Coelho, L., & Cachola, G. (2023). Hyper-personalisation: Inducing behaviours through data — how machine learning and automation can help customers make valuable and informed decisions. Journal of Digital Banking, 8(3), 198-209.
https://doi.org/10.69554/KFAV4199

Mots clés : hyper-personnalisation, données, analyses avancées, banque

Résumé :
Bien que la personnalisation ne soit pas un sujet entièrement nouveau, elle suscite actuellement un engouement massif. Cela s’explique par le fait que les prestataires de services réalisent qu’ils doivent être plus rentables dans leurs interactions avec les clients, et aussi parce que les clients exigent désormais d’être traités individuellement et de manière personnalisée. Plusieurs tendances du marché ont été adoptées ces dernières années, amenant les prestataires de services au niveau où ils se trouvent actuellement. Les tendances précédentes étaient bénéfiques et applicables dans un certain contexte ; cependant, aujourd’hui, de nouvelles approches sont nécessaires pour que les prestataires de services progressent, s’améliorent et passent au niveau supérieur. Atteindre un degré élevé de personnalisation peut être difficile — cela nécessite des investissements, du temps et la bonne stratégie. De plus, ce n’est pas un chemin simple, et il est essentiel de comprendre les défis commerciaux et techniques que les prestataires de services doivent relever et surmonter pour réussir — des défis pour lesquels l’hyper-personnalisation est la réponse. Cet article explore le concept d’hyper-personnalisation et son potentiel à induire des comportements clients grâce à des insights basés sur les données. Il souligne l’importance de connaître les clients et de tirer parti de leurs préférences et habitudes pour prendre des décisions précieuses et éclairées. L’industrie des services financiers a l’avantage significatif d’avoir accès à une vaste base de clients installée et à ses données. En général, ce n’est pas un problème de manque de données que ces industries rencontrent, mais plutôt de savoir comment en tirer des insights exploitables. L’approche d’hyper-personnalisation relie les données aux capacités cognitives et numériques pour offrir des expériences uniques, contextuelles et hautement pertinentes. Avec l’hyper-personnalisation, les prestataires de services peuvent intensifier la personnalisation grâce à l’intelligence artificielle (IA) et au machine learning (ML) pour offrir des expériences et des recommandations en temps réel aux individus, créant une véritable personnalisation individuelle.

Conclusion :
L’hyper-personnalisation permet aux prestataires de services de passer à un niveau supérieur de personnalisation en utilisant l’IA et le ML pour offrir des expériences et des recommandations en temps réel. Cela nécessite des investissements et une stratégie appropriée, mais les avantages potentiels en termes de satisfaction et de fidélisation des clients sont considérables.

Brzozowska, M., Kolasińska-Morawska, K., Sułkowski, Ł., & Morawski, P. (2023). Artificial-intelligence-powered customer service management in the logistics industry. Entrepreneurial Business and Economics Review, 11(4), 109-121.
https://doi.org/10.15678/EBER.2023.110407

Mots clés : intelligence artificielle, automatisation, logistique, service client logistique, Industrie 4.0

Résumé :
Cet article examine comment les gens perçoivent les implications futures pour le service client logistique résultant de la mise en œuvre de nouvelles technologies sous forme de solutions d’intelligence artificielle (IA) dans l’esprit de l’économie 4.0 et de la société 5.0. La recherche montre que le service client en logistique utilise déjà différentes formes de solutions basées sur l’IA (comme les chatbots, les voicebots et les assistants vocaux). Les clients évaluent positivement ces solutions pour leur efficacité, leur compétence et la qualité du service. Les clients sont conscients des solutions basées sur l’IA et savent que leur utilisation s’approfondira à l’avenir, car elles sont un facteur de compétitivité pour le service client en logistique.

Contexte d’apparition de l’IA dans la logistique :
L’IA joue un rôle de plus en plus important dans la logistique, offrant des outils pour améliorer la qualité du service client logistique, augmenter la vitesse de traitement des commandes, réduire les coûts et améliorer l’efficacité globale. Cependant, l’IA présente également des risques tels que la sécurité des données et la réduction potentielle de l’emploi.

Technologies de l’IA utilisées dans le service client logistique :

• Chatbots et Voicebots : Interagissent avec les clients en utilisant un langage naturel.
• Analyse prédictive : Utilise des algorithmes pour prévoir les besoins et comportements des clients.
• Traitement du langage naturel (NLP) : Permet une meilleure compréhension et réponse aux demandes des clients.
• Assistants vocaux : Aident les clients dans leurs interactions avec les services logistiques.

Résultats de la recherche :
Les participants à l’étude ont indiqué qu’ils apprécient l’interaction avec les bots pour leur efficacité, leur utilité, leur compétence, leur empathie, leur communicabilité, leur rapidité d’action, la précision des réponses, la qualité du service, la compétence dans la fourniture d’informations, l’offre et la compréhension de la situation du client. Les répondants pensent que la diffusion de l’IA dans les services logistiques transformera le service client sous diverses formes dans les 10 à 15 ans à venir.

Conclusion :
L’IA deviendra une partie intégrante des processus de service client logistique, améliorant l’efficacité et la satisfaction des clients. Les solutions basées sur l’IA domineront les processus logistiques de dernière étape, et les robots effectueront de plus en plus de tâches. Les entreprises et les clients devront se préparer à cette transformation en développant leurs compétences numériques et en s’adaptant aux nouvelles technologies.

Bibliographie :

• Agnihotri, R., et al. (2017). Examining the role of sales-based CRM technology and social media use on post-sale service behaviours in India. Journal of Business Research.
• Akter, S., et al. (2023). A framework for AI-powered service innovation capability: Review and agenda for future research. Technovation.
• Balinado, J.R., et al. (2021). The Effect of Service Quality on Customer Satisfaction in an Automotive After-Sales Service. Journal of Open Innovation: Technology, Market, and Complexity.
• Chen, Q., et al. (2023). Can AI chatbots help retain customers? Impact of AI service quality on customer loyalty. Internet Research.
• Du, P., et al. (2023). AI-based energy-efficient path planning of multiple logistics UAVs in intelligent transportation systems. Computer Communications.

