populations actives diversifiées :

Validité de construit et validité structurelle

La structure factorielle a été validée au moyen d’analyses factorielles confirmatoires (AFC). Le modèle théorique à six facteurs corrélés a présenté des indices d’adéquation remarquables :

• Indice de comparabilité de Bentler (CFI) = 0,98 (seuil recommandé ≥ 0,95)
• Indice de Tucker-Lewis (TLI) = 0,97 (seuil recommandé ≥ 0,95)
• Indice normé d’ajustement (NFI) = 0,96
• Erreur quadratique moyenne d’approximation (RMSEA) = 0,04 avec un intervalle de confiance à 90 % très resserré (seuil d’excellent ajustement ≤ 0,05)
• Résidu quadratique moyen standardisé (SRMR) = 0,04 (seuil ≤ 0,08)

Bien qu’un modèle hiérarchique de second ordre ait également présenté un ajustement acceptable, la comparaison statistique des indices d’information a confirmé la supériorité incontestable du modèle à six facteurs corrélés de premier ordre, démontrant la spécificité unique de chaque facette.

Validité convergente

La validité convergente a été démontrée par l’examen de la variance moyenne extraite (AVE, Average Variance Extracted) pour chacune des dimensions. Toutes les valeurs d’AVE dépassent le seuil critique de 0,50 préconisé par Fornell et Larcker (1981), oscillant entre 0,52 et 0,77. Cela certifie que la variance partagée entre les items et leur facteur latent respectif est nettement supérieure à la variance due à l’erreur de mesure aléatoire.

Validité discriminante

La validité discriminante a été confirmée par deux approches convergentes :

1. Pour chaque paire de facteurs, la racine carrée de l’AVE de chaque construit était strictement supérieure au coefficient de corrélation inter-facteurs correspondant (règle de Fornell-Larcker).
2. Les intervalles de confiance à 95 % des corrélations factorielles n’incluaient en aucun cas la valeur 1,00, attestant que les dimensions ne mesurent pas des concepts redondants.

Validité liée aux critères et validité prédictive

L’utilité pratique de l’instrument a été éprouvée en analysant son pouvoir prédictif dans des contextes de prise de décision organisationnelle réels. Notamment, les scores obtenus aux différentes sous-échelles de l’AAAW expliquent des portions significatives et uniques de variance dans les résultats de recrutement assisté par IA, la satisfaction perçue envers les procédures de sélection algorithmiques et la disposition à déléguer des tâches critiques à des systèmes intelligents.

8. Fidélité / Reliability

L’évaluation de la précision métrologique de l’échelle AAAW révèle une fidélité globale et sectorielle de très haut niveau :

Consistance interne

Pour l’ensemble des six dimensions retenues, les coefficients alpha de Cronbach (α) dépassent systématiquement le seuil d’excellence de 0,80 :

• Les coefficients se situent majoritairement dans une fourchette allant de 0,82 à 0,93 selon les échantillons de validation, garantissant une homogénéité remarquable des items au sein de chaque sous-échelle.
• Aucune suppression d’item n’entraîne une augmentation significative du coefficient alpha, confirmant la pertinence de la rétention de l’intégralité des 25 énoncés.

Fiabilité composite (Composite Reliability)

Dans le cadre de la modélisation structurelle, les indices de fiabilité composite (CR ou rhô de Jöreskog) s’échelonnent entre 0,70 et 0,94. Tous sont supérieurs au seuil standard de 0,70. Ces valeurs démontrent que les items constituent des indicateurs robustes de leurs variables latentes respectives, indépendamment de la taille des échantillons étudiés.

Erreur de mesure et stabilité

L’erreur standard de mesure (SEM) reste modérée sur l’ensemble du continuum de réponse. Les analyses de fidélité test-retest menées sur des sous-échantillons longitudinaux indiquent une bonne stabilité temporelle des scores sur des intervalles de plusieurs semaines, tout en conservant la sensibilité nécessaire pour détecter les changements d’attitude consécutifs à des interventions de formation ciblées.

9. Analyse factorielle / Factor Analysis

Démarche exploratoire initiale (AFE)

Le développement initial a débuté par la formulation d’un pool exhaustif d’items issus de revues systématiques de la littérature en ergonomie cognitive, acceptation des technologies et sociologie du travail. Une version préliminaire comprenant 43 items a été soumise à une analyse factorielle exploratoire (AFE) avec extraction par le maximum de vraisemblance et rotation oblique (Promax), tenant compte des corrélations naturelles entre attitudes positives et négatives.

