Échelle des capacités en intelligence artificielle

1. Résumé / Abstract

L’Échelle des capacités en intelligence artificielle (AI Capabilities Scale, ou AICAP), développée par Mohamad Abou-Foul, Jose L. Ruiz-Alba et Pablo J. López-Tenorio (2023), constitue un instrument psychométrique et organisationnel novateur conçu pour mesurer de manière holistique les capacités associées aux technologies d’intelligence artificielle au sein des entreprises. Élaborée dans le contexte spécifique de la transformation numérique industrielle et de la servitisation manufacturière, l’AICAP dépasse les conceptualisations purement technologiques ou algorithmiques de l’IA. Elle ancre l’évaluation des compétences en IA au confluent de l’innovation du modèle d’affaires, du management des systèmes d’information et des sciences informatiques appliquées.

L’échelle finale comporte 17 items répartis en quatre dimensions conceptuellement distinctes et complémentaires :

• Proposition de valeur client basée sur l’IA (AI Customer Value Proposition, 4 items) ;
• Optimisation des processus clés par l’IA (AI Key Processes Optimization, 6 items) ;
• Optimisation des ressources clés par l’IA (AI Key Resources Optimization, 4 items) ;
• Bien sociétal soutenu par l’IA (AI Societal Good, 3 items).

L’administration de l’instrument s’effectue par auto-évaluation sur une échelle de Likert en 5 points, allant de 1 (« Pas du tout d’accord ») à 5 (« Tout à fait d’accord »). La démarche méthodologique de conception s’est appuyée sur le protocole rigoureux C-OAR-SE (Rossiter, 2002), garantissant une validité de contenu irréprochable dès la phase de définition des construits et d’attribution des descripteurs.

Les propriétés psychométriques de l’AICAP ont été évaluées auprès de cadres dirigeants et de gestionnaires d’entreprises manufacturières établies aux États-Unis et dans l’Union européenne. L’analyse factorielle exploratoire (AFE), combinée à une factorisation sur axe principal et rotation oblique Promax, a corroboré la solution théorique à quatre facteurs (saturations factorielles supérieures au seuil de 0,60). L’analyse factorielle confirmatoire (AFC) a attesté d’indices d’ajustement robustes après la purge de trois items affichant des indices de modification excessifs. La validité convergente est confirmée par une variance moyenne extraite (AVE) excédant le standard de 0,50 pour l’ensemble des construits, tandis que la validité discriminante respecte les critères stricts de Henseler et al. (2015) et de Fornell-Larcker, avec des corrélations moyennes inter-construits systématiquement inférieures à 0,85. Enfin, la consistance interne de chaque sous-dimension démontre une excellente fiabilité, avec des coefficients de cohérence interne (alpha de Cronbach) surpassant le seuil réglementaire de 0,70. L’AICAP s’impose ainsi comme une échelle de référence pour les chercheurs en gestion stratégique, psychologie organisationnelle et ingénierie des systèmes décisionnels.

2. Mots-clés / Keywords

Capacités en intelligence artificielle, Échelle AICAP, Théorie des capacités dynamiques, Servitisation manufacturière, Proposition de valeur client, Optimisation des processus, Psychométrie organisationnelle, Modèle d’affaires, Responsabilité sociétale des entreprises, Modélisation par équations structurelles.

3. Auteurs / Authors

L’échelle des capacités en intelligence artificielle (AICAP) a été conçue et validée par une équipe internationale de chercheurs affiliés à des institutions académiques de premier plan en sciences de gestion et en marketing stratégique :

• Mohamad Abou-Foul : Département d’administration des affaires, Faculté d’économie et de sciences administratives, Université Al-Azhar, Gaza, Territoires palestiniens occupés. Adresse de correspondance : Jamal Abdl, Naser St, Gaza. Courriel institutionnel : [email protected].
• Jose L. Ruiz-Alba : Professeur en marketing et gestion stratégique, Westminster Business School, Université de Westminster, Londres, Royaume-Uni. Courriel institutionnel : [email protected].
• Pablo J. López-Tenorio : Faculté des sciences sociales appliquées et de la communication, Université UNIE (Universidad UNIE), Madrid, Espagne. Identifiant chercheur international ORCID : 0000-0003-4601-0733.

