Les facteurs déterminants de l'intention d'usage des chatbots dans le secteur bancaire au Maroc : contribution d'un modèle UTAUT enrichi

ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 1 www.ijafame.org Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi Determinants of chatbot usage intention in the banking sector in Morocco: contribution of an enriched UTAUT model Loubna EL HATTAB, (Doctorante) Laboratoire de Modélisation Appliquée à l'Economie et la Gestion (MAEGE) Faculté des sciences économiques juridiques et sociales AIN SBAA Université Hassan II de Casablanca, Maroc Tarek ZARI, (Enseignant-Chercheur) Laboratoire de Modélisation Appliquée à l'Economie et la Gestion (MAEGE) Faculté des sciences économiques juridiques et sociales AIN SBAA Université Hassan II de Casablanca, Maroc Adresse de correspondance : Facult des sciences Juridiques, Economiques et Sociales Ain Sebaa Universit Hassan II de CasablancaMaroc Tlphone : 0522766984 Maroc (Casablanca) Déclaration de divulgation : Les auteurs n'ont pas connaissance de quelconque financement qui pourrait affecter l'objectivité de cette étude et ils sont responsables de tout plagiat dans cet article. Conflit d’intérêts : Les auteurs ne signalent aucun conflit d'intérêts. Citer cet article EL HATTAB, L., & ZARI, T. (2025). Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi. International Journal of Accounting, Finance, Auditing, Management and Economics, 7(1), 1–26. https://doi.org/10.5281/zenodo.18031571 Licence Cet article est publié en open Access sous licence CC BY-NC-ND Received: 04/11/2025 Accepted: 24/12/2025 International Journal of Accounting, Finance, Auditing, Management and Economics - IJAFAME ISSN: 2658-8455 Volume 7, Issue 01 (2026) Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 2 www.ijafame.org Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi Résumé La généralisation des chatbots fonds sur l’intelligence artificielle redfinit progressivement les modalits de l’interaction client dans le secteur bancaire, tout en posant des enjeux cruciaux lis à la confiance et à l’acceptation des technologies automatisées. Cette étude examine les facteurs dterminants de l’intention d’usage des chatbots bancaires dans le contexte marocain, en s’appuyant sur un modèle UTAUT enrichi intgrant des dimensions fonctionnelles, sécuritaires, relationnelles et émotionnelles. L’analyse empirique repose sur une enquête quantitative mene auprès de 384 usagers des services bancaires digitaux au Maroc, dont les rponses ont t traites à l’aide de la modlisation par quations structurelles selon l’approche des moindres carrs partiels (PLS-SEM). Les rsultats mettent en vidence le rôle central de la confiance dans le processus d’adoption des chatbots bancaires. Celle-ci se construit principalement à partir de perceptions lies à l’intgrit, à la scurit, à la confidentialité et à la réputation de l’institution bancaire, tandis que le risque perçu agit comme un frein majeur. Les attributs fonctionnels du chatbot, tels que la compétence et la fiabilité, contribuent à instaurer un socle minimal de crédibilité sans constituer des facteurs fortement diffrenciants. L’utilit perçue apparaît comme le principal moteur de l’intention d’usage et joue un rôle mdiateur dterminant entre la confiance et l’adoption effective. Par ailleurs, l’inconfort technologique rduit la propension à utiliser les chatbots en altérant la perception de leur utilité, alors que l’anthropomorphisme n’exerce pas d’influence significative dans le contexte bancaire tudi. L’adoption des chatbots bancaires repose sur une architecture multidimensionnelle runissant facteurs techniques, sécuritaires, relationnels, cognitifs et émotionnels. Ces résultats invitent les banques à renforcer la transparence, la cohérence conversationnelle et l’accompagnement digital pour soutenir une adoption durable auprès de leurs clients. Mots-clés : Chatbots, Confiance, IA, UTAUT, SmartPLS, Modélisation Classification JEL: M41 Paper type : Recherche empirique Abstract The widespread adoption of artificial intelligence–based chatbots is progressively reshaping the modalities of customer interaction in the banking sector, while simultaneously raising critical challenges related to trust and the acceptance of automated technologies. This study examines the key determinants of banking chatbot usage intention in the Moroccan context, drawing on an enriched UTAUT model that incorporates functional, securityrelated, relational, and emotional dimensions. The empirical analysis is based on a