📈 economics

Behavioral Pathways Behind Students’ Willingness to Pay for GenAI in Higher Education

Cette étude utilise le Modèle d'Acceptation de la Technologie pour démontrer que la volonté des étudiants de premier cycle de payer pour des outils d'IA générative dans l'enseignement supérieur est dictée par la facilité d'utilisation et l'utilité perçues, lesquelles favorisent les intentions comportementales qui se traduisent finalement par un engagement financier.

Auteurs originaux : Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Publié 2026-07-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Suraksha Baral, Sudarshan Adhikari, Emily Buck, Prerana Khatiwada

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Pourquoi les étudiants paieraient-ils pour l'IA ?

Imaginez l'IA générative (comme ChatGPT) comme un nouvel accessoire de cuisine magique. Elle peut couper les légumes, mélanger les sauces et même écrire des recettes pour vous. En ce moment, la plupart des étudiants utilisent la version « essai gratuit » de cet accessoire. Ils l'adorent, mais ils ne paient pas pour l'utiliser.

Cette étude a posé une question simple : Qu'est-ce qui pousse un étudiant à décider de sortir son portefeuille et à payer un abonnement mensuel pour cet accessoire ?

Les chercheurs ne se sont pas contentés de demander : « Est-ce que vous aimez ça ? ». Ils ont examiné les étapes mentales qu'un étudiant traverse avant d'être prêt à dépenser de l'argent. Ils ont utilisé un cadre psychologique classique appelé le Modèle d'Acceptation de la Technologie (TAM), qui est comme une recette pour comprendre comment les gens décident d'utiliser une nouvelle technologie.

Le processus de paiement en trois étapes

L'étude a révélé que les étudiants ne décident pas de payer du jour au lendemain. Ils passent par une réaction en chaîne spécifique, comme des dominos qui tombent. Voici comment cela fonctionne :

1. Le bouton « Facilité » (Perception de la facilité d'utilisation)

Le concept : L'accessoire est-il difficile à comprendre ? Nécessite-t-il un manuel, ou peut-on simplement le prendre en main et commencer à cuisiner ?
Le constat : Si l'outil d'IA semble fluide, simple et intuitif, les étudiants sont plus susceptibles de se dire : « Hé, c'est vraiment utile ».
L'analogie : Pensez à une nouvelle manette de jeu vidéo. Si les boutons sont collants et confus, vous ne penserez pas que le jeu est amusant. Mais si la manette semble être une extension de votre main, vous commencerez à croire que le jeu vaut la peine d'être joué.

2. Le « Test de Valeur » (Perception de l'utilité)

Le concept : Cet outil m'aide-t-il réellement à faire mes devoirs plus vite ou mieux ?
Le constat : C'est l'étape la plus importante. Les étudiants ne paient que s'ils sentent que l'outil les aide véritablement à obtenir de meilleures notes ou à gagner du temps.
L'analogie : Ce n'est pas parce qu'une voiture est facile à conduire (Étape 1) que vous l'achèterez. Vous devez croire qu'elle vous amènera au travail à l'heure et vous fera économiser de l'essence (Étape 2). L'étude a montré que la « facilité d'utilisation » ne mène à la « volonté de payer » que si elle convainc d'abord l'étudiant que l'outil est réellement utile.

3. L'« Engagement » (Intention comportementale)

Le concept : Est-ce que je prévois de continuer à utiliser cet outil la semaine prochaine, le mois prochain et le semestre prochain ?
Le constat : Une fois que les étudiants voient que l'outil est facile et utile, ils forment un plan pour continuer à l'utiliser. Ce plan est le pont vers le paiement.
L'analogie : C'est comme décider de s'inscrire dans une salle de sport. Vous essayez l'équipement (Facile), vous réalisez qu'il vous aide à rester en forme (Utile), puis vous décidez : « J'irai là-bas tous les mardis » (Intention).

Le résultat final : La volonté de payer

Le constat : Ce n'est qu'après avoir décidé qu'ils continueront à utiliser l'outil que les étudiants envisagent de payer.
Le rappel à la réalité : L'étude a révélé un fossé énorme. Bien que les étudiants adorent utiliser ces outils, seuls environ 43 % d'entre eux ont déclaré qu'ils seraient prêts à payer pour eux. Le montant moyen qu'ils étaient prêts à payer était de 5,71 $ par mois.
Le problème : Les véritables abonnements premium pour des outils comme ChatGPT Plus, Grammarly et GitHub Copilot coûtent bien plus cher que ces 5,71 $ cumulés. C'est comme si les étudiants disaient : « Nous adorons cette voiture, mais nous ne paierons que 5 $ par mois pour l'essence, même si elle en coûte 40 ».