4. Objectif / Purpose

L’avènement de la quatrième révolution industrielle a profondément transformé le paysage économique contemporain en conférant aux algorithmes avancés, à l’apprentissage automatique (machine learning) et à l’analytique prédictive un statut de catalyseurs stratégiques fondamentaux. Pourtant, malgré une abondance de discours managériaux vantant les mérites de l’intelligence artificielle, les sciences organisationnelles ont longtemps souffert d’une lacune épistémologique majeure : l’absence d’un instrument de mesure standardisé, validé empiriquement et capable d’évaluer la profondeur et la transversalité de l’intégration de l’IA au sein de l’architecture d’entreprise. L’objectif premier de l’instrument AICAP développé par Abou-Foul et ses collaborateurs (2023) est de combler cette brèche en fournissant un outil diagnostique et analytique hautement calibré.

Sur le plan conceptuel, l’échelle transcende les approches réductrices qui assimilent les capacités d’IA à de simples dotations technologiques, à des parcs informatiques ou à l’acquisition de logiciels tiers. Les auteurs conçoivent l’IA comme une méta-capacité d’entreprise, enracinée dans la réingénierie du modèle d’affaires, l’innovation collaborative, l’ordonnancement intelligent des ressources et l’éthique sociétale. Dès lors, l’instrument ne cherche pas à inventorier les algorithmes détenus, mais à quantifier la propension effective d’une organisation à mobiliser, combiner et orchestrer ses compétences analytiques afin de générer une valeur supérieure pour l’ensemble des parties prenantes (clients, collaborateurs, chaînes de valeur et société civile).

Sur le versant pratique et appliqué, l’échelle répond à des finalités multiples tant dans le domaine de la recherche académique que dans celui de la consultation et de la direction d’entreprise :

• Diagnostic organisationnel et positionnement stratégique : L’AICAP permet aux comités de direction et aux directions des systèmes d’information (DSI) d’identifier avec précision les asymétries de maturité technologique entre différents départements ou filiales, en révélant si les capacités d’IA soutiennent adéquatement les opérations quotidiennes ou si elles demeurent cloisonnées dans des silos d’expérimentation isolés.
• Pilotage de la servitisation et des offres hybrides : Dans le secteur industriel, l’échelle sert d’instrument d’évaluation pour apprécier la faisabilité d’une transition vers des modèles de servitisation avancée (vente de services de maintenance prédictive, facturation à l’usage ou contrats d’optimisation de rendement opérationnel), qui reposent tous sur une exploitation continue de flux de données massives.
• Recherche empirique en management stratégique et psychologie du travail : L’outil fournit aux chercheurs une métrique robuste pour modéliser les relations causales unissant le déploiement de l’IA à la performance financière, à l’agilité organisationnelle, à l’efficacité du capital humain, ou encore à la capacité d’absorption des connaissances de la firme.

En somme, l’AICAP formalise un cadre d’observation standardisé autorisant la comparaison inter-entreprises (benchmarking) et l’analyse longitudinale des trajectoires d’apprentissage technologique au sein des écosystèmes industriels complexes.

5. Construit psychologique / Construct

Le construit psychologique et organisationnel des Capacités en Intelligence Artificielle mesuré par l’AICAP est opérationnalisé comme un méta-construit multidimensionnel de second ordre, structuré autour de quatre piliers fondamentaux. Chacune de ces sous-dimensions capture une sphère d’action déterminante où les technologies intelligentes transforment les schémas d’interaction, de traitement de l’information et de prise de décision :

1. Proposition de valeur client basée sur l’IA (AI Customer Value Proposition)

Cette première dimension (4 items) évalue l’aptitude organisationnelle à déployer des algorithmes d’apprentissage statistique et d’analyse de données massives afin de remodeler l’expérience client et de co-créer une valeur personnalisée. Elle mesure l’aptitude de l’entreprise à dépasser la simple commercialisation de produits physiques par l’intégration continue de solutions de maintenance prédictive, d’assistance proactive et de tarification dynamique optimisée.

