Intelligence du produit (Capacité d’apprentissage) (IP)

1. Résumé / Abstract

L’échelle de mesure de l’Intelligence du produit — Dimension Capacité d’apprentissage (Product Intelligence: Ability to Learn), conçue initialement par Serge A. Rijsdijk, Erik Jan Hultink et Adamantios Diamantopoulos en 2007, constitue un outil psychométrique et marketing fondamental visant à quantifier la perception par les utilisateurs de la capacité des artefacts technologiques à acquérir des connaissances, mémoriser des interactions et adapter leur comportement au fil du temps. Face à l’essor des objets connectés, des systèmes autonomes et des dispositifs intégrant l’intelligence artificielle, l’évaluation psychologique des représentations d’apprentissage attribuées aux produits est devenue critique pour modéliser l’adoption, la confiance et la satisfaction de l’utilisateur.

Cette sous-échelle unidimensionnelle fait partie intégrante du modèle multidimensionnel de l’intelligence du produit (qui englobe également l’autonomie, la réactivité, la capacité de coopération, l’interaction de type humain et la personnalité). Elle est composée spécifiquement de cinq items formulés sous forme d’énoncés évalués au moyen d’une échelle de type Likert en 7 points allant de 1 (« Pas du tout d’accord ») à 7 (« Tout à fait d’accord »). Les propriétés psychométriques établies lors des études de validation princeps et des réplications indépendantes démontrent une consistance interne exceptionnelle (coefficient alpha de Cronbach systématiquement supérieur à 0,85, souvent situé entre 0,88 et 0,92) et une fiabilité composite robuste (CR > 0,85). La validité convergente et la validité discriminante ont été rigoureusement démontrées au moyen d’analyses factorielles confirmatoires et du critère de Fornell-Larcker, prouvant que la capacité d’apprentissage perçue se distingue nettement de la simple réactivité opérationnelle ou de l’automatisation passive.

2. Mots-clés / Keywords

Intelligence du produit, capacité d’apprentissage, objets intelligents, perception technologique, psychométrie marketing, modèle d’acceptation de la technologie, anthropomorphisme, ergonomie cognitive, fidélité psychométrique, analyse factorielle confirmatoire, satisfaction du consommateur, interaction humain-machine.

3. Auteurs / Authors

L’échelle de la capacité d’apprentissage intégrée au construit d’intelligence du produit a été développée et formalisée par un consortium international de chercheurs en gestion de l’innovation et en marketing quantitatif :

• Serge A. Rijsdijk — Professeur agrégé au Département de gestion des technologies et des opérations à la Rotterdam School of Management (RSM), Université Érasme de Rotterdam, Pays-Bas. Ses recherches portent sur le développement de nouveaux produits, la conception d’interfaces et l’influence des technologies intelligentes sur le comportement décisionnel. Courriel institutionnel : [email protected].
• Erik Jan Hultink — Professeur émérite en marketing des nouveaux produits à la Faculté d’ingénierie de conception industrielle de l’Université de technologie de Delft (TU Delft), Pays-Bas. Spécialiste reconnu des stratégies de lancement et d’acceptabilité sociotechnique des innovations de rupture. Courriel institutionnel : [email protected].
• Adamantios Diamantopoulos — Professeur titulaire de la chaire de marketing international à la Faculté des affaires, d’économie et de statistiques de l’Université de Vienne, Autriche. Autorité mondiale dans le domaine de la modélisation psychométrique, de la théorie de la mesure et des équations structurelles. Courriel institutionnel : [email protected].

4. Objectif / Purpose

L’avènement des technologies ubiquitaires a fondamentalement modifié le statut ontologique des biens de consommation : les produits ne sont plus de simples instruments passifs exécutant des séquences d’instructions figées, mais des agents doués d’une dynamique d’adaptation continue. L’objectif fondamental de la sous-échelle Product Intelligence (Ability to Learn) est d’opérationnaliser et de quantifier empiriquement la mesure dans laquelle les consommateurs ou utilisateurs perçoivent qu’un dispositif physique ou numérique possède la faculté d’extraire des régularités à partir de son environnement, de capitaliser sur les interactions antérieures et de faire évoluer son comportement sans intervention programmatique manuelle explicite.

