Modèle d’instrumentalité de l’IA et de crédibilité de la marque dans la rétention des assistants vocaux

1. Résumé / Abstract

Le modèle d’instrumentalité de l’IA et de crédibilité de la marque dans la rétention des assistants vocaux (AI Instrumentality and Brand Credibility in Voice Assistant Retention—Model), développé par Ezlika Ghazali, Dilip S. Mutum et Na Kai Lun en 2024, constitue un cadre psychométrique et conceptuel avancé conçu pour évaluer et prédire le comportement de continuité d’utilisation (continuance intention) des assistants vocaux fondés sur l’intelligence artificielle (AIVA, pour AI Voice Assistants, tels que Google Assistant, Apple Siri ou Amazon Alexa). Ce modèle opérationnalise une extension sophistiquée du modèle de confirmation des attentes (Expectation-Confirmation Model ou ECM) formulé à l’origine par Bhattacherjee, en y intégrant trois piliers fondamentaux : les traits technologiques individuels de l’utilisateur issus de l’indice de préparation technologique (Technology Readiness Index – TRI), les attributs instrumentaux et anthropomorphiques de l’IA, ainsi que la crédibilité de la marque conceptrice.

L’instrument de mesure initial comprend 63 items traduits et adaptés à partir d’échelles validées de la littérature, administrés selon une échelle de Likert en 7 points allant de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord »). Les dimensions évaluées englobent 17 sous-construits : le caractère innovateur (innovativeness), l’optimisme, l’insécurité, l’inconfort, la confirmation des attentes, la satisfaction globale, l’intention de continuer à utiliser l’outil, l’intelligence perçue du système, l’anthropomorphisme, la précision de l’information, l’exhaustivité informationnelle, l’actualité des données, la flexibilité du système, la fiabilité technique, la ponctualité/rapidité d’exécution, l’expertise perçue de la marque et la confiance accordée à la marque.

L’évaluation psychométrique menée auprès d’utilisateurs adultes a confirmé d’excellentes qualités de mesure au moyen de la modélisation par équations structurelles (PLS-SEM). La fiabilité interne s’avère robuste, avec des coefficients de cohérence composite (CR) et des alphas de Cronbach excédant tous le seuil de 0,70. La validité convergente est démontrée par des variances moyennes extraites (AVE) supérieures à 0,50 pour l’ensemble des construits. La validité discriminante a été rigoureusement attestée à travers le critère du ratio hétérotrait-monotrait (HTMT), dont la majorité des valeurs demeurent sous le seuil strict de 0,75. Après l’élimination de 6 items affichant des saturations factorielles sous-optimales, l’échelle finale de 57 items offre une robustesse prédictive élevée quant à la fidélité et la rétention d’usage des agents conversationnels intelligents.

2. Mots-clés / Keywords

Assistants vocaux intelligents, intelligence artificielle, fidélisation technologique, modèle de confirmation des attentes, crédibilité de la marque, anthropomorphisme, préparation technologique, modélisation par équations structurelles, satisfaction client, psychométrie appliquée, qualité du système, intention d’utilisation continue.

3. Auteurs / Authors

L’élaboration et la validation de ce modèle psychométrique et comportemental résultent des travaux de recherche conduits par :

• Ezlika Ghazali : Faculté de commerce et d’économie (Faculty of Business and Economics), Université de Malaisie (University of Malaya), Kuala Lumpur, Malaisie. Identifiant ORCID : 0000-0001-7824-4433.
• Dilip S. Mutum : École de commerce (School of Business), Monash University Malaysia, Subang Jaya, Malaisie. Identifiant ORCID : 0000-0002-9857-1164. Courriel institutionnel / correspondance : [email protected].
• Na Kai Lun : École de commerce (School of Business), Monash University Malaysia, Subang Jaya, Malaisie.

Adresse de correspondance officielle : Dilip S. Mutum, Monash University Malaysia, School of Business, Jalan Lagoon Selatan, 47500 Bandar Sunway, Selangor Darul Ehsan, Malaisie.

4. Objectif / Purpose

Finalité générale et problématique de recherche

La prolifération des assistants vocaux basés sur l’intelligence artificielle (AIVA) dans la vie quotidienne des consommateurs — intégrés tant dans les téléphones intelligents, les haut-parleurs connectés (smart speakers) que les systèmes embarqués automobiles — a transformé les interactions humain-machine. Néanmoins, l’adoption initiale ne garantit pas la viabilité commerciale ni l’usage soutenu de ces technologies : les taux d’abandon après quelques semaines d’expérimentation demeurent un défi majeur pour les développeurs et les marques technologiques. L’objectif principal de cette échelle est de mesurer, expliquer et modéliser les déterminants psychologiques et technologiques de la rétention d’usage continue (continuance intention) des assistants vocaux intelligents.

