L’\u00c9chelle des capacit\u00e9s en intelligence artificielle<\/strong> (AI Capabilities Scale<\/em>, ou AICAP<\/strong>), d\u00e9velopp\u00e9e par Mohamad Abou-Foul, Jose L. Ruiz-Alba et Pablo J. L\u00f3pez-Tenorio (2023)<\/a>, constitue un instrument psychom\u00e9trique et organisationnel novateur con\u00e7u pour mesurer de mani\u00e8re holistique les capacit\u00e9s associ\u00e9es aux technologies d’intelligence artificielle au sein des entreprises. \u00c9labor\u00e9e dans le contexte sp\u00e9cifique de la transformation num\u00e9rique industrielle et de la servitisation manufacturi\u00e8re, l’AICAP d\u00e9passe les conceptualisations purement technologiques ou algorithmiques de l’IA. Elle ancre l’\u00e9valuation des comp\u00e9tences en IA au confluent de l’innovation du mod\u00e8le d’affaires, du management des syst\u00e8mes d’information et des sciences informatiques appliqu\u00e9es.<\/p>\n L’\u00e9chelle finale comporte 17 items<\/strong> r\u00e9partis en quatre dimensions<\/strong> conceptuellement distinctes et compl\u00e9mentaires :<\/p>\n L’administration de l’instrument s’effectue par auto-\u00e9valuation sur une \u00e9chelle de Likert<\/a> en 5 points, allant de 1 (\u00ab Pas du tout d’accord \u00bb) \u00e0 5 (\u00ab Tout \u00e0 fait d’accord \u00bb). La d\u00e9marche m\u00e9thodologique de conception s’est appuy\u00e9e sur le protocole rigoureux C-OAR-SE<\/strong> (Rossiter, 2002<\/a>), garantissant une validit\u00e9 de contenu irr\u00e9prochable d\u00e8s la phase de d\u00e9finition des construits et d’attribution des descripteurs.<\/p>\n Les propri\u00e9t\u00e9s psychom\u00e9triques de l’AICAP ont \u00e9t\u00e9 \u00e9valu\u00e9es aupr\u00e8s de cadres dirigeants et de gestionnaires d’entreprises manufacturi\u00e8res \u00e9tablies aux \u00c9tats-Unis et dans l’Union europ\u00e9enne. L’analyse factorielle exploratoire (AFE), combin\u00e9e \u00e0 une factorisation sur axe principal et rotation oblique Promax, a corrobor\u00e9 la solution th\u00e9orique \u00e0 quatre facteurs (saturations factorielles sup\u00e9rieures au seuil de 0,60). L’analyse factorielle confirmatoire (AFC) a attest\u00e9 d’indices d’ajustement robustes apr\u00e8s la purge de trois items affichant des indices de modification excessifs. La validit\u00e9 convergente est confirm\u00e9e par une variance moyenne extraite (AVE) exc\u00e9dant le standard de 0,50 pour l’ensemble des construits, tandis que la validit\u00e9 discriminante respecte les crit\u00e8res stricts de Henseler et al. (2015) et de Fornell-Larcker, avec des corr\u00e9lations moyennes inter-construits syst\u00e9matiquement inf\u00e9rieures \u00e0 0,85. Enfin, la consistance interne de chaque sous-dimension d\u00e9montre une excellente fiabilit\u00e9, avec des coefficients de coh\u00e9rence interne (alpha de Cronbach) surpassant le seuil r\u00e9glementaire de 0,70. L’AICAP s’impose ainsi comme une \u00e9chelle de r\u00e9f\u00e9rence pour les chercheurs en gestion strat\u00e9gique, psychologie organisationnelle et ing\u00e9nierie des syst\u00e8mes d\u00e9cisionnels.