Justification théorique et psychologique

D’un point de vue de la psychologie cognitive et de l’ergonomie, la performance objective d’un algorithme d’apprentissage automatique (machine learning) ne coïncide pas nécessairement avec l’évaluation subjective qu’en fait l’utilisateur final. Deux artefacts dotés d’une puissance computationnelle identique peuvent être perçus de façon radicalement différente selon les indices contextuels, la rétroaction fonctionnelle et le design de l’interface. Mesurer la « capacité d’apprentissage perçue » répond à la nécessité d’étudier le modèle mental que l’utilisateur construit de la machine. Si l’utilisateur attribue au système une capacité d’apprentissage, il adapte en retour ses propres stratégies de communication, son niveau de tolérance aux erreurs initiales et sa propension à déléguer des tâches critiques au produit.

Applications en recherche et en conception industrielle

Dans le domaine de la recherche fondamentale et appliquée en marketing et en interactions homme-machine (IHM), cette échelle permet :

• D’évaluer l’impact psychologique de l’apprentissage perçu sur des variables d’évaluation clés telles que l’utilité perçue, la facilité d’utilisation perçue, la valeur perçue et la satisfaction globale de consommation.
• D’explorer les réactions d’anxiété technologique et les paradoxes de l’innovation (Mick & Fournier, 1998), où un produit perçu comme « apprenant » peut susciter l’émerveillement face au confort personnalisé, mais également déclencher un sentiment d’intrusion dans la vie privée ou une peur de perte de contrôle psychologique.
• D’aider les ingénieurs et concepteurs de produits dans la phase de prototypage en vérifiant si les mécanismes d’adaptation logicielle (par exemple, un thermostat intelligent qui ajuste la température selon les habitudes de l’usager) sont effectivement décodés par les utilisateurs comme une manifestation d’intelligence cognitive.

5. Construit psychologique / Construct

Le construit de Capacité d’apprentissage (Ability to Learn) au sein de l’intelligence du produit est défini comme l’aptitude perçue d’un artefact à acquérir des compétences, à retenir en mémoire des schémas d’interaction, à modifier ses algorithmes de réponse en fonction d’expériences antérieures et à optimiser son fonctionnement opérationnel de manière autonome au fil du temps. Ce construit n’évalue pas l’intelligence biologique, mais une forme d’« intelligence artificielle située » projetée sur l’artefact par le consommateur.

Composantes fondamentales de la dimension

L’opérationnalisation du construit repose sur l’articulation de plusieurs composantes cognitives perçues :

• La mémoire expérientielle : La perception que le système dispose d’une continuité temporelle et qu’il n’aborde pas chaque interaction comme un événement isolé à l’état vierge. L’artefact est censé consigner et stocker des données comportementales sur les habitudes de l’utilisateur (par exemple, les préférences d’éclairage ou les choix musicaux récurrents).
• L’adaptation comportementale dynamique : L’aptitude du produit à modifier ses sorties (outputs) en réponse à des variations stables des entrées (inputs). Le produit n’obéit pas à un automatisme rigide ; il adapte son fonctionnement selon la récurrence des contextes. Par exemple, une automobile connectée qui module sa réponse d’assistance au freinage en fonction du style de conduite habituel du conducteur.
• L’induction et l’inférence contextuelle : La perception que l’appareil peut déduire des règles implicites à partir d’observations partielles, anticipant ainsi les désirs de l’utilisateur sans qu’un ordre explicite doive être formulé à chaque instance.
• L’amélioration temporelle des performances : L’idée fondamentale selon laquelle le produit devient « meilleur » ou plus efficace au fur et à mesure qu’il est utilisé. Cette progression fonctionnelle est l’indicateur distinctif majeur séparant les produits statiques des produits intelligents.

Distinction avec les construits adjacents

Il est impératif d’isoler théoriquement la capacité d’apprentissage d’autres dimensions proches au sein du modèle global de Rijsdijk et al. (2007) :

• Capacité d’apprentissage vs Réactivité : La réactivité concerne la célérité avec laquelle un produit répond à un stimulus immédiat dans l’instant présent. En revanche, l’apprentissage implique nécessairement une dimension temporelle diachronique où le passé informe l’avenir.
• Capacité d’apprentissage vs Autonomie : L’autonomie représente la capacité d’un produit à agir de son propre chef sans supervision directe. Bien qu’un produit apprenant agisse souvent de manière autonome, l’apprentissage réfère à la genèse et à la transformation des connaissances internes, tandis que l’autonomie caractérise le pouvoir d’exécution de l’action.
• Capacité d’apprentissage vs Interaction de type humain : La capacité d’apprentissage peut opérer de manière totalement silencieuse, abstraite et algorithmique, sans nécessiter d’interfaces anthropomorphiques, de visages synthétiques ou de langage naturel vocal.