Ce que l'étude ne dit PAS (et ce qu'elle dit réellement)

Elle ne dit pas : « Les universités devraient forcer les étudiants à payer ».
- Elle dit en réalité : Les étudiants dépendent actuellement des versions gratuites. Si les universités veulent que les étudiants paient, les outils doivent prouver qu'ils sont indispensables.
Elle ne dit pas : « L'IA est parfaite ».
- Elle dit en réalité : Les étudiants sont prêts à payer seulement quand l'outil améliore de manière fiable leur travail. Si l'outil est buggé ou difficile à utiliser, ils ne paieront pas.
Elle ne dit pas : « Cela s'applique à tout le monde ».
- Elle dit en réalité : Cette étude a porté sur 121 étudiants de premier cycle dans une université américaine. C'est un instantané d'un groupe spécifique, pas une règle pour le monde entier.

À retenir

Considérez cette étude comme une carte du portefeuille d'un étudiant. Elle montre que les étudiants ne paient pas pour l'IA parce qu'elle est « cool » ou « facile ». Ils paient parce qu'ils sont tombés dans une routine où l'outil est essentiel à leur réussite.

Le chemin vers le portefeuille de l'étudiant ressemble à ceci :

C'est facile à utiliser $\rightarrow$
Cela m'aide à apprendre $\rightarrow$
Je prévois de l'utiliser pour toujours $\rightarrow$
D'accord, je vais payer.

Si l'un des maillons de la chaîne est brisé (par exemple, si l'outil est facile mais n'aide pas réellement pour les devoirs), l'étudiant restera joyeusement fidèle à la version gratuite. L'étude suggère que pour que les universités et les entreprises incitent les étudiants à payer, elles doivent se concentrer sur la création d'outils si utiles que les étudiants sentent qu'ils ne peuvent pas faire leurs études sans eux.

Résumé technique : Les parcours comportementaux derrière la volonté de payer des étudiants pour l'IA générative dans l'enseignement supérieur

Énoncé du problème
Alors que l'intelligence artificielle générative (IA générative) s'intègre rapidement dans l'enseignement supérieur, la littérature existante se concentre principalement sur les intentions d'utilisation ou l'adoption autodéclarée. Ces mesures ne parviennent pas à capturer la profondeur de l'engagement des étudiants, particulièrement en ce qui concerne l'investissement financier. Contrairement aux technologies sous licence institutionnelle (par exemple, les systèmes de gestion de l'apprentissage) ou aux outils supplémentaires, l'IA générative occupe un espace ambigu caractérisé par une adaptabilité générative, une opacité algorithmique et des écosystèmes à deux niveaux (gratuit vs premium). Par conséquent, il existe une lacune critique dans la compréhension des mécanismes qui traduisent les perceptions de l'IA générative par les étudiants en une volonté de payer (VDP). Cette étude répond au manque de preuves systématiques concernant la manière dont les étudiants évaluent la valeur économique des outils d'IA générative et si leurs intentions comportementales d'utiliser ces outils se traduisent par un engagement financier réel.

Méthodologie
L'étude utilise un plan quantitatif transversal utilisant le Modèle d'Acceptation de la Technologie (TAM) étendu pour inclure les résultats économiques.

Échantillon : Les données ont été collectées via un sondage en ligne auprès de 121 étudiants de premier cycle d'une grande université publique aux États-Unis. L'échantillon comprenait une majorité de participantes féminines (72,7 %) avec un âge moyen de 20,78 ans. La plupart des participants (93,4 %) avaient une expérience préalable de l'IA générative, principalement ChatGPT.
Instrument : Le sondage a mesuré quatre construits latents basés sur le TAM : la facilité d'utilisation perçue (FUP), l'utilité perçue (UP), l'intention comportementale (IC) et la volonté de payer (VDP). La FUP, l'UP et l'IC ont été mesurées à l'aide d'échelles de Likert à 5 points multi-items adaptées de la littérature antérieure. La VDP a été mesurée comme une valeur monétaire concrète à item unique (mensuelle en USD), formulée comme le montant maximum que les étudiants paieraient si l'accès gratuit était supprimé.
Analyse : Les données ont été analysées à l'aide de la modélisation par équations structurelles par les moindres carrés partiels (PLS-SEM). Cette approche a été choisie pour sa pertinence en matière de modélisation prédictive et sa capacité à gérer des parcours de médiation complexes avec la taille de l'échantillon donnée. L'analyse a évalué la fiabilité des indicateurs, la cohérence interne, la validité convergente et la validité discriminante (en utilisant les critères de Fornell-Larcel et les ratios HTMT) avant de tester le modèle structurel via le bootstrapping (5 000 rééchantillonnages).

