Modèle d’adoption des chatbots d’expérience collaborateur basés sur l’intelligence artificielle

1. Résumé / Abstract

Le Modèle d’adoption des chatbots d’expérience collaborateur basés sur l’intelligence artificielle (Adoption of Artificial Intelligence-Based Employee Experience Chatbots Model), développé par Pillai, Ghanghorkar, Sivathanu, Algharabat et Rana (2024), constitue un instrument psychométrique et un cadre structurel de pointe conçu pour évaluer les déterminants cognitifs, affectifs et comportementaux régissant l’acceptation des systèmes conversationnels intelligents au sein des départements de ressources humaines. Face à l’essor des technologies d’automatisation cognitive au travail, cet outil opérationnalise l’intégration de la théorie du raisonnement comportemental (Behavioral Reasoning Theory, BRT) afin de modéliser simultanément les motivations motrices (« raisons d’adopter ») et les freins psychologiques (« raisons de rejeter ») propres aux employés.

L’instrument se compose de 43 items répartis sur 11 construits multidimensionnels : la personnalisation perçue (PES), l’interactivité (INT), l’intelligence perçue (PEI), l’anthropomorphisme perçu (ANP), les raisons contre l’adoption (RSA), le risque perçu (PRK), la barrière linguistique (LBR), l’anxiété technologique (TCX), les valeurs d’ouverture au changement (VOP), l’attitude globale (ATD) et l’intention finale d’adoption (AIN). Les réponses sont recueillies sur une échelle de type Likert en cinq points, allant de 1 (« fortement en désaccord ») à 5 (« fortement d’accord »).

Sur le plan psychométrique, le modèle a fait l’objet d’une validation empirique rigoureuse au moyen de la modélisation par équations structurelles aux moindres carrés partiels (PLS-SEM) auprès de cohortes professionnelles issues des secteurs de l’informatique (IT), des services informatiques (ITeS) et du commerce électronique. Les résultats confirment une excellente cohérence interne, matérialisée par des coefficients d’alpha de Cronbach et de fiabilité composite (CR) supérieurs à 0,80 pour l’ensemble des dimensions. La validité convergente est étayée par des variances moyennes extraites (AVE) surpassant le seuil de 0,50, tandis que la validité discriminante respecte les critères de Fornell-Larcker et de l’HTMT. Enfin, le test unifactoriel de Harman atteste de l’absence de biais de méthode commune avec une variance expliquée limitée à 26,82 %.

2. Mots-clés / Keywords

Adoption de l’intelligence artificielle, Chatbots RH, Expérience collaborateur, Théorie du raisonnement comportemental, Anxiété technologique, Anthropomorphisme perçu, Modélisation PLS-SEM, Évaluation psychométrique, Acceptation de la technologie, Psychologie organisationnelle, Validité convergente, Biais de méthode commune.

3. Auteurs / Authors

L’échelle a été conçue, formalisée et validée par une équipe internationale de chercheurs en management des systèmes d’information, psychologie du travail et sciences de gestion :

• Rajasshrie Pillai — Pune Institute of Business Management (PIBM), Pune, Inde.
• Yamini Ghanghorkar — COEP Technological University, Pune, Inde.
• Brijesh Sivathanu — Pune Institute of Business Management (PIBM), Pune, Inde.
• Raed Algharabat — College of Business and Economics, Qatar University, Doha, Qatar. (ORCID : 0000-0002-1870-1708)
• Nripendra P. Rana — College of Business and Economics, Qatar University, Doha, Qatar (Auteur correspondant : [email protected]).

4. Objectif / Purpose

L’objectif fondamental de cet instrument de mesure est de décrypter et quantifier les mécanismes psychologiques sous-tendant l’intention des collaborateurs d’adopter et d’utiliser activement des agents conversationnels intelligents (chatbots) dédiés à l’expérience employé (Employee Experience ou EEX). Dans le cadre des mutations numériques contemporaines, les directions des ressources humaines déploient des agents intelligents pour gérer les requêtes administratives, faciliter l’intégration des nouvelles recrues (onboarding), administrer les avantages sociaux et délivrer un soutien organisationnel continu. Toutefois, ces déploiements se heurtent fréquemment à des réticences, des craintes liées à la déshumanisation des processus ou des craintes de surveillance algorithmique.

Cet instrument comble une lacune critique des modèles traditionnels d’acceptation technologique tels que le Modèle d’Acceptation de la Technologie (TAM) ou la théorie unifiée de l’acceptation et de l’utilisation de la technologie (UTAUT). Alors que ces approches conventionnelles se focalisent quasi exclusivement sur les facteurs incitatifs (utilité perçue, facilité d’utilisation), le modèle de Pillai et al. intègre une perspective dialectique intégrant simultanément les motivations favorables et les barrières psychologiques actives.