Plus précisément, l’instrument vise à combler les lacunes des modèles traditionnels d’acceptation des technologies, tels que le Technology Acceptance Model (TAM) ou le modèle standard d’attente-confirmation (ECM), qui réduisent souvent l’évaluation post-adoption à des perceptions fonctionnelles immédiates (utilité perçue, facilité d’utilisation perçue). L’échelle développée par Ghazali et collaborateurs évalue l’impact combiné de la personnalité technologique de l’utilisateur (propension technologique), des capacités instrumentales de l’agent intelligent (intelligence perçue, anthropomorphisme, qualité de l’information et du système) et, point novateur capital, du rôle modérateur et direct de la crédibilité de la marque émettrice de l’assistant.

Applications académiques et managériales

Dans le domaine académique, cet instrument sert d’outil diagnostique de référence pour disséquer l’interaction complexe entre psychologie cognitive, psychologie sociale des technologies et comportement du consommateur. Il permet d’étudier comment l’anthropomorphisme perçu influence la confirmation des attentes préalables et comment les traits négatifs (insécurité, inconfort) agissent comme des inhibiteurs d’usage régulier.

Sur le plan pratique et industriel, l’échelle fournit aux chefs de produit, designers d’expérience utilisateur (UX) et directeurs de marque une grille d’évaluation empirique détaillée. Elle met en lumière si l’insatisfaction ou l’abandon découle d’un déficit d’exactitude algorithmique (qualité informationnelle), d’une instabilité technique (latence, rigidité logicielle), d’une promesse de marque non tenue (crédibilité compromise) ou de barrières psychologiques liées à l’anxiété technologique des usagers.

5. Construit psychologique / Construct

Le modèle opérationnalise 17 dimensions psychologiques et évaluatives regroupées au sein de quatre sous-systèmes conceptuels interdépendants :

1. Prédispositions technologiques individuelles (Traits TRI)

• Caractère innovateur (Innovativeness) : Tendance intrinsèque d’un individu à être un pionnier technologique, à expérimenter de nouveaux systèmes d’IA vocale avant ses pairs et à en tirer une gratification statutaire ou intellectuelle.
• Optimisme technologique (Optimism) : Vision positive et dispositionnelle selon laquelle les assistants vocaux améliorent l’efficacité, le contrôle et la qualité de la vie quotidienne de l’utilisateur.
• Insécurité technologique (Insecurity) : Méfiance persistante et appréhension quant à la sécurité des données privées, à la surveillance passive et aux risques d’erreurs transactionnelles engendrées par les assistants vocaux.
• Inconfort technologique (Discomfort) : Sentiment de malaise, de surcharge cognitive ou d’incompétence éprouvé face à l’interaction vocale complexe avec une machine, se traduisant par la perception que l’outil est réservé à des experts.

2. Instrumentalité et attributs sociaux de l’IA (AI Instrumentality & Anthropomorphism)

• Intelligence perçue (Intelligence) : Degré auquel l’AIVA fait preuve de capacités cognitives adaptatives, comprenant le langage naturel, le contexte situationnel et fournissant des réponses dénuées de répétitions mécaniques.
• Anthropomorphisme (Anthropomorphism) : Attribution de caractéristiques, d’intentions, de tonalités émotionnelles ou de comportements humains à l’assistant vocal non humain.

3. Qualité perçue de l’information et du système (Modèle DeLone & McLean adapté)

• Exactitude informationnelle (Info Accuracy) : Précision et exactitude factuelle des réponses formulées par l’agent vocal.
• Exhaustivité informationnelle (Info Completeness / Reliability) : Capacité de l’assistant à fournir une information complète, circonstanciée et fiable sans omettre des éléments critiques nécessaires à la prise de décision.
• Actualité des informations (Info Up-to-datedness / Recency) : Disponibilité de données récentes, fraîches et synchronisées en temps réel par l’agent vocal.
• Flexibilité du système (System Flexibility) : Polyvalence de l’assistant vocal à s’adapter à divers types de requêtes, tonalités ou environnements acoustiques.
• Fiabilité du système (System Reliability) : Constance opérationnelle de la plateforme, caractérisée par l’absence de pannes, de plantages logiciels ou de déconnexions intempestives.
• Ponctualité / Rapidité du système (System Timeliness) : Vitesse de traitement et réduction maximale du temps de latence entre la commande vocale de l’utilisateur et l’exécution vocale ou matérielle par l’IA.