Exemples concrets d’application : Utilisation de données télémétriques transmises par des capteurs embarqués sur des machines industrielles afin de diagnostiquer les pannes avant leur survenue critique ; recours à la science des données pour calculer la durée de garantie optimale pour chaque segment client en fonction de l’intensité d’usage réelle ; mise en place de modèles de machine learning permettant d’ajuster dynamiquement les devis commerciaux en fonction de la disponibilité des capacités de production et du profil de risque du contractant.

2. Optimisation des processus clés par l’IA (AI Key Processes Optimization)

La deuxième sous-échelle (6 items) s’intéresse à la rationalisation et à l’automatisation cognitive des flux opérationnels internes de l’entreprise. L’accent est mis ici sur la conversion de données hétérogènes en décisions opérationnelles autonomes ou semi-autonomes, réparties entre la prévision de la demande, la gestion des stocks, la robotique avancée et l’assistance relationnelle.

Exemples concrets d’application : Intégration d’agents conversationnels intelligents (chatbots dotés de traitement du langage naturel) dans les logiciels de gestion de la relation client (CRM) ; utilisation de la vision par ordinateur (machine vision) et de l’analytique en périphérie (edge analytics) directement sur les lignes de production afin d’identifier les micro-défauts de fabrication en temps réel et de maximiser le rendement matière ; mobilisation d’algorithmes de fouille de données (data mining) pour concevoir la nomenclature produit (bill of materials) et accélérer les cycles de recherche et développement.

3. Optimisation des ressources clés par l’IA (AI Key Resources Optimization)

Composée de 4 items, cette troisième dimension évalue l’efficacité avec laquelle la firme exploite l’analytique avancée pour allouer, sécuriser et calibrer ses actifs matériels, immatériels et humains les plus critiques. Elle traduit la capacité de l’entreprise à maintenir un équilibre dynamique au sein de ses infrastructures logistiques et informationnelles.

Exemples concrets d’application : Exploitation d’entrepôts de données unifiés (unified data warehouses) pour scruter le comportement des chaînes d’approvisionnement mondiales et sélectionner les fournisseurs au coût le plus avantageux ; déploiement d’outils analytiques prédictifs pour planifier la charge de travail du personnel, anticiper les besoins en compétences et prévenir l’épuisement professionnel ; recours à des systèmes d’intelligence artificielle dédiés à la cybersécurité défensive, capables de repérer les intrusions furtives et d’isoler instantanément les segments réseau compromis.

4. Bien sociétal soutenu par l’IA (AI Societal Good)

La quatrième composante (3 items) reflète l’intégration éthique et sociétale des systèmes d’IA, mesurant comment la puissance de calcul avancée est mise au service de la durabilité environnementale, de la sécurité des travailleurs et du progrès sociétal au sens large. Cette dimension rompt définitivement avec les modèles traditionnels purement technocentrés en intégrant les principes de la responsabilité sociale des entreprises (RSE) dans le cœur algorithmique.

Exemples concrets d’application : Entraînement de systèmes de vision artificielle pour veiller au port effectif des équipements de protection individuelle et détecter les postures ergonomiques dangereuses sur les ateliers industriels ; utilisation de l’apprentissage par renforcement profond (deep reinforcement learning) pour réguler en continu les flux thermiques et la dépense énergétique d’usines lourdes, réduisant ainsi drastiquement l’empreinte carbone et les rejets polluants ; fourniture aux clients de bilans écologiques automatisés ciblant la décarbonation opérationnelle.

