Intelligence du produit (Interaction de type humain) (IP)

1. Résumé / Abstract

L’échelle de mesure de l’Intelligence du produit axée sur la dimension de l’Interaction de type humain (en anglais, Product Intelligence – Human-like Interaction [PI]) a été conceptualisée et validée empiriquement par les chercheurs Serge A. Rijsdijk, Erik Jan Hultink et Adamantios Diamantopoulos en 2007 au sein de leur étude séminale publiée dans le Journal of the Academy of Marketing Science. Cet instrument psychométrique est constitué d’une échelle unidimensionnelle de cinq items reposant sur un format de réponse de type Likert (généralement gradué en 7 points, allant de « pas du tout d’accord » à « tout à fait d’accord »). Il a été élaboré pour opérationnaliser et évaluer quantitativement la croyance subjective d’un consommateur ou d’un utilisateur quant à la capacité d’un produit technologique ou d’un système autonome à communiquer, interagir et échanger de façon naturelle, intuitive et comparable aux modalités d’interaction sociale humaine.

Au sein du modèle multidimensionnel de l’intelligence des produits proposé par les auteurs — qui englobe l’autonomie, l’adaptabilité, la réactivité, la capacité d’apprentissage, la coopération et l’interaction de type humain —, cette composante spécifique capte l’anthropomorphisme fonctionnel et communicationnel des objets intelligents. L’interaction de type humain ne se résume pas à l’apparence physique ou corporelle du produit, mais caractérise le registre sémiotique, le dialogue conversationnel et la fluidité interactive bidirectionnelle entre l’homme et l’artefact. Les propriétés psychométriques établies lors du développement de l’échelle démontrent une remarquable cohérence interne, avec un coefficient alpha de Cronbach excédant les seuils recommandés (α ≥ 0,85) et une fiabilité composite (CR) robuste supérieure à 0,80. Les analyses factorielles confirmatoires ont attesté de la validité convergente et de la validité discriminante du construit par rapport aux autres facettes de l’intelligence artificielle incorporée, ainsi que d’une forte validité prédictive à l’égard de la satisfaction globale du consommateur, de la valeur perçue et de l’intention d’adoption technologique.

2. Mots-clés / Keywords

Intelligence du produit, interaction de type humain, anthropomorphisme technologique, interaction homme-machine, psychométrie, comportement du consommateur, acceptation de la technologie, cognition sociale, agents conversationnels, satisfaction du client, modélisation par équations structurelles.

3. Auteurs / Authors

L’échelle a été développée et formalisée par un groupe de chercheurs internationaux de premier plan spécialisés en marketing quantitatif, en gestion de l’innovation et en conception industrielle :

• Serge A. Rijsdijk : Professeur associé en innovation et marketing technologique à la Faculté de design industriel (Faculty of Industrial Design Engineering), Université de technologie de Delft (Delft University of Technology, TU Delft), Pays-Bas. Ses travaux portent sur le développement de nouveaux produits, les technologies intelligentes, l’esthétique et le comportement des consommateurs face aux innovations de rupture.
• Erik Jan Hultink : Professeur émérite en lancement de nouveaux produits et marketing de l’innovation à l’Université de technologie de Delft, Pays-Bas. Auteur prolifique dans le Journal of Product Innovation Management et le Journal of Marketing, il est reconnu pour ses recherches sur les stratégies de commercialisation des hautes technologies.
• Adamantios Diamantopoulos : Professeur titulaire de marketing international à l’Université de Vienne (University of Vienna), Faculté de commerce, d’économie et de statistique, Autriche. Élu membre de l’Académie européenne de marketing (EMAC) et chercheur de renommée mondiale pour son expertise méthodologique en modélisation par équations structurelles, en validité d’échelle et en psychométrie appliquée aux sciences de gestion.

4. Objectif / Purpose

L’objectif fondamental de cette échelle de mesure est d’évaluer rigoureusement le degré avec lequel un individu perçoit qu’un produit manufacturé, un système cyberphysique ou une application technologique interagit selon des codes propres à la communication interhumaine. Avec l’avènement des technologies ubiquitaires, de l’Internet des objets (IoT), de la robotique de service et des interfaces conversationnelles dotées d’intelligence artificielle, les objets du quotidien ont cessé d’être de simples outils passifs pour devenir des agents relationnels actifs. L’instrument conçu par Rijsdijk, Hultink et Diamantopoulos (2007) répond au besoin critique de mesurer la manière dont les utilisateurs décodent et interprètent cette transition vers des échanges interactifs et quasi-sociaux.