Sur le plan de la recherche scientifique, l’outil permet d’explorer les interactions complexes entre les caractéristiques de l’interface cognitive (anthropomorphisme, intelligence perçue, personnalisation), les dispositions individuelles des employés (ouverture au changement, anxiété technologique) et les construits de raisonnement contextuel. En milieu appliqué et clinique-organisationnel, il sert d’instrument de diagnostic stratégique pour les psychologues du travail, consultants en conduite du changement et directeurs RH. L’administration du questionnaire en amont ou en cours de déploiement permet d’identifier précisément les poches de résistance (ex. anxiété technologique prononcée ou perception de risque pour la confidentialité) et d’ajuster les programmes de formation ou la conception ergonomique des agents virtuels.

5. Construit psychologique / Construct

Le modèle repose sur une constellation de 11 construits interdépendants mesurés par 43 items, capturant l’écologie cognitive et comportementale du collaborateur face à l’agent conversationnel :

1. Personnalisation (PES – Personalization)

Ce construit quantifie la mesure dans laquelle l’employé perçoit que le chatbot d’expérience collaborateur adapte ses réponses, ses recommandations et son accompagnement à son profil individuel, à ses antécédents professionnels et à ses besoins spécifiques. Une personnalisation élevée favorise le sentiment d’être soutenu de manière singulière plutôt que traité par un script générique.

2. Interactivité (INT – Interactivity)

L’interactivité évalue la fluidité bidirectionnelle, la vitesse de réponse et la capacité du système conversationnel à maintenir un échange dynamique et réactif. Ce construit reflète le degré d’engagement conversationnel que l’utilisateur ressent lors de l’interaction en temps réel.

3. Intelligence perçue (PEI – Perceived Intelligence)

Ce construit mesure l’évaluation cognitive par le collaborateur des capacités computationnelles de l’agent : compétence à résoudre des problématiques RH complexes, précision de l’information délivrée, logique déductive et pertinence contextuelle des solutions proposées.

4. Anthropomorphisme perçu (ANP – Perceived Anthropomorphism)

L’anthropomorphisme perçu désigne l’attribution de caractéristiques humaines, de chaleur relationnelle, de tonalité empathique ou de traits sociaux au chatbot. Dans les interactions employé-machine, ce construit joue un rôle pivot dans la réduction de la distance psychologique perçue.

5. Raisons contre l’adoption (RSA – Reasons Against)

Dimension d’ordre supérieur ou agrégée ancrée dans la BRT, ce construit capture les justifications conscientes et les rationalisations négatives formulées par les employés pour refuser, contourner ou boycotter l’utilisation du chatbot RH.

6. Risque perçu (PRK – Perceived Risk)

Le risque perçu évalue le sentiment de vulnérabilité éprouvé par l’employé face à l’outil. Il englobe la crainte de divulgation de données confidentielles (santé, salaire, requêtes personnelles), le risque de mauvaise interprétation managériale ou les répercussions professionnelles indésirables dues à une défaillance de l’algorithme.

7. Barrière linguistique (LBR – Language Barrier)

Cette dimension mesure les difficultés ressenties lors de l’expression de requêtes nuancées, le sentiment que le système ne comprend pas les idiomes, le jargon professionnel interne ou les subtilités dialectales, créant une friction communicative frustrante.

8. Anxiété technologique (TCX – Technological Anxiety)

Construit affectif évaluant l’appréhension, la tension psychologique, la peur d’incompétence ou la nervosité ressentie par l’employé à l’idée d’interagir avec des technologies novatrices fondées sur l’intelligence artificielle générative ou prédictive.

9. Valeurs d’ouverture au changement (VOP – Values of Openness to Change)

Ancré dans la taxonomie des valeurs humaines fondamentales, ce construit reflète la prédisposition psychologique générale de l’employé à rechercher la nouveauté, à accueillir favorablement l’innovation organisationnelle et à faire preuve de flexibilité cognitive face aux ruptures méthodologiques.

10. Attitude (ATD – Attitude)

L’attitude représente l’évaluation affective et cognitive globale, favorable ou défavorable, portée sur l’utilisation du chatbot pour la gestion de son expérience collaborateur au sein de l’entreprise.