Résultats clés
L'analyse du modèle structurel a produit des résultats significatifs soutenant les hypothèses proposées :

Effets directs :
- FUP $\to$ UP : La facilité d'utilisation perçue prédit de manière positive et significative l'utilité perçue ( $\beta = 0,61, p < ,01$ ).
- UP $\to$ IC : L'utilité perçue prédit fortement l'intention comportementale d'utiliser l'IA générative ( $\beta = 0,73, p < ,01$ ).
- IC $\to$ VDP : L'intention comportementale prédit positivement la volonté de payer ( $\beta = 0,45, p < ,01$ ).
Effets de médiation :
- L'étude a confirmé que la FUP n'influence pas directement la VDP. Au lieu de cela, son effet est entièrement médiatisé par l'UP et l'IC.
- H4 : L'UP médie la relation entre la FUP et l'IC.
- H5 : L'IC médie la relation entre l'UP et la VDP.
- H6 : Un chemin de médiation sérielle existe où la FUP influence la VDP à travers la chaîne de l'UP et de l'IC ( $\beta = 0,20, p < ,01$ ).
Ajustement du modèle et pouvoir explicatif :
- Le modèle présente un bon ajustement (SRMR = 0,062).
- La FUP explique 35,2 % de la variance de l'UP.
- L'UP explique 53,4 % de la variance de l'IC.
- L'IC explique 20,4 % de la variance de la VDP.
- Tous les construits endogènes présentent une pertinence prédictive positive ( $Q^2 > 0$ ).
Résultats descriptifs :
- Malgré des taux d'utilisation élevés, seuls 43 % des participants ont exprimé une volonté de payer.
- La VDP moyenne était de 5,71 $ par mois, ce qui est nettement inférieur au coût cumulé des versions premium des outils courants (par exemple, ChatGPT Plus, Grammarly, Cop copilot), indiquant une dépendance aux versions gratuites ou aux subventions institutionnelles.

Contributions clés

Extension théorique : L'étude étend le Modèle d'Acceptation de la Technologie (TAM) en incorporant la Volonté de Payer comme un résultat comportemental en aval dans le contexte de l'IA générative. Elle valide la logique séquentielle du TAM (FUP $\to$ UP $\to$ IC $\to$ VDP) même lorsque le résultat passe de l'adoption à l'engagement économique.
Clarification des mécanismes : Elle élucide le fait que la facilité d'utilisation seule est insuffisante pour stimuler le paiement ; elle doit d'abord améliorer les perceptions d'utilité, qui favorisent ensuite l'intention comportementale, menant finalement à l'engagement financier.
Preuve empirique : Elle constitue l'un des premiers examens empiriques de l'écart entre l'utilisation de l'IA générative et la volonté de payer dans l'enseignement supérieur, mettant en évidence les dynamiques économiques spécifiques des écosystèmes d'IA à deux niveaux.

Signification et revendications
L'article affirme que ses conclusions offrent des orientations critiques pour les universités, les fournisseurs de services d'IA et les développeurs concernant les politiques de tarification et de gouvernance.

Pour les institutions : Les résultats suggèrent que les abonnements institutionnels devraient être négociés avant que les étudiants ne développent des dépendances de paiement individuelles. Compter sur les étudiants pour payer individuellement après l'adoption peut échouer en raison d'une faible VDP et de l'« effet d'ancrage » de l'accès gratuit. De plus, les institutions doivent fournir des directives claires sur l'utilisation éthique, car les cadres d'utilisation responsable peuvent influencer la décision de payer pour des versions premium plus fiables.
Pour les développeurs : Les modèles de tarification doivent s'aligner sur la réalité économique des étudiants. L'étude indique que les étudiants ne sont prêts à payer que lorsque les outils démontrent une valeur académique claire et durable qui justifie le coût au-delà des alternatives gratuites. Des améliorations de la précision, de la personnalisation et de l'intégration des flux de travail sont nécessaires pour convertir l'intention d'utilisation en paiement.
Implications pour l'équité : Les auteurs mettent en garde contre le fait que, sans action institutionnelle délibérée pour traiter le désalignement des prix, la transition vers des fonctionnalités d'IA générative payantes risque d'accentuer les inégalités éducatives, car les versions gratuites pourraient stagner tandis que les capacités premium offriraient un soutien à l'apprentissage supérieur.

L'étude conclut que bien que le TAM reste un cadre robuste pour comprendre l'adoption de l'IA générative, les caractéristiques uniques de l'IA générative (générativité, opacité et accès à deux niveaux) nécessitent des interventions politiques spécifiques pour assurer un accès équitable et une adoption durable.

La vue d'ensemble : Pourquoi les étudiants paieraient-ils pour l'IA ?

Le processus de paiement en trois étapes

Ce que l'étude ne dit PAS (et ce qu'elle dit réellement)

À retenir

Résumé technique : Les parcours comportementaux derrière la volonté de payer des étudiants pour l'IA générative dans l'enseignement supérieur

Articles similaires