1. Résumé / Abstract
Le Modèle des antécédents de l’acceptation par les consommateurs de l’agentivité technologique (Antecedents of Consumer Acceptance Technology Agency Model), formalisé par Cristian Morosan et Aslıhan Dursun-Cengizci en 2024, constitue un cadre psychométrique et conceptuel novateur élaboré pour mesurer les déterminants psychologiques régissant la propension des individus à déléguer des prises de décision complexes à des systèmes dotés d’intelligence artificielle (IA). Conçu initialement dans l’industrie hôtelière auprès d’une population de clients majeurs aux États-Unis, cet instrument psychométrique évalue plus particulièrement la disposition des usagers à autoriser une technologie autonome (« technology agency ») à opérer des choix et des transactions à leur place tout au long de leur séjour.
L’instrument repose sur une échelle psychométrique standardisée de 22 items auto-rapportés, administrés par voie électronique sous la forme d’échelles de réponse de type Likert à cinq points (allant de 1 = « Pas du tout d’accord » à 5 = « Tout à fait d’accord »). La structure dimensionnelle du modèle articule sept construits sous-jacents intimement corrélés : l’éthique perçue des systèmes, les bénéfices perçus, les risques perçus, la perte de compétence ressentie, l’imprévisibilité algorithmique perçue, l’orientation vers la commodité (convenience orientation) et l’acceptation finale de l’agentivité technologique.
Sur le plan psychométrique, le modèle présente d’excellentes qualités de mesure. La fiabilité composite (Composite Construct Reliability, CCR) pour chaque construit dépasse le seuil critique de 0,80, attestant d’une cohérence interne robuste. Les résultats d’une analyse factorielle confirmatoire (AFC) ont démontré un ajustement exceptionnel aux données empiriques (χ² = 370,279, df = 188, χ²/df = 1,97 ; CFI = 0,960 ; TLI = 0,951 ; RMSEA = 0,050). La validité convergente est étayée par des saturations factorielles standardisées excédant 0,70 (à l’exception d’un item conservé à 0,674) et des variances moyennes extraites (AVE) supérieures à 0,50 pour l’ensemble des facteurs latents. La validité discriminante est rigoureusement confirmée, positionnant ce modèle comme un outil d’investigation incontournable dans l’étude des interactions homme-machine et de la délégation décisionnelle automatisée.
2. Mots-clés / Keywords
Agentivité technologique, intelligence artificielle, acceptation de la technologie, éthique perçue, prise de décision algorithmique, industrie hôtelière, orientation vers la commodité, perte de compétence perçue, risques perçus, modélisation par équations structurelles, psychométrie du consommateur.
3. Auteurs / Authors
L’échelle et son modèle structural ont été conçus et validés par deux chercheurs universitaires spécialisés en technologies de l’information et gestion hôtelière :
- Cristian Morosan, Ph.D. : Professeur au sein du Conrad N. Hilton College of Global Hospitality Leadership à l’Université de Houston (Houston, Texas, États-Unis). Ses recherches portent sur le comportement du consommateur dans les environnements technologiques avancés, l’adoption des systèmes mobiles, la sécurité de l’information et l’intégration de l’intelligence artificielle dans les services. Identifiant ORCID : 0000-0001-6751-1348.
- Aslıhan Dursun-Cengizci, Ph.D. : Chercheuse et professeure adjointe associée aux sciences de l’hospitalité et au marketing des services, spécialisée dans la psychologie de la consommation technologique et la personnalisation par l’IA.
4. Objectif / Purpose
L’avènement des architectures d’intelligence artificielle autonomes marque une transition paradigmatique fondamentale dans les sciences cognitives et le comportement du consommateur : les systèmes techniques ne sont plus de simples outils d’aide passive à l’exécution de tâches (comme dans les modèles classiques tels que le Technology Acceptance Model de Davis), mais s’érigent désormais en mandataires décisionnels dotés d’agentivité. L’objectif cardinal du modèle développé par Morosan et Dursun-Cengizci (2024) est de mesurer empiriquement et de modéliser les leviers cognitifs, moraux et fonctionnels qui conditionnent la volonté des consommateurs de céder leur contrôle autonome au profit d’agents algorithmiques.