11. Intention d’adoption (AIN – Adoption Intention)

Variable dépendante ultime du modèle, elle mesure la probabilité subjective, la volonté délibérée et l’engagement comportemental planifié de l’employé à utiliser régulièrement le chatbot d’expérience collaborateur dans ses activités quotidiennes.

6. Cadre théorique / Theoretical Framework

Le socle conceptuel de cet instrument s’articule autour de la théorie du raisonnement comportemental (Behavioral Reasoning Theory, BRT), formalisée par Westaby (2005). Contrairement aux théories traditionnelles de l’action raisonnée ou du comportement planifié issues des travaux de Fishbein et Ajzen, la BRT postule que les « raisons » (reasons) constituent des construits cognitifs spécifiques qui comblent le fossé entre les valeurs globales de l’individu, ses attitudes et ses intentions comportementales.

Dans le modèle de Pillai et al. (2024), la BRT offre une architecture épistémologique duale particulièrement adaptée à l’intelligence artificielle en entreprise :

• Les raisons d’adopter (Reasons for) : Alimentées par les caractéristiques saillantes de l’artefact technologique (personnalisation, interactivité, intelligence perçue et anthropomorphisme). Ces dimensions techniques sont conceptualisées comme des facilitateurs cognitifs qui nourrissent des raisons positives d’adopter.
• Les raisons de ne pas adopter (Reasons against) : Représentées par les facteurs de résistance spécifiques tels que le risque perçu, les barrières linguistiques et l’anxiété technologique. Ces dimensions agissent comme des barrières cognitives directes.

Selon les postulats de Westaby, les valeurs individuelles fondamentales — ici opérationnalisées par les valeurs d’ouverture au changement (Schwartz, 1992) — exercent une influence antécédente directe à la fois sur les raisons évoquées et sur l’attitude globale. À leur tour, les raisons positives et négatives influencent directement l’attitude (ATD) tout en conservant une voie directe vers l’intention comportementale d’adoption (AIN). Ce double cheminement illustre le fait que des collaborateurs peuvent adopter ou refuser un outil en rationalisant directement leur décision sans nécessairement transiter par une modification d’attitude préalable, un phénomène fréquemment documenté lors de transformations digitales imposées.

7. Validité / Validity

L’évaluation psychométrique du modèle de Pillai et al. (2024) a été réalisée selon les standards méthodologiques les plus rigoureux de la recherche en systèmes d’information et psychométrie organisationnelle :

Validité de contenu et d’apparence (Face and Content Validity)

Les items originaux ont été adaptés d’instruments préexistants et validés dans la littérature scientifique (notamment Claudy et al., 2015 ; Gupta & Arora, 2017 ; Westaby, 2005). Pour garantir une validité d’apparence optimale, les 43 items ont été soumis à un panel d’experts sectoriels et académiques en interaction homme-machine et en gestion des ressources humaines, conduisant à des ajustements lexicaux et sémantiques ciblés afin de refléter fidèlement l’environnement de l’expérience collaborateur (EEX).

Validité convergente

La validité convergente a été confirmée dans le cadre de l’évaluation du modèle de mesure PLS-SEM :

• Toutes les saturations factorielles standardisées des items individuels sur leurs construits respectifs dépassent largement les seuils recommandés de 0,70.
• La variance moyenne extraite (AVE, Average Variance Extracted) pour chacun des 11 construits excède le critère critique de 0,50 (Fornell & Larcker, 1981), indiquant que les construits capturent plus de 50 % de la variance de leurs indicateurs respectifs.

Validité discriminante

La validité discriminante a été scrupuleusement vérifiée :

• Selon le critère traditionnel de Fornell et Larcker, la racine carrée de l’AVE de chaque construit s’avère nettement supérieure aux corrélations inter-construits correspondantes (les variances partagées étant inférieures aux AVE).
• Les ratios Heterotrait-Monotrait (HTMT) se situent tous en deçà du seuil conservateur de 0,85, garantissant une différenciation empirique absolue entre les 11 dimensions.

Biais de méthode commune (Common Method Bias)

Dans la mesure où les données ont été recueillies par auto-questionnaire auprès d’employés, le risque de variance commune liée à la méthode a été inspecté via le test unifactoriel d’Harman. L’analyse sans rotation indique que le premier facteur n’explique que 26,82 % de la variance totale, se situant bien en deçà du seuil critique de 50 %. Le modèle est donc exempt de biais de méthode commune significatif.