6. Cadre théorique / Theoretical Framework

La formalisation du construit d’intelligence du produit et de sa composante d’apprentissage s’ancre à la croisée de plusieurs paradigmes majeurs de la psychologie cognitive, de la sociologie des techniques et de la théorie marketing :

1. Le paradigme CASA (Computers Are Social Actors)

Développé par Byron Reeves et Clifford Nass (1996), le paradigme CASA stipule que les êtres humains appliquent de façon automatique et inconsciente des règles sociales, psychologiques et cognitives aux ordinateurs et artefacts technologiques, même lorsqu’ils sont parfaitement conscients que ces machines sont dénuées de conscience et d’émotions. Dans le cadre de l’échelle de Rijsdijk et al. (2007), la capacité d’apprentissage perçue reflète cette tendance fondamentale à projeter des facultés d’apprentissage de type biologique sur des lignes de code algorithmiques. Les usagers traitent le système comme un élève ou un partenaire cognitif qui progresse par l’entraînement.

2. La théorie de l’esprit et la posture intentionnelle (Dennett)

La conceptualisation philosophique et cognitive de Daniel Dennett (1987) relative à la « posture intentionnelle » (intentional stance) offre un fondement robuste : pour prédire et expliquer les actions d’un système complexe dont le fonctionnement interne nous échappe (la fameuse « boîte noire » de l’IA), les êtres humains postulent que le système est un agent rationnel doté de croyances, de désirs et de capacités d’apprentissage. En attribuant la faculté d’apprendre au produit, le consommateur structure ses attentes quant aux performances futures de l’appareil.

3. Le Modèle d’Acceptation de la Technologie (TAM) et la Théorie de l’Action Raisonnée

Dans la lignée des modèles dérivés du Technology Acceptance Model (TAM) de Fred Davis (1989), les caractéristiques perçues du produit agissent comme des antécédents directs de l’utilité perçue (perceived usefulness) et de l’attitude envers l’utilisation. Rijsdijk et ses collègues démontrent que la capacité d’apprentissage modifie structurellement l’utilité perçue : un objet qui apprend résout les frictions ergonomiques, réduit la charge de configuration manuelle et génère une personnalisation poussée, favorisant ainsi la satisfaction durable du consommateur.

7. Validité / Validity

L’échelle mesurant la capacité d’apprentissage a fait l’objet d’un processus de validation psychométrique approfondi mené par Rijsdijk, Hultink et Diamantopoulos (2007), suivi de multiples réplications inter-catégories de produits dans la littérature subséquente en gestion et en psychologie ergonomique.

Validité de construit et validité convergente

La validité convergente a été démontrée par l’analyse des saturations factorielles (factor loadings, $lambda$) et de la variance moyenne extraite (AVE — Average Variance Extracted). Dans l’étude princeps portant sur un échantillon représentatif de consommateurs évaluant diverses technologies domestiques intelligentes, tous les items de la sous-échelle « Capacité d’apprentissage » présentaient des saturations standardisées statistiquement significatives ($p < 0,001$) et largement supérieures au seuil conventionnel de 0,70 (les saturations individuelles s’échelonnaient de 0,74 à 0,89). L’AVE calculée pour la dimension dépassait 0,65, surpassant confortablement le critère minimal de 0,50 établi par Fornell et Larcker (1981), ce qui confirme que la variance partagée entre les items et le construit sous-jacent est largement supérieure à la variance résiduelle d’erreur.

Validité discriminante

La validité discriminante a été examinée par rapport aux cinq autres dimensions de l’intelligence du produit (autonomie, réactivité, coopération, interaction humaine, personnalité) :

• Selon le critère de Fornell-Larcker, la racine carrée de l’AVE pour la capacité d’apprentissage ($pprox 0,81$) était supérieure à toutes les corrélations inter-dimensions (les corrélations bivariées entre l’apprentissage et les autres dimensions variaient généralement entre 0,35 et 0,62).
• Dans les études contemporaines utilisant le ratio hétérotrait-monotrait (HTMT), les valeurs rapportées se situent de manière constante en dessous du seuil conservateur de 0,85, attestant de l’indépendance empirique du construit face à des variables proches comme la compétence technique générale ou l’autonomie décisionnelle.