6. Cadre théorique / Theoretical Framework

L’assise théorique de l’échelle AICAP est principalement ancrée dans la Perspective des Capacités Dynamiques (Dynamic Capabilities Perspective), enrichie par la Théorie des Ressources (Resource-Based View, RBV) et le concept de Capacité d’Absorption des connaissances organisationnelles :

1. La perspective des capacités dynamiques (Teece, Pisano & Shuen, 1997)

Développée initialement par David Teece et ses collègues, cette approche postule que pour maintenir un avantage concurrentiel durable dans des environnements marqués par des turbulences rapides et l’innovation de rupture, les organisations doivent posséder des routines d’ordre supérieur leur permettant de « détecter » (sense), de « saisir » (seize) et de « transformer » (transform) leurs configurations de ressources. Dans le cadre de l’échelle AICAP, l’intelligence artificielle n’est pas traitée comme une ressource passive ou statique, mais précisément comme une capacité dynamique orchestrée. L’IA permet à l’organisation d’explorer de nouvelles opportunités de marché par l’écoute du client (dimension Proposition de valeur), d’aligner en continu ses opérations internes (dimension Processus), de reconfigurer sa base d’actifs (dimension Ressources) et de répondre aux pressions institutionnelles grandissantes vers la durabilité (dimension Sociétale).

2. La théorie des ressources et compétences (Barney, 1991)

La théorie des ressources (Resource-Based View) enseigne qu’un avantage compétitif pérenne découle de ressources présentant les attributs VRIN (valables, rares, inimitables et non-substituables). Si les algorithmes standards et les infrastructures d’hébergement en nuage (cloud) sont aujourd’hui devenus des commodités largement accessibles sur le marché, la capacité organisationnelle sociotechnique à hybrider ces technologies avec l’expérience métier des équipes, les processus internes et les routines d’innovation représente un actif unique et complexe, hautement protégé par l’ambiguïté causale.

3. La capacité d’absorption (Cohen & Levinthal, 1990 ; Zahra & George, 2002)

La modélisation empirique sous-tendant la publication originale de l’AICAP (Abou-Foul et al., 2023) introduit la capacité d’absorption comme une variable modératrice clé. Cette théorie stipule que le potentiel d’une entreprise à exploiter des connaissances externes dépend de ses compétences préalables à identifier, assimiler, transformer et appliquer ce savoir nouveau. Les capacités d’IA ne peuvent prospérer dans un vide cognitif : leur conversion en performance ou en offres de services servitisées exige un terreau de compétences managériales et analytiques préexistantes.

4. Le cadre méthodologique C-OAR-SE (Rossiter, 2002)

Pour s’affranchir des biais traditionnels de la psychométrie classique (tels que la sur-dépendance aux analyses factorielles a posteriori au détriment de la clarté conceptuelle), les concepteurs de l’AICAP ont adopté le protocole systématique C-OAR-SE formulé par John Rossiter. Cette démarche rigoureuse impose six étapes séquentielles :

• Construct definition : Définition univoque du construit en tant que faisceau de capacités d’affaires habilitées par l’IA ;
• Object classification : Délimitation de l’objet d’observation, en l’occurrence les entités corporatives et leurs systèmes opérationnels ;
• Attribute classification : Identification exhaustive des quatre attributs constitutifs (valeur client, processus, ressources, impact sociétal) ;
• Rater identification : Sélection stricte des répondants experts qualifiés (directeurs des opérations, directeurs marketing, directeurs généraux ou directeurs de l’innovation au fait des investissements réels de la firme) ;
• Scale formation : Combinaison des termes et formalisation des énoncés sur échelle de Likert à 5 échelons ;
• Enumeration : Formulation des règles d’agrégation mathématique du score global et des scores factoriels sous-jacents.

7. Validité / Validity

La validité psychométrique de l’échelle AICAP a fait l’objet d’une batterie d’analyses quantitatives approfondies menées sur un échantillon d’entreprises manufacturières situées aux États-Unis et dans l’Union européenne, conformément aux standards les plus rigoureux de la recherche en sciences de gestion (Bagozzi & Yi, 1988 ; Hair et al., 2019) :

1. Validité de contenu et validité faciale

La validité de contenu a été initialement verrouillée par la procédure C-OAR-SE et corroborée par un panel d’universitaires et d’experts industriels spécialisés dans l’ingénierie des systèmes décisionnels. Ces spécialistes ont procédé à un examen critique de la clarté sémantique, de la représentativité et de la pertinence de chaque énoncé vis-à-vis des réalités opérationnelles contemporaines des usines et chaînes logistiques numérisées.