<\/p>\n Capacit\u00e9s en intelligence artificielle, \u00c9chelle AICAP, Th\u00e9orie des capacit\u00e9s dynamiques, Servitisation manufacturi\u00e8re, Proposition de valeur client, Optimisation des processus, Psychom\u00e9trie organisationnelle, Mod\u00e8le d’affaires, Responsabilit\u00e9 soci\u00e9tale des entreprises, Mod\u00e9lisation par \u00e9quations structurelles.<\/p>\n L’\u00e9chelle des capacit\u00e9s en intelligence artificielle (AICAP) a \u00e9t\u00e9 con\u00e7ue et valid\u00e9e par une \u00e9quipe internationale de chercheurs affili\u00e9s \u00e0 des institutions acad\u00e9miques de premier plan en sciences de gestion et en marketing strat\u00e9gique :<\/p>\n L’av\u00e8nement de la quatri\u00e8me r\u00e9volution industrielle a profond\u00e9ment transform\u00e9 le paysage \u00e9conomique contemporain en conf\u00e9rant aux algorithmes avanc\u00e9s, \u00e0 l’apprentissage automatique (machine learning<\/a>) et \u00e0 l’analytique pr\u00e9dictive un statut de catalyseurs strat\u00e9giques fondamentaux. Pourtant, malgr\u00e9 une abondance de discours manag\u00e9riaux vantant les m\u00e9rites de l’intelligence artificielle, les sciences organisationnelles ont longtemps souffert d’une lacune \u00e9pist\u00e9mologique majeure : l’absence d’un instrument de mesure standardis\u00e9, valid\u00e9 empiriquement et capable d’\u00e9valuer la profondeur et la transversalit\u00e9 de l’int\u00e9gration de l’IA au sein de l’architecture d’entreprise. L’objectif premier de l’instrument AICAP<\/strong> d\u00e9velopp\u00e9 par Abou-Foul et ses collaborateurs (2023) est de combler cette br\u00e8che en fournissant un outil diagnostique et analytique hautement calibr\u00e9.<\/p>\n Sur le plan conceptuel, l’\u00e9chelle transcende les approches r\u00e9ductrices qui assimilent les capacit\u00e9s d’IA \u00e0 de simples dotations technologiques, \u00e0 des parcs informatiques ou \u00e0 l’acquisition de logiciels tiers. Les auteurs con\u00e7oivent l’IA comme une m\u00e9ta-capacit\u00e9 d’entreprise, enracin\u00e9e dans la r\u00e9ing\u00e9nierie du mod\u00e8le d’affaires, l’innovation collaborative, l’ordonnancement intelligent des ressources et l’\u00e9thique soci\u00e9tale. D\u00e8s lors, l’instrument ne cherche pas \u00e0 inventorier les algorithmes d\u00e9tenus, mais \u00e0 quantifier la propension effective d’une organisation \u00e0 mobiliser, combiner et orchestrer ses comp\u00e9tences analytiques afin de g\u00e9n\u00e9rer une valeur sup\u00e9rieure pour l’ensemble des parties prenantes (clients, collaborateurs, cha\u00eenes de valeur et soci\u00e9t\u00e9 civile).<\/p>\n Sur le versant pratique et appliqu\u00e9, l’\u00e9chelle r\u00e9pond \u00e0 des finalit\u00e9s multiples tant dans le domaine de la recherche acad\u00e9mique que dans celui de la consultation et de la direction d’entreprise :<\/p>\n En somme, l’AICAP formalise un cadre d’observation standardis\u00e9 autorisant la comparaison inter-entreprises (benchmarking<\/em>) et l’analyse longitudinale des trajectoires d’apprentissage technologique au sein des \u00e9cosyst\u00e8mes industriels complexes.