Dans de multiples secteurs tertiaires contemporains, notamment l’hôtellerie, les voyages et le commerce personnalisé, les systèmes intelligents peuvent se voir confier la charge de sélectionner les chambres, négocier des tarifs dynamiques, programmer des itinéraires ou automatiser des transactions financières privées sans validation humaine préalable directe à chaque étape. Cette délégation requiert un degré de confiance et d’abandon de contrôle qui dépasse les cadres traditionnels de l’acceptation technologique. Le modèle a été conçu pour identifier avec exactitude :
- Dans quelle mesure l’intégrité perçue et la déontologie algorithmique (éthique perçue) légitiment l’abandon décisionnel ;
- La balance transactionnelle entre les gains utilitaires anticipés (gain de temps, optimisation du confort) et les craintes inhérentes à la technologie (atteinte à la vie privée, erreurs coûteuses, dépersonnalisation) ;
- Les freins psychologiques profonds, tels que le sentiment d’imprévisibilité ou l’appréhension d’une atrophie de ses propres capacités de jugement (perte de compétence perçue) ;
- Le rôle régulateur du trait individuel orienté vers la commodité (convenience orientation), qui pousse les individus à privilégier l’effort cognitif minimal.
Sur le plan de la recherche scientifique, cet instrument comble une lacune méthodologique majeure en offrant une échelle validée empiriquement capable de quantifier spécifiquement l’acceptation de l’« agentivité » (et non de l’outil technique statique). Sur le plan appliqué et managérial, il offre aux concepteurs d’interfaces utilisateur, aux ingénieurs en IA et aux directions de l’expérience client une grille diagnostique précise pour auditer l’acceptabilité sociale et éthique de leurs algorithmes prédictifs et autonomes.
5. Construit psychologique / Construct
Le construit central du modèle est l’acceptation de l’agentivité technologique par le consommateur, appréhendé à travers un réseau nomologique de sept dimensions psychologiques interdépendantes. Chaque dimension isole une composante cognitive, motivationnelle ou évaluative déterminée :
1. Éthique perçue (Perceived Ethics)
Cette sous-échelle évalue le jugement moral que porte le consommateur sur la conception, le fonctionnement et la gouvernance de l’IA mandataire. L’éthique perçue englobe l’honnêteté perçue du système, l’absence de biais malveillant, le respect de la confidentialité des données et la conviction que l’algorithme agit avec bienveillance, sans manipulation mercantile abusive. Par exemple, un utilisateur évaluant positivement ce construit estime que l’IA ne maximisera pas les profits de l’entreprise hôtelière à son détriment lors de la réservation automatique de services annexes.
2. Bénéfices perçus (Perceived Benefits)
Dérivée des théories de l’utilité espérée, cette dimension mesure la valeur fonctionnelle, hédonique et économique anticipée par le consommateur lorsque l’IA prend des décisions à sa place. Les items captent l’optimisation temporelle, la personnalisation sur mesure des expériences, l’allègement de la charge mentale liée à la recherche d’informations et la qualité globale accrue du service rendu.
3. Risques perçus (Perceived Risks)
Le risque perçu incarne l’incertitude quant aux conséquences négatives possibles de la délégation décisionnelle. Il intègre le risque financier (surfacturation involontaire, dépenses non souhaitées autorisées par le système), le risque de performance (décisions inadaptées aux besoins réels de l’hôte), et le risque lié à la vulnérabilité de la sphère privée (diffusion non autorisée de données personnelles).
4. Perte de compétence perçue (Perceived Loss of Competence)
Ce construit d’ordre psycho-identitaire et motivationnel puise dans la théorie de l’autodétermination. Il quantifie l’anxiété du consommateur à l’idée que le recours systématique à un agent décisionnel automatisé n’altère ses propres aptitudes cognitives, son esprit critique et sa capacité future à résoudre des problèmes par lui-même. La délégation est ici perçue comme un facteur potentiel de passivité et de dépendance technologique aliénante.
5. Imprévisibilité perçue (Perceived Unpredictability)
L’imprévisibilité mesure la sensation de perte de contrôle face à l’effet « boîte noire » (black-box algorithms) inhérent aux réseaux de neurones profonds et aux modèles génératifs. Elle traduit le sentiment d’incapacité de l’usager à anticiper, comprendre ou rationaliser la manière dont l’agent numérique aboutit à un choix précis, engendrant une méfiance cognitive quant à la régularité des comportements de la machine.
6. Orientation vers la commodité (Convenience Orientation)
Ce facteur reflète une disposition psychologique et comportementale stable de l’individu, caractérisée par la recherche prioritaire d’économie d’effort physique, mental et temporel dans l’accomplissement des tâches du quotidien. Les consommateurs ayant un score élevé sur cette dimension valorisent suprêmement l’immédiateté et l’absence de friction cognitive, ce qui les prédispose théoriquement à adopter l’agentivité technologique en dépit de certains risques marginaux.