2. Validité convergente

La validité convergente renvoie au degré auquel les indicateurs empiriques d’un construit théorique partagent une part substantielle de variance commune. Dans l’AICAP, elle a été formellement validée par le calcul de la variance moyenne extraite (Average Variance Extracted, AVE) pour chacune des quatre sous-dimensions. Conformément aux critères de Bagozzi et Yi (1988), un construit présente une validité convergente satisfaisante lorsque l’AVE dépasse le seuil critique de 0,50. Cette condition indique que plus de 50 % de la variance des items découle du construit latent plutôt que de l’erreur de mesure. Dans l’échantillon de validation, l’ensemble des sous-échelles de l’AICAP a affiché des valeurs d’AVE confortablement supérieures à ce seuil plancher.

3. Validité discriminante

La validité discriminante certifie qu’un construit donné se distingue empiriquement des autres construits avec lesquels il ne devrait pas théoriquement se confondre. Deux méthodes statistiques complémentaires ont été mobilisées :

• Critère de corrélation inter-construits : L’ensemble des corrélations moyennes estimées entre les dimensions est resté nettement sous le seuil maximal de 0,85 préconisé par Henseler, Ringle et Sarstedt (2015) ainsi que par Kline (2014), excluant tout risque de colinéarité excessive ou de redondance conceptuelle.
• Critère de Fornell-Larcker et ratio HTMT : La racine carrée de l’AVE pour chaque facteur s’est avérée supérieure aux corrélations partagées avec les facteurs restants, assurant l’autonomie empirique de chaque dimension.

4. Validité nomologique et prédictive

Dans l’article matriciel d’Abou-Foul et al. (2023), la validité de critère (ou validité nomologique) a été démontrée par l’insertion de l’AICAP au sein d’un modèle d’équations structurelles prédisant le succès de la servitisation industrielle. Les résultats ont mis en évidence un impact prédictif direct, positif et statistiquement significatif des capacités d’IA sur le développement d’offres de services à haute valeur ajoutée, ainsi qu’une interaction modératrice déterminante avec la capacité d’absorption des connaissances au sein de la firme.

8. Fidélité / Reliability

La fidélité d’une échelle psychométrique reflète sa stabilité, sa cohérence interne et son immunité face aux fluctuations aléatoires de mesure. L’évaluation de la fiabilité de l’AICAP a reposé sur deux indicateurs majeurs :

1. Consistance interne (Alpha de Cronbach)

La consistance interne examine le degré d’homogénéité avec lequel les différents items d’une même sous-échelle mesurent le même construit. Traditionnellement, un coefficient alpha de Cronbach ($\alpha$) égal ou supérieur à 0,70 est jugé satisfaisant pour la recherche fondamentale et appliquée (Kline, 2014 ; Nunnally & Bernstein, 1994). Pour les quatre sous-échelles de l’AICAP, les indices calculés dépassent tous ce palier :

• AI Customer Value Proposition : $\alpha > 0,70$ ;
• AI Key Processes Optimization : $\alpha > 0,70$ ;
• AI Key Resources Optimization : $\alpha > 0,70$ ;
• AI Societal Good : $\alpha > 0,70$.

2. Fiabilité composite (Composite Reliability – CR)

Contrairement à l’alpha de Cronbach qui suppose implicitement une équivalence tau (c’est-à-dire des saturations factorielles strictement identiques pour chaque item), la fiabilité composite (Rhô de Jöreskog) prend en compte les poids réels de chaque variable observée. Dans l’ensemble des modélisations structurelles associées à l’AICAP, la fiabilité composite de chaque dimension a largement dépassé le seuil d’admissibilité de 0,70, renforçant la conclusion que l’erreur de mesure aléatoire demeure marginale.