<\/p>\n Le construit psychologique et organisationnel des Capacit\u00e9s en Intelligence Artificielle<\/em> mesur\u00e9 par l’AICAP est op\u00e9rationnalis\u00e9 comme un m\u00e9ta-construit multidimensionnel de second ordre, structur\u00e9 autour de quatre piliers fondamentaux. Chacune de ces sous-dimensions capture une sph\u00e8re d’action d\u00e9terminante o\u00f9 les technologies intelligentes transforment les sch\u00e9mas d’interaction, de traitement de l’information et de prise de d\u00e9cision :<\/p>\n Cette premi\u00e8re dimension (4 items) \u00e9value l’aptitude organisationnelle \u00e0 d\u00e9ployer des algorithmes d’apprentissage statistique et d’analyse de donn\u00e9es massives afin de remodeler l’exp\u00e9rience client et de co-cr\u00e9er une valeur personnalis\u00e9e. Elle mesure l’aptitude de l’entreprise \u00e0 d\u00e9passer la simple commercialisation de produits physiques par l’int\u00e9gration continue de solutions de maintenance pr\u00e9dictive, d’assistance proactive et de tarification dynamique optimis\u00e9e.<\/p>\n Exemples concrets d’application :<\/em> Utilisation de donn\u00e9es t\u00e9l\u00e9m\u00e9triques transmises par des capteurs embarqu\u00e9s sur des machines industrielles afin de diagnostiquer les pannes avant leur survenue critique ; recours \u00e0 la science des donn\u00e9es pour calculer la dur\u00e9e de garantie optimale pour chaque segment client en fonction de l’intensit\u00e9 d’usage r\u00e9elle ; mise en place de mod\u00e8les de machine learning<\/em> permettant d’ajuster dynamiquement les devis commerciaux en fonction de la disponibilit\u00e9 des capacit\u00e9s de production et du profil de risque du contractant.<\/p>\n La deuxi\u00e8me sous-\u00e9chelle (6 items) s’int\u00e9resse \u00e0 la rationalisation et \u00e0 l’automatisation cognitive des flux op\u00e9rationnels internes de l’entreprise. L’accent est mis ici sur la conversion de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes en d\u00e9cisions op\u00e9rationnelles autonomes ou semi-autonomes, r\u00e9parties entre la pr\u00e9vision de la demande, la gestion des stocks, la robotique avanc\u00e9e et l’assistance relationnelle.<\/p>\n Exemples concrets d’application :<\/em> Int\u00e9gration d’agents conversationnels intelligents (chatbots dot\u00e9s de traitement du langage naturel<\/a>) dans les logiciels de gestion de la relation client (CRM) ; utilisation de la vision par ordinateur (machine vision<\/em>) et de l’analytique en p\u00e9riph\u00e9rie (edge analytics<\/em>) directement sur les lignes de production afin d’identifier les micro-d\u00e9fauts de fabrication en temps r\u00e9el et de maximiser le rendement mati\u00e8re ; mobilisation d’algorithmes de fouille de donn\u00e9es (data mining<\/em>) pour concevoir la nomenclature produit (bill of materials<\/em>) et acc\u00e9l\u00e9rer les cycles de recherche et d\u00e9veloppement.<\/p>\n Compos\u00e9e de 4 items, cette troisi\u00e8me dimension \u00e9value l’efficacit\u00e9 avec laquelle la firme exploite l’analytique avanc\u00e9e pour allouer, s\u00e9curiser et calibrer ses actifs mat\u00e9riels, immat\u00e9riels et humains les plus critiques. Elle traduit la capacit\u00e9 de l’entreprise \u00e0 maintenir un \u00e9quilibre dynamique au sein de ses infrastructures logistiques et informationnelles.