📈 economics

Artificial Intelligence in Online Shopping and its Impact on Customer Loyalty: An Integration of TAM and TPB

Cette étude valide empiriquement un cadre intégré TAM-TPB en utilisant des données provenant de 512 acheteurs en ligne indiens pour démontrer que les perceptions de l'IA, particulièrement l'intelligence et la personnalisation, stimulent la fidélité des clients par le biais de la médiation séquentielle de l'utilité perçue, de l'attitude envers l'achat via l'IA et de l'intention d'achat.

Auteurs originaux : Doddahulugappa Goutam, Shirshendu Ganguli

Publié 2026-07-07

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Doddahulugappa Goutam, Shirshendu Ganguli

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

Imaginez que vous entriez dans un supermarché immense et chaotique où les allées s'étendent sur des kilomètres, où les étagères sont remplies de millions de produits et où le personnel est invisible. C'est le shopping en ligne. Maintenant, imaginez un assistant invisible et super intelligent nommé « IA » qui vous suit partout, sait exactement ce que vous aimez et vous aide à trouver les choses instantanément.

Cet article de recherche pose une question simple mais cruciale : le fait d'avoir cet assistant intelligent fait-il de vous un client fidèle qui revient régulièrement, ou cela vous fait-il simplement acheter une fois puis partir ?

Les auteurs, étudiant les acheteurs en Inde, ont élaboré une « recette » pour comprendre comment cela fonctionne. Ils ont combiné deux théories psychologiques célèbres (TAM et TPB) pour créer une carte de l'esprit du client. Voici la décomposition de leurs découvertes en utilisant des analogies simples.

Les quatre ingrédients (les fonctionnalités de l'IA)

Les chercheurs ont découvert que quatre « saveurs » spécifiques de l'expérience de l'IA déterminent à quel point un acheteur pense que le système est utile :

L'intelligence perçue (Le « Cerveau ») : C'est la mesure de l'intelligence de l'IA. Comprend-elle votre contexte ? Apprend-elle vos préférences ?
- Analogie : C'est la différence entre un distributeur automatique qui ne vous donne un soda que lorsque vous appuyez sur « A1 » et un chef personnel qui sait que vous détestez la coriandre et vous suggère un plat que vous allez réellement aimer. Plus l'IA semble intelligente, plus elle semble utile.
La qualité de la personnalisation (Le « Tailleur ») : C'est la capacité de l'IA à personnaliser l'expérience pour vous.
- Analogie : Imaginez entrer dans un magasin où les mannequins sont habillés exactement à votre taille et à votre style, et où la musique est votre genre préféré. Si l'IA parvient à proposer les bonnes recommandations, cela ressemble à un costume sur mesure ; si elle se trompe, cela ressemble à porter les vêtements de quelqu'un d'autre.
L'interactivité (La « Conversation ») : C'est la mesure de la fluidité et de la réactivité du chat.
- Analogie : L'IA est-elle comme un robot cassé qui ne dit que « Erreur », ou est-elle comme un boutiquier amical qui écoute, hoche la tête et répond à vos questions en temps réel ?
La confiance générée par l'IA (La « Poignée de main ») : C'est la question de savoir si vous croyez que l'IA est honnête et sécurisée avec vos données.
- Analogie : C'est le sentiment que vous éprouvez lorsque vous remettez votre carte de crédit à un étranger. Si vous lui faites confiance, vous vous sentez en sécurité. Si vous ne le faites pas, vous retirez votre main.

La réaction en chaîne (Comment la fidélité se construit)

L'article soutient que ces quatre ingrédients ne créent pas la fidélité par magie. Au lieu de cela, ils déclenchent un effet domino (une chaîne séquentielle) :

Étape 1 : Le sentiment d'« Utilité » (Cognitif)
D'abord, l'intelligence et la personnalisation de l'IA font que l'acheteur se dit : « Wow, cela me fait gagner du temps et m'aide à trouver ce dont j'ai besoin. » C'est la Utilité Perçue.
- Métaphore : Vous réalisez que le GPS de votre voiture vous aide réellement à éviter les embouteillages, au lieu de simplement afficher une carte.
Étape 2 : Le sentiment d'« Appréciation » (Attitude)
Une fois que l'acheteur réalise que l'IA est utile, il commence à apprécier l'expérience. Il éprouve des émotions positives envers l'utilisation de l'IA.
- Métaphore : Parce que le GPS vous a fait gagner du temps, vous commencez à apprécier l'utilisation du GPS. Vous développez une affection pour l'outil.
Étape 3 : Le sentiment de « Vouloir acheter » (Intention)
Parce qu'ils aiment l'expérience, ils forment une intention d'achat forte.
- Métaphore : Vous décidez : « Je vais utiliser ce GPS à nouveau pour mon prochain voyage. »
Étape 4 : La « Fidélité » (Le Résultat)
Enfin, cette intention se transforme en Fidélité Client. Vous n'achetez pas seulement une fois ; vous revenez régulièrement et en parlez à vos amis.
- Métaphore : Vous devenez un ambassadeur de marque pour cette application GPS.