8. Fidélité / Reliability

La fidélité et la cohérence interne de l’instrument ont été testées de manière approfondie à l’aide de plusieurs indicateurs complémentaires :

• Alpha de Cronbach : Tous les construits du modèle présentent des valeurs d’alpha de Cronbach strictement supérieures à 0,80, dépassant le seuil conventionnel d’acceptabilité de 0,70. Cela témoigne d’une forte homogénéité des énoncés au sein de chaque échelle.
• Fiabilité composite (Composite Reliability – CR) : Considérée comme un indicateur plus robuste et moins sensible aux biais de longueur que l’alpha dans les approches PLS-SEM, la fiabilité composite franchit également le seuil d’excellence de 0,80 pour l’ensemble des 11 dimensions.
• Stabilité et précision : Les analyses de bootstrapping non paramétrique (5 000 sous-échantillons) ont confirmé des intervalles de confiance étroits et des erreurs-types faibles pour l’ensemble des estimations factorielles, assurant une reproductibilité élevée des scores auprès des cohortes de salariés des secteurs technologiques et tertiaires.

9. Analyse factorielle / Factor Analysis

L’évaluation de la structure factorielle a été menée via la modélisation par équations structurelles basée sur la variance (PLS-SEM), une approche optimale pour les modèles prédictifs complexes intégrant des cadres théoriques novateurs comme la BRT :

• Modèle de mesure (Measurement Model) : L’analyse factorielle confirmatoire intégrée à l’algorithme PLS démontre que les 43 items saturent de façon statistiquement significative (p < 0,001) et univoque sur leurs facteurs théoriques assignés. Aucune saturation croisée (cross-loading) problématique n’a été relevée, attestant de la pureté dimensionnelle des sous-échelles.
• Modèle structurel (Structural Model) : L’examen des coefficients de chemin (path coefficients) valide la structure hypothétique dérivée de la BRT. Les raisons d’adopter (PES, INT, PEI, ANP) influencent positivement et significativement l’attitude et l’intention, tandis que les raisons de rejeter (PRK, LBR, TCX) exercent des effets inhibiteurs robustes.
• Pouvoir explicatif : Le modèle démontre une variance expliquée ($R^2$) particulièrement substantielle sur la variable finale d’intention d’adoption (AIN), confirmant la pertinence de l’articulation entre antécédents technologiques, freins affectifs et valeurs individuelles.

10. Instrument de mesure / Instrument

L’instrument de Pillai et al. (2024) se caractérise par les modalités techniques et opérationnelles suivantes :

• Type d’outil : Questionnaire d’auto-évaluation / Inventaire psychométrique d’attitudes et d’intentions comportementales.
• Nombre total d’items : 43 items standardisés.
• Format des réponses : Échelle de Likert à 5 points ordonnée 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)
• Modalités d’administration : Questionnaire auto-administré (principalement via plateforme électronique ou intranet d’entreprise), réalisable en environ 10 à 15 minutes.
• Cotation et scoring : Le score de chaque sous-échelle s’obtient en calculant la moyenne arithmétique des items constitutifs de la dimension correspondante (après inversion des items négatifs le cas échéant). Un score élevé sur une dimension indique un niveau élevé du construit (ex. forte anxiété technologique, forte perception d’anthropomorphisme ou forte intention d’adoption).

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

• Année de publication : 2024.
• Statut du droit d’auteur : Propriété de l’éditeur scientifique Emerald Publishing Limited et des auteurs de l’étude (Pillai et al., 2024).
• Conditions d’accès et d’utilisation : L’article fondateur est publié dans la revue Information Technology & People. L’utilisation des items et de l’échelle à des fins de recherche académique non commerciale est généralement autorisée sous réserve d’une citation adéquate de la source primaire selon les normes APA.
• Tarifs : L’accès au texte intégral de l’article source peut nécessiter un abonnement institutionnel ou un achat d’article via la plateforme Emerald Insight. Aucune redevance distincte de licence n’est requise pour la recherche scientifique standard, mais une utilisation commerciale à grande échelle (ex. intégration dans un logiciel RH propriétaire commercialisé) nécessite l’accord formel des titulaires du droit d’auteur.

12. Références / References

• 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
• 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
• 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
• 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
• 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 43 énoncés officiels et définitifs formant l’instrument d’évaluation de Pillai et al. (2024) sont protégés par le droit de propriété intellectuelle de l’éditeur scientifique et ne sont pas diffusés intégralement dans le domaine public ouvert sans restriction. Afin de respecter la stricte déontologie psychométrique et d’interdire l’hallucination d’items synthétiques non validés, la structure des 43 items est documentée ci-dessous selon la répartition factorielle établie par les auteurs. Pour accéder à la formulation mot à mot officielle, les chercheurs doivent se référer à la publication originale ou contacter l’auteur correspondant.