<\/p>\n Exemples concrets d’application :<\/em> Exploitation d’entrep\u00f4ts de donn\u00e9es unifi\u00e9s (unified data warehouses<\/em>) pour scruter le comportement des cha\u00eenes d’approvisionnement mondiales et s\u00e9lectionner les fournisseurs au co\u00fbt le plus avantageux ; d\u00e9ploiement d’outils analytiques pr\u00e9dictifs pour planifier la charge de travail du personnel, anticiper les besoins en comp\u00e9tences et pr\u00e9venir l’\u00e9puisement professionnel ; recours \u00e0 des syst\u00e8mes d’intelligence artificielle d\u00e9di\u00e9s \u00e0 la cybers\u00e9curit\u00e9 d\u00e9fensive, capables de rep\u00e9rer les intrusions furtives et d’isoler instantan\u00e9ment les segments r\u00e9seau compromis.<\/p>\n La quatri\u00e8me composante (3 items) refl\u00e8te l’int\u00e9gration \u00e9thique et soci\u00e9tale des syst\u00e8mes d’IA, mesurant comment la puissance de calcul avanc\u00e9e est mise au service de la durabilit\u00e9 environnementale, de la s\u00e9curit\u00e9 des travailleurs et du progr\u00e8s soci\u00e9tal au sens large. Cette dimension rompt d\u00e9finitivement avec les mod\u00e8les traditionnels purement technocentr\u00e9s en int\u00e9grant les principes de la responsabilit\u00e9 sociale des entreprises (RSE) dans le c\u0153ur algorithmique.<\/p>\n Exemples concrets d’application :<\/em> Entra\u00eenement de syst\u00e8mes de vision artificielle pour veiller au port effectif des \u00e9quipements de protection individuelle et d\u00e9tecter les postures ergonomiques dangereuses sur les ateliers industriels ; utilisation de l’apprentissage par renforcement profond (deep reinforcement learning<\/em>) pour r\u00e9guler en continu les flux thermiques et la d\u00e9pense \u00e9nerg\u00e9tique d’usines lourdes, r\u00e9duisant ainsi drastiquement l’empreinte carbone et les rejets polluants ; fourniture aux clients de bilans \u00e9cologiques automatis\u00e9s ciblant la d\u00e9carbonation op\u00e9rationnelle.<\/p>\n L’assise th\u00e9orique de l’\u00e9chelle AICAP est principalement ancr\u00e9e dans la Perspective des Capacit\u00e9s Dynamiques<\/strong> (Dynamic Capabilities Perspective<\/em>), enrichie par la Th\u00e9orie des Ressources<\/strong> (Resource-Based View<\/em>, RBV) et le concept de Capacit\u00e9 d’Absorption<\/strong> des connaissances organisationnelles :<\/p>\n D\u00e9velopp\u00e9e initialement par David Teece et ses coll\u00e8gues, cette approche postule que pour maintenir un avantage concurrentiel durable dans des environnements marqu\u00e9s par des turbulences rapides et l’innovation de rupture, les organisations doivent poss\u00e9der des routines d’ordre sup\u00e9rieur leur permettant de \u00ab d\u00e9tecter \u00bb (sense<\/em>), de \u00ab saisir \u00bb (seize<\/em>) et de \u00ab transformer \u00bb (transform<\/em>) leurs configurations de ressources. Dans le cadre de l’\u00e9chelle AICAP, l’intelligence artificielle n’est pas trait\u00e9e comme une ressource passive ou statique, mais pr\u00e9cis\u00e9ment comme une capacit\u00e9 dynamique orchestr\u00e9e. L’IA permet \u00e0 l’organisation d’explorer de nouvelles opportunit\u00e9s de march\u00e9 par l’\u00e9coute du client (dimension Proposition de valeur), d’aligner en continu ses op\u00e9rations internes (dimension Processus), de reconfigurer sa base d’actifs (dimension Ressources) et de r\u00e9pondre aux pressions institutionnelles grandissantes vers la durabilit\u00e9 (dimension Soci\u00e9tale).