4. Crédibilité de la marque et boucle post-adoption (ECM)

• Confiance envers la marque (Brand Trustworthiness) : Conviction de l’utilisateur que l’entreprise détentrice de l’assistant vocal agit avec intégrité, bienveillance et honnêteté dans la gestion des interactions.
• Expertise de la marque (Brand Expertise) : Perception de la compétence technique, des ressources d’ingénierie et de l’autorité technologique de la firme créatrice de l’agent d’IA.
• Confirmation des attentes (Confirmation) : Évaluation comparative post-usage indiquant dans quelle mesure les performances réelles de l’assistant surpassent ou égalent les espérances initiales de l’usager.
• Satisfaction globale (Satisfaction) : État affectif et cognitif positif découlant de l’expérience cumulée d’utilisation de l’assistant vocal.
• Intention d’utilisation continue (Continuance Intention) : Volonté délibérée, stable et durable de poursuivre l’usage fréquent de l’assistant vocal à court, moyen et long terme.

6. Cadre théorique / Theoretical Framework

Le modèle repose sur l’intégration harmonieuse de quatre grands courants théoriques de la psychologie cognitive, de la théorie des organisations et du comportement du consommateur :

1. Le modèle de confirmation des attentes (Bhattacherjee, 2001 ; Oliver, 1980)

Au cœur de l’architecture se situe la théorie de la confirmation des attentes (ECT) issue des travaux de Richard L. Oliver en psychologie du consommateur, adaptée aux systèmes d’information par Anol Bhattacherjee. Selon cette approche, la décision d’un usager de poursuivre l’utilisation d’une technologie n’est pas déterminée par son adoption initiale, mais par son évaluation post-adoption. L’écart entre les attentes antérieures et les performances perçues produit un état psychologique de confirmation (positive ou négative). Cette confirmation gouverne la satisfaction, qui agit à son tour comme le déterminant proximal immédiat de l’intention de continuer à employer le dispositif technologique.

2. L’indice de préparation technologique (TRI ; Parasuraman, 2000)

Afin de modéliser les disparités interindividuelles, les auteurs intègrent le cadre du Technology Readiness Index formalisé par A. Parasuraman et enrichi par Parasuraman et Colby. Ce paradigme postule que les individus possèdent un ensemble de croyances technologiques stables structurées en deux forces antagonistes : des moteurs (optimisme et esprit novateur), qui encouragent l’acceptation et l’indulgence face aux technologies émergentes, et des inhibiteurs (inconfort et insécurité), qui amplifient la frustration et le scepticisme lors des interactions avec l’IA.

3. Le modèle de succès des systèmes d’information (DeLone & McLean, 2003)

Pour capturer précisément l’instrumentalité technologique, Ghazali et ses collègues s’appuient sur la taxonomie actualisée de William H. DeLone et Ephraim R. McLean. Ce modèle démontre que la qualité de l’information (exactitude, complétude, actualité) et la qualité du système (flexibilité, fiabilité, rapidité) génèrent directement la valeur perçue et influencent la confirmation des attentes cognitives de l’utilisateur final.

4. La théorie de la crédibilité de la marque et la théorie du signal (Erdem & Swait, 1998, 2004)

En contexte d’incertitude technologique et d’asymétrie d’information inhérentes à l’opacité des algorithmes d’apprentissage automatique, les utilisateurs s’en remettent à des signaux de confiance extrinsèques. S’appuyant sur la théorie du signal (Spence, 1973) et les travaux fondateurs de Tülin Erdem et Joffre Swait sur le capital de marque, les auteurs postulent que la crédibilité de la marque — décomposée en crédibilité d’expertise et crédibilité d’intégrité (trustworthiness) — agit comme une garantie psychologique majeure renforçant la confirmation et la fidélité de l’usager.