Les conclusions clés (Ce que les données ont dit)

Les chercheurs ont interrogé 512 acheteurs en ligne en Inde et ont analysé les chiffres. Voici ce qu'ils ont découvert :

L'Intelligence est Reine : Le facteur le plus important qui a fait sentir aux gens que l'IA était « utile » était la façon dont l'IA semblait intelligente. Si l'IA agit bêtement, rien d'autre ne compte.
La Confiance est le Liant : La confiance n'a pas seulement aidé les gens à acheter ; c'était le facteur le plus fort pour leur faire apprécier l'expérience d'achat par l'IA. Dans un marché où les gens s'inquiètent de la confidentialité des données, la confiance est le fondement d'une bonne attitude.
Le facteur « Appréciation » est crucial : L'étude a montré que l'Attitude (à quel point vous aimez l'IA) est le prédicteur le plus puissant de votre intention réelle d'achat. Il ne suffit pas que l'IA soit utile ; il faut que vous appréciez son utilisation.
C'est une chaîne, pas un saut : On ne peut pas sauter d'étapes. L'IA doit d'abord être utile, ce qui vous fait l'apprécier, ce qui vous donne envie d'acheter, ce qui vous rend fidèle. Si vous brisez la chaîne (par exemple, si l'IA est utile mais que vous ne lui faites pas confiance), la fidélité ne se produit pas.

L'essentiel

L'article conclut que pour fidéliser les clients, les boutiques en ligne ne peuvent pas se contenter d'ajouter un chatbot d'IA sur leur site web. Elles doivent construire un système qui semble intelligent, personnalisé, conversationnel et digne de confiance.

Si elles le font, le cerveau du client suit un parcours spécifique : « Ceci est utile » → « J'aime ceci » → « Je veux acheter » → « Je resterai fidèle ».

L'étude suggère que sur le marché indien (et probablement ailleurs), la qualité de l'expérience de l'IA elle-même est le nouveau programme de fidélité. Il ne s'agit plus de coupons ou de points ; il s'agit de la manière dont l'assistant numérique vous permet de vous sentir compris et en sécurité.

Résumé Technique : L'Intelligence Artificielle dans le Shopping en Ligne et son Impact sur la Fidélité des Clients

Énoncé du Problème et Lacune de la Recherche
L'intégration rapide de l'Intelligence Artificielle (IA) dans la vente au détail en ligne — englobant les moteurs de recommandation, les agents conversationnels et l'analyse prédictive — a redéfini le comportement des consommateurs. Cependant, la littérature reste théoriquement décousue concernant les mécanismes spécifiques par lesquels l'usage de l'IA se traduit en une fidélité client à long terme, particulièrement dans les marchés émergents comme l'Inde. Les études existantes ont tendance à isoler soit l'acceptation technologique (se concentrant sur les construits du TAM) soit les antécédents généraux de la fidélité, échouant à intégrer les perceptions spécifiques à l'IA (intelligence, personnalisation, interactivité, confiance) dans un modèle structurel unifié. De plus, le cheminement cognitif-attitudinal-volitionnel séquentiel reliant les perceptions de l'IA à la fidélité via l'utilité perçue, l'attitude et l'intention d'achat n'a pas été testé empiriquement. Cette étude comble ces lacunes en développant et en validant un cadre intégré combinant le Modèle d'Acceptation de la Technologie (TAM) et la Théorie du Comportement Planifié (TPB) dans le contexte de l'e-commerce indien.

Méthodologie
L'étude emploie un plan de recherche transversal déductif fondé sur une posture philosophique post-positiviste.

Collecte de Données : Les données primaires ont été recueillies via un sondage électronique (Google Forms) entre février et avril 2025. La population cible comprenait des adultes (18+) dans des villes métropolitaines et non métropolitaines de l'Inde ayant utilisé des fonctions basées sur l'IA (recommandations, chatbots, assistants virtuels) au moins deux fois au cours des trois mois précédents.
Échantillonnage : Une méthode d'échantillonnage intentionnel stratifié a été utilisée concernant les niveaux de villes et le genre. Sur 641 réponses initiales, 512 réponses valides ont été retenues pour l'analyse, répondant aux exigences de la Modélisation par Équations Structurelles basées sur la Covariance (CB-SEM).
Instrument : L'étude a utilisé des échelles réflexives multi-items basées sur des outils validés préalablement, mesurées sur une échelle de Likert à sept points. L'instrument a fait l'objet d'une évaluation professionnelle par six chercheurs et d'une étude pilote (n=48).
Analyse : Les données ont été analysées à l'aide d'IBM AMOS 26. La stratégie analytique a suivi un protocole en deux étapes : (1) l'Analyse Factorielle Confirmatoire (CFA) pour évaluer la fiabilité, la validité convergente (AVE > 0,50) et la validité discriminante (HTMT < 0,85) ; et (2) l'estimation du modèle structurel avec une analyse de médiation par bootstrapping (5 000 rééchantillonnages) pour tester les effets indirects séquentiels. Le biais de méthode commune a été évalué via le test du facteur unique de Harman et une approche par facteur latent.