<\/p>\n La th\u00e9orie des ressources (Resource-Based View<\/a>) enseigne qu’un avantage comp\u00e9titif p\u00e9renne d\u00e9coule de ressources pr\u00e9sentant les attributs VRIN (valables, rares, inimitables et non-substituables). Si les algorithmes standards et les infrastructures d’h\u00e9bergement en nuage (cloud) sont aujourd’hui devenus des commodit\u00e9s largement accessibles sur le march\u00e9, la capacit\u00e9 organisationnelle sociotechnique \u00e0 hybrider ces technologies avec l’exp\u00e9rience m\u00e9tier des \u00e9quipes, les processus internes et les routines d’innovation repr\u00e9sente un actif unique et complexe, hautement prot\u00e9g\u00e9 par l’ambigu\u00eft\u00e9 causale.<\/p>\n La mod\u00e9lisation empirique sous-tendant la publication originale de l’AICAP (Abou-Foul et al., 2023<\/a>) introduit la capacit\u00e9 d’absorption comme une variable mod\u00e9ratrice cl\u00e9. Cette th\u00e9orie stipule que le potentiel d’une entreprise \u00e0 exploiter des connaissances externes d\u00e9pend de ses comp\u00e9tences pr\u00e9alables \u00e0 identifier, assimiler, transformer et appliquer ce savoir nouveau. Les capacit\u00e9s d’IA ne peuvent prosp\u00e9rer dans un vide cognitif : leur conversion en performance ou en offres de services servitis\u00e9es exige un terreau de comp\u00e9tences manag\u00e9riales et analytiques pr\u00e9existantes.<\/p>\n Pour s’affranchir des biais traditionnels de la psychom\u00e9trie classique (tels que la sur-d\u00e9pendance aux analyses factorielles a posteriori au d\u00e9triment de la clart\u00e9 conceptuelle), les concepteurs de l’AICAP ont adopt\u00e9 le protocole syst\u00e9matique C-OAR-SE<\/strong> formul\u00e9 par John Rossiter. Cette d\u00e9marche rigoureuse impose six \u00e9tapes s\u00e9quentielles :<\/p>\n La validit\u00e9 psychom\u00e9trique de l’\u00e9chelle AICAP a fait l’objet d’une batterie d’analyses quantitatives approfondies men\u00e9es sur un \u00e9chantillon d’entreprises manufacturi\u00e8res situ\u00e9es aux \u00c9tats-Unis et dans l’Union europ\u00e9enne, conform\u00e9ment aux standards les plus rigoureux de la recherche en sciences de gestion (Bagozzi & Yi, 1988<\/a> ; Hair et al., 2019) :<\/p>\n La validit\u00e9 de contenu a \u00e9t\u00e9 initialement verrouill\u00e9e par la proc\u00e9dure C-OAR-SE et corrobor\u00e9e par un panel d’universitaires et d’experts industriels sp\u00e9cialis\u00e9s dans l’ing\u00e9nierie des syst\u00e8mes d\u00e9cisionnels. Ces sp\u00e9cialistes ont proc\u00e9d\u00e9 \u00e0 un examen critique de la clart\u00e9 s\u00e9mantique, de la repr\u00e9sentativit\u00e9 et de la pertinence de chaque \u00e9nonc\u00e9 vis-\u00e0-vis des r\u00e9alit\u00e9s op\u00e9rationnelles contemporaines des usines et cha\u00eenes logistiques num\u00e9ris\u00e9es.