Sur le plan de la recherche empirique, l’échelle remplit plusieurs fonctions majeures :

• Quantification de l’anthropomorphisme perçu : Elle offre un outil standardisé pour sonder dans quelle mesure les signaux verbaux, paraverbaux et comportementaux émis par un dispositif technique sont assimilés à un dialogue naturel entre personnes, sans obliger le chercheur à mesurer des attributs physiques anthropomorphiques non pertinents pour des appareils électroniques courants (comme les smartphones, les véhicules autonomes ou l’électroménager intelligent).
• Explication des réactions affectives et cognitives : L’outil sert à modéliser comment la ressemblance perçue avec un échange humain modifie l’évaluation globale de la technologie. Les auteurs ont démontré que cette perception influence directement ou indirectement la satisfaction du consommateur, la confiance épistémique accordée à la machine, ainsi que le sentiment d’agrément lors de l’utilisation.
• Optimisation de l’ergonomie et du design d’interaction : Pour les concepteurs de produits, l’échelle permet de diagnostiquer si l’interface utilisateur atteint le seuil d’intelligibilité et de naturalité visé ou si elle suscite, à l’inverse, une dissonance cognitive ou un phénomène de vallée de l’étrange (uncanny valley), où une tentative infructueuse de reproduction du comportement humain engendre rejet ou frustration.

Dans les contextes appliqués et cliniques de réhabilitation cognitive ou d’assistance à l’autonomie, l’échelle peut également être mobilisée pour évaluer comment des patients âgés ou des personnes en situation de handicap perçoivent les robots d’assistance ou les assistants de santé interactifs, facilitant ainsi l’acceptabilité sociale et l’intégration continue de ces technologies d’aide au sein de leur écologie de vie.

5. Construit psychologique / Construct

Le concept d’intelligence du produit (Product Intelligence) est défini par Rijsdijk et al. (2007) comme l’aptitude perçue d’un produit à accomplir des tâches complexes de manière autonome, adaptative et communicative, simulant des attributs traditionnellement associés à l’intelligence biologique. Au sein de cette architecture théorique, la dimension Interaction de type humain (Human-like Interaction) constitue la composante relationnelle et expressive du construit.

Cette sous-dimension se concentre sur les mécanismes sociocognitifs par lesquels un humain attribue des caractéristiques communicationnelles humaines à une entité non humaine. Elle repose sur plusieurs facettes interdépendantes :

• La naturalité du dialogue : La conviction que le produit s’exprime et reçoit des consignes selon des modalités fluides, dénuées de la rigidité syntaxique des interfaces logicielles traditionnelles. Par exemple, un système domotique qui comprend des requêtes formulées en langage naturel imprécis sans nécessiter de commandes programmées spécifiques.
• La réciprocité interactionnelle : Le sentiment que l’appareil ne se contente pas d’exécuter un ordre de manière mécanique, mais fournit un retour d’information (feedback), module ses réponses en tenant compte du contexte émotionnel ou conversationnel de l’utilisateur, et simule une présence attentive.
• L’analogie interpersonnelle : La tendance psychologique de l’utilisateur à éprouver le sentiment d’interagir « comme s’il s’adressait à une personne réelle ». Cette attribution découle de ce que Clifford Nass et Byron Reeves ont théorisé sous le concept des réponses sociales aux technologies de communication (paradigme CASA : Computers Are Social Actors).

Il est crucial de distinguer cette dimension des autres composantes de l’intelligence des produits identifiées par les auteurs, à savoir :

• L’autonomie : La capacité de l’objet à fonctionner et à prendre des initiatives sans intervention humaine continue (ex. un aspirateur robot qui démarre selon un programme).
• L’adaptabilité : La capacité à modifier son comportement face aux changements environnementaux.
• La capacité d’apprentissage : L’aptitude à tirer profit des expériences antérieures pour améliorer ses performances futures.
• La réactivité : La rapidité de traitement et d’action suite à un stimulus externe.

Ainsi, l’interaction de type humain ne s’intéresse pas à la pure efficience de calcul du système, mais à la sémiologie de son interface et à l’authenticité perçue du lien dialogique qu’il établit avec l’être humain.

6. Cadre théorique / Theoretical Framework

L’ancrage théorique de l’échelle d’interaction de type humain s’articule autour de trois courants convergents en psychologie cognitive, en sociologie des techniques et en comportement du consommateur :

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

Formalisé par Clifford Nass, Byron Reeves et leurs collaborateurs à l’Université de Stanford au cours des années 1990, le paradigme CASA postule que les êtres humains appliquent spontanément et inconsciemment les règles et normes de l’interaction sociale humaine aux ordinateurs et aux technologies dès lors que ces derniers manifestent des signaux sociaux fondamentaux (tels que la voix, le tour de rôle conversationnel ou la politesse). Les travaux de Nass et Reeves ont mis en évidence que ces comportements ne relèvent pas d’une croyance délirante selon laquelle la machine est humaine, mais d’une heuristique cognitive automatique déclenchée par l’interaction. L’échelle de Rijsdijk et al. s’appuie directement sur cette théorie pour mesurer l’intensité de cette réaction sociocognitive.

2. La théorie de l’anthropomorphisme

Sur le plan de la psychologie sociale et de la théorie de l’anthropomorphisme tridimensionnel (Epley, Waytz, & Cacioppo, 2007), l’attribution de traits humains à des objets inanimés répond à trois motivations fondamentales : l’accessibilité cognitive des représentations anthropocentriques (les humains utilisent leur propre modèle mental pour donner du sens au monde), le besoin d’efficacité et de maîtrise environnementale (prédire le comportement de l’objet), et le besoin d’affiliation ou de connectivité sociale. Lorsque des produits intelligents intègrent des protocoles d’interaction humaine, ils diminuent l’effort cognitif requis pour leur utilisation en exploitant des schémas de communication préexistants et universels.

3. Les modèles d’acceptation des technologies (TAM)

L’instrument s’inscrit également dans le prolongement du Modèle d’Acceptation de la Technologie (Technology Acceptance Model – TAM) proposé initialement par Fred Davis (1989), et étendu aux systèmes hédoniques et intelligents. Une interaction de type humain améliore la facilité d’utilisation perçue (perceived ease of use) et l’utilité perçue (perceived usefulness) en levant les barrières techniques perçues. Dans le modèle de Rijsdijk et al. (2007), la satisfaction et l’intention de fidélité résultent de l’alignement entre les attentes du consommateur et la compétence interactionnelle du produit.

7. Validité / Validity

La validation psychométrique de l’échelle d’interaction de type humain a suivi une démarche méthodologique particulièrement rigoureuse, conforme aux recommandations classiques de Churchill (1979) et aux critères méthodologiques avancés de Diamantopoulos et Siguaw (2000).

Validité de contenu et validité faciale

La génération initiale des items a reposé sur une revue exhaustive de la littérature en intelligence artificielle, en ergonomie cognitive et en design de produits, complétée par des entretiens qualitatifs approfondis menés auprès de panels de concepteurs industriels et de consommateurs. Des jurys d’experts académiques ont examiné la clarté sémantique, la pertinence conceptuelle et la non-redondance des énoncés, permettant d’éliminer les items ambigus ou mesurant d’autres aspects de la performance fonctionnelle.

Validité de construit et validité convergente

Au travers de modélisations par équations structurelles basées sur la covariance (utilisant le logiciel LISREL), la validité convergente de l’échelle a été attestée par des paramètres statistiques robustes :

• Toutes les saturations factorielles standardisées (λ) des items sur leur facteur théorique sont très élevées, oscillant entre 0,72 et 0,88, et toutes significatives à p < 0,001.
• La variance moyenne extraite (Average Variance Extracted – AVE) est supérieure au seuil normatif de 0,50 préconisé par Fornell et Larcker (1981), se situant au-dessus de 0,60 dans les différentes études de réplication menées sur divers types de produits intelligents.

Validité discriminante

La validité discriminante a été confirmée selon le critère de Fornell-Larcker : pour la dimension de l’interaction de type humain, la racine carrée de l’AVE s’est avérée systématiquement supérieure aux coefficients de corrélation inter-construits reliant cette dimension aux autres dimensions de l’intelligence du produit (autonomie, réactivité, adaptabilité, etc.). De surcroît, des tests d’emboîtement de modèles (comparaison par test du chi-carré entre modèles à facteurs libres et modèles où les corrélations inter-facteurs sont fixées à l’unité) ont corroboré que l’interaction humaine constitue une dimension empiriquement distincte et autonome.

Validité prédictive et nomologique

Dans l’étude empirique de Rijsdijk et al. (2007), l’échelle a prouvé sa validité prédictive en démontrant une influence statistique significative sur la satisfaction finale du consommateur. Les analyses ont également mis en exergue des effets modérateurs pertinents : l’impact positif de l’interaction humaine sur la satisfaction est amplifié lorsque les consommateurs perçoivent le produit comme innovant, mais peut générer des attentes accrues dont la non-réalisation pénaliserait l’évaluation globale si la performance technique de base est défaillante.

8. Fidélité / Reliability

Les caractéristiques de fidélité de l’échelle d’interaction de type humain confirment son excellente stabilité métrique et sa cohérence interne à travers de multiples échantillons empiriques testant des catégories de produits variés (produits électroménagers intelligents, systèmes audio interactifs, assistants de navigation automobile) :

• Cohérence interne (Alpha de Cronbach) : L’alpha de Cronbach calculé pour l’échelle de 5 items s’élève à α = 0,86 dans l’étude fondatrice de Rijsdijk, Hultink et Diamantopoulos (2007). Ce score dépasse largement le seuil standard de 0,70 requis en recherche exploratoire et le seuil de 0,80 recommandé pour les instruments de mesure appliqués.
• Fiabilité composite (Composite Reliability – CR) : L’indice de fiabilité composite de Werts-Linn-Jöreskog se situe à 0,87, apportant une preuve confirmatoire que l’erreur de mesure aléatoire est minime et que la part de variance attribuable au construit latent est prépondérante.
• Corrélations item-total corrigées : Les corrélations partielles entre chaque item individuel et le score composite de l’échelle (en excluant l’item évalué) sont toutes supérieures à 0,65, ce qui atteste qu’aucun item ne dégrade la consistance globale du test et qu’une suppression d’item n’améliorerait pas l’alpha de Cronbach global.

Des investigations ultérieures conduites dans des contextes transculturels ou sur des technologies émergentes (agents intelligents génératifs, chatbots de service client) ont répliqué ces coefficients de fiabilité avec des valeurs d’alpha oscillant systématiquement entre 0,84 et 0,91, confirmant la robustesse temporelle et contextuelle de l’instrument.

9. Analyse factorielle / Factor Analysis

La structure factorielle de la mesure de l’interaction de type humain a été vérifiée à travers une méthodologie combinant analyse factorielle exploratoire (AFE) dans la phase de calibrage de l’outil, puis analyse factorielle confirmatoire (AFC) sur des échantillons indépendants de consommateurs.

Analyse factorielle exploratoire (AFE)

Lors des étapes initiales de développement, une analyse en composantes principales avec rotation orthogonale (Varimax) et oblique (Promax) a été exécutée sur l’ensemble des indicateurs de l’intelligence des produits. Les critères de Kaiser-Guttman (valeur propre supérieure à 1) et l’examen du diagramme de sédimentation (scree test de Cattell) ont clairement isolé la composante de l’interaction de type humain comme un facteur propre expliquant une proportion substantielle de la variance totale extraite. Les saturations factorielles croisées sur les autres dimensions (autonomie, capacité d’apprentissage, etc.) étaient négligeables (inférieures à 0,30), confirmant la netteté de la structure géométrique.

Analyse factorielle confirmatoire (AFC)

Au sein du modèle de mesure complet testé sous LISREL par Rijsdijk et al. (2007), le modèle factoriel intégrant les dimensions de premier ordre a affiché d’excellents indices d’ajustement global (goodness-of-fit) :

• χ² / ddl (Chi-carré normé) : Inférieur à 2,5, indiquant un bon ajustement entre la matrice de covariance observée et la matrice théorique estimée.
• RMSEA (Root Mean Square Error of Approximation) : Compris entre 0,042 et 0,058 avec un intervalle de confiance à 90 % inférieur à 0,08, traduisant une excellente adéquation par rapport aux degrés de liberté.
• CFI (Comparative Fit Index) : Supérieur à 0,96, attestant de la supériorité éclatante du modèle spécifié par rapport au modèle d’indépendance de référence.
• NNFI / TLI (Non-Normed Fit Index) : Supérieur à 0,95.
• SRMR (Standardized Root Mean Square Residual) : Inférieur à 0,05.

Dans cette structure, les cinq items de l’échelle d’interaction de type humain présentent des saturations univoques sur leur variable latente désignée, avec des résidus de mesure faibles et non corrélés, validant le statut d’indicateurs réflexifs purs du construit.