7. Acceptation de l’agentivité technologique (Acceptance of Technology Agency)
Construit d’aboutissement comportemental et conatif du modèle, il mesure l’intention délibérée et l’engagement psychologique du consommateur à autoriser formellement l’agent technologique intelligent à prendre des décisions engageantes pour son compte au cours de ses interactions de consommation.
6. Cadre théorique / Theoretical Framework
Le modèle des antécédents de l’acceptation de l’agentivité technologique s’enracine au confluent de plusieurs grands courants théoriques de la psychologie cognitive, de la sociologie des organisations et des sciences des systèmes d’information :
La théorie de l’agence et la délégation décisionnelle
Historiquement formulée dans la science économique par Jensen et Meckling (1976), la théorie de l’agence analyse les dynamiques relationnelles entre un principal (le mandant) qui confie la gestion de ses intérêts à un mandataire (l’agent). Dans le cadre conçu par Morosan et Dursun-Cengizci, cette structure contractuelle est transposée à la relation homme-machine : le consommateur devient le mandant et l’intelligence artificielle devient l’agent. Cette transposition implique l’existence d’asymétries d’information et de conflits d’objectifs potentiels (l’IA servant-elle les intérêts du voyageur ou ceux de la plateforme hôtelière ?), conférant au construit d’éthique perçue un rôle régulateur primordial.
Le modèle de l’évaluation cognitive et la balance décisionnelle
L’acceptation d’un système intelligent autonome est également ancrée dans la théorie de l’évaluation cognitive (Cognitive Appraisal Theory) de Lazarus et Folkman. Face à la proposition d’autonomie d’un agent numérique, le sujet opère une double évaluation : une évaluation primaire (évaluation de la menace via les risques perçus, l’imprévisibilité et la perte de compétence) et une évaluation secondaire (évaluation des opportunités et des ressources via les bénéfices perçus et le gain de commodité). Le comportement d’acceptation de l’agentivité résulte de la résolution arbitrée de ce conflit entre menaces identitaires/financières et gains d’efficacité.
Théorie de l’autodétermination et sentiment d’autonomie
La psychologie humaniste et la théorie de l’autodétermination de Deci et Ryan (2000) postulent que les êtres humains possèdent un besoin psychologique fondamental d’autonomie et de compétence. Déléguer un pouvoir discrétionnaire à une entité non-humaine fragilise potentiellement ce besoin inné. L’intégration de la sous-échelle « Perte de compétence perçue » au modèle permet d’opérationnaliser les tensions psychologiques vécues par le consommateur, tiraillé entre le désir d’émancipation cognitive que procure l’automatisation et l’angoisse existentielle de déchéance de son agentivité propre.
7. Validité / Validity
L’évaluation psychométrique du modèle d’acceptation de l’agentivité technologique a fait l’objet d’un protocole d’investigation rigoureux garantissant sa robustesse méthodologique selon les standards de l’American Psychological Association :
Validité de construit et validité de contenu
Les items de l’échelle ont été développés en combinant deux démarches complémentaires : d’une part, l’adaptation d’échelles éprouvées issues de la littérature académique de référence (notamment les travaux de Xu et al., 2011 sur la vie privée et les technologies, Roman, 2007 sur l’éthique perçue des sites web marchands, et Bertrandias et al., 2021 sur la délégation aux algorithmes) ; d’autre part, la formulation de nouveaux indicateurs par les auteurs afin de cerner avec précision les spécificités contextuelles des systèmes d’IA autonomes dans l’hôtellerie.
Validité convergente
La validité convergente de l’instrument a été évaluée au moyen d’une analyse factorielle confirmatoire (AFC). Les exigences méthodologiques conventionnelles (Hair et al., 2009 ; Chen & Tsai, 2007) stipulent que les saturations factorielles standardisées (factor loadings) doivent excéder 0,70 et que la variance moyenne extraite (Average Variance Extracted, AVE) de chaque construit doit franchir le seuil minimal de 0,50.
Les données empiriques ont pleinement confirmé ces critères : toutes les saturations standardisées sont significatives au seuil de p < 0,001 et dépassent la valeur critique de 0,70, à la seule exception d’un item affichant une saturation de 0,674, retenu par les chercheurs en raison de sa proximité immédiate avec le seuil et de son apport théorique essentiel au construit sous-jacent. L’ensemble des valeurs d’AVE pour les sept dimensions dépasse largement 0,50, certifiant qu’au moins 50 % de la variance des indicateurs observés est attribuable au construit latent correspondant.