7. Validité / Validity

Les caractéristiques métrologiques du modèle ont fait l’objet d’un examen empirique approfondi par modélisation d’équations structurelles basée sur les moindres carrés partiels (PLS-SEM) :

Validité convergente

La validité convergente évalue la cohérence interne avec laquelle les indicateurs manifestes mesurent leur variable latente respective. Elle a été établie conformément aux normes de Fornell et Larcker (1981) et Hair et al. :

• Toutes les valeurs de variance moyenne extraite (AVE) se sont situées confortablement au-dessus du seuil standard de 0,50, confirmant que chaque construit latent capture plus de la moitié de la variance de ses indicateurs respectifs.
• Les saturations factorielles externes (outer loadings) des items conservés ont largement dépassé le plancher recommandé de 0,70 (p < 0,001).

Validité discriminante

La distinction empirique entre les 17 dimensions a été validée selon deux protocoles rigoureux :

• Le critère traditionnel de Fornell-Larcker : pour chaque construit, la racine carrée de l’AVE s’est avérée supérieure aux corrélations inter-construits associées.
• Le ratio Hétérotrait-Monotrait (HTMT) : méthodologie contemporaine plus stricte préconisée par Henseler et al. Toutes les valeurs du ratio HTMT étaient significativement inférieures au seuil conservateur de 0,85, et la vaste majorité s’est située sous 0,75, prouvant une divergence psychométrique indiscutable entre les facettes instrumentales, attitudinales et de marque.

Contrôle du biais de méthode commune (CMB)

En raison du recueil de données par auto-questionnaire unique, le risque de biais de méthode commune a été testé via l’approche de la variable marqueur (marker variable approach). La comparaison des modèles avec et sans variable marqueur a révélé une fluctuation infime du coefficient de détermination de la variable endogène (le R² de l’intention de continuer a oscillé de 0,489 à 0,493, soit une variation delta négligeable de 0,004), confirmant l’absence de distorsion méthodologique préjudiciable aux résultats.

8. Fidélité / Reliability

La consistance interne de l’ensemble des échelles et sous-échelles a été quantifiée au moyen de deux estimateurs complémentaires : l’alpha de Cronbach (α) et la fiabilité composite (Composite Reliability – CR).

• Fiabilité composite (CR) : Toutes les valeurs de CR pour l’ensemble des 17 construits ont excédé le seuil conventionnel de 0,70, avec la plupart des construits majeurs (notamment la satisfaction, l’intention de continuité, l’exactitude de l’information et la crédibilité de la marque) affichant des indices de fiabilité composite compris entre 0,85 et 0,94. Cela témoigne d’une excellente consistance interne des indicateurs sélectionnés.
• Alpha de Cronbach (α) : Chacun des sous-construits a atteint un alpha supérieur à 0,70, confirmant l’homogénéité unidimensionnelle des blocs d’items au sein de leurs domaines respectifs.

Ces résultats statistiques démontrent que l’instrument bénéficie d’une stabilité métrologique élevée exempte d’erreurs aléatoires de mesure significatives.

9. Analyse factorielle / Factor Analysis

L’évaluation du modèle de mesure a été exécutée selon une approche PLS-SEM (Partial Least Squares Structural Equation Modeling), privilégiée en raison de la complexité du réseau nomologique (17 construits, relations directes et médiations multiples) et de l’objectif prédictif de l’étude.

Purification de l’instrument et saturations factorielles

Au cours de l’évaluation préliminaire des poids factoriels externes (outer loadings), la règle de décision imposait une valeur minimale de 0,708 afin d’assurer qu’au moins 50 % de la variance de l’item soit partagée avec le construit. Cette étape d’analyse a conduit à l’identification et au retrait de six items sous-performants présentant soit une charge factorielle insuffisante, soit une instabilité résiduelle :

• INS1 et INS4 (Sous-échelle Insécurité technologique)
• DIS1 (Sous-échelle Inconfort technologique)
• SYT1 (Sous-échelle Ponctualité / Rapidité du système)
• INA2 (Sous-échelle Exactitude informationnelle)
• BT2 (Sous-échelle Confiance envers la marque)

Après l’élimination de ces six indicateurs, les 57 items restants ont manifesté des saturations factorielles standardisées robustes, oscillant entre 0,72 et 0,92, toutes statistiquement significatives à p < 0,001. La structure factorielle finale présente un ajustement optimal sans effet de redondance ni de colinéarité excessive (les facteurs d’inflation de la variance, VIF, demeurant tous inférieurs aux seuils critiques de 3,3 à 5,0).

