Comprendre l’intention d’utiliser des robots humanoïdes en restauration et en hôtellerie

L’arrivée de robots humanoïdes dans la restauration commerciale, la restauration collective et l’hôtellerie transforme en profondeur les interfaces de service. Ces robots ne se contentent pas d’automatiser des tâches : ils interagissent avec les clients, parlent, se déplacent, affichent des expressions faciales et s’inscrivent dans des expériences de service parfois fortement scénarisées.

Comprendre pourquoi et dans quelles conditions les consommateurs acceptent – ou refusent – d’utiliser ces robots humanoïdes constitue désormais un enjeu clé pour la recherche en marketing comme pour la pratique managériale. Cette série de pages propose un inventaire structuré des antécédents de l’intention d’utiliser des robots humanoïdes dans ces secteurs, en s’appuyant sur la littérature académique en hôtellerie-restauration, tourisme, systèmes d’information, comportement du consommateur et adoption technologique.

1. Pourquoi un inventaire des antécédents ?

La littérature récente sur les service robots met en évidence la complexité des réactions des consommateurs. Des travaux comme ceux de Wirtz et al. (2018) ou d’Huang et al. (2021) montrent que l’expérience client avec un robot résulte de l’articulation entre :

• des attentes fonctionnelles (utilité, fiabilité, rapidité) ;
• des réactions socio-affectives (plaisir, malaise, présence sociale, chaleur perçue) ;
• des représentations symboliques (vision du progrès, peur de la déshumanisation, menace identitaire) ;
• des facteurs individuels (technophilie, recherche de nouveauté, besoin de contact humain) ;
• des facteurs contextuels (type de service, culture, niveau de robotisation).

En parallèle, les modèles d’adoption des technologies tels que le TAM, l’UTAUT2 et l’UTAUT3 (Venkatesh et al., 2012, 2023) identifient un ensemble d’antécédents robustes de l’intention d’usage (performance expectancy, effort expectancy, social influence, facilitating conditions, hedonic motivation, habit, etc.).

L’enjeu est d’articuler ces modèles génériques avec les spécificités de la robotique humanoïde en services (anthropomorphisme, présence sociale, uncanny valley, risques perçus, objections éthiques), afin de construire des modèles plus sensibles aux réalités des restaurants et hôtels robotisés.

2. Un cadre d’analyse centré sur l’intention d’utiliser les robots humanoïdes

Dans la continuité de la littérature sur l’adoption technologique, nous considérons l’intention comportementale d’utiliser des robots humanoïdes comme variable dépendante centrale. Cette intention peut prendre plusieurs formes selon le contexte :

• intention de visiter un restaurant ou un hôtel utilisant des robots humanoïdes ;
• intention de réutiliser un service déjà testé (revisit intention) ;
• intention de recommander le service à d’autres (bouche-à-oreille, eWOM).

Les études appliquées à la restauration et à l’hôtellerie (par ex. Molinillo et al., 2023 ; Figueiredo et al., 2025 ; Zemke et al., 2025) montrent que cette intention résulte d’un faisceau de déterminants qui dépassent largement la seule utilité perçue : plaisir, perception de modernité, anthropomorphisme, sécurité, hygiène, mais aussi peur de la perte de contact humain, inquiétudes éthiques ou malaise face à des robots « trop humains ».

Pour organiser ce paysage foisonnant, nous proposons une typologie d’antécédents qui s’appuie à la fois sur :

• les grands modèles d’acceptation technologique (TAM, UTAUT2/UTAUT3) ;
• les travaux spécifiques sur les robots de service et les robots humanoïdes en hospitalité (Wirtz et al., 2018 ; Mende et al., 2019 ; Yang & Chew, 2021 ; Skubis, 2024) ;
• les contributions appliquées à la restauration commerciale, à la restauration collective et à l’hôtellerie.

3. Les grandes familles d’antécédents retenues

Les pages suivantes détaillent chacune une famille d’antécédents. L’objectif n’est pas de proposer un modèle unique « clé en main », mais un inventaire raisonné des dimensions identifiées dans la littérature, à partir duquel il sera possible de construire un modèle conceptuel adapté à un contexte de recherche donné.

3.1. Bénéfices et motivations

Cette catégorie regroupe les antécédents de type utilité / performance et valeur perçue : attentes de performance (performance expectancy), économies de temps, fiabilité, hygiène perçue, réduction des contacts, mais aussi valeur perçue globale du service. Elle intègre les dimensions centrales de l’UTAUT2/3 (performance expectancy, price value) et les travaux sur les bénéfices fonctionnels des robots en restauration et en hôtellerie.

→ Page : Bénéfices et motivations

3.2. Dimension socio-affective et expérientielle

Ici sont regroupés les antécédents liés au plaisir, à la stimulation, à la curiosité, à la recherche de nouveauté, ainsi qu’aux émotions positives ou négatives générées par l’interaction (joie, amusement, anxiété, malaise). Cette famille inclut notamment la hedonic motivation de l’UTAUT2/3 ainsi que les travaux sur l’expérience client robotisée.