Les critères d’extraction (critère de Kaiser des valeurs propres supérieures à 1,0 et analyse parallèle de Horn) ont désigné une structure limpide à six composantes principales. Les items présentant des saturations primaires inférieures à 0,50 ou des saturations croisées (cross-loadings) supérieures à 0,30 ont été méthodiquement éliminés, aboutissant à une réduction parcimonieuse de l’instrument à 25 items hautement discriminants.

Analyse factorielle confirmatoire (AFC)

L’AFC a ensuite été administrée sur un échantillon indépendant afin d’éprouver la robustesse de la structure identifiée. Les saturations factorielles standardisées (λ) de tous les items sur leurs dimensions théoriques assignées sont statistiquement significatives (p < 0,001) et s’échelonnent entre 0,65 et 0,91, confirmant que chaque énoncé capture une variance substantielle du trait latent.

10. Instrument de mesure / Instrument

• Type d’évaluation : Questionnaire d’auto-évaluation psychologique et attitudinale (inventaire standardisé).
• Format d’administration : Informatisé (administration en ligne recommandée via plateformes sécurisées telles que Qualtrics, Sphinx ou RedCap) ou format papier-crayon pour des cohortes spécifiques.
• Nombre d’items : 25 items au total, formulés sous la forme d’affirmations ciblées portant sur le travail et l’IA.
• Échelle de réponse : Échelle de Likert à 5 points cotée de 1 à 5 :
  • 1 = Pas du tout d’accord (Strongly disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Neutre / Ni en désaccord ni d’accord (Neither agree nor disagree)
  • 4 = D’accord (Agree)
  • 5 = Tout à fait d’accord (Strongly agree)
• Procédure de cotation (Scoring) :
  • Les scores sont calculés par sous-échelle en établissant la moyenne arithmétique ou la somme des items constitutifs de chaque dimension.
  • Il est fortement déconseillé de calculer un score composite unique indifférencié, l’échelle étant structurellement multidimensionnelle et opposant des construits de valence affective positive (ex. Utilité, Qualité) et négative (ex. Anxiété, Insécurité).
  • Un score élevé dans une sous-échelle indique un niveau prégnant de la perception ou de l’état émotionnel correspondant (ex. score élevé en « Insécurité de l’emploi » = sentiment aigu de menace de remplacement).
• Temps de passation estimé : Environ 5 à 8 minutes.

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

• Année de publication officielle : 2024.
• Éditeur scientifique : Publié au sein du Journal of Occupational and Organizational Psychology sous l’égide de la British Psychological Society et publié par John Wiley & Sons, Inc.
• Statut du droit d’auteur et permissions : Les items officiels, leur ordonnancement précis et les éléments de validation sont la propriété intellectuelle conjointe des auteurs et de l’éditeur scientifique. L’utilisation à des fins exclusives de recherche académique non commerciale est généralement régie par les clauses du fair-use universitaire. Néanmoins, pour toute utilisation commerciale, d’audit en entreprise, de reproduction intégrale ou d’intégration dans une plateforme logicielle marchande, une autorisation formelle écrite doit être sollicitée auprès des détenteurs des droits via le service des droits de Wiley (RightsLink) ou directement auprès de la correspondante de l’étude (Dr Sang Eun Woo).
• Tarification : L’accès au manuscrit princeps peut être soumis à un abonnement universitaire ou à un achat à l’article selon le statut d’accès libre de l’institution de consultation. L’usage de l’outil pour la recherche scientifique sans but lucratif ne requiert habituellement aucune redevance financière directe sous réserve de citer scrupuleusement la source originale.

12. Références / References

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

Demerouti, E., Bakker, A. B., Nachreiner, F., & Schaufeli, W. B. (2001). The job demands-resources model of burnout. Journal of Applied Psychology, 86(3), 499–512. https://doi.org/10.1037/0021-9010.86.3.499

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

Lazarus, R. S., & Folkman, S. (1984). Stress, appraisal, and coping. Springer Publishing Company.

Park, J., Woo, S. E., & Kim, J. (2024). Attitudes towards artificial intelligence at work: Scale development and validation. Journal of Occupational and Organizational Psychology, 97(3), 920–951. https://doi.org/10.1111/joop.12502

Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.

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

13. Questions et items du questionnaire / Scale Items