Résultats Clés
Le modèle structurel a démontré d'excellents indices d'ajustement (CFI = 0,945, TLI = 0,940, RMSEA = 0,042) et a expliqué 3ارس 34,3 % de la variance de la fidélité client directement, le modèle intégré expliquant 68,3 % de la variance du construit de fidélité globalement.

Antécédents de l'Utilité Perçue : L'intelligence perçue est apparue comme le prédicteur le plus fort de l'utilité perçue ( $\beta$ = 0,217), suivie de la confiance induite par l'IA et de la qualité de la personnalisation. Cela suggère que les consommateurs évaluent l'utilité fonctionnelle de l'IA principalement sur sa capacité cognitive à comprendre le contexte et à apprendre les préférences.
Antécédents de l'Attitude : La qualité de la personnalisation, l'interactivité perçue, la confiance induite par l'IA et l'utilité perçue ont tous influencé de manière significative l'attitude envers le shopping par l'IA. Notamment, la confiance induite par l'IA est un prédicteur robuste de l'attitude, indiquant que la confiance dans l'intégrité du système est cruciale pour former des dispositions affectives positives.
Prédicteurs de l'Intention et de la Fidélité : L'attitude envers le shopping par l'IA a été identifiée comme le prédicteur le plus fort de l'intention d'achat ( $\beta$ = 0,163) et un fort prédicteur direct de la fidélité client ( $\beta$ = 0,335). L'intention d'achat influence également de manière significative la fidélité.
Médiation Séquentielle : L'analyse par bootstrapping a confirmé la chaîne de médiation séquentielle hypothétisée : Antécédents de l'IA $\rightarrow$ Utilité Perçue $\rightarrow$ Attitude envers le Shopping par l'IA $\rightarrow$ Intention d'Achat $\rightarrow$ Fidélité Client. Des voies spécifiques, telles que Intelligence Perçue $\rightarrow$ Utilité Perçue $\rightarrow$ Attitude $\rightarrow$ Intention $\rightarrow$ Fidélité, étaient statistiquement significatives. L'étude valide que l'utilité perçue et l'attitude agissent comme des médiateurs séquentiels nécessaires plutôt que comme des facteurs isolés.

Contributions Clés
L'article revendique quatre principales contributions théoriques :

Modèle d'Antécédent Multidimensionnel : Il étend le dyade traditionnel du TAM (utilité/facilité d'utilisation) en introduisant et en validant un modèle d'antécédent de l'IA à quatre dimensions (Intelligence Perçue, Qualité de la Personnalisation, Interactivité Perçue et Confiance induite par l'IA) spécifique aux interactions de vente au détail.
Architecture Séquentielle TAM-TPB : Il fournit le premier test empirique d'une architecture de médiation séquentielle dans un contexte de vente au détail médiatisé par l'IA, résolvant l'ambiguïté sur l'ordre des médiateurs cognitifs (utilité) et attitudinaux (attitude) dans la formation de la fidélité.
Rôle Pivot de l'Attitude : L'étude identifie l'« Attitude envers le Shopping par l'IA » comme le médiateur pivot, démontrant qu'elle est plus proximale à la formation de la fidélité que l'utilité perçue ou l'intention d'achat individuellement.
Sensibilité Contextuelle : En situant le modèle en Inde, la recherche apporte des connaissances contextuellement sensibles à une littérature dominée par des échantillons occidentaux et est-asiatiques, documentant les mécanismes IA-fidélité dans un marché émergent à haute incertitude, mobile-first et sensible aux prix.

Signification et Revendications
Les auteurs affirment que l'étude offre une base théorique validée pour de futures recherches sur la relation IA-fidélité dans divers contextes culturels. Sur le plan pratique, les résultats suggèrent que les développeurs de plateformes et les spécialistes du marketing doivent prioriser l'investissement dans la sophistication cognitive de l'IA (pour stimuler l'utilité perçue) et la qualité relationnelle des interactions (transparence, explicabilité et interactivité) afin de favoriser des attitudes positives. L'article conclut que, dans les contextes médiatisés par l'IA, la fidélité des clients est principalement façonnée par des facteurs cognitifs et attitudinaux dérivés de la qualité de l'expérience IA, plutôt que par de simples incitations transactionnelles. L'étude reconnaît modestement ses limites concernant son design transversal (empêchant l'inférence causale), un potentiel biais de méthode commune résiduel, et une représentation disproportionnée des consommateurs urbains et éduqués, suggérant de futures recherches longitudinales et axées sur les zones rurales.

Les quatre ingrédients (les fonctionnalités de l'IA)

La réaction en chaîne (Comment la fidélité se construit)

Les conclusions clés (Ce que les données ont dit)

L'essentiel

Articles similaires