<\/p>\n La validit\u00e9 convergente renvoie au degr\u00e9 auquel les indicateurs empiriques d’un construit th\u00e9orique partagent une part substantielle de variance commune. Dans l’AICAP, elle a \u00e9t\u00e9 formellement valid\u00e9e par le calcul de la variance moyenne extraite<\/strong> (Average Variance Extracted<\/em>, AVE) pour chacune des quatre sous-dimensions. Conform\u00e9ment aux crit\u00e8res de Bagozzi et Yi (1988), un construit pr\u00e9sente une validit\u00e9 convergente satisfaisante lorsque l’AVE d\u00e9passe le seuil critique de 0,50<\/strong>. Cette condition indique que plus de 50 % de la variance des items d\u00e9coule du construit latent plut\u00f4t que de l’erreur de mesure. Dans l’\u00e9chantillon de validation, l’ensemble des sous-\u00e9chelles de l’AICAP a affich\u00e9 des valeurs d’AVE confortablement sup\u00e9rieures \u00e0 ce seuil plancher.<\/p>\n La validit\u00e9 discriminante certifie qu’un construit donn\u00e9 se distingue empiriquement des autres construits avec lesquels il ne devrait pas th\u00e9oriquement se confondre. Deux m\u00e9thodes statistiques compl\u00e9mentaires ont \u00e9t\u00e9 mobilis\u00e9es :<\/p>\n Dans l’article matriciel d’Abou-Foul et al. (2023), la validit\u00e9 de crit\u00e8re (ou validit\u00e9 nomologique) a \u00e9t\u00e9 d\u00e9montr\u00e9e par l’insertion de l’AICAP au sein d’un mod\u00e8le d’\u00e9quations structurelles pr\u00e9disant le succ\u00e8s de la servitisation industrielle. Les r\u00e9sultats ont mis en \u00e9vidence un impact pr\u00e9dictif direct, positif et statistiquement significatif des capacit\u00e9s d’IA sur le d\u00e9veloppement d’offres de services \u00e0 haute valeur ajout\u00e9e, ainsi qu’une interaction mod\u00e9ratrice d\u00e9terminante avec la capacit\u00e9 d’absorption des connaissances au sein de la firme.<\/p>\n La fid\u00e9lit\u00e9 d’une \u00e9chelle psychom\u00e9trique refl\u00e8te sa stabilit\u00e9, sa coh\u00e9rence interne et son immunit\u00e9 face aux fluctuations al\u00e9atoires de mesure. L’\u00e9valuation de la fiabilit\u00e9 de l’AICAP a repos\u00e9 sur deux indicateurs majeurs :<\/p>\n La consistance interne examine le degr\u00e9 d’homog\u00e9n\u00e9it\u00e9 avec lequel les diff\u00e9rents items d’une m\u00eame sous-\u00e9chelle mesurent le m\u00eame construit. Traditionnellement, un coefficient alpha de Cronbach<\/a> ($\\alpha$<\/span>) \u00e9gal ou sup\u00e9rieur \u00e0 0,70 est jug\u00e9 satisfaisant pour la recherche fondamentale et appliqu\u00e9e (Kline, 2014<\/a> ; Nunnally & Bernstein, 1994). Pour les quatre sous-\u00e9chelles de l’AICAP, les indices calcul\u00e9s d\u00e9passent tous ce palier :<\/p>\n Contrairement \u00e0 l’alpha de Cronbach qui suppose implicitement une \u00e9quivalence tau (c’est-\u00e0-dire des saturations factorielles strictement identiques pour chaque item), la fiabilit\u00e9 composite (Rh\u00f4 de J\u00f6reskog) prend en compte les poids r\u00e9els de chaque variable observ\u00e9e. Dans l’ensemble des mod\u00e9lisations structurelles associ\u00e9es \u00e0 l’AICAP, la fiabilit\u00e9 composite de chaque dimension a largement d\u00e9pass\u00e9 le seuil d’admissibilit\u00e9 de 0,70, renfor\u00e7ant la conclusion que l’erreur de mesure al\u00e9atoire demeure marginale.<\/p>\n Bien que les protocoles de test-retest longitudinaux sur plusieurs ann\u00e9es demeurent \u00e0 d\u00e9velopper (en raison de l’\u00e9volution rapide intrins\u00e8que aux technologies d’IA), la r\u00e9plication des patterns de consistance interne entre les sous-\u00e9chantillons d’entreprises am\u00e9ricaines et europ\u00e9ennes plaide pour une stabilit\u00e9 structurelle et une \u00e9quivalence transculturelle solide du bar\u00e8me de notation.