3. Invariance et stabilité de la mesure

Bien que les protocoles de test-retest longitudinaux sur plusieurs années demeurent à développer (en raison de l’évolution rapide intrinsèque aux technologies d’IA), la réplication des patterns de consistance interne entre les sous-échantillons d’entreprises américaines et européennes plaide pour une stabilité structurelle et une équivalence transculturelle solide du barème de notation.

9. Analyse factorielle / Factor Analysis

La structure factorielle de l’instrument a été établie au moyen d’un processus séquentiel en deux phases, conjuguant analyse factorielle exploratoire (AFE) puis analyse factorielle confirmatoire (AFC) :

1. Analyse factorielle exploratoire (AFE)

L’AFE a été entreprise pour sonder la dimensionnalité intrinsèque de l’inventaire préliminaire d’items :

• Méthode d’extraction : Factorisation par axe principal (Principal Axis Factoring, PAF), une approche robuste privilégiée pour l’identification de facteurs latents sous-jacents en présence de données distributionnelles réelles.
• Méthode de rotation : Rotation oblique Promax (avec règle d’extraction sur valeur propre > 1,0 ou critère de Kaiser). Le choix d’une rotation oblique s’imposait d’un point de vue conceptuel, car les différentes capacités d’IA au sein d’une organisation sont corrélées entre elles (une entreprise très compétente dans ses processus clés a de fortes chances de l’être également dans la gestion de ses ressources).
• Résultats factoriels : L’AFE a fait émerger avec netteté les quatre facteurs théoriques prévus. À l’exception de trois items initiaux problématiques, l’ensemble des indicateurs a saturé proprement sur leur dimension de rattachement avec des coefficients de saturation factorielle (factor loadings) supérieurs au seuil standard de 0,60 recommandé pour le développement de nouvelles échelles psychométriques (Kline, 2014). Aucun phénomène significatif de saturation croisée (cross-loading) n’a été répertorié.

2. Analyse factorielle confirmatoire (AFC) et épuration du modèle

L’analyse factorielle confirmatoire (AFC) a été menée pour tester formellement la qualité de l’ajustement du modèle de mesure aux données observées :

• Purge statistique des items : Lors de l’évaluation d’un modèle factoriel initial, l’inspection des indices de modification (modification indices) a mis en évidence trois items dont les erreurs de mesure covariaient de façon excessive avec d’autres variables latentes. Suivant les recommandations méthodologiques de Bagozzi et Yi (1988), ces trois items ont été définitivement exclus du corpus de test afin de préserver l’unidimensionnalité stricte et l’indépendance des résidus.
• Structure finale à 17 items : À l’issue de cet élagage rigoureux, le modèle tétradimensionnel composé de 17 items a manifesté d’excellents indices d’ajustement global (goodness-of-fit) : rapport $\chi^2/dl$ conforme aux standards, indice de comparaison de Bentler (CFI) supérieur à 0,90, indice de Tucker-Lewis (TLI) supérieur à 0,90, et racine carrée de l’erreur quadratique moyenne d’approximation (RMSEA) ainsi que résidu quadratique moyen standardisé (SRMR) inférieurs aux limites critiques usuelles ($< 0,08$).

10. Instrument de mesure / Instrument

Les caractéristiques structurelles et administratives de l’instrument AICAP sont synthétisées ci-dessous :

