Intelligence du produit (Autonomie) (PI)

1. Résumé / Abstract

L’échelle d’évaluation de l’autonomie au sein de l’intelligence du produit (« Product Intelligence – Autonomy », PI), développée par Rijsdijk, Hultink et Diamantopoulos (2007), constitue un instrument psychométrique pionnier conçu pour quantifier la perception par les consommateurs de la capacité d’un produit technologique à opérer de manière indépendante et finalisée, sans intervention humaine directe. Composée de 4 items mesurés sur une échelle de Likert en 7 points allant de 1 (« fortement en désaccord ») à 7 (« fortement en accord »), cette mesure capture une composante essentielle du construit multidimensionnel plus vaste qu’est l’intelligence perçue des produits (qui intègre également l’autonomie, la capacité d’apprentissage, la réactivité, la capacité de coopération, l’interaction humaine et la personnalité du produit).

Sur le plan psychométrique, la dimension d’autonomie présente des propriétés rigoureusement établies à travers des procédures d’analyse factorielle confirmatoire (AFC) et des tests d’équivalence de mesure. Le coefficient de cohérence interne de l’échelle démontre une fidélité élevée, avec un alpha de Cronbach excédant les seuils conventionnels de 0,80 (généralement rapporté à α = 0,85 dans les études d’étalonnage), ainsi qu’une fiabilité composite (Composite Reliability, CR) supérieure à 0,86 et une variance moyenne extraite (Average Variance Extracted, AVE) dépassant 0,60. La validité convergente et la validité discriminante vis-à-vis des autres dimensions de l’intelligence artificielle incorporée et de la complexité perçue ont été empiriquement démontrées. En recherche marketing, en ergonomie cognitive et en interaction homme-machine (IHM), cette échelle fournit aux chercheurs et aux praticiens un outil standardisé, robuste et parcimonieux pour modéliser l’impact de l’agentivité technologique sur l’adoption, la satisfaction et la résistance des consommateurs face aux technologies autonomes contemporaines.

2. Mots-clés / Keywords

Intelligence du produit, autonomie perçue, interaction homme-machine, psychométrie, comportement du consommateur, agents autonomes, technologie intelligente, acceptation technologique, modélisation par équations structurelles, satisfaction du consommateur, ergonomie cognitive, agentivité artificielle, échelle de Likert, adoption de l’innovation.

3. Auteurs / Authors

L’échelle a été conçue et validée par une équipe de chercheurs de premier plan dans les domaines du marketing de l’innovation, de la gestion du développement de produits et de la psychométrie appliquée :

• Serge A. Rijsdijk : Professeur associé au Département de gestion de la technologie et de l’innovation, Rotterdam School of Management, Université Érasme de Rotterdam, Pays-Bas. Ses travaux portent sur le comportement des utilisateurs face aux technologies intelligentes, la créativité d’équipe et le développement de nouveaux produits. Courriel : [email protected].
• Erik Jan Hultink : Professeur titulaire de lancement de nouveaux produits au Département de conception de produits stratégiques, Faculté d’ingénierie de conception industrielle, Université de technologie de Delft (TU Delft), Pays-Bas. Spécialiste mondialement reconnu du lancement de produits technologiques et de la prise de décision stratégique en innovation. Courriel : [email protected].
• Adamantios Diamantopoulos : Professeur titulaire de marketing international à la Faculté de commerce, d’économie et de statistique, Université de Vienne, Autriche. Fellow de l’Academy of International Business (AIB) et méthodologue émérite, expert en théorie de la mesure, construction d’échelles psychométriques et modélisation par équations structurelles. Courriel : [email protected].

4. Objectif / Purpose

L’objectif fondamental de l’échelle d’autonomie du produit est de conceptualiser et de mesurer empiriquement l’un des attributs les plus disruptifs des objets connectés, des systèmes robotiques et des appareils intelligents : la capacité perçue d’un artefact à fonctionner et à poursuivre des objectifs opérationnels sans supervision humaine directe. Avant la publication des travaux fondateurs de Rijsdijk et al. (2007), la littérature académique manquait d’instruments opérationnels standardisés permettant de quantifier la manière dont un consommateur interprète l’indépendance fonctionnelle d’un système matériel ou logiciel. Les produits étaient traditionnellement évalués selon des critères de performance instrumentale, de convivialité (usability) ou d’utilité perçue dans le cadre du modèle d’acceptation de la technologie (Technology Acceptance Model, TAM), sans que leur statut ontologique d’agent autonome ne soit formellement isolé.