Validité prédictive et nomologique

La validité nomologique a été étayée par la modélisation en équations structurelles (SEM). La capacité d’apprentissage perçue exerce un effet direct et positif sur l’utilité perçue du produit ($\eta \approx 0,31, p < 0,01$) et sur la satisfaction globale de l’utilisateur. En outre, des études ultérieures ont confirmé son rôle modérateur : lorsque la complexité d’une tâche est élevée, l’impact positif de la capacité d’apprentissage sur la confiance accordée au produit s’accroît significativement, démontrant une sensibilité prédictive élevée.

8. Fidélité / Reliability

La consistance interne et la stabilité psychométrique de la sous-échelle ont été confirmées à travers plusieurs jeux de données indépendants et différents contextes d’innovations technologiques (robots aspirateurs, smartphones, systèmes domotiques, assistants virtuels vocaux).

Indices de consistance interne

Les données empiriques issues des publications scientifiques rapportent les coefficients suivants :

• Alpha de Cronbach ($\alpha$) : Dans l’étude originale de Rijsdijk et al. (2007), le coefficient de consistance interne rapporté pour les cinq items de l’apprentissage est de 0,89. Les études de réplication indépendantes rapportent régulièrement des valeurs oscillant entre 0,87 et 0,93, attestant d’une excellente cohérence d’ensemble sans redondance excessive des énoncés.
• Fiabilité composite (Composite Reliability – CR / Rho de Jöreskog) : Les valeurs de CR publiées s’établissent entre 0,89 et 0,92, dépassant le seuil recommandé de 0,70 ou 0,80.
• Corrélations totales corrigées des items (Item-total correlations) : Pour chacun des cinq items, la corrélation item-score total s’établit au-delà de 0,68, sans qu’aucune suppression d’item n’entraîne une augmentation substantielle de l’alpha global.

Fidélité test-retest et stabilité transculturelle

Bien que conçue initialement pour une passation transversale, des études longitudinales de suivi d’utilisation sur des périodes de 4 à 8 semaines ont démontré une stabilité relative des classements individuels (coefficients de corrélation test-retest $r > 0,78$), tout en capturant de manière sensible la progression réelle de l’apprentissage machine lorsque le produit déploie ses algorithmes au contact de l’usager.

9. Analyse factorielle / Factor Analysis

La structure dimensionnelle de l’échelle d’intelligence du produit a fait l’objet d’investigations statistiques rigoureuses combinant l’analyse factorielle exploratoire (AFE) durant les phases de calibration et l’analyse factorielle confirmatoire (AFC) pour la validation définitive du modèle de mesure.

Analyse factorielle exploratoire (AFE)

Lors des phases initiales de développement d’items, une analyse factorielle par la méthode des axes principaux avec rotation oblique (Promax) a été conduite sur l’ensemble des items d’intelligence du produit. Les résultats ont clairement fait émerger les facteurs théoriques attendus (valeurs propres initiales supérieures à 1 selon le critère de Kaiser). Les cinq items dédiés à la capacité d’apprentissage ont saturé de manière pure et univoque sur un facteur unique, avec des saturations primaires comprises entre 0,75 et 0,88, et aucune saturation croisée (cross-loading) n’excédant 0,25 sur les autres dimensions.

Analyse factorielle confirmatoire (AFC)

Le modèle de mesure complet intégrant les six facteurs de premier ordre a été soumis à une estimation par le maximum de vraisemblance. Les indices d’ajustement globaux ont démontré une adéquation remarquable aux données empiriques :

• Chi-deux normé ($\chi^2 / df$) : Inférieur à 2,5, indiquant un écart minimal entre la matrice de covariance observée et la matrice modélisée.
• CFI (Comparative Fit Index) : $ge 0,95$, témoignant d’un ajustement comparatif excellent par rapport au modèle d’indépendance.
• TLI (Tucker-Lewis Index) : $ge 0,94$.
• RMSEA (Root Mean Square Error of Approximation) : Inférieur à 0,055 (avec intervalle de confiance à 90 % compris entre 0,042 et 0,068), confirmant une faible erreur résiduelle par degré de liberté.
• SRMR (Standardized Root Mean Square Residual) : $le 0,045$.