• Nom de l’instrument : Échelle des capacités en intelligence artificielle (AICAP — AI Capabilities Scale).
• Type d’évaluation : Questionnaire psychométrique organisationnel, auto-administré ou conduit par un évaluateur spécialisé (audit stratégique).
• Format des réponses : Échelle de Likert à 5 points d’ancrage sémantique ordonné :
  • 1 = Pas du tout d’accord (Strongly disagree)
  • 2 = Pas d’accord (Disagree)
  • 3 = Ni en désaccord ni d’accord (Neither agree nor disagree)
  • 4 = D’accord (Agree)
  • 5 = Tout à fait d’accord (Strongly agree)
• Nombre total d’items : 17 items (formulation finale après épuration psychométrique).
• Structure factorielle : 4 sous-échelles interdépendantes :
  • Proposition de valeur client basée sur l’IA : 4 items (items 1 à 4) ;
  • Optimisation des processus clés par l’IA : 6 items (items 5 à 10) ;
  • Optimisation des ressources clés par l’IA : 4 items (items 11 à 14) ;
  • Bien sociétal soutenu par l’IA : 3 items (items 15 à 17).
• Population cible : Cadres dirigeants, directeurs de la transformation numérique, directeurs des systèmes d’information, responsables de production et professionnels de la stratégie au sein d’entreprises industrielles et tertiaires (adultes de 18 ans et plus).
• Temps moyen de passation : Environ 8 à 12 minutes.
• Mode de cotation et de calcul des scores : Les scores de chaque sous-dimension sont obtenus en calculant la moyenne arithmétique des items affiliés (valeurs comprises entre 1,00 et 5,00). Un score composite global des capacités d’IA de la firme peut également être calculé par la moyenne non pondérée de l’ensemble des 17 items. Des scores supérieurs à 4,00 traduisent un ancrage avancé des capacités d’IA dans les processus organisationnels, tandis que des scores inférieurs à 2,50 signalent des zones de vulnérabilité numérique majeure.

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

• Année de validation et de parution initiale : 2023.
• Frais d’utilisation (Fee) : Gratuit / Sans frais (aucun coût d’acquisition de licence financière pour la recherche scientifique et l’enseignement académique).
• Politique de permissions et droits de reproduction : L’utilisation de l’échelle AICAP est autorisée sans démarche d’achat préalable dans le cadre d’études académiques, de thèses doctorales et de programmes d’enseignement supérieur (recherche non commerciale). Les auteurs et l’éditeur (Elsevier – Journal of Business Research) demandent expressément que la publication séminale fondatrice soit systématiquement et formellement citée dans tout travail de recherche utilisant l’instrument : Abou-Foul, Ruiz-Alba, & López-Tenorio (2023).
• Utilisation commerciale et audits de conseil : Tout déploiement commercial au sein de plateformes logicielles propriétaires ou de missions de conseil payantes requiert l’accord formel préalable des détenteurs des droits d’auteur.

12. Références / References

Les références méthodologiques et théoriques ci-après fondent le développement, l’ancrage conceptuel et la validation psychométrique de l’AICAP :

• Abou-Foul, M., Ruiz-Alba, J. L., & López-Tenorio, P. J. (2023). The impact of artificial intelligence capabilities on servitization: The moderating role of absorptive capacity—A dynamic capabilities perspective. Journal of Business Research, 157, Article 113609. https://doi.org/10.1016/j.jbusres.2022.113609
• Bagozzi, R. P., & Yi, Y. (1988). On the evaluation of structural equation models. Journal of the Academy of Marketing Science, 16(1), 74–94. https://doi.org/10.1007/BF02723327
• Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120. https://doi.org/10.1177/014920639101700108
• Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553
• Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: What are they? Strategic Management Journal, 21(10‐11), 1105–1121. https://doi.org/10.1002/1097-0266(200010/11)21:10/11<1105::AID-SMJ133>3.0.CO;2-E
• Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
• Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115–135. https://doi.org/10.1007/s11747-014-0403-8
• Kline, R. B. (2014). Principles and practice of structural equation modeling (4th ed.). Guilford Publications.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.
• Rossiter, J. R. (2002). The C-OAR-SE procedure for scale development in marketing. International Journal of Research in Marketing, 19(4), 305–335. https://doi.org/10.1016/S0167-8116(02)00097-6
• Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z
• Zahra, S. A., & George, G. (2002). Absorptive capacity: A reviewing, reconceptualization, and extension. Academy of Management Review, 27(2), 185–203. https://doi.org/10.5465/amr.2002.6587995

13. Questions et items du questionnaire / Scale Items