Validité discriminante
La validité discriminante a été examinée selon le critère classique de Fornell et Larcker. Les racines carrées des valeurs d’AVE pour chaque dimension se sont révélées supérieures aux corrélations bivariées inter-construits correspondantes. De plus, aucune saturation croisée anormale n’a été mise en évidence lors des ré-estimations factorielles, confirmant sans ambiguïté que les dimensions théoriques identifiées (par exemple, la distinction nette entre la simple imprévisibilité de l’algorithme et le risque perçu global) représentent des construits empiriquement distincts.
8. Fidélité / Reliability
La consistance interne de l’instrument de Morosan et Dursun-Cengizci (2024) a été établie au moyen du coefficient de fiabilité composite (Composite Construct Reliability, CCR), un estimateur psychométrique plus précis et moins sensible aux violations des hypothèses de parallélisme strict que l’alpha de Cronbach conventionnel.
Conformément aux préconisations psychométriques internationales (Hair et al., 2009 ; Kline, 2015), un score de CCR supérieur à 0,70 atteste d’une fidélité acceptable, tandis qu’une valeur excédant 0,80 reflète une consistance interne hautement robuste. Dans l’échantillon d’étalonnage de l’étude (clients d’hôtels américains majeurs) :
- Tous les indices de fiabilité composite (CCR) ont largement dépassé le seuil d’excellence de 0,80 sur l’intégralité des 7 sous-échelles du modèle.
- Les coefficients de cohérence interne témoignent de la précision remarquable de l’instrument à mesurer sans bruit d’échantillonnage excessif les dispositions affectives, normatives et cognitives des sujets interrogés.
- Le protocole expérimental a par ailleurs intégré des mécanismes de contrôle méthodologique proactifs recommandés par Podsakoff et al. (2003) pour immuniser les scores contre le biais de la méthode commune (common method bias) : anonymat garanti, assurance fournie aux participants de l’inexistence de « bonnes ou mauvaises réponses », liberté d’interruption sans condition et contrebalancement de la disposition des échelles au sein de la plateforme numérique.
9. Analyse factorielle / Factor Analysis
L’architecture multidimensionnelle de l’échelle a été examinée à l’aide d’une modélisation par équations structurelles (SEM), plus précisément par l’application d’une analyse factorielle confirmatoire (AFC) de premier ordre exécutée sous logiciel spécialisé.
Le modèle de mesure initial comprenant l’ensemble des 22 items a fait l’objet d’une ré-spécification statistique rigoureuse afin d’optimiser l’adéquation empirique de la matrice de covariance. Les indices d’ajustement globaux obtenus pour le modèle ré-spécifié confirment une adéquation remarquable aux données empiriques, satisfaisant aux critères méthodologiques les plus stricts de la littérature (Hu & Bentler, 1999 ; Toh et al., 2006) :
- Chi-carré normé (χ²/df) : χ² = 370,279 pour 188 degrés de liberté (df), ce qui donne un ratio χ²/df de 1,97 (inférieur au seuil classique maximal de 3,00, témoignant d’un ajustement parcimonieux optimal).
- Indice d’ajustement comparatif (CFI – Comparative Fit Index) : 0,960 (largement supérieur au critère recommandé de 0,950).
- Indice de Tucker-Lewis (TLI – Tucker-Lewis Index) : 0,951 (dépassant le seuil d’excellence de 0,950).
- Erreur quadratique moyenne d’approximation (RMSEA – Root Mean Square Error of Approximation) : 0,050, avec un intervalle de confiance à 90 % étroit, signalant une très faible variance d’erreur résiduelle non modélisée (le standard exigeant une valeur inférieure ou égale à 0,05 pour un ajustement parfait).
Toutes les saturations factorielles se sont montrées statistiquement significatives à p < 0,001. La configuration résultante isole les 7 facteurs latents qui rendent compte de manière exhaustive de la variance de la décision d’adoption de l’agentivité technologique.
10. Instrument de mesure / Instrument
L’instrument se présente sous les caractéristiques structurelles et techniques suivantes :
- Type d’instrument : Questionnaire psychométrique auto-rapporté / Inventaire standardisé de perception et d’attitude technologique.
- Format d’administration : Numérique / Électronique (compatible ordinateurs, tablettes et terminaux mobiles pour une saisie assistée par ordinateur).
- Nombre total d’items : 22 items validés.
- Format de réponse : Échelle de Likert en 5 points à ancrage sémantique bipolaire :
- 1 = Pas du tout d’accord (Strongly disagree)
- 2 = Plutôt pas d’accord (Disagree)
- 3 = Neutre / Ni en désaccord ni d’accord (Neutral)
- 4 = Plutôt d’accord (Agree)
- 5 = Tout à fait d’accord (Strongly agree)
- Sous-échelles opérationnalisées (7 facteurs) :
- Éthique perçue (évaluation morale et intégrité de l’agent d’IA)
- Bénéfices perçus (gain de valeur, gain de temps, commodité pratique)
- Risques perçus (incertitude financière, sécurité des données, erreurs)
- Perte de compétence perçue (atrophie du jugement individuel et autonomie)
- Imprévisibilité perçue (opacité algorithmique et variabilité décisionnelle)
- Orientation vers la commodité (préférence individuelle pour l’économie d’effort)
- Acceptation de l’agentivité technologique (délégation conative active)
- Méthode de cotation : Calcul d’un score moyen par dimension (somme des items de la sous-échelle divisée par le nombre d’items de celle-ci), permettant la modélisation sous forme de variables indicatrices ou le calcul de scores factoriels composites pondérés lors d’analyses par équations structurelles.
11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year
L’échelle a été officiellement publiée et diffusée au cours de l’année 2024. Les conditions d’utilisation et d’accès se déclinent comme suit :
- Année d’introduction : 2024.
- Propriété intellectuelle et droits d’auteur : Les droits d’exploitation commerciale et éditoriale sont détenus conjointement par les auteurs (Cristian Morosan et Aslıhan Dursun-Cengizci) et par l’éditeur de la revue scientifique, Emerald Publishing Limited.
- Tarification : L’utilisation de cette échelle à des fins strictes de recherche scientifique académique, d’enseignement ou d’investigation non lucrative est autorisée sans droits de licence payants (« Fair Use » académique), sous réserve impérative de citer expressément la source princeps dans les publications scientifiques subséquentes.
- Utilisation commerciale ou institutionnelle : Toute intégration de l’échelle ou de ses items traduits dans des outils propriétaires, des plateformes logicielles commerciales d’évaluation de l’expérience client (CX) ou des audits d’entreprise privés requiert une autorisation écrite préalable de la part des auteurs et/ou de la maison d’édition.
- Accès au matériel complet : Le protocole expérimental complet et les items peuvent être consultés dans l’article original paru dans l’International Journal of Contemporary Hospitality Management ou sollicités directement auprès de l’auteur correspondant, Cristian Morosan.
12. Références / References
Les publications fondatrices et cadres théoriques associés à l’élaboration de cette échelle comprennent :
- Bertrandias, L., Lapeyre, A., & Carricano, M. (2021). Delegating decisions to artificial intelligence: A cognitive appraisal approach. Journal of Business Research, 136, 477–488. https://doi.org/10.1016/j.jbusres.2021.07.058
- Chen, C. F., & Tsai, D. C. (2007). How destination image and evaluative factors affect behavioral intentions? Tourism Management, 28(4), 1115–1122. https://doi.org/10.1016/j.tourman.2006.07.007
- 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
- Deci, E. L., & Ryan, R. M. (2000). The « what » and « why » of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268. https://doi.org/10.1207/S15327965PLI1104_01
- Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2009). Multivariate Data Analysis (7th ed.). Prentice Hall.
- Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
- Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305–360. https://doi.org/10.1016/0304-405X(76)90026-X
- Kline, R. B. (2015). Principles and Practice of Structural Equation Modeling (4th ed.). Guilford Press.
- Morosan, C., & Dursun-Cengizci, A. (2024). Letting AI make decisions for me: An empirical examination of hotel guests’ acceptance of technology agency. International Journal of Contemporary Hospitality Management, 36(3), 946–974. https://doi.org/10.1108/IJCHM-08-2022-1041
- Podsakoff, P. M., MacKenzie, S. B., Lee, J. Y., & Podsakoff, N. P. (2003). Common method biases in behavioral research: A critical review of the literature and recommended remedies. Journal of Applied Psychology, 88(5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879
- Roman, S. (2007). The ethics of online retailers: Its influence on consumers’ satisfaction and loyalty. Journal of Business Ethics, 72(2), 131–148. https://doi.org/10.1007/s10551-006-9165-7
- Toh, R. S., Hu, M. Y., & Withiam, G. (2006). Service-quality dimensions in lodging: An analysis of cross-cultural perceptions. Cornell Hotel and Restaurant Administration Quarterly, 47(4), 346–357. https://doi.org/10.1177/0010880406294481
- Xu, H., Luo, X. R., Carroll, J. M., & Rosson, M. B. (2011). The personalization privacy paradox: An exploratory study of decision making process for location-aware marketing. Decision Support Systems, 51(1), 42–52. https://doi.org/10.1016/j.dss.2010.11.017