Barbaray, C. (2025). L’expérience client. Pages 31-44.

Mots clés : expérience client, qualité de service, innovation, relation client

Résumé :
Les entreprises ont compris que l’expérience qu’elles fabriquent façonne leur avenir, leur déclin ou leur croissance. L’expérience client est un long voyage qui commence bien avant la vente, se déroule durant tout le parcours de sélection du produit ou du service, puis durant l’acte d’achat. Elle continue durant l’usage et le recours au SAV et ne s’arrête pas tant que la relation est entretenue. Les produits ou services peuvent être copiés, mais pas l’expérience client, qui est unique et dépend de la volonté, de la culture et des ambitions de l’entreprise. L’expérience client évolue avec le temps, les clients s’habituent à un certain niveau de qualité de service et attendent toujours “un peu plus”. L’innovation, le digital et les mobiles déplacent les lignes, obligeant les entreprises à innover constamment dans l’expérience qu’elles délivrent à leurs clients.

Enjeux de l’expérience client :

• Un savoir-faire : L’expérience client est un savoir-faire qui se développe avec le temps et l’expertise.
• Un événement : Chaque interaction avec le client est une expérience unique qui peut marquer positivement ou négativement.
• Innovation continue : Les entreprises doivent constamment innover pour répondre aux attentes croissantes des clients.
• Relation durable : L’expérience client ne s’arrête pas à l’achat, elle se poursuit tant que la relation est maintenue.

Conclusion :
L’expérience client est un élément crucial pour le succès des entreprises. Elle doit être soigneusement construite et constamment améliorée pour répondre aux attentes des clients et se démarquer de la concurrence. Les entreprises doivent être les architectes de leur propre expérience client pour en tirer le meilleur parti.

Acquatella, F., Fernandez, V., & Houy, T. (2020). Les stratégies de plateformes analysées sous le prisme de l’intelligence artificielle. Question(s) de Management, 30, 63-76.
https://doi.org/10.3917/qdm.030.0063

Mots clés : Intelligence Artificielle, trajectoire stratégique, modèles d’affaires, plateformes

Résumé :
Les plateformes dominantes sur Internet reconfigurent les marchés en se positionnant comme des infrastructures nouvelles pour les acteurs de marché. Elles témoignent d’un nouveau paradigme de développement économique basé sur des stratégies spécifiques de captation et de création de valeur. La dynamique stratégique de ces plateformes repose largement sur le développement des technologies de l’IA. Cet article analyse le rôle et les incidences des technologies de l’IA sur la dynamique stratégique des plateformes et discute des enjeux et risques associés aux stratégies supportées par la « data science ».

Contexte d’apparition de l’IA dans les stratégies de plateformes :
Les plateformes comme Amazon, Uber ou Airbnb utilisent des technologies de l’IA pour traiter des volumes massifs de données et améliorer continuellement leurs propositions de valeur. Les algorithmes d’apprentissage automatique permettent de mieux comprendre les comportements des utilisateurs et de segmenter les offres.

Technologies de l’IA au cœur des processus stratégiques :

• Systèmes de recherche d’information (SRI) : Identifient automatiquement des informations pertinentes à partir de bases de données volumineuses.
• Chatbots : Interagissent avec les utilisateurs en utilisant un langage naturel, permettant de classifier et analyser les sentiments humains.
• Reconnaissance biométrique : Vérifie l’identité des utilisateurs sur la base de caractéristiques biologiques uniques.
• Robots d’indexation (data crawlers) : Explorent le web pour trouver des données non structurées et identifier des tendances comportementales.

Mutations stratégiques et exploitation des données :
L’exploitation du Big Data permet aux plateformes d’affiner la prise de décision stratégique, d’améliorer la segmentation de l’offre et de conquérir de nouveaux marchés. Les plateformes comme Google utilisent les données pour comprendre le marché et proposer des offres marketing ciblées.

Marché des algorithmes « intelligents » :
Les algorithmes prédictifs et prescriptifs permettent de déterminer les préférences des utilisateurs et d’automatiser la prise de décision stratégique. Par exemple, Amazon utilise des algorithmes pour recommander des articles basés sur les achats précédents des utilisateurs.

Dynamiques stratégiques par type de plateformes :

• Plateformes technologiques (ex. Google, Apple) : S’appuient sur l’innovation technologique et l’interopérabilité pour élargir leur périmètre d’action.
• Plateformes d’agrégation (ex. Booking, Amazon) : Désintermédient et réintermédient le marché en proposant des alternatives de choix et en revalorisant les offres existantes.
• Plateformes de coordination (ex. Uber, Airbnb) : Créent de nouveaux marchés en valorisant des actifs sous-exploités et en coordonnant la demande.

Conclusion :
Les technologies de l’IA renouvellent le paradigme économique des plateformes digitales. Cependant, la créativité et la disruption restent essentielles pour l’innovation. Les plateformes doivent équilibrer l’automatisation des décisions avec la capacité à innover et à s’adapter aux évolutions du marché.

Bibliographie :

• Acquatella, F., Fernandez, V., & Houy, T. (2018). Le cas Coursera ou la préfiguration des changements en cours sur les plateformes d’apprentissage en ligne. Distances et médiations des savoirs, 24.
• Argal, A., et al. (2018). Intelligent travel chatbot for predictive recommendation in echo platform. Computing and Communication Workshop and Conference (CCWC).
• Benavent, C. (2016). Plateformes. Sites collaboratifs, marketplaces, réseaux Sociaux. Comment ils influencent nos choix. FYP editions.
• Cardon, D. (2015). À quoi rêvent les algorithmes, Nos vies à l’heure des big data. Paris, Le Seuil.
• Christensen, C.M. (1997). The Innovator’s Dilemma: When New Technologies Cause Great Firms to Fail. Harvard Business School Press.

Blangeois, M. (2023). Antecedents and Consequence of Trust – Commitment Towards Artificial Based Customer Experience. Universia Business Review.
https://doi.org/10.3232/UBR.2024.V21.N1.16

Mots clés : IA, expérience client, confiance, engagement, personnalisation

Résumé :
Avec l’avènement de l’IA, les interactions entre consommateurs et marques subissent une transformation radicale (Prikshat, Malik, et Budhwar, 2021). Cette recherche examine comment l’IA peut être utilisée dans le secteur de la vente au détail pour améliorer l’expérience d’achat des utilisateurs d’IA. En s’inspirant de la théorie de la confiance et de l’engagement ainsi que du modèle de qualité de service, un cadre théorique a été développé. Une enquête en ligne a été envoyée aux clients ayant utilisé un service YouTube alimenté par l’IA. Les données (n=301 réponses) ont été analysées à l’aide de la modélisation par équations structurelles des moindres carrés partiels. La confiance et l’engagement relationnel jouent un rôle crucial dans la modération des connexions entre les évaluations des clients sur la commodité du service, la personnalisation et la qualité. La recherche montre que la confiance n’est pas le seul facteur influençant l’engagement relationnel et que ce dernier agit comme médiateur entre la qualité du service et les expériences client basées sur l’IA.

Contexte d’apparition de l’IA dans l’expérience client :
L’IA est utilisée pour personnaliser les recommandations de produits et services en évaluant les achats et préférences passés des clients. Cela a des implications pour divers secteurs, y compris l’industrie cosmétique, qui doit répondre rapidement aux demandes et préférences des consommateurs.

Qualité du service dans les services basés sur l’IA :
Les consommateurs évaluent la qualité du service en fonction de leurs impressions et attentes. La qualité des services basés sur l’IA peut différer des services interpersonnels en raison de la technologie autogérée. Les interactions humain-machine sont influencées par la perception anthropomorphique des robots.

Théorie de la confiance et de l’engagement :
La confiance et l’engagement sont essentiels dans les relations acheteur-vendeur. La confiance est définie comme la volonté de s’engager malgré les risques. L’engagement relationnel se réfère au désir de maintenir une relation spéciale avec une marque.

Modèle conceptuel proposé :
Le modèle théorique développé intègre la confiance et l’engagement relationnel comme médiateurs entre la commodité perçue, la personnalisation, la qualité du service et l’expérience client basée sur l’IA.

Conclusion :
La recherche met en évidence l’importance de la confiance et de l’engagement relationnel dans l’amélioration de l’expérience client basée sur l’IA. Les entreprises doivent se concentrer sur la personnalisation, la commodité et la qualité du service pour renforcer la confiance et l’engagement des clients.

Bibliographie :

• Adam, M., Wessel, M., & Benlian, A. (2020). AI-based chatbots in customer service and their effects on user compliance. Electronic Markets.
• Ameen, N., et al. (2021). Customer experiences in the age of artificial intelligence. Computers in Human Behavior.
• Bawack, R.E., Wamba, S.F., & Carillo, K.D.A. (2021). Exploring the role of personality, trust, and privacy in customer experience performance during voice shopping. International Journal of Information Management.
• Prikshat, V., Malik, A., & Budhwar, P. (2021). AI-augmented HRM: Antecedents, assimilation and multilevel consequences. Human Resource Management Review.
• Wang, X., et al. (2020). Towards an Ethical and Trustworthy Social Commerce Community for Brand Value Co-creation. Journal of Business Ethics.

Marta Brzozowska, Katarzyna Kolasińska-Morawska, Łukasz Sułkowski, Paweł Morawski

Mots clés : Intelligence artificielle, Automatisation, Logistique, Service client logistique, Industrie 4.0

Le développement de l’Internet et des nouvelles solutions technologiques a un impact significatif sur la logistique, tant en Pologne qu’à l’échelle mondiale (Liu, 2019). La digitalisation de presque tous les aspects de la vie entraîne une migration constante des personnes entre l’espace physique et le cyberespace. Selon le Forum économique mondial, la demande croissante pour le commerce électronique entraînera une augmentation de la demande non pas tant pour les services classiques du dernier kilomètre, mais pour des innovations dans leur mise en œuvre. La poussée pour la digitalisation de la logistique provient de l’intelligence artificielle (IA), que les gestionnaires d’entreprises logistiques considèrent comme un sixième sens révolutionnaire dans le domaine virtuel.

L’intelligence artificielle est une branche de l’informatique qui traite de la création de machines et d’algorithmes capables de présenter des caractéristiques d’intelligence telles que le raisonnement, l’apprentissage, la reconnaissance de formes, la planification, le traitement du langage naturel et la prise de décision. L’IA est devenue un déclencheur d’une nouvelle réalité commerciale après une série de changements progressifs représentés par l’émergence de solutions technologiques individuelles au fil des ans, notamment l’automatisation, l’automatisation des processus robotiques (RPA) et la technologie blockchain utilisée pour suivre les expéditions. De plus, l’IA a également augmenté le niveau de sécurité et d’authenticité des transactions dans la chaîne d’approvisionnement, car l’internet des objets (IoT) aide à suivre et à surveiller la localisation, la température et l’état des marchandises en transport, et la réalité virtuelle (VR) et la réalité augmentée (AR) offrent aux clients des expériences interactives (Menti et al., 2023).

Ces dernières années, l’IA a commencé à jouer un rôle de plus en plus important dans la logistique (Du et al., 2023). Avec le développement de la technologie et l’augmentation des exigences des clients, presque toutes les entreprises doivent être capables de fournir un service client rapide, fiable et efficace. En termes de qualité et d’efficacité, le service client permet à l’entreprise de construire une marque forte qui se distingue de la concurrence et lui permet d’attirer plus de clients réguliers, ce qui conduit à une augmentation des profits et à l’obtention et au maintien d’un avantage concurrentiel à long terme. Dans ce contexte, l’IA offre des outils qui peuvent aider les entreprises à améliorer la qualité du service client logistique et même à l’amener à un niveau complètement nouveau et sans précédent.