<\/p>\n La structure factorielle de l’instrument a \u00e9t\u00e9 \u00e9tablie au moyen d’un processus s\u00e9quentiel en deux phases, conjuguant analyse factorielle exploratoire (AFE) puis analyse factorielle confirmatoire (AFC) :<\/p>\n L’AFE a \u00e9t\u00e9 entreprise pour sonder la dimensionnalit\u00e9 intrins\u00e8que de l’inventaire pr\u00e9liminaire d’items :<\/p>\n L’analyse factorielle confirmatoire (AFC) a \u00e9t\u00e9 men\u00e9e pour tester formellement la qualit\u00e9 de l’ajustement du mod\u00e8le de mesure aux donn\u00e9es observ\u00e9es :<\/p>\n Les caract\u00e9ristiques structurelles et administratives de l’instrument AICAP sont synth\u00e9tis\u00e9es ci-dessous :<\/p>\n Les r\u00e9f\u00e9rences m\u00e9thodologiques et th\u00e9oriques ci-apr\u00e8s fondent le d\u00e9veloppement, l’ancrage conceptuel et la validation psychom\u00e9trique de l’AICAP :<\/p>\n Instructions for respondents:<\/strong>\n
2. Mots-cl\u00e9s \/ Keywords<\/h2>\n
3. Auteurs \/ Authors<\/h2>\n
\n
4. Objectif \/ Purpose<\/h2>\n
\n
5. Construit psychologique \/ Construct<\/h2>\n
1. Proposition de valeur client bas\u00e9e sur l’IA (AI Customer Value Proposition)<\/h3>\n
2. Optimisation des processus cl\u00e9s par l’IA (AI Key Processes Optimization)<\/h3>\n
3. Optimisation des ressources cl\u00e9s par l’IA (AI Key Resources Optimization)<\/h3>\n
4. Bien soci\u00e9tal soutenu par l’IA (AI Societal Good)<\/h3>\n
6. Cadre th\u00e9orique \/ Theoretical Framework<\/h2>\n
1. La perspective des capacit\u00e9s dynamiques (Teece, Pisano & Shuen, 1997)<\/h3>\n
2. La th\u00e9orie des ressources et comp\u00e9tences (Barney, 1991)<\/h3>\n
3. La capacit\u00e9 d’absorption (Cohen & Levinthal, 1990 ; Zahra & George, 2002)<\/h3>\n
4. Le cadre m\u00e9thodologique C-OAR-SE (Rossiter, 2002)<\/h3>\n
\n
7. Validit\u00e9 \/ Validity<\/h2>\n
1. Validit\u00e9 de contenu et validit\u00e9 faciale<\/h3>\n
2. Validit\u00e9 convergente<\/h3>\n
3. Validit\u00e9 discriminante<\/h3>\n
\n
4. Validit\u00e9 nomologique et pr\u00e9dictive<\/h3>\n
8. Fid\u00e9lit\u00e9 \/ Reliability<\/h2>\n
1. Consistance interne (Alpha de Cronbach)<\/h3>\n
\n
2. Fiabilit\u00e9 composite (Composite Reliability – CR)<\/h3>\n
3. Invariance et stabilit\u00e9 de la mesure<\/h3>\n
9. Analyse factorielle \/ Factor Analysis<\/h2>\n
1. Analyse factorielle exploratoire (AFE)<\/h3>\n
\n
2. Analyse factorielle confirmatoire (AFC) et \u00e9puration du mod\u00e8le<\/h3>\n
\n
10. Instrument de mesure \/ Instrument<\/h2>\n
\n
\n
\n
11. Permissions, Tarifs et Ann\u00e9e du test \/ Permissions & Fee and Test Year<\/h2>\n
\n
12. R\u00e9f\u00e9rences \/ References<\/h2>\n
\n
13. Questions et items du questionnaire \/ Scale Items<\/h2>\n
\n Please indicate your level of agreement with each of the following statements regarding the adoption, use, and implementation of artificial intelligence capabilities within your company.
\n All 17 items of the AICAP scale are measured using a 5-point Likert scale. The response options are:<\/p>\n\n
Subscale 1: AI Customer Value Proposition<\/h3>\n
\n