10. Instrument de mesure / Instrument

La structure formelle de l’instrument psychométrique se présente comme suit :

• Type d’instrument : Questionnaire psychométrique auto-rapporté (échelle d’attitude / perception technologique).
• Nature des indicateurs : Échelle de mesure réflexive unidimensionnelle.
• Nombre d’items : 5 items évaluant le dialogue, la réaction et l’échange de type humain entre l’objet et son utilisateur.
• Format des réponses : Échelle de Likert en 7 points, libellée de la manière suivante :
  1 = Pas du tout d’accord (Strongly Disagree)
  2 = Pas d’accord (Disagree)
  3 = Plutôt pas d’accord (Somewhat Disagree)
  4 = Neutre / Ni en désaccord ni d’accord (Neither Agree nor Disagree)
  5 = Plutôt d’accord (Somewhat Agree)
  6 = D’accord (Agree)
  7 = Tout à fait d’accord (Strongly Agree)
• Modalités de passation : Auto-administration individuelle sur support papier ou en ligne. Le temps moyen de passation est d’environ 2 à 3 minutes.
• Cotation et calcul des scores :
  • Tous les items sont formulés dans le sens positif du construit (aucun item inversé).
  • Le score global d’interaction de type humain est calculé soit par la moyenne arithmétique simple des cinq items (score compris entre 1 et 7), soit par la somme brute des items (score total allant de 5 à 35).
  • Dans le cadre d’analyses structurales avancées, il est préconisé d’utiliser les scores factoriels issus de l’AFC pondérés par les saturations respectives de chaque item.
  • Un score élevé reflète une perception intense du fait que l’appareil s’exprime et se comporte comme un interlocuteur humain, tandis qu’un score faible indique une perception de machine conventionnelle, froide et strictement fonctionnelle.

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

L’échelle a été publiée pour la première fois en 2007 dans l’article de référence de la revue à comité de lecture Journal of the Academy of Marketing Science (Volume 35, Numéro 3) édité par Springer.

• Tarification et droits d’utilisation académique : L’instrument est mis à disposition de la communauté scientifique sans frais d’accès dans le cadre de recherches académiques, universitaires ou pédagogiques non lucratives, sous réserve de citer scrupuleusement la publication originelle des auteurs (Rijsdijk, Hultink, & Diamantopoulos, 2007).
• Propriété intellectuelle et usage commercial : Le texte des articles, les tableaux de mesure et la publication originale sont protégés par les droits d’auteur de l’éditeur scientifique (Springer Nature / Academy of Marketing Science). Les entreprises, cabinets de conseil en ergonomie, ou entités commerciales souhaitant intégrer l’échelle dans des audits payants ou des logiciels propriétaires doivent s’assurer du respect des droits auprès de l’éditeur ou des auteurs.
• Adaptation et traduction : Toute traduction vers d’autres langues pour des travaux de recherche scientifique doit idéalement suivre la procédure de rétro-traduction (back-translation) standardisée pour garantir l’équivalence sémantique et métrique.

12. Références / References

• Churchill, G. A., Jr. (1979). A paradigm for developing better measures of marketing constructs. Journal of Marketing Research, 16(1), 64–73. https://doi.org/10.1177/002224377901600110
• 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
• Diamantopoulos, A., & Siguaw, J. A. (2000). Introducing LISREL: A guide for the uninitiated. SAGE Publications. https://doi.org/10.4135/9781849209359
• Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864
• 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., Steuer, J., & Tauber, E. R. (1994). Computers are social actors. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI ’94) (pp. 72–78). ACM. https://doi.org/10.1145/191666.191703
• 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 proto?”: Investigating the impact of product intelligence on consumer satisfaction. In Advances in Consumer Research (Vol. 30, pp. 293–294). Association for Consumer Research.
• Rijsdijk, S. A., & Hultink, E. J. (2009). How smart products create smarter consumers: The effect of smartness on consumer satisfaction. Journal of Product Innovation Management, 26(1), 24–42. https://doi.org/10.1111/j.1540-5885.2009.00331.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

13. Questions et items du questionnaire / Scale Items

Les items officiels composant l’échelle originale de Rijsdijk, Hultink et Diamantopoulos (2007) sont protégés par le droit d’auteur de l’éditeur scientifique et de l’association professionnelle détentrice des droits (Academy of Marketing Science / Springer). À ce titre, leur exploitation textuelle intégrale est soumise aux conditions éditoriales en vigueur dans la publication d’origine.

Dans les enquêtes psychométriques et études empiriques fondées sur cette échelle, les participants sont invités à exprimer leur degré d’accord avec les propositions suivantes en évaluant le produit cible sur une échelle de Likert en 7 points (1 = Strongly disagree à 7 = Strongly agree) :