Il est donc important d’étudier l’impact de l’IA sur les changements en cours dans le service client logistique du dernier kilomètre. L’objectif de cet article est de montrer comment les gens perçoivent les implications futures pour le service client logistique résultant de la mise en œuvre de nouvelles technologies sous la forme de solutions d’intelligence artificielle révolutionnaires dans l’esprit de l’économie 4.0 et de la société 5.0. Nous avons prédit que, dans de nombreux cas, les technologies existantes dans le service client céderont la place à des solutions basées sur l’IA. Après tout, le développement de l’IA et de ses applications dans la logistique offre de nombreux avantages pour les entreprises. Grâce aux algorithmes d’IA, les entreprises peuvent améliorer la qualité du service client, augmenter la vitesse de traitement des commandes, réduire les coûts et améliorer l’efficacité globale. Néanmoins, l’IA n’est pas sans défauts et limitations. Dans ce contexte, il est nécessaire de se rappeler des risques possibles tels que la sécurité des données et la possibilité de réduire l’emploi dans les entreprises.

Dans cet article, nous comprenons le service client logistique du dernier kilomètre comme un élément du service après-vente dans le contexte du commerce électronique, lorsque les clients s’attendent à un service approprié dans le domaine de la logistique de livraison (Janjevic et al., 2021). Suivant l’objectif de l’article, nous posons les questions de recherche suivantes : 1. Comment la sensibilisation à l’utilisation des solutions d’IA affecte-t-elle l’expérience client dans la logistique du dernier kilomètre ? 2. Dans quelles représentations l’utilisation des solutions basées sur l’IA accélérera-t-elle la reconfiguration des services logistiques du dernier kilomètre dans 10-15 ans ? 3. Comment l’utilisation des solutions d’IA affectera-t-elle l’amélioration des processus de service client logistique à l’avenir ?

Dans le processus de recherche, nous avons adopté une approche nomothétique basée sur la méthodologie de recherche mixte. L’approche qualitative comprenait une étude de recherche de monographies, publications, rapports et sources netographiques. Nous avons utilisé la technique de l’analyse critique du contenu basée sur la co-occurrence des termes. En revanche, l’approche quantitative reposait sur la méthode de l’enquête diagnostique avec la technique CAWI (Computer-Assisted Web Interviewing). La nouveauté de la recherche de l’article réside dans la perspective des clients des entreprises logistiques. Nous avons basé la recherche sur les clients des magasins en ligne, mais dans le contexte du service client logistique. Les recherches précédentes se sont concentrées sur l’assistance pendant les transactions (Xu et al., 2020) et concernaient principalement les solutions de chatbots (Chen et al., 2023). Cependant, il est également important que les clients soient conscients qu’ils interagissent avec des services basés sur l’IA. La sensibilisation au service non humain peut affecter l’attitude du client et ainsi la diriger vers certains comportements, ce qui mérite d’être étudié.

Les résultats de la recherche montrent que le service client en logistique utilise déjà différentes formes de solutions basées sur l’IA (comme les chatbots, les voicebots et les assistants vocaux). Les clients évaluent positivement ces solutions, entre autres, pour leur efficacité, leur compétence et la qualité du service. De plus, les clients sont conscients des solutions basées sur l’IA et savent que leur utilisation s’approfondira à l’avenir, car elles sont un facteur de changement pour la compétitivité du service client en logistique. Les résultats indiquent également que les clients apprécient l’interaction avec les bots pour leur efficacité, leur utilité, leur compétence, leur empathie, leur communicabilité, leur rapidité d’action, la précision des réponses, la qualité du service, la compétence dans la fourniture d’informations, l’offre et la compréhension de la situation du client.

Les implications de la recherche soulignent la nécessité d’améliorer constamment les compétences numériques des utilisateurs des services logistiques du dernier kilomètre dans le contexte de la technologisation des processus transactionnels. Différents domaines d’activité utiliseront largement les solutions basées sur l’IA, car il est nécessaire de développer des systèmes qui aideront à la communication homme-machine. Cette technologie doit être construite de manière à être sûre pour les personnes et facile à utiliser, tant pour les utilisateurs que pour les clients. En conséquence de ces processus, il est nécessaire d’éduquer les gens sur les solutions basées sur l’IA pour développer la sensibilisation et améliorer les résultats futurs.

L’article conclut que l’IA jouera un rôle de plus en plus important dans la transformation des services logistiques, en améliorant l’efficacité, la rapidité et la qualité des services. Les entreprises doivent se préparer à cette transformation en investissant dans des technologies IA et en formant leurs employés et clients.

Bibliographie :

• Agnihotri, R., Trainor, K.J., Itani, O.S., & Rodriguez, M. (2017). Examining the role of sales-based CRM technology and social media use on post-sale service behaviours in India. Journal of Business Research, 81, 144-154.
• Akter, S., Hossain, M.A., Sajib, S., Sultana, S., Rahman, M., Vrontis, D., & McCarthy, G. (2023). A framework for AI-powered service innovation capability: Review and agenda for future research. Technovation, 125, 102768.
• Balinado, J.R., Prasetyo, Y.T., Young, M.N., Persada, S.F., Miraja, B.A., & Redi, A.A.N.P. (2021). The Effect of Service Quality on Customer Satisfaction in an Automotive After-Sales Service. Journal of Open Innovation: Technology, Market, and Complexity, 7(2), 116.
• Barik, K., Misra, S., Ray, A.K., & Shukla, A. (2023). A blockchain-based evaluation approach to analyse customer satisfaction using AI techniques. Heliyon, 9(6).
• Behie, S.W., Pasman, H.J., Khan, F.I., Shell, K., Alarfaj, A., El-Kady, A.H., & Hernandez, M. (2023). Leadership 4.0: The changing landscape of industry management in the smart digital era. Process Safety and Environmental Protection, 172, 317-328.
• Chaabi, M. (2022, September). Roadmap to Implement Industry 5.0 and the Impact of This Approach on TQM. In International Conference on Smart Applications

Yuxin Yang, Department of Advertising and Public Relations, Dongguk University, Republic of Korea

Mots clés : Confiance en l’IA, Attitude envers la marque, Satisfaction du service, Robots de service, Intention de continuité

L’intégration de l’automatisation, de l’intelligence artificielle (IA) et des mégadonnées dans l’industrie de la restauration améliore considérablement l’efficacité opérationnelle tout en offrant aux clients des expériences de restauration plus personnalisées et pratiques. L’industrie du café adopte des technologies de pointe pour créer des expériences de marque uniques, avec des entreprises comme Briggo et Cafe X aux États-Unis, et Dal.komm en Corée du Sud, utilisant des robots baristas.