quantitative survey conducted among 384 users of digital banking services in Morocco. The collected data were analyzed using partial least squares structural equation modeling (PLS-SEM). The findings highlight the central role of trust in the adoption process of banking chatbots. Trust is primarily built upon perceptions of integrity, security, confidentiality, and institutional reputation, whereas perceived risk acts as a major barrier. Functional attributes of chatbots, such as competence and reliability, contribute to establishing a baseline level of credibility but do not constitute strongly differentiating factors. Perceived usefulness emerges as the main driver of usage intention and plays a decisive mediating role between trust and actual adoption. Furthermore, technological discomfort reduces users’ willingness to adopt chatbots by undermining perceived usefulness, while anthropomorphism does not exert a significant influence in the banking context examined. The adoption of banking chatbots relies on a multidimensional architecture combining technical, security-related, relational, cognitive, and emotional factors. These findings encourage banks to strengthen transparency, conversational consistency, and digital support in order to foster sustainable customer adoption. Keywords : Chatbots, Trust, Artificial Intelligence, UTAUT, SmartPLS, Modeling JEL Classification : M41 Paper Type : Empirical Research ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 3 www.ijafame.org 1. Introduction En l’espace de ces dernières dcennies, l’mergence rcent de l’intelligence artificielle (AI) a profondément transformé la manière dont les entreprises conçoivent et délivrent leurs services(Chandra et al., 2023). Les avancées en traitement automatique du langage, en apprentissage profond et en modlisation conversationnelle ont dbouch sur l’apparition d’agents capables d’interagir avec les utilisateurs de manière plus naturelle, plus rapide et plus flexible qu’auparavant(Ahmed et al., 2024). Les chatbots, qui taient à l’origine de simples systèmes scripts, se sont progressivement imposs comme de vritables interfaces d’assistance grâce aux progrès de l’IA conversationnelle(Adamopoulou & Moussiades, 2020). Cette volution s’inscrit dans un mouvement global où les entreprises cherchent à adapter leur relation client à des usages numériques en forte expansion et à automatiser une partie des interactions afin de répondre à la demande croissante en disponibilité et en réactivité(Adam et al., 2021). Dans ce contexte, les services financiers ont été parmi les premiers secteurs à intégrer ces technologies, en raison de la frquence leve des demandes courantes, du besoin d’assistance continue et de l’importance stratgique de l’exprience client (Govindaraj et al., 2023). Les banques utilisent dsormais des chatbots pour fournir des informations, orienter l’utilisateur dans ses démarches, et offrir un premier niveau de réponse qui complète les services humains. Cette intégration accompagne la transition numérique du secteur et rpond aux attentes d’une clientèle de plus en plus habituée aux applications mobiles, aux services en ligne et aux interactions automatisées (Davoudi et al., 2023). Les modèles d’acceptation technologique montrent depuis longtemps que l’adoption d’une technologie dpend de l’valuation que l’utilisateur fait de sa pertinence et de sa facilit d’utilisation (Venkatesh et al., 2012).Dans le cas des agents conversationnels alimentés par l’IA, ces dimensions deviennent particulièrement importantes, car l’utilisateur juge non seulement la fonctionnalité du service, mais aussi la qualité de la communication, la rapidité des réponses et la capacité du système à comprendre les demandes de manière adéquate Dans le domaine bancaire, la confiance dépend également de la sécurité et de la confidentialité perçues, en raison de la sensibilité des données traitées (Culnan & Armstrong, 1999) . Les études consacrées aux chatbots montrent que la qualité du langage, la clarté des réponses et certains indices anthropomorphiques influencent fortement la perception de crédibilité (Chaves & Gerosa, 2021). Malgré ces apports, la recherche portant spécifiquement sur les chatbots bancaires demeure limitée. Les travaux existants proviennent en grande majorité de contextes européens ou asiatiques où les utilisateurs sont déjà très familiarisés avec les services automatisés (Marak et al., 2025a). Au Maroc, les travaux réalisés à ce titre restent largement peu développés de la littérature, alors même que