1La diffusion des technologies d’Intelligence Artificielle (IA) présente des bénéfices potentiels importants pour le service public, comme pour les autres secteurs. Plus spécifiquement, l’IA pourrait améliorer la relation aux usagers « en première ligne » (Jeffares 2021) sur quatre axes : la sécurisation du processus de délivrance (control), la réduction des coûts (cost), l’adaptation aux besoins de l’usager (convinience) et le renforcement de lien entre l’administration et ses usagers (connection), dans le prolongement des bénéfices déjà observés de l’administration électronique (egovernment) pour le service public (Newman 2001 ; Chadwick 2006 ; Busch et Henriksen 2018).
2C’est ainsi que les puissances publiques ont développé ces trois dernières années un discours volontariste et des mesures d’incitation pour le développement de l'IA et pour son adoption dans le secteur public (Ministère de l’économie et des Finances, DG Trésor 2017 ; Villani et al. 2018 ; Commission Européenne 2020).
3Le sens de l'IA est très large et porte de grands enjeux sous-jacents, comme en témoigne la définition qui avait été donnée dans le rapport « Donner un sens à l’Intelligence Artificielle » (Villani et al. 2018) : « elle a toujours constitué une frontière, incessamment repoussée. …avec un objectif ambitieux : comprendre comment fonctionne la cognition humaine et la reproduire (…) L’intelligence artificielle est entrée, depuis quelques années, dans une nouvelle ère (…) due à l’essor de l’apprentissage automatique (…) …Les imaginaires (…) jouent donc un rôle majeur (…) dans la direction que prend le développement de cette discipline (…) »
4L’IA permet de développer des cas d’usages pour la gestion de la relation usager, automatiser la réponse aux questions (ex : Chatbot), rechercher de l’information (ex : pour le remplissage automatique de formulaire), gérer des requêtes routinières (ex : routage automatique de demande), réaliser des traductions ou encore rédiger des réponses automatisées (Mehr 2017, 7). Plus globalement, même si elles sont encore émergentes, les recherches relatives à l'IA dans le secteur public touchent tous les domaines de l’administration (Sousa et al. 2019). De nombreuses expérimentations de services publics numériques intégrant de l’IA sont actuellement menées ; notamment en Europe (Misuraca et Van Noordt 2020). Son adoption à l’échelle « industrielle » semble s’opérer lentement et devrait être accélérée (Commission Européenne 2020, 7).
5Dans le même temps, il existe des risques de dérives qui doivent être anticipés et gérés pour assurer le développement d’une IA de confiance, centrée sur l’humain (High level experts group 2020). Les décisions automatisées qui peuvent avoir un impact sur la vie des citoyens doivent tout particulièrement faire l’objet de la plus grande attention (Besse et al. 2019). Plus particulièrement, la dématérialisation du service public fait déjà peser des risques sur ses principes de continuité, d’égalité et d’adaptabilité de service public (Défenseur des Droits 2019) et ne doivent pas être aggravés par l’IA.
6Pour toutes ces raisons, il est intéressant de s’intéresser à l’adoption de l'IA dans le secteur public, en s’appuyant sur le cadre théorique éprouvé de l’adoption des innovations.
7Le management de l’innovation s’intéresse au processus qui conduit à la mise en œuvre de produits, procédés, méthodes ou services, nouveaux ou améliorés, susceptibles de répondre à des attentes implicites ou explicites du marché et de générer une valeur économique, environnementale ou sociétale pour toutes les parties prenantes (AFNOR 2013). Ce processus s’intéresse à toutes les phases d’une innovation, leur génération, leur adoption, leur diffusion puis à leur implantation dans la durée.
8L’adoption des innovations fait l’objet, depuis près de 60 ans, d’une abondante littérature pour décrire ses facteurs et ses freins. On distingue quatre groupes de théories sur l’adoption des innovations : Les théories institutionnelles et néo-institutionnelles, les théories centrées sur les facteurs d’adoption des individus, les théories qui s’attachent à étudier les déterminants dans une perspective économétriques et enfin un groupe qui concernent les théories de leur diffusion (van Oorschot, Hofman, et Halman 2018, 11, Table 4).