Malgré l’adoption rapide des robots IA dans le secteur du café, la recherche dans ce domaine reste limitée par rapport à l’intérêt croissant. Les études existantes se sont concentrées sur l’IA dans la transformation des aliments, l’évaluation des produits, le développement de nouveaux produits et la livraison de repas, mais l’interaction directe des robots IA avec les consommateurs pour personnaliser des produits reste peu explorée. De plus, il y a peu de recherches sur la manière dont les facteurs démographiques influencent cette interaction.

La confiance dans l’IA est un domaine d’étude relativement nouveau et peut enrichir les théories existantes sur l’adoption des technologies. La confiance dans l’IA réduit l’anxiété des utilisateurs et la résistance aux systèmes automatisés, conduisant à des expériences consommateurs plus positives. En intégrant la confiance comme variable clé, nous pouvons affiner ces modèles pour mieux comprendre les facteurs qui favorisent l’acceptation des technologies, en particulier dans le contexte de l’IA.

Cette étude examine le rôle de la confiance des consommateurs dans l’IA et l’attitude envers la marque dans l’influence de l’intention de continuer à utiliser les services de personnalisation de menus robotiques, en utilisant l’attitude envers la marque comme médiateur. La confiance dans l’IA améliore les attitudes des consommateurs envers la marque, les faisant percevoir comme fiables, innovantes et centrées sur le client. Cette attitude positive, alimentée par la confiance, peut favoriser la fidélité à la marque et augmenter la probabilité d’une utilisation continue.

Les différences démographiques, telles que l’âge, l’éducation, le revenu et la satisfaction, jouent également un rôle significatif. Les personnes de différents âges ont des niveaux de familiarité et de confort variables avec la technologie, ce qui influence leurs perceptions et attentes. Les niveaux d’éducation plus élevés sont généralement corrélés à une meilleure compréhension de la technologie, tandis que les niveaux de revenu affectent la capacité des consommateurs à accéder et à se permettre des services avancés. Les consommateurs satisfaits sont plus susceptibles de faire confiance au service et de développer une attitude positive envers la marque, conduisant à une utilisation continue.

Cette étude analyse empiriquement l’impact des services de personnalisation de produits basés sur l’IA sur le marketing de la marque, les attitudes des consommateurs et les intentions comportementales dans l’industrie du café. Elle est ancrée dans des recherches antérieures sur les robots dans l’industrie de la restauration et vise à atteindre les objectifs suivants : (1) Investiguer le lien entre la confiance des consommateurs dans l’IA et leur intention de continuer à utiliser les services de personnalisation de produits IA ; (2) Explorer comment les services de personnalisation IA dans l’industrie du café influencent les perceptions de la marque et l’utilisation continue du service ; et (3) Analyser le rôle des facteurs démographiques, tels que l’âge, l’éducation et le revenu, dans la modération de ces relations, en se concentrant sur leur satisfaction avec les services de personnalisation IA.

Cette étude apporte deux contributions clés : Premièrement, elle introduit une application novatrice des robots IA dans la personnalisation de produits, distincte de leur utilisation dans les services de livraison explorés dans des recherches antérieures. Deuxièmement, elle met en lumière la relation entre la confiance des consommateurs dans l’IA et leur utilisation continue des services de personnalisation de produits IA, offrant de nouvelles perspectives sur l’engagement des consommateurs avec l’IA. De plus, elle explore comment des facteurs tels que l’âge, l’éducation, le revenu, l’attitude envers la marque et la satisfaction affectent l’intention d’utiliser de manière cohérente les services basés sur l’IA dans l’industrie du café. Ces résultats approfondissent notre compréhension de l’impact de l’IA sur les marques de café et fournissent des implications pratiques pour les stratégies de marketing dans les secteurs du café et de la restauration. Les entreprises sont encouragées à adopter la technologie IA pour offrir des services personnalisés, améliorant ainsi l’engagement et la fidélité des clients.

En résumé, cette étude offre une analyse approfondie de l’impact de la confiance des consommateurs dans l’IA et des attitudes envers la marque sur l’utilisation continue des services de personnalisation de menus robotiques, en mettant en évidence les effets modérateurs des facteurs démographiques et en proposant des stratégies pratiques pour tirer parti de l’IA dans les rôles orientés vers le client.

Bibliographie :

• Arora, R. (1982). Validation of an SOR model for situation, enduring, and response components of involvement. Journal of Marketing Research, 19(4), 505-516.
• Bhattacherjee, A. (2001). Understanding information systems continuance: An expectation-confirmation model. MIS quarterly, 351-370.
• Bindroo, V., Mariadoss, B. J., Echambadi, R., & Sarangee, K. R. (2020). Customer satisfaction with consumption systems. Journal of Business-to-Business Marketing, 27(1), 1-17.
• Boehm, J., Grennan, L., Singla, A., & Smaje, K. (2022). Why digital trust truly matters. McKinsey & Company.
• Chen, Y., Prentice, C., Weaven, S., & Hisao, A. (2022). The influence of customer trust and artificial intelligence on customer engagement and loyalty–The case of the home-sharing industry. Frontiers in Psychology, 13, 912339.
• Chi, N. T. K., & Hoang Vu, N. (2023). Investigating the customer trust in artificial intelligence: The role of anthropomorphism, empathy response, and interaction. CAAI Transactions on Intelligence Technology, 8(1), 260-273.
• Chi, O. H., Jia, S., Li, Y., & Gursoy, D. (2021). Developing a formative scale to measure consumers’ trust toward interaction with artificially intelligent (AI) social robots in service delivery. Computers in Human Behavior, 118, 106700.
• Dewi, G. M. M., Joshua, L., Ikhsan, R. B., Yuniarty, Y., Sari, R. K., & Susilo, A. (2021, August). Perceived risk and trust in adoption E-wallet: The role of perceived usefulness and ease of use. In 2021 International Conference on Information Management and Technology (ICIMTech) (Vol. 1, pp. 120-124). IEEE.
• Duong, L. N., Al-Fadhli, M., Jagtap, S., Bader, F., Martindale, W., Swainson, M., & Paoli, A. (2020). A review of robotics and autonomous systems in the food industry: From the supply chains perspective. Trends in Food Science & Technology, 106, 355-364.
• Eiseman, D., and Jonsson, M. (2019), Leveraging the coffee experience as a tool for engagement with climate change. Qualitative Market Research, 22(4), 570-581.
• Flavián, C., Pérez-Rueda, A., Belanche, D., & Casaló, L. V. (2022). Intention to use analytical artificial intelligence (AI) in services–the effect of technology readiness and awareness. Journal of Service Management, 33(2), 293-320.
• Glikson, E., & Woolley, A. W. (2020). Human trust in artificial intelligence: Review of empirical research. Academy of Management Annals, 14(2), 627-660.
• Gursoy, D., Chi, O. H., Lu, L., & Nunkoo, R. (2019). Consumers acceptance of artificially intelligent (AI) device use in service delivery. International Journal of Information Management, 49, 157-169.
• Hernández-Orallo, J. (2018). 20 Characterising the trajectories of artificial and natural intelligence. Assessing the Impact of Machine Intelligence on Human Behaviour: An Interdisciplinary Endeavour, 53.
• Hochreiter, V., Benedetto, C., & Loesch, M. (2022, September). The Stimulus-Organism-Response (SOR) Paradigm as a Guiding Principle in Environmental Psychology: Comparison of Its Usage in Consumer Behavior and Organizational Culture and Leadership Theory. In Global Business Conference 2022 Proceedings (p. 42).
• Jacoby, J. (2002), Stimulus-Organism-Response reconsidered: An evolutionary step in modeling (Consumer) behavior. Journal of Consumer Psychology, 12(1), 51-57.
• Kasilingam, D. L. (2020). Understanding the attitude and intention to use smartphone chatbots for shopping. Technology in Society

Dr. N. Venkateswaran, Panimalar Engineering College, Department of Master of Business Administration, INDIA

Mots clés : Expérience client, Personnalisation, Préférences client, CRM piloté par l’IA, Précision

Résumé : L’intelligence artificielle (IA) est une technologie transformative qui révolutionne la gestion de la relation client (CRM). Cette étude explore comment l’IA peut améliorer les pratiques CRM et les expériences client en analysant de vastes quantités de données, en automatisant les processus de routine et en offrant des expériences personnalisées à grande échelle. L’IA permet aux organisations de mieux comprendre les préférences des clients, leurs comportements et leur historique d’achat, ce qui leur permet de personnaliser leurs offres et communications.

Introduction : La gestion de la relation client (CRM) est essentielle pour le succès des organisations, en favorisant des relations solides et durables avec les clients. Avec les avancées technologiques, les approches traditionnelles du CRM évoluent pour répondre aux exigences d’un monde de plus en plus numérique. L’IA offre de nouvelles opportunités pour améliorer les interactions client, la prestation de services et les expériences personnalisées.

Applications de l’IA dans le CRM :

• Chatbots et assistants virtuels : Ces outils peuvent gérer les demandes des clients, fournir un support en temps réel et offrir des recommandations personnalisées, améliorant ainsi la satisfaction et la fidélité des clients.
• Analytique prédictive : L’IA permet de prévoir les besoins et comportements des clients, d’identifier les opportunités de vente croisée et de vente incitative, et de résoudre proactivement les problèmes potentiels.

Défis et considérations éthiques :

• Protection des données : La collecte et l’utilisation de grandes quantités de données clients soulèvent des préoccupations en matière de confidentialité, nécessitant des mesures robustes de protection des données.
• Biais algorithmiques : Il est crucial de traiter les biais potentiels des algorithmes pour garantir l’équité et l’inclusivité des systèmes CRM alimentés par l’IA.

Méthodologie de recherche : L’étude utilise une approche mixte combinant l’analyse quantitative des données CRM et des méthodes qualitatives telles que des entretiens et des enquêtes pour évaluer l’impact de l’IA sur les indicateurs de performance du CRM.

Résultats et implications :

• Satisfaction et personnalisation : L’expérience de service avec l’IA et le CRM a un impact significatif sur la satisfaction et la personnalisation des clients.
• Engagement et précision : L’engagement affectif et la précision sont également influencés par l’expérience de service avec l’IA et le CRM.

Implications théoriques et pratiques :

• Théoriques : L’étude contribue à la recherche sur la satisfaction client et la précision en examinant l’expérience de service avec l’IA et le CRM.
• Pratiques : Les résultats peuvent aider les gestionnaires et les marketeurs à développer des stratégies efficaces et durables pour améliorer les résultats liés aux clients.

Limitations et recherches futures : L’étude reconnaît certaines limitations, notamment la sélection de seulement quatre dimensions pour mesurer l’expérience de service client avec l’IA et le CRM. Les recherches futures pourraient explorer une gamme plus large de dimensions pour une compréhension plus holistique.

Conclusion : L’intégration de l’IA dans le CRM représente une opportunité significative pour améliorer les expériences client et obtenir un avantage concurrentiel. L’étude fournit des orientations pratiques pour les organisations cherchant à tirer parti des technologies de l’IA dans leurs stratégies CRM.

Bibliographie :

• Callon, M., Courtial, J.P., Turner, W.A., & Bauin, S. (1983). From translations to problematic networks: an introduction to co-word analysis. Social Science Information, 22(2), 191-235.
• Colson, E. (2019). What AI-Driven decision making looks like. Harvard Business Review.
• El Amrani, R., Baina, A., Rabea, A., & Ennouary, Y. (2021). Artificial intelligence and CRM: Predictive approach based on deep learning. International Journal of Computer Applications, 179(31), 26-33.
• Fornell, C., & Larcker, D.F. (1981). Structural equation models with unobservable variables and measurement error: algebra and statistics. Journal of Marketing Research, 18(3), 382-388.
• Jayachandran, S., Sharma, S., Kaufman, P., & Raman, P. (2005). The role of relational information processes and technology use in customer relationship management. Journal of Marketing, 69(4), 177-192.
• Li, Y., & Karahanna, E. (2019). What drives users’ continuous usage intention of AI-powered chatbots? Information & Management, 56(8), 103168.
• Klaus, P., & Zaichkowsky, J. (2020). AI voice bots: a services marketing research agenda. Journal of Services Marketing, 34(3), 389-398.
• Kumar, V., & Pansari, A. (2016). Competitive advantage through engagement. Journal of Marketing Research, 53(4), 497-514.
• Mittal, S., & Khan, M. L. (2021). Ethical concerns in artificial intelligence-based customer relationship management. Journal of Business Research, 132, 347-358.
• Niknejad, N., Ismail, W., Bahari, M., Hendradi, R., & Salleh, A.Z. (2021). Mapping the research trends on blockchain technology in food and agriculture industry: a bibliometric analysis. Environmental Technology & Innovation, 21, 101272.
• Raisch, S., & Krakowski, S. (2020). Artificial intelligence and management: the automation-augmentation paradox. Academy of Management Review, 46(1), 1-48.
• Verhoef, P. C., Kannan, P. K., & Inman, J. J. (2020). From multi-channel retailing to omni-channel retailing: Introduction to the special issue on multi-channel retailing. Journal of Retailing, 96(1), 1-5.
• Zerbino, P., Aloini, D., Dulmin, R., & Mininno, V. (2018). Big data-enabled customer relationship management: a holistic approach. Information Processing & Management, 54(5), 818-846.
• Zupic, I., & Cater, T. (2015). Bibliometric methods in management and organization. Organizational Research Methods, 18(3), 429-472.

Rahman, M. S., Bag, S., Gupta, S., & Sivarajah, U. (2023). Technology readiness of B2B firms and AI-based customer relationship management capability for enhancing social sustainability performance. Journal of Business Research, 156, 113525.

https://doi.org/10.1016/j.jbusres.2022.113525

Mots clés : B2B, intelligence artificielle, préparation technologique, digitalisation, capacité CRM, performance relationnelle

La préparation technologique des entreprises B2B influence positivement leurs capacités en technologies de l’information et de la communication (TIC) et en gestion de la relation client basée sur l’IA (AI-CRM). Ces capacités permettent d’améliorer la performance relationnelle et la durabilité sociale des entreprises.

Dans le contexte de la quatrième révolution industrielle, les entreprises B2B doivent s’adapter aux technologies émergentes comme l’IA pour rester compétitives. La préparation technologique et les capacités en TIC sont essentielles pour développer des capacités en AI-CRM, qui à leur tour optimisent la performance relationnelle et sociale.

Les capacités en AI-CRM aident les entreprises à comprendre les préférences changeantes des clients et à investir dans des relations à long terme. Les outils d’AI-CRM, tels que les plateformes de marketing basé sur les comptes (ABM), améliorent la performance relationnelle en fournissant des services personnalisés à faible coût pour chaque segment de clientèle.

La performance relationnelle des entreprises B2B a une relation positive avec leur performance en matière de durabilité sociale. Des relations solides entre les entreprises B2B favorisent des pratiques de durabilité sociale, telles que des conditions de travail décentes et la responsabilité sociale des entreprises.

La dynamique de l’industrie modère la relation entre les capacités en TIC et les capacités en AI-CRM. Les entreprises doivent s’adapter rapidement aux changements technologiques pour rester compétitives. L’adoption de systèmes de planification informatique flexibles et la collaboration avec les partenaires industriels sont cruciales pour développer des capacités en AI-CRM.

Les entreprises B2B doivent investir dans la préparation technologique et les capacités en TIC pour développer des capacités en AI-CRM et améliorer leur performance relationnelle et sociale. Les managers doivent se concentrer sur l’intégration des technologies numériques dans les opérations quotidiennes et la formation continue des employés pour maximiser les avantages des capacités en AI-CRM.

Bibliographie

Aiken, L., & West, S. (1991). Multiple Regression: Testing and Interpreting Interactions. Sage. Akter, S., et al. (2020). Reshaping competitive advantages with analytics capabilities in service systems. Technological Forecasting and Social Change, 159, 120180. Antonakis, J., et al. (2014). Causality and endogeneity: Problems and solutions. The Oxford handbook of leadership and organizations, 1, 93-117. Bag, S., et al. (2021). An integrated artificial intelligence framework for knowledge creation and B2B marketing rational decision making for improving firm performance. Industrial Marketing Management, 92, 178-189. Barney, J. B. (2001). Is the resource-based “view” a useful perspective for strategic management research? Yes. Academy of Management Review, 26(1), 41-56. Chatterjee, S., et al. (2021). Adoption of artificial intelligence-integrated CRM systems in agile organizations in India. Technological Forecasting and Social Change, 168, 120783. Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155. Eisenhardt, K. M., & Martin, J. A. (2000). Dynamic capabilities: What are they? Strategic Management Journal, 21(10-11), 1105-1121. Fornell, C., & Larcker, D. F. (1981). Structural equation models with unobservable variables and measurement error: Algebra and statistics. Journal of Marketing Research, 18(3), 382-388. Hair, J. F., et al. (2010). Multivariate data analysis: International version. Pearson Education. Hayes, A. F. (2017). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach. Guilford publications. Teece, D. J., et al. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533. Wang, W. Y. C., & Wang, Y. (2020). Analytics in the era of big data: the digital transformations and value creation in industrial marketing. Industrial Marketing Management, 86, 12-15. Wernerfelt, B. (1984). A Resource-Based View of the Firm. Strategic Management Journal, 5(2), 171-180.

Blangeois, M. (2023). IA générative : révolution ou menace pour les entreprises de services du numérique ?. Management & Data Science. 

https://doi.org/10.36863/mds.a.26672

Mots clés : IA générative, ESN, transformation numérique, open-innovation, modèles d’affaires

L’intelligence artificielle (IA) générative marque une étape décisive dans notre ère numérique. Les modèles de fondation, tels que GPT-4, ont ouvert un débat sur les opportunités et risques qu’ils présentent (Bommasani et al., 2022). Les avancées de l’IA générative, comme GPT-4, promettent des révolutions dans divers domaines, mais suscitent également des inquiétudes concernant la désinformation et les biais sociaux (Nishant, R.; Schneckenberg, 2023).

Dans ce contexte, les Entreprises de Services du Numérique (ESN) sont directement impactées par l’IA générative. L’incorporation de l’IA générative dans le tissu professionnel soulève un paradoxe entre l’augmentation et l’automatisation des tâches (Raisch et Krakowski, 2021). Les ESN doivent naviguer dans ce paysage technologique en mutation rapide, en réévaluant leur rôle dans la chaîne de valeur informatique et en intégrant l’IA générative dans leurs processus.

Contexte d’apparition de l’IA générative

L’essor de l’IA générative est lié aux progrès en apprentissage profond et à l’augmentation de la puissance de calcul. Les transformers, comme GPT, ont révolutionné le domaine, avec des applications variées allant de la génération de texte à la création d’images. Cependant, les hallucinations de l’IA et les biais sociaux restent des préoccupations majeures.

Capacités actuelles et potentiel de l’IA générative

L’IA générative peut améliorer la productivité et aider les individus à atteindre un niveau de compétence de base. Les entreprises doivent décider entre automatiser les tâches répétitives et renforcer les capacités humaines dans des domaines créatifs. La compétence en “prompt engineering” devient cruciale pour tirer le meilleur parti des capacités de l’IA générative.

Enjeux pour les entreprises de services du numérique

Les ESN doivent réévaluer leur rôle dans la chaîne de valeur informatique et intégrer l’IA générative dans leurs processus. L’IA générative offre des opportunités de gains de productivité, notamment dans la génération de code et la gestion de la relation client. L’adoption de l’open-innovation permet aux ESN de collaborer avec des communautés open-source pour développer des solutions innovantes.

Conclusion

Les ESN doivent adopter l’open-innovation et réinventer leurs modèles d’affaires pour rester compétitives. Des études empiriques supplémentaires sont nécessaires pour évaluer l’impact réel de l’IA générative sur les ESN.

Bibliographie

• Baldassarre, M. T., et al. (2023). The Social Impact of Generative AI: An Analysis on ChatGPT. Proceedings of the 2023 ACM Conference on Information Technology for Social Good, 363-373.
• Bender, E. M., et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.
• Bommasani, R., et al. (2022). On the Opportunities and Risks of Foundation Models. arXiv.
• Brynjolfsson, E., et al. (2023). Generative AI at Work. National Bureau of Economic Research.
• Chesbrough, H., et al. (2006). Open Innovation: Researching a New Paradigm. Oxford University Press.
• Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. SSRN Electronic Journal.
• Dwivedi, Y. K., et al. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
• Gozalo-Brizuela, R., & Garrido-Merchan, E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. arXiv.
• Haslberger, M., et al. (2023). No Great Equalizer: Experimental Evidence on AI in the UK Labor Market. SSRN Electronic Journal.
• Jorzik, P., et al. (2023). Artificial Intelligence-Enabled Business Model Innovation: Competencies and Roles of Top Management. IEEE Transactions on Engineering Management.
• Korzynski, P., et al. (2023). Artificial intelligence prompt engineering as a new digital competence: Analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review, 11(3), 14.
• Kosinski, M. (2023). Theory of Mind Might Have Spontaneously Emerged in Large Language Models. arXiv.
• LeCun, Y., et al. (2015). Deep learning. Nature, 521(7553), Article 7553.
• McKinsey. (2023). The economic potential of generative AI: The next productivity frontier.
• Nishant, R., et al. (2023). The formal rationality of artificial intelligence-based algorithms and the problem of bias. Journal of Information Technology.
• Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
• Patel, D., & Afzal, A. (2023). Google “We Have No Moat, And Neither Does OpenAI”.
• Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv.
• Raisch, S., & Krakowski, S. (2021). ARTIFICIAL INTELLIGENCE AND MANAGEMENT: THE AUTOMATION-AUGMENTATION PARADOX.
• Saghafian, S. (2023). Effective Generative AI: The Human-Algorithm Centaur. SSRN Electronic Journal.
• Sarkar, A., et al. (2022). What is it like to program with artificial intelligence? arXiv.
• Sjödin, D., et al. (2021). How AI capabilities enable business model innovation: Scaling AI through co-evolutionary processes and feedback loops. Journal of Business Research.
• Tesson, R., & Vottero, F. (2023). Xerfi—Les services numériques 2023.
• Vaswani, A., et al. (2017). Attention Is All You Need. arXiv.
• Warner, K. S. R., & Wäger, M. (2019). Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long Range Planning.
• Weber, M., et al. (2023). Organizational Capabilities for AI Implementation—Coping with Inscrutability and Data Dependency in AI. Information Systems Frontiers.
• Young, E., et al. (2023). Mind the gender gap: Inequalities in the emergent professions of artificial intelligence (AI) and data science.