IA conversationnelle au travail : revue systématique à écarter (8/30)

L'intelligence artificielle conversationnelle transforme-t-elle réellement l'expérience des employés, ou cette affirmation repose-t-elle sur des preuves trop fragiles pour orienter une décision managériale ? Une revue systématique publiée en 2026 dans Behavioral Sciences (MDPI) entend cartographier les mécanismes psychologiques en jeu. L'Institut 2DMP en livre ici une lecture sans concession, à l'usage des dirigeants, DRH et entrepreneurs qui cherchent des appuis solides avant d'agir.

Ce que l'étude a réellement mesuré

Liu et al. ont conduit une revue systématique suivant le protocole PRISMA 2020, sans méta-analyse quantitative. Le corpus final comprend 84 études indexées dans Web of Science Core Collection (bases SSCI, SCI-E et ESCI), publiées entre 2020 et 2026. La population visée par ces études sources est composée d'employés de bureau, de candidats à l'emploi et de gestionnaires RH interagissant directement avec un système d'IA conversationnelle : chatbots, assistants virtuels, LLM intégrés en entreprise (ChatGPT, Microsoft 365 Copilot, etc.).

L'objectif déclaré est de synthétiser les mécanismes psychologiques par lesquels ces outils reconfigurent l'expérience au travail, en mobilisant trois cadres théoriques : la théorie des systèmes sociotechniques (STS), le paradigme « Computers as Social Actors » (CASA) d'après Nass & Moon (2000), et le modèle Job Demands-Resources (JD-R) de Bakker & Demerouti (2017). Il n'existe ni groupe contrôle, ni critère de jugement principal mesuré longitudinalement : la synthèse est thématique et descriptive, sans durée de suivi assignée.

Ce qu'elle prouve, ce qu'elle ne prouve pas

Ce qu'elle documente de façon fiable. Le codage thématique, réalisé en double lecture indépendante avec un accord inter-juge de 93,6 % et un Cohen's kappa de 0,88, produit des résultats descriptifs cohérents. Le cadrage instrumental — considérer l'IA comme un simple outil — domine le corpus : 55 études sur 84, soit 65,5 %. Un virage théorique minoritaire mais réel émerge : 29 études sur 84 (34,5 %) positionnent la CAI comme partenaire, coéquipier ou superviseur. L'anthropomorphisme fort ne concerne que 12 études sur 84 (14,3 %), tandis que la catégorie anthropomorphisme faible est la plus fréquente (27 études, 32,1 %). Ces proportions décrivent la littérature existante ; elles ne mesurent pas d'effets sur les employés.

Ce qu'elle ne prouve pas. Aucun intervalle de confiance, aucune p-value, aucune taille d'effet ne sont rapportés : les résultats sont purement fréquentiels. Le modèle causal intégré, présenté en Figure 6 de l'article, est explicitement qualifié par les auteurs eux-mêmes de propositionnel et non validé causalement. La grande majorité des études sources sont transversales et auto-rapportées, ce qui interdit toute inférence causale robuste sur les « pathways » psychologiques proposés. Par ailleurs, 84,5 % du corpus est issu de la période 2024-2026 : les construits sont récents et peu répliqués. Enfin, la recherche documentaire est restreinte à une seule base (Web of Science), sans littérature grise ni bases spécialisées comme PsycINFO ou les conférences ACM/IEEE. Le protocole n'a pas été pré-enregistré, et aucune investigation du biais de publication n'a été réalisée.

Le verdict DrDLM en clair

L'analyse critique complète attribue à cet article un score de 8/30 et le verdict « À écarter ».

Ce verdict ne signifie pas que l'article est dépourvu d'intérêt intellectuel dans son propre champ — la psychologie du travail. Il signifie qu'il ne constitue pas un appui suffisant pour fonder une décision opérationnelle. L'outil AMSTAR-2 appliqué à cette revue systématique identifie au moins quatre faiblesses critiques : absence de pré-enregistrement du protocole, recherche documentaire restreinte à une seule base, risque de biais individuel non détaillé pour chacune des 84 études, et biais de publication non investigué. Le niveau de preuve GRADE est Très Faible. Le modèle conceptuel central, celui que les dirigeants seraient tentés de mobiliser pour justifier un déploiement ou une restriction de l'IA conversationnelle, n'a pas été testé empiriquement. Les auteurs le disent eux-mêmes.

« À écarter » signifie : ne pas appuyer de décision managériale, RH ou organisationnelle sur cet article seul, quel que soit son attrait théorique.

Ce que cela change en pratique

• Ne pas utiliser cette revue comme argumentaire pour déployer ou refuser un outil d'IA conversationnelle en entreprise. Le modèle causal qu'elle propose n'est pas validé ; s'y référer expose à une décision non étayée. (Données de l'article : les auteurs qualifient eux-mêmes leur modèle de propositionnel.)

• Rester vigilant face aux effets de « dark side » signalés — surcharge cognitive, effritement du lien humain, comportements opportunistes qualifiés de « GenAI loafing » — sans pour autant les considérer comme établis. Ces phénomènes reposent sur des études 2025-2026 encore peu répliquées. (Prudence : bases empiriques préliminaires selon les auteurs.)

• Distinguer cadrage instrumental et cadrage relationnel de l'IA lors de tout déploiement. La revue documente que 34,5 % des études récentes positionnent déjà la CAI comme partenaire ou superviseur : ce glissement perceptuel dans les équipes mérite une attention explicite lors de la conduite du changement. (Donnée de l'article : distribution thématique du corpus.)

• Exiger des études longitudinales internes avant de généraliser. La synthèse confirme que l'essentiel des données disponibles est transversal et auto-rapporté. Un pilote mesuré dans le temps, sur vos propres équipes, offre une base plus solide que n'importe quelle revue de littérature hétérogène. (Cohérence méthodologique : limite explicitement reconnue dans l'article.)

• Ne pas confondre cohérence théorique et preuve empirique. Les cadres CASA, STS et JD-R mobilisés sont reconnus et bien ancrés dans la littérature princeps (Epley et al. 2007 ; Nass & Moon 2000 ; Bakker & Demerouti 2017). Leur cohérence interne est réelle. Elle ne remplace pas des données causales. (Littérature complémentaire : références fondatrices citées dans l'article.)

Références

1. Liu L, Zhang R, Su X, Wu T. From Tool to Social Actor: A Systematic Review of the Psychological Mechanisms Through Which Conversational AI Reshapes the Employee Experience. Behav Sci. 2026. doi:10.3390/bs16091704

2. Epley N, Waytz A, Cacioppo JT. On seeing human: A three-factor theory of anthropomorphism. Psychol Rev. 2007. — Cité dans l'article source

3. Nass C, Moon Y. Machines and mindlessness: Social responses to computers. J Soc Issues. 2000. — Cité dans l'article source

4. Bakker AB, Demerouti E. Job demands-resources theory: Taking stock and looking forward. J Occup Health Psychol. 2017. — Cité dans l'article source

Engagement, fidélisation & charge cognitive — Institut 2DMP

Carte de méthode

Voir la fiche complète et sa traçabilité