9Les principaux modèles d’adoption des innovations par les individus sont : le Technology Acceptance Model (TAM) (Davis 1989), la Theory of Planned Behaviour –(TPB) (Ajzen 1991) et l’Unified Theory of Acceptance and Use of Technology (UTAUT)(Venkatesh et al. 2003), qui est à la fois le plus récent et celui qui a su, au fil des années, continuer à intégrer les nouveaux éléments de la recherche. Ces théories cherchent à mesurer l’intention d’utilisation de l’innovation, considérant que le comportement d’un individu repose sur des actions planifiées et raisonnées dont découle une intention consciente à adopter ou non un nouveau comportement. Ils sont issus des travaux réalisés dans le domaine de la psychologie sociale et plus particulièrement les théories de l’action raisonnée (TRA) (Ajzen et Fishbein, 1975) et la théorie du comportement planifiée (TPB) (Ajzen, 1991). Selon ce courant théorique, deux notions centrales fondent le comportement d’adoption des individus : l'utilité perçue (PU) définie comme la probabilité que le système améliore la situation de l’utilisateur d’une part ; la facilité d'utilisation, correspondant la notion d’effort à utiliser le système d’autre part. Ces deux facteurs s’appuient sur différentes chaines de causalité. Un modèle d’adoption de l’administration électronique basé sur le modèle unifié UTAUT a récemment été proposé (Jacob et al. 2019). Ce modèle indique en particulier les inducteurs de l'intention comportementale elle-même à l'origine du comportement d'utilisation : d'abord l'espérance de performance, mais aussi l'espérance d'effort, la confiance, la culture nationale et enfin l'influence sociale. La connaissance des services et les conditions propices plus globalement induisent également le comportement d'utilisation. Notons également que si de telles études ont déjà été réalisées du point de vue des employés (Rana, Dwivedi, et Williams 2013 ; Bhaskar, Vinay, et Joshi 2021) ou des citoyens (Costello et Moreton 2009 ; Gupta, Singh, et Bhaskar 2016 ; Jacob et al. 2019 ; Wertz, Weyerer, et Rösch 2019), il semblerait qu’il existe un gap de littérature pour le traitement des deux perspectives simultanément.
10Le traitement de l'IA par les sciences de gestion émerge et particulièrement le sujet de son adoption. Les études récentes semblent surtout traiter de l’adoption au niveau des organisations (Pumplun, Tauchert, et Heidt 2020 ; AlSheibani, Cheung, et Messom 2018 ; Jöhnk, Weißert, et Wyrtki 2020), mais des premières études s’intéressent à l’adoption de l’IA par les individus (Zhang 2020), notamment dans le secteur public (Johannessen 2020).
11Le thème de l'IA dans le secteur public émerge progressivement sous le vocable de smart government (ou gouvernement intelligent), mais très peu traite de son adoption (Sousa et al., 2019).
12Par ailleurs, si les travaux relatifs à l’administration électronique concernent essentiellement son adoption (environ 80 % d’entre eux), les travaux empiriques demeurent embryonnaires pour confirmer et valider les développements théoriques déjà réalisés (Wirtz et Daiser 2018).
13Pôle emploi a accepté d’accueillir cette recherche sur les conseils personnalisés automatisées proposées aux demandeurs d’emploi, dans le cadre de l’expérimentation du Journal de la Recherche d’Emploi (JRE) entre avril et septembre 2020.
14Les conseils personnalisés constituent l’une des fonctionnalités du journal de la recherche d’emploi (JRE), un service en ligne visant à la fois l’amélioration de la qualité de l’accompagnement celle du respect des obligations des demandeurs d’emploi. Il intervient dans le cadre de la loi « Avenir Professionnel » du 5 septembre 2018, mené à titre expérimental en Centre-Val de Loire et Bourgogne Franche-Comté pour une durée de 18 mois. Cette expérimentation implique aujourd’hui l’entièreté des quelques 500 000 demandeurs d’emploi et des 1 500 conseillers en agence environ au sein des deux régions. Le JRE est un service numérique qui doit être visité chaque mois par les demandeurs d’emploi pour répondre à leur obligation d’actualiser leur situation. Entre un à trois nouveaux conseils personnalisés lui sont proposés dans ce contexte, relatifs à ses candidatures ou entretiens, ses formations, ou, le cas échéant, sa reconversion vers un nouveau métier ou encore sa création d’entreprise. Ce service s’appuie sur un moteur de recommandations, qui sélectionne des démarches à lui proposer, à partir de règles et d’algorithmes traitant des données relatives au demandeur d’emploi : ses caractéristiques (ex : âge, code métier ROME), à sa situation actuelle et son projet, tels que renseignés dans les systèmes d’information de Pôle emploi ainsi qu’à ses comportements observés au sein du JRE (ex : suggestions appréciées, la présence ou non d’une carte de visite).
15Ce cas a permis de décrire le contexte d’utilisation de ce service, la perception de conseillers et celle des demandeurs d’emploi et in fine son impact sur son utilisation effective par les agents publics d’une part et les usagers d’autre part :
16Cette étude de cas s’inscrit dans le paradigme épistémologique constructiviste pragmatique (Le Moigne 2001) à travers laquelle les questions sont construites « chemin-faisant ». La description joue un rôle central dans cette démarche exploratoire, en s’attachant à respecter plusieurs principes pour assurer la validité des résultats, tout particulièrement le fait d’assumer que le point de vue de la description qui est celui des acteurs opérants (Dumez 2018). La démarche est résolument qualitative alors que l’approche usuelle d’utilisation de ce type de modèle d’adoption en plutôt quantitative, en étudiant la variance des facteurs à partir d’un grand nombre d’études de cas.
17Pour tendre vers des résultats valides, trois démarches de collecte de données ont été mises en œuvre pour assurer triangulation des données (Eisenhardt 1989) : Tout d’abord, l’analyse des statistiques d’utilisation du JRE par les demandeurs d’emploi (mai 2020), des entretiens semi-directifs conduits avec dix conseillers de l’agence de Châteauroux-Balsan et enfin un questionnaire autoadministré adressé aux demandeurs d’emploi du département de l’Indre (plus de 17 000 questionnaires auto-administrés transmis, près de 650 réponses) avec le soutien de la direction du Centre-Val de Loire, complété d’une vingtaine d’entretiens avec un panel représentatif de demandeurs d’emploi. Ils utilisent à la fois des questions fermées analysées sur l’échelle de Lickert et l’analyse des discours.
18La première idée-reçue remise en cause est que les acteurs seraient toujours, par principe « résistants au changement ».
19La perception des conseils personnalisés s’inscrit plus globalement dans une perception plutôt positive du JRE : les trois quarts des demandeurs d'emploi trouvent la saisie des démarches utile, voire très utile et ne sont que 6 % la considérer totalement inutile. Il s'agit selon eux d'un outil pour mieux s’organiser et d'un outil pour échanger avec Pôle emploi. Les conseillers interrogés voient dans cet outil un gain de temps dans la collecte d'information, pouvant être réalloué à l'accompagnement des demandeurs. 80 % des demandeurs d'emploi considèrent le développement des conseils personnalisés comme positif voire très positif. Les conseillers les positionnent comme "un plus", "une cerise sur le gâteau" qui peut utilement compléter leur accompagnement, pour orienter les demandeurs d’emploi "vers les bons services de Pôle emploi".
20Cette perception générale très positive et convergente entre les demandeurs d'emploi et les conseillers se fonde, sur la perception d’un service moderne, centré sur les besoins individuels des personnes, et qui positionne l’administration dans un rôle de soutien et d’accompagnement, « libérée » d’un rôle administratif et bureaucratique. La communication interne et externe réalisée sur le projet semble avoir positivement contribué à cette perception, compte tenu d’un discours très homogène des acteurs.
21Une seconde idée reçue remise en cause par cette étude de cas est que les utilisateurs rencontreraient des difficultés à appréhender la complexité de la technologie ne parlons pas de l'IA.
22Les demandeurs d'emploi sont 80 % à la déclarer la saisie des démarches très facile ou plutôt facile d’utilisation. Ils ne sont que 5 % à la considérer comme complexe ou très complexe. La barrière de l’éloignement du numérique est un point d'attention qui a été néanmoins largement souligné par les conseillers interrogés et soulevé avec inquiétude par environ un tiers des demandeurs d’emploi. Les demandeurs d'emploi ne l'ont pas évoqué comme un frein, mais plutôt comme une évolution nécessaire pour eux.
23Ce constat se positionne à contre-courant de l'idée du risque de défiance des utilisateurs largement développée par la littérature institutionnelle et professionnelle, qui nuirait à l'adoption des technologies.
24Ainsi, les demandeurs d'emploi n'ont pas évoqué de réticence à partager des informations et développer l'usage du numérique dans ce contexte. Ils ont cependant indiqué que ce type d'outils ne devait pas déshumaniser la relation, mais plutôt l'enrichir. C'est un point de vigilance également exprimé par les conseillers, mais les uns, comme les autres, ne sont pas allés jusqu'à exprimer un sentiment d’inquiétude.
25Le schéma ci-dessous présente en synthèse les facteurs et freins à l’adoption et leurs principales interactions systémiques qui peuvent être déduites dans le cadre de la présente étude de cas :
26On pourrait s’étonner de ne pas mieux percevoir le lien fondateur du cadre théorique entre perception et intention d’utilisation
27Les conseils personnalisés sont essentiellement consultés par les demandeurs d’emploi au moment de leur actualisation. Les conseils personnalisés sont mal connus par les demandeurs d'emploi. Au moment de l’étude, 51 % d'entre eux déclarent ne pas avoir remarqué leur existence. Ceux qui les ont identifiés n'en maîtrisent pas tous les contours. Moins de 5 % des demandeurs d’emploi a consulté (au moins) un conseil personnalisé le mois en cours. Environ 2 % des conseils proposés ont été consultés par eux. Les conseillers utilisent également très peu les conseils personnalisés.
28Il semblerait que la perception positive exprimée par les acteurs opérants porte davantage sur l'image globale du projet. Cependant, le ratio entre l'utilité immédiate et les efforts consentis ne semble pas transformer l'intention d'utilisation du JRE à ce stade pour tous les profils d’adoptant.
29Les demandeurs d'emploi soulignent, quant à eux, la nécessité d’améliorer l'ergonomie et de mieux faire le "pont" avec une relation avec un conseiller. Ils aspirent également à pouvoir accéder à des services complémentaires (en particulier s'agissant d'interconnexion avec d'autres services) et le cas échéant de pouvoir bénéficier d’un parcours utilisateur en adéquation avec leur autonomie et de leur appétence numérique.
30Les profils d'adoption ne dépendent pas de critères à première vue attendus (âge, sexe niveau de diplôme), mais plutôt de critères relatifs aux compétences et au projet du demandeur d’emploi :
Figure – Synthèse des profils d'adoption des demandeurs d'emploi pour les recommandations personnalisées
Source : Auteur, issue de la présente étude terrain, auprès des demandeurs d’emploi de l’Indre en mai 2020
31Le questionnement de la perception des utilisateurs finaux, basé sur les facteurs d’adoption du modèle UTAUT permet de collecter une description riche de l’adoption de l'IA par les utilisateurs finaux, basée sur leur expérience et leur ressenti et permettant de nuancer les idées reçues portées par les acteurs plus loin du terrain (ceux-là même interrogés lors de la plupart des études portées notamment par la sphère professionnelle).
32Cependant, la généralisation de ces résultats implique un traitement plus approfondi des données, comme le propose notamment la théorie ancrée pour être en mesure, in fine de « casser le mur » entre les données collectées sans l’influence de tout schéma préexistant d’une part et les théories existantes d’autre part, afin de pouvoir proposer des théories à partir du terrain (Walsh 2015). Plus spécifiquement, la généralisation d’un modèle d’adoption peut s’avérer difficile, compte tenu de la place prédominante du contexte sur le lien entre les variables (Ajibade 2018). Une analyse processuelle de l’adoption prenant en compte les enjeux d’apprentissage des acteurs permettrait d’aller plus loin dans cette compréhension (Touati et Denis 2013) afin de proposer des connaissances activables pour les acteurs publics en charge de ces transformations.