→ Page : Dimension socio-affective et expérientielle

3.3. Anthropomorphisme et traits humains

Les robots humanoïdes se distinguent par leur ressemblance avec l’humain (forme, visage, voix, gestes). Cette catégorie analyse l’effet de l’anthropomorphisme, de la présence sociale, des expressions faciales, de la « chaleur » et de la « compétence » perçues, ainsi que les risques liés à la vallée de l’étrange et à la menace identitaire.

→ Page : Anthropomorphisme et traits humains

3.4. Risques perçus et objections

Cette famille regroupe les freins à l’adoption : risque de panne, risques perçus pour la vie privée et les données, peur pour l’emploi, sentiment de déshumanisation du service, malaise éthique, inconfort face aux robots. On y retrouve notamment les « reasons against » de la Behavioural Reasoning Theory et les freins identifiés dans les études sur les robots en restauration et en hôtellerie.

→ Page : Risques perçus et objections

3.5. Facteurs contextuels

Les antécédents ne jouent pas de la même façon selon que l’on parle de restauration rapide, de gastronomie, de restauration collective ou d’hôtellerie haut de gamme. Cette catégorie regroupe les facteurs liés au type d’établissement, au niveau de robotisation, au positionnement du service, aux normes culturelles et au cadre réglementaire (ex. contexte post-COVID et argument sanitaire).

→ Page : Facteurs contextuels

3.6. Facteurs individuels

Les réactions aux robots humanoïdes varient en fonction des caractéristiques individuelles des consommateurs : technophilie, familiarité avec la technologie, recherche de nouveauté, anxiété sociale, besoin de contact humain, âge, genre, capital culturel et numérique, etc. Cette famille couvre notamment la technology readiness et les traits psychologiques associés à l’adoption de technologies émergentes.

→ Page : Facteurs individuels

3.7. Variables modératrices

Certaines variables n’agissent pas comme antécédents directs de l’intention, mais comme modérateurs des relations entre antécédents et intention : par exemple, l’âge ou l’expérience avec les robots peuvent modérer l’effet de l’anthropomorphisme sur l’attitude, tandis que le type de service (restauration commerciale vs collective) peut modérer l’impact des bénéfices expérientiels.

→ Page : Variables modératrices

3.8. Antécédents issus de l’UTAUT2/UTAUT3

Au-delà des catégories précédentes, certains antécédents identifiés dans l’UTAUT2/UTAUT3 méritent une attention spécifique dans le cas des robots humanoïdes :

• Effort expectancy : perception de la facilité d’utilisation (simplicité des interactions, clarté des interfaces vocales ou gestuelles).
• Social influence : rôle des normes sociales, de la communication, du bouche-à-oreille et des attentes des proches.
• Facilitating conditions : perception des ressources techniques et organisationnelles permettant l’usage fluide des robots (information, assistance, fiabilité du système).
• Habit : rôle de l’habitude et de l’exposition répétée aux robots dans la stabilisation des intentions d’usage.

Ces dimensions seront mobilisées et articulées dans chacune des pages thématiques, afin de permettre une intégration cohérente des apports de l’UTAUT2/3 dans le cadre spécifique des robots humanoïdes en restauration et en hôtellerie.

Références scientifiques (sélection)

• Figueiredo, I. G., Moutinho, P. F., Duarte, P. O., & Macedo, A. C. (2025). Customers’ Intentions to Use Restaurants with Robot Waiters: An Extension of the Technology Acceptance Model. Journal of the Knowledge Economy. https://doi.org/10.1007/s13132-025-02827-1
• Huang, D., Chen, Q., Huang, J., Kong, S., & Li, Z. (2021). Customer-robot interactions: Understanding customer experience with service robots. International Journal of Hospitality Management, 99, 103078. https://doi.org/10.1016/j.ijhm.2021.103078
• Ivanov, S. H., & Webster, C. (Eds.). (2019). Robots, Artificial Intelligence and Service Automation in Travel, Tourism and Hospitality. Emerald Publishing. https://doi.org/10.1108/9781787566873
• Mende, M., Scott, M. L., van Doorn, J., Grewal, D., & Shanks, I. (2019). Service Robots Rising: How Humanoid Robots Influence Service Experiences and Elicit Compensatory Consumer Responses. Journal of Marketing Research, 56(4), 535–556. https://doi.org/10.1177/0022243718822827
• Molinillo, S., Rejón-Guardia, F., & Anaya-Sánchez, R. (2023). Exploring the antecedents of customers’ willingness to use service robots in restaurants. Service Business, 17, 167–193. https://doi.org/10.1007/s11628-022-00509-5
• Skubis, I. (2024). Humanoid Robots in Tourism and Hospitality—Exploring Benefits, Challenges and Ethical Implications. Applied Sciences, 14(24), 11823. https://doi.org/10.3390/app142411823
• Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157–178.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2023). A unified theory of acceptance and use of technology: Reflecting on a decade of UTAUT and outlining a research agenda. Journal of the Association for Information Systems, 24(6), 1501–1520.
• Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018). Brave new world: Service robots in the frontline. Journal of Service Management, 29(5), 907–931. https://doi.org/10.1108/JOSM-04-2018-0119
• Yang, J., & Chew, E. (2021). A systematic review for service humanoid robotics model in hospitality. International Journal of Social Robotics, 13, 1397–1410. https://doi.org/10.1007/s12369-020-00724-y