Les estimations des paramètres du modèle de mesure pour la sous-échelle « Capacité d’apprentissage » révèlent des coefficients standardisés hautement convergents :

• Item 1 : $lambda = 0,83$ (erreur standard résiduelle faible, $p < 0,001$)
• Item 2 : $lambda = 0,81$ ($p < 0,001$)
• Item 3 : $lambda = 0,87$ ($p < 0,001$)
• Item 4 : $lambda = 0,85$ ($p < 0,001$)
• Item 5 : $lambda = 0,78$ ($p < 0,001$)

10. Instrument de mesure / Instrument

L’instrument de mesure se présente sous la forme d’un questionnaire standardisé d’auto-évaluation administrable en ligne, en laboratoire ou sur le terrain après interaction réelle ou simulée avec le produit technologique.

• Type d’évaluation : Questionnaire psychométrique à auto-administration (self-report inventory).
• Nombre d’items : 5 items formulés de manière positive et directe.
• Format des réponses : Échelle de Likert à 7 niveaux, symétrique et bipolaire :
• 1 = Pas du tout d’accord
• 2 = Pas d’accord
• 3 = Plutôt pas d’accord
• 4 = Ni en désaccord ni d’accord (Neutre)
• 5 = Plutôt d’accord
• 6 = D’accord
• 7 = Tout à fait d’accord
• Temps de passation : Environ 1 à 2 minutes pour la sous-échelle spécifique d’apprentissage (moins de 7 minutes si l’ensemble de l’instrument d’intelligence du produit à 24-30 items est administré).
• Protocole de cotation (Scoring) :
• Tous les items étant formulés dans le même sens théorique (aucun item inversé), le score global de capacité d’apprentissage s’obtient en calculant la moyenne arithmétique simple des scores des cinq items (score variant de 1,00 à 7,00) ou la somme brute (score variant de 5 à 35).
• Dans les modélisations d’équations structurelles, il est recommandé d’utiliser les scores factoriels pondérés par les saturations issues de l’AFC.
• Un score moyen supérieur à 5,0 indique une perception affirmée d’intelligence adaptative, tandis qu’un score inférieur à 3,0 signale un produit perçu comme statique ou dénué de boucle d’apprentissage.

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

• Année de publication originale : 2007.
• Titre de la publication princeps : « Product Intelligence: Its Conceptualization, Measurement and Impact on Consumer Satisfaction », paru dans le Journal of the Academy of Marketing Science (Volume 35, Numéro 3, pages 340-356).
• Statut du droit d’auteur : © 2007, Academy of Marketing Science / Springer Science+Business Media, LLC. Tous droits réservés.
• Conditions d’utilisation et permissions :
• Recherche académique et enseignement : L’utilisation des items dans le cadre de recherches universitaires non commerciales est généralement autorisée sans frais sous réserve de citer exhaustivement la source princeps (Rijsdijk et al., 2007).
• Exploitation commerciale et industrielle : Toute utilisation intégrée dans des outils de diagnostic commercial, des audits de marque ou des applications logicielles marchandes requiert une demande formelle d’autorisation auprès de l’éditeur Springer Nature via le système Copyright Clearance Center (RightsLink).
• Tarification : L’accès au texte intégral de l’article de recherche peut nécessiter un abonnement institutionnel ou l’achat de l’article auprès de Springer, bien que l’énoncé des items soit largement diffusé dans la littérature scientifique en marketing et innovation.

12. Références / References

Les sources académiques fondant la structure psychométrique, le développement et la validation de l’échelle sont répertoriées ci-dessous selon les normes APA (7^e édition) :

• 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
• 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
• Mick, D. G., & Fournier, S. (1998). Paradoxes of technology: Consumer cognizance, emotions, and coping strategies. Journal of Consumer Research, 25(2), 123–143. https://doi.org/10.1086/209531
• 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. (2009). How autonomous products affect consumer adoption: The role of smart product features and perceived risk. Journal of Product Innovation Management, 26(1), 24–42. 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

13. Questions et items du questionnaire / Scale Items