10. Instrument de mesure / Instrument

L’inventaire psychométrique présente les spécifications opérationnelles suivantes :

• Type de test : Questionnaire psychométrique standardisé / Inventaire d’attitudes technologiques et de comportements du consommateur.
• Format d’administration : Questionnaire auto-administré, disponible en format numérique en ligne ou sur support papier-crayon.
• Population cible : Adultes (18 ans et plus), jeunes adultes (18-29 ans) et usagers confirmés de technologies conversationnelles d’IA.
• Nombre total d’items :
  • Version initiale : 63 items.
  • Version finale purifiée et validée : 57 items.
• Échelle de réponse : Échelle de Likert à 7 points :
  • 1 = Tout à fait en désaccord (Strongly Disagree)
  • 2 = En désaccord (Disagree)
  • 3 = Plutôt en désaccord (Somewhat Disagree)
  • 4 = Neutre / Ni en accord ni en désaccord (Neutral)
  • 5 = Plutôt d’accord (Somewhat Agree)
  • 6 = D’accord (Agree)
  • 7 = Tout à fait d’accord (Strongly Agree)
• Cotation et calcul des scores : Les scores de chaque sous-dimension sont obtenus en calculant la moyenne arithmétique simple ou le score pondéré des variables latentes issu des algorithmes PLS-SEM. Aucun item inversé n’est agrégé directement avec les dimensions positives sans recodage préalable (notamment pour l’insécurité et l’inconfort qui constituent des construits distincts et non de simples pôles inversés).

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

• Année d’introduction officielle : 2024.
• Statut juridique et droits d’auteur : Les droits fondamentaux du modèle conceptuel et de sa formulation initiale sont détenus par les auteurs (Ghazali, Mutum et Lun) ainsi que par la maison d’édition scientifique concernée.
• Tarification : L’utilisation du cadre d’évaluation à des fins purement académiques, universitaires ou de recherche scientifique non commerciale est accessible gratuitement selon les règles usuelles de citation (fair academic use).
• Procédure de demande d’autorisation : Toute réutilisation intégrale de l’échelle dans un contexte commercial, d’audit d’entreprise ou de publication propriétaire requiert une consultation préalable et l’accord exprès de l’auteur de correspondance, le Dr Dilip S. Mutum ([email protected]), ainsi que le respect des conditions de licence de l’éditeur scientifique.

12. Références / References

Les sources académiques et fondements théoriques de cet instrument sont répertoriés ci-dessous conformément aux normes APA 7^e édition :

• Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS Quarterly, 25(3), 351–370. https://doi.org/10.2307/3250921
• DeLone, W. H., & McLean, E. R. (2003). The DeLone and McLean model of information systems success: A ten-year update. Journal of Management Information Systems, 19(4), 9–30. https://doi.org/10.1080/07421222.2003.11045748
• Erdem, T., & Swait, J. (1998). Brand equity as a signaling phenomenon. Journal of Consumer Psychology, 7(2), 131–157. https://doi.org/10.1207/s15327663jcp0702_02
• Erdem, T., & Swait, J. (2004). Brand credibility, brand consideration, and choice. Journal of Consumer Research, 31(1), 191–198. https://doi.org/10.1086/383434
• 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
• Ghazali, E., Mutum, D. S., & Lun, N. K. (2024). Expectations and beyond: The nexus of AI instrumentality and brand credibility in voice assistant retention using extended expectation-confirmation model. Middle Western Psychological Research Journal, 23(2), 655–675. https://doi.org/10.1002/cb.2228
• 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
• Oliver, R. L. (1980). A cognitive model of the antecedents and consequences of satisfaction decisions. Journal of Marketing Research, 17(4), 460–469. https://doi.org/10.1177/002224378001700405
• Parasuraman, A. (2000). Technology Readiness Index (TRI): A multiple-item scale to measure readiness to embrace new technologies. Journal of Service Research, 2(4), 307–320. https://doi.org/10.1177/109467050024001
• Parasuraman, A., & Colby, C. L. (2015). An updated and streamlined technology readiness index: TRI 2.0. Journal of Service Research, 18(1), 59–74. https://doi.org/10.1177/1094670514539730
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.

13. Questions et items du questionnaire / Scale Items

Les items officiels constitutifs de cette échelle sont protégés par le droit d’auteur scientifique et ont été adaptés à partir de travaux référencés pour le contexte exclusif des assistants vocaux intelligents (AIVA). Conformément aux lois sur la propriété intellectuelle et aux standards éthiques de publication, l’inventaire littéral complet ne peut être reproduit intégralement ici sans autorisation explicite de l’éditeur et des auteurs.