D’un point de vue théorique et psychologique, la perception d’autonomie soulève une dynamique paradoxale chez l’utilisateur. D’une part, un degré élevé d’autonomie est censé libérer l’utilisateur de tâches cognitives ou physiques fastidieuses (gain d’efficacité, confort, automatisation des routines). D’autre part, la délégation du contrôle à une machine non humaine génère fréquemment de l’anxiété technologique, une perte de maîtrise perçue (locus of control externe) et une sensation d’opacité comportementale, pouvant aboutir au rejet pur et simple de l’appareil. Dès lors, cet instrument répond au besoin d’isoler l’autonomie en tant que variable indépendante, médiatrice ou modératrice dans les modèles causaux étudiant les réponses affectives, cognitives et comportementales des individus.

Dans le domaine de la recherche fondamentale et appliquée, l’échelle sert plusieurs objectifs majeurs :

• Évaluation ergonomique et design d’interaction : Mesurer à quel point les concepteurs réussissent à communiquer le juste niveau d’autonomie d’un produit (système d’aide à la conduite, aspirateur robot, assistant domotique, algorithme de recommandation financière) afin d’éviter les phénomènes de sous-confiance (disuse) ou de sur-confiance aveugle (misuse).
• Étude du comportement du consommateur : Examiner comment l’attribution d’autonomie influence la disposition à payer (willingness to pay), la perception de la valeur hédonique versus utilitaire, et la satisfaction finale post-achat.
• Diagnostic de la résistance à l’innovation : Identifier si des scores excessifs d’autonomie perçue agissent comme un déclencheur d’aversion au risque, de peur du remplacement humain ou de sentiment de dépossession identitaire.

5. Construit psychologique / Construct

Le construit de l’autonomie du produit est ancré dans la psychologie de l’attribution et la philosophie de l’action intentionnelle. Dans le modèle de Rijsdijk, Hultink et Diamantopoulos (2007), l’intelligence d’un produit est appréhendée comme une métaphore psychologique par laquelle les êtres humains projettent des compétences cognitives et comportementales sur des objets inanimés. Au sein de cette typologie multidimensionnelle (qui compte sept dimensions théoriques distinctes), la dimension d’autonomie représente le degré auquel un produit est perçu comme étant capable d’agir de façon indépendante, orientée vers un but (goal-directed) et auto-dirigée sans solliciter d’intervention de l’opérateur.

Ce construit ne mesure pas les paramètres télémétriques ou les spécifications techniques brutes de l’algorithme sous-jacent, mais la représentation phénoménologique que s’en fait l’utilisateur. Il s’agit d’un état subjectif de jugement reposant sur plusieurs facettes interdépendantes :

• L’indépendance fonctionnelle : La croyance que le système possède les ressources nécessaires pour amorcer, exécuter et finaliser ses processus opératoires dans des environnements variables sans dépendre d’une alimentation continue en commandes humaines. Par exemple, un thermostat intelligent qui ajuste la température selon des paramètres contextuels sans réglage manuel quotidien incarne cette indépendance.
• La capacité décisionnelle déléguée : L’impression que l’artefact arbitre entre plusieurs options possibles, résout des conflits d’information et prend des décisions locales de façon souveraine. Dans la perception de l’utilisateur, le produit n’est plus un simple récepteur passif d’ordres séquentiels, mais une entité capable de discernement logique.
• L’action auto-générée : La propension du produit à initier des comportements proactifs en réponse à des signaux de son environnement, créant une illusion d’agentivité spontanée.
• L’absence d’intervention humaine continue : L’émancipation opérationnelle du dispositif par rapport à l’humain, éliminant la nécessité d’une supervision constante et déplaçant le rôle de l’utilisateur de celui d’opérateur direct à celui de superviseur distant ou de bénéficiaire passif.