les banques marocaines ont intégré ces outils dans leurs applications. La compréhension de la confiance dans ce contexte est donc encore incomplète. Plusieurs divergences apparaissent dans les recherches existantes. Certaines tudes concluent qu’un chatbot humanis renforce la confiance, tandis que d’autres montrent qu’un anthropomorphisme trop marqu peut crer un sentiment d’inconfort(Epley et al., 2007a). De même, la force des effets liés à la sécurité et à la confidentialité varie selon les contextes, ce qui montre que les relations entre ces facteurs et la confiance ne sont pas uniformes. Enfin, la plupart des travaux supposent que les utilisateurs abordent la technologie avec un niveau de confort relativement stable, ce qui ne reflète pas les réalités des pays où les compétences numériques sont inégalement réparties. Bien que la littérature ait largement exploré les facteurs soutenant la confiance dans les technologies numériques, les recherches portant spécifiquement sur les chatbots bancaires au Maroc demeurent limites, tant sur le plan thorique qu’empirique. La majorité des travaux existants s’appuie sur des contextes où l’usage du numrique est djà bien ancr, laissant de Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 4 www.ijafame.org côt les environnements où la relation humaine et l’interaction directe avec le conseiller bancaire conservent une place centrale dans la perception de la fiabilité et de la crédibilité du service. Ce constat rejoint les observations d’Acosta-Prado et al. (2024), qui soulignent que la recherche académique sur la banque numérique se concentre principalement sur les économies déjà digitalisées, au détriment des marchés émergents(Acosta-Prado et al., 2024). De même, Kaur et al. (2021) montrent que dans ces contextes, la présence humaine en agence demeure un facteur dterminant pour instaurer la confiance et encourager l’adoption progressive des services bancaires numériques(Kaur et al., 2021). Par ailleurs, les recherches consacrées aux agents conversationnels se concentrent surtout sur des dimensions cognitives telles que la comptence, la fiabilit ou la qualit de l’interaction. Elles accordent moins d’attention aux facteurs sociaux, affectifs susceptibles d’influencer la manière dont l’utilisateur interprète ces lments, même lorsque le chatbot obtient une évaluation favorable sur le plan fonctionnel. (Parasuraman & Colby, 2015).Certaines attitudes liées au rapport personnel au numérique, notamment les formes de gêne, de malaise ou d’apprhension, sont encore rarement prises en compte dans l’tude de la confiance envers ces systèmes(Nordheim et al., 2019b). Dans cette perspective, la notion de l’inconfort technologique, pourtant présente dans les travaux portant sur la relation des individus aux technologies, n’a pas encore t mobilise pour analyser la confiance envers les chatbots bancaires. Cette absence laisse ouverte la question de son rôle potentiel dans la façon dont les perceptions positives d’un chatbot se transforment en intention d’usage. Cette recherche propose d’analyser les dterminants de la confiance envers les chatbots bancaires dans le contexte marocain, tout en examinant le rôle modrateur du l’inconfort technologique Elle mobilise les apports de la littrature sur l’acceptation technologique(Venkatesh et al., 2003) , la confiance numérique (D. H. McKnight et al., 2002) et les agents conversationnels (Araujo, 2018). L’article est structur en cinq sections. La première propose une revue critique des recherches sur les chatbots bancaires et met en évidence le gap théorique motivant notre modèle enrichi. La deuxième développe le cadre conceptuel et formule les hypothèses. La troisième décrit la méthodologie et le protocole empirique. La quatrième présente les résultats issus du modèle PLS-SEM. La cinquième discute les implications théoriques et managériales et suggère des pistes pour des travaux futurs. 2. Revue de littérature L’introduction des agents conversationnels dans les services bancaires constitue aujourd’hui un jalon majeur dans la restructuration numrique de l’industrie financière. Mobiliss pour assurer une disponibilité permanente, automatiser les demandes récurrentes et soutenir l’intgration de parcours omnicanaux, les chatbots s’inscrivent dans une logique d’optimisation simultane des performances oprationnelles et de l’exprience client. Plusieurs travaux montrent qu’ils améliorent la fluidité des interactions lorsqu’ils sont capables de produire des rponses pertinentes, cohérentes et adaptées aux besoins des utