Facteurs contextuels d’acceptation des robots de service

L’acceptation des robots humanoïdes ne dépend pas uniquement des caractéristiques du robot ou des traits individuels des clients. Les recherches récentes en hôtellerie–restauration montrent que la situation d’usage, le type d’établissement, le format de service, le contexte sanitaire ou encore le contexte culturel modifient fortement les attitudes et intentions vis-à-vis des robots de service.

Les revues de la littérature soulignent ainsi que les facteurs contextuels jouent un rôle de toile de fond : ils façonnent la manière dont les clients interprètent la présence du robot et pondèrent les bénéfices et les risques associés (Ye et al., 2022 ; Fusté-Forné, 2021 ; Tuomi et al., 2021).

1. Que sont les facteurs contextuels ?

Dans la littérature sur les robots de service, les facteurs contextuels renvoient à l’ensemble des caractéristiques de la situation de service indépendantes de la personne qui interagit avec le robot :

• type d’établissement (hôtel, restaurant, restauration collective, aéroport, etc.) ;
• niveau de gamme (luxe, milieu de gamme, économique) ;
• format de service (full-service, limited-service, self-service, buffet) ;
• rôle assigné au robot dans le parcours de service ;
• configuration spatiale, densité de clients, niveaux de fréquentation ;
• contexte temporel (périodes de pointe, crise sanitaire, événements) ;
• contexte culturel et normes locales de service.

2. Principaux facteurs contextuels identifiés dans la littérature

2.1. Type d’établissement et niveau de gamme

Des travaux expérimentaux montrent que la réaction des clients à la technologie dépend du positionnement de l’établissement. Dans une série d’expériences, Nozawa et al. (2022) montrent que les restaurants de luxe utilisant des solutions d’IA et d’automatisation sont évalués plus négativement que les restaurants casual ou fast-casual, à offre de service équivalente.

Dans le même esprit, Belanche et al. (2021) soulignent que les robots de frontline sont perçus différemment selon que l’établissement est positionné sur la réduction de coûts (effet potentiellement négatif sur l’image) ou sur l’amélioration de l’expérience.

2.2. Format de service : full-service, limited-service et self-service

Kao & Huang (2023) montrent que l’acceptation des robots est fortement liée au format de service :

• dans les limited-service restaurants (QSR, fast-casual), la dimension fonctionnelle (rapidité, efficacité) domine et les robots sont plus facilement acceptés ;
• dans les full-service restaurants, les attentes relationnelles et expérientielles sont plus fortes, ce qui rend les robots plus sensibles aux risques de déshumanisation.

Les études de cas de restaurants entièrement robotisés illustrent aussi comment le format (buffet automatisé, convoyeur robotisé, service à table par robots) structure l’expérience (Seyitoğlu & Ivanov, 2022).

2.3. Rôle assigné au robot dans le parcours de service

Tuomi, Tussyadiah & Hanna (2021) analysent deux prototypes d’usage du robot Pepper™ dans un hôtel : en réceptionniste (information, accueil) et en prise de commande (F&B). Le même robot est évalué différemment selon le rôle de service :

• pour des tâches informationnelles (orientation, FAQ, recommandations), les clients acceptent plus facilement un robot, y compris dans des hôtels de niveau élevé ;
• pour des tâches hautement relationnelles (conseil, vente de vins, gestion des réclamations), les attentes d’humanité sont plus fortes et les robots sont jugés plus criticquement.

Les revues de la littérature distinguent ainsi plusieurs rôles du robot : soutien, substitution, différenciation, amélioration et upskilling des employés (Tuomi, Tussyadiah & Stienmetz, 2021 ; Ye et al., 2022).

2.4. Contexte spatial, densité et environnement de service

Les conditions physiques du servicescape influencent aussi la manière dont les robots sont perçus. Dans les études sur les service triads, la configuration des lieux (espaces ouverts, couloirs étroits, zones de forte densité) et la co-présence d’employés humains modulent la qualité de l’interaction (Odekerken-Schröder et al., 2022).

• les robots mobiles sont particulièrement observés dans les zones de fort trafic (lobby, buffets, corridors) ;
• la densité de clients influence la perception de fluidité ou de gêne ;
• la co-présence de personnel humain peut rassurer (supervision, secours).

2.5. Contexte temporel, crise sanitaire et bio-sécurité

Le contexte temporel et sanitaire influence fortement l’acceptation. Durant la pandémie de COVID-19, Wu et al. (2021) montrent que le risque perçu de contamination augmente l’engagement envers les robots dans l’hôtellerie : les clients préfèrent interagir avec des robots plutôt qu’avec des employés humains lorsque la distance sociale devient un enjeu central.

Ivanov et al. (2022) développent un cadre conceptuel liant bio-sécurité, gestion de crise et automatisation : les crises sanitaires créent des incitations fortes à adopter des technologies de service automatisées pour garantir la continuité de l’activité et renforcer la confiance des clients.

• en période de crise, les robots peuvent être perçus comme réducteurs de risque ;
• hors crise, ils peuvent au contraire être vus comme gadgets coûteux.

2.6. Contexte culturel, destination et normes de service

Les études comparatives montrent que les réactions aux robots varient selon le contexte culturel. Dans une analyse de services robotisés aux États-Unis et au Japon, Tuomi (2021) met en évidence des différences dans la manière dont les employés et les clients définissent les rôles souhaitables des robots et des humains dans la rencontre de service.

D’autres travaux qualitatifs dans le tourisme mettent en avant le rôle des représentations culturelles des robots (innovants, ludiques, inquiétants, menaçants) et des normes locales de service (attentes de politesse, d’émotion, de flexibilité) dans l’acceptation des restaurants et hôtels robotisés.

3. Comment intégrer les facteurs contextuels dans un modèle ?

Dans les travaux quantitatifs sur les robots de service, les facteurs contextuels sont généralement mobilisés de trois façons :

• Modération :
  – type de restaurant (luxe vs non-luxe) modérant l’effet de la présence sociale sur l’intention (Nozawa et al., 2022) ;
  – format full-service vs limited-service modérant l’effet de l’utilité perçue (Kao & Huang, 2023) ;
  – niveau de risque sanitaire modérant la relation entre risque perçu et engagement (Wu et al., 2021).
• Segmentation :
  comparaison de l’acceptation des robots entre plusieurs types d’établissements, destinations ou cultures (Seyitoğlu & Ivanov, 2022).
• Variables de contrôle :
  catégorie d’hôtel, positionnement prix, type de repas (petit-déjeuner, banquet, buffet, restauration rapide, etc.).

Références scientifiques principales

• Belanche, D., Casaló, L. V., & Flavián, C. (2021). Frontline robots in tourism and hospitality: Service enhancement or cost reduction? Electronic Markets, 31(3), 477–492. https://doi.org/10.1007/s12525-020-00432-5
• Fusté-Forné, F. (2021). Co-creating new directions for service robots in hospitality and tourism. Tourism and Hospitality, 2(1), 3. https://doi.org/10.3390/tourhosp2010003
• Ivanov, S. H., Webster, C., Stoilova, E., & Slobodskoy, D. (2022). Biosecurity, crisis management, automation technologies and economic performance of travel, tourism and hospitality companies – A conceptual framework. Tourism Economics, 28(1), 3–26. https://doi.org/10.1177/1354816620946541
• Kao, W.-K., & Huang, Y.-S. (2023). Service robots in full- and limited-service restaurants: Extending technology acceptance model. Journal of Hospitality and Tourism Management, 54, 10–21. https://doi.org/10.1016/j.jhtm.2022.11.006
• Nozawa, C., Togawa, T., Velasco, C., & Motoki, K. (2022). Consumer responses to the use of artificial intelligence in luxury and non-luxury restaurants. Food Quality and Preference, 96, 104436. https://doi.org/10.1016/j.foodqual.2021.104436
• Seyitoğlu, F., & Ivanov, S. (2022). Understanding the robotic restaurant experience: A multiple case study. Journal of Tourism Futures, 8(1), 55–72. https://doi.org/10.1108/JTF-04-2020-0070
• Tuomi, A., Tussyadiah, I. P., & Hanna, P. (2021). Spicing up hospitality service encounters: The case of Pepper™. International Journal of Contemporary Hospitality Management, 33(11), 3906–3925. https://doi.org/10.1108/IJCHM-07-2020-0739
• Tuomi, A., Tussyadiah, I. P., & Stienmetz, J. (2021). Applications and implications of service robots in hospitality. Cornell Hospitality Quarterly, 62(2), 232–247. https://doi.org/10.1177/1938965520923961
• Wu, J., Zhang, X., Zhu, Y., & Yu-Buck, G. F. (2021). Get close to the robot: The effect of risk perception of COVID-19 pandemic on customer–robot engagement. International Journal of Environmental Research and Public Health, 18(12), 6314. https://doi.org/10.3390/ijerph18126314
• Ye, H., Law, R., & Guo, Q. (2022). A review of robotic applications in hospitality and tourism. Sustainability, 14(17), 10827. https://doi.org/10.3390/su141710827
• Odekerken-Schröder, G., et al. (2022). The service triad: An empirical study of service robots, employees and customers. Journal of Service Management, 33(4), 577–603.