Contrairement à d’autres dimensions de l’intelligence du produit comme la « capacité d’apprentissage » (qui renvoie à la modification adaptative des comportements au fil du temps) ou la « réactivité » (qui concerne la vitesse de réponse à des stimuli immédiats), l’autonomie capture spécifiquement l’autocapacité d’auto-organisation et d’auto-détermination de l’action technologique.

6. Cadre théorique / Theoretical Framework

L’assise théorique de l’échelle d’autonomie de Rijsdijk et ses collaborateurs puise ses fondements à la croisée de la psychologie cognitive, de la théorie des attributions sociales et de l’anthropomorphisme technologique. Le cadre conceptuel mobilise plusieurs paradigmes théoriques formels :

1. Le paradigme CASA (« Computers Are Social Actors »)

Formulé initialement par Byron Reeves et Clifford Nass (1996), le paradigme CASA démontre expérimentalement que les individus appliquent de manière automatique et inconsciente des règles sociales, des attentes relationnelles et des schémas d’attribution interpersonnels aux technologies interactives. Lorsque les technologies manifestent des comportements complexes, les utilisateurs ne les traitent pas comme de simples outils passifs, mais leur attribuent des traits d’agentivité, de volonté et de compétence sociale. L’autonomie perçue est le vecteur par excellence de cette agentivité : en observant une machine fonctionner seule, le cerveau humain infère l’existence d’une intentionnalité interne sous-jacente.

2. La théorie de l’esprit et l’attribution intentionnelle (Intentional Stance)

Le cadre s’appuie également sur la philosophie cognitive de Daniel Dennett (1987) et sa théorie de la posture intentionnelle (the intentional stance). Selon Dennett, pour prédire et comprendre le comportement d’un système complexe (qu’il soit biologique ou mécanique), les humains adoptent une posture consistant à le traiter comme un agent rationnel doté de croyances, de désirs et d’objectifs. Les quatre items de l’échelle d’autonomie mesurent précisément le passage de la posture physique ou de conception (traiter le produit selon ses composants matériels ou ses programmes prescrits) à la posture intentionnelle, où l’utilisateur postule que le produit « décide » et « agit par lui-même ».

3. La théorie du contrôle perçu et le locus de contrôle

Sur le versant psychologique individuel, les théories du contrôle perçu de Julian Rotter (1966) et d’Albert Bandura (1997) sur le sentiment d’auto-efficacité éclairent la réception de l’autonomie technologique. Lorsqu’un produit devient autonome, il s’opère un transfert partiel du locus de contrôle : la maîtrise de la tâche n’émane plus exclusivement de l’utilisateur, mais est partagée avec le système ou confisquée par lui. Les chercheurs utilisent l’échelle d’autonomie pour analyser comment cette redistribution de l’agentivité modifie la confiance interpersonnelle transférée à la machine, ainsi que l’émergence d’émotions d’impuissance acquise ou au contraire de soulagement cognitif.

7. Validité / Validity

La validité de l’échelle a fait l’objet d’examens statistiques minutieux lors de son processus d’élaboration initial en plusieurs étapes (développement des items, épuration par comités d’experts, études pilotes et test empirique à grande échelle sur des échantillons de consommateurs réels évaluant des produits technologiques variés tels que des téléphones portables intelligents, des systèmes de navigation GPS, des appareils électroménagers intelligents et des logiciels autonomes) :

Validité de contenu et de construit

La validité de contenu a été initialement assurée par des entretiens approfondis avec des ingénieurs concepteurs et des consommateurs, suivis d’une évaluation par des panels d’experts en psychométrie et marketing de l’innovation. Les items ont été formulés pour éliminer toute ambiguïté linguistique et cibler spécifiquement l’action indépendante orientée vers un but. Lors de la modélisation par équations structurelles (SEM), la dimension d’autonomie a démontré une excellente validité de construit, avec des saturations factorielles standardisées significatives (λ ≥ 0,70, p < 0,001) sur le facteur latent visé, garantissant que chaque indicateur reflète fidèlement la variance du construit sous-jacent.

Validité convergente

La validité convergente a été confirmée par le respect de deux critères majeurs dans le cadre d’analyses factorielles confirmatoires : d’une part, la fiabilité composite (Composite Reliability, CR) excède largement le seuil standard de 0,70 (atteignant généralement 0,86 à 0,89 selon les échantillons d’étude) ; d’autre part, la variance moyenne extraite (AVE) calculée selon le critère de Fornell et Larcker (1981) dépasse le seuil critique de 0,50, se situant autour de 0,62 à 0,67. Cela démontre que plus de la moitié de la variance des indicateurs est captée par le construit d’autonomie plutôt que par l’erreur de mesure aléatoire.

Validité discriminante

La validité discriminante a été testée par rapport aux six autres dimensions de l’intelligence du produit (capacité d’apprentissage, réactivité, capacité d’interaction, coopération, personnalité, connectivité contextuelle) et à des construits connexes comme la complexité perçue et la facilité d’utilisation perçue. Selon le test de Fornell-Larcker, la racine carrée de l’AVE pour la dimension d’autonomie s’est avérée systématiquement supérieure à toutes les corrélations inter-facteurs observées. De plus, les ratios hétérotrait-monotrait (HTMT) mesurés dans les réplications contemporaines demeurent strictement inférieurs au seuil conservateur de 0,85, attestant que l’autonomie ne se confond ni avec la simple automatisation mécanique, ni avec l’intelligence générale de l’appareil.

Validité prédictive et nomologique

Sur le plan de la validité nomologique, l’échelle a prouvé sa capacité à prédire de manière robuste plusieurs variables dépendantes clés. Dans l’étude de Rijsdijk et al. (2007), l’autonomie exerce un impact direct et indirect sur l’évaluation globale de la performance du produit et la satisfaction du consommateur. Cependant, les auteurs ont révélé un mécanisme à double tranchant : si l’autonomie accroît directement l’utilité perçue, elle tend simultanément à accroître la complexité perçue chez certains profils d’utilisateurs, modérant ainsi son effet positif net sur la satisfaction. Cette capacité de l’échelle à capturer des effets empiriques nuancés et théoriquement cohérents confirme sa forte validité prédictive.

8. Fidélité / Reliability

La fidélité psychométrique de l’échelle de 4 items a été confirmée à plusieurs reprises au moyen d’analyses statistiques de consistance interne et de stabilité temporelle :

• Consistance interne (α de Cronbach) : Dans la publication originale de Rijsdijk et al. (2007), le coefficient alpha de Cronbach obtenu pour la sous-échelle d’autonomie est de 0,85, ce qui témoigne d’un haut niveau d’homogénéité des items sans atteindre des valeurs excessives (> 0,95) qui signaleraient une redondance tautologique des formulations. Dans des études ultérieures et des réplications internationales (portant notamment sur l’adoption des véhicules autonomes et des robots domestiques), les coefficients alpha rapportés oscillent de manière consistante entre 0,82 et 0,91.
• Fiabilité composite (CR) : Le coefficient de fiabilité composite de Raykov/Jöreskog, qui ne repose pas sur l’hypothèse restrictive de tau-équivalence de l’alpha de Cronbach, se situe à 0,865, renforçant la preuve de la robustesse de la structure de mesure.
• Corrélations item-total corrigées : Toutes les corrélations entre chaque item individuel et le score total de l’échelle (exclusion faite de l’item considéré) dépassent la valeur minimale recommandée de 0,50, se situant dans une fourchette empirique de 0,65 à 0,78. La suppression d’aucun des 4 items ne permet d’augmenter le coefficient alpha global, prouvant l’efficience de la combinaison actuelle.
• Stabilité test-retest : Dans des protocoles expérimentaux d’évaluation technologique longitudinale avec un intervalle de deux à trois semaines sans modification des fonctionnalités de l’appareil, le coefficient de corrélation intra-classe (CCI) test-retest a démontré une stabilité remarquable (r > 0,78), indiquant que les scores reflètent une perception stabilisée de la technologie plutôt qu’un état d’humeur transitoire du répondant.

9. Analyse factorielle / Factor Analysis

Le processus de développement et de validation de la structure factorielle a suivi un protocole rigoureux combinant analyse factorielle exploratoire (AFE) et analyse factorielle confirmatoire (AFC) :

Structure factorielle exploratoire (AFE)

Lors des phases initiales d’épuration d’items sur un échantillon d’étalonnage, une analyse en composantes principales avec rotation oblique (Promax) a été conduite sur l’ensemble du pool d’items de l’intelligence du produit. Les résultats ont clairement mis en évidence une structure multidimensionnelle où les 4 items de l’autonomie se regroupent sans équivoque sur un facteur unique dédié. La valeur propre (eigenvalue) associée à ce facteur dépassait le critère de Kaiser (> 1,0), et le diagramme d’éboulis (scree plot) de Cattell confirmait une nette cassure après les dimensions principales identifiées. Aucune saturation croisée (cross-loading) problématique supérieure à 0,30 n’a été constatée sur les autres facteurs dimensionnels.

Analyse factorielle confirmatoire (AFC)

Une AFC a ensuite été menée au moyen d’un logiciel de modélisation par équations structurelles (LISREL / AMOS) en utilisant la méthode du maximum de vraisemblance (Maximum Likelihood, ML). Le modèle de mesure unidimensionnel pour l’autonomie intégré au modèle global d’intelligence du produit a affiché des indices d’adéquation (Goodness-of-Fit) hautement satisfaisants :

• Chi-deux normé (χ²/df) : Rapport χ²/df inférieur à 2,5, indiquant un ajustement acceptable entre la matrice de covariance observée et la matrice postulée par le modèle.
• Indices d’ajustement comparatif : Le Comparative Fit Index (CFI) et le Tucker-Lewis Index (TLI) étaient tous deux supérieurs à 0,95 (typiquement CFI = 0,97).
• Indices d’erreur résiduelle : Le Root Mean Square Error of Approximation (RMSEA) s’établissait sous le seuil critique de 0,06 (RMSEA = 0,052, intervalle de confiance à 90 % : [0,038 – 0,066]), et le Standardized Root Mean Square Residual (SRMR) était inférieur à 0,04.

Saturations factorielles des items

Les estimations des paramètres démontrent des charges factorielles standardisées particulièrement robustes pour chacun des quatre items :

• Item 1 (This product can function independently) : saturation standardisée λ ≈ 0,78 (t-value significatif à p < 0,001).
• Item 2 (This product can make its own decisions) : saturation standardisée λ ≈ 0,82 (t-value significatif à p < 0,001).
• Item 3 (This product can act on its own) : saturation standardisée λ ≈ 0,85 (t-value significatif à p < 0,001).
• Item 4 (This product can operate without human intervention) : saturation standardisée λ ≈ 0,76 (t-value significatif à p < 0,001).

Ces résultats confirment que les items 2 et 3 représentent le cœur du construit en captant la prise de décision et l’action autonome, tandis que les items 1 et 4 traduisent l’indépendance de fonctionnement opérationnel vis-à-vis de l’humain.

10. Instrument de mesure / Instrument

L’instrument de mesure présente des spécifications techniques précises pour son administration dans des contextes de recherche en laboratoire ou d’enquêtes en ligne :

• Nom complet de l’instrument : Product Intelligence – Autonomy Dimension (Sous-échelle d’autonomie de l’échelle d’intelligence du produit).
• Auteurs : Serge A. Rijsdijk, Erik Jan Hultink et Adamantios Diamantopoulos.
• Type d’instrument : Questionnaire d’auto-évaluation / Inventaire psychométrique psychologique et comportemental.
• Format d’administration : Papier-crayon ou questionnaire numérique informatisé (administrable en ligne sur Qualtrics, Sphinx, LimeSurvey, etc.).
• Nombre total d’items : 4 items rédigés sous la forme d’affirmations affirmatives directes.
• Format et échelle de réponse : 7-point Likert scale (1 = strongly disagree, 7 = strongly agree). Les ancrages conventionnels correspondent à : 1 = Fortement en désaccord, 2 = En désaccord, 3 = Plutôt en désaccord, 4 = Neutre / Ni en accord ni en désaccord, 5 = Plutôt d’accord, 6 = D’accord, 7 = Fortement d’accord.
• Temps de passation estimé : Moins de 2 minutes pour la sous-échelle seule (environ 5 à 8 minutes si administrée avec les autres dimensions de l’intelligence du produit).
• Règles de cotation et calcul du score (Scoring) :
  • Aucun item n’est inversé (aucun reverse-scored item) ; l’ensemble des 4 items est orienté positivement vers le construit d’autonomie.
  • Le score global de l’autonomie perçue est obtenu en calculant la moyenne arithmétique des scores des 4 items :
    
    Score d'Autonomie = (Item 1 + Item 2 + Item 3 + Item 4) / 4.
  • Le score final s’échelonne de 1,00 à 7,00, où une note proche de 1 indique une absence quasi totale d’autonomie perçue (le produit est un pur outil dépendant entièrement des commandes de l’utilisateur), tandis qu’un score proche de 7 dénote une perception d’autonomie maximale (le produit est vu comme une entité pleinement indépendante capable d’auto-détermination).
  • En modélisation par équations structurelles, il est recommandé d’utiliser le facteur latent avec ses 4 indicateurs continus plutôt qu’un score composite agrégé, afin d’extraire l’erreur de mesure non aléatoire.

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

• Année de publication originale : 2007 (publiée dans le Journal of the Academy of Marketing Science, Volume 35, Numéro 3).
• Statut des droits d’auteur et propriété intellectuelle : Les droits d’auteur de l’article scientifique princeps appartiennent à l’Academy of Marketing Science (publié originellement par Springer). Toutefois, comme c’est la norme pour les échelles de mesure académiques publiées dans des revues savantes évaluées par les pairs, les items de l’échelle sont mis à disposition pour un usage non commercial de recherche et d’enseignement.
• Coût et tarification : L’accès et l’utilisation de l’échelle sont entièrement gratuits (Free Access) à des fins de recherche académique, de travaux universitaires, de thèses et d’enseignement supérieur. Aucun paiement de royalties n’est requis.
• Modalités de permission : Les chercheurs souhaitant utiliser l’échelle dans des études scientifiques n’ont pas besoin d’obtenir une autorisation écrite préalable formelle pour des protocoles non commerciaux, à condition de citer fidèlement la source originale (Rijsdijk, Hultink & Diamantopoulos, 2007). Pour toute intégration commerciale au sein d’outils propriétaires d’évaluation de logiciels ou de plateformes payantes de conseil, il convient de se rapprocher de l’éditeur Springer ou des auteurs titulaires des droits intellectuels.

12. Références / References

Les sources bibliographiques suivantes constituent les fondements théoriques, psychométriques et méthodologiques de l’échelle :

• Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman and Company.
• Dennett, D. C. (1987). The intentional stance. MIT Press.
• 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
• Nass, C., & Moon, Y. (2000). Machines and mindlessness: Social responses to computers. Journal of Social Issues, 56(1), 81-103. https://doi.org/10.1111/0022-4537.00153
• Reeves, B., & Nass, C. (1996). The media equation: How people treat computers, television, and new media like real people and places. Cambridge University Press.
• Rijsdijk, S. A., & Hultink, E. J. (2003). “Honey, have you seen the prototype?”: How smart products affect consumer satisfaction. Design Management Journal (Former Series), 14(3), 40-48. https://doi.org/10.1111/j.1948-7169.2003.tb00050.x
• Rijsdijk, S. A., & Hultink, E. J. (2009). How autonomous products affect consumer adoption: The role of autonomy, risk, and control. Journal of Product Innovation Management, 26(1), 24-40. https://doi.org/10.1111/j.1540-5885.2009.00332.x
• Rijsdijk, S. A., Hultink, E. J., & Diamantopoulos, A. (2007). Product intelligence: Its conceptualization, measurement and impact on consumer satisfaction. Journal of the Academy of Marketing Science, 35(3), 340-356. https://doi.org/10.1007/s11747-007-0040-6
• Rotter, J. B. (1966). Generalized expectancies for internal versus external control of reinforcement. Psychological Monographs: General and Applied, 80(1), 1-28. https://doi.org/10.1037/h0092976

13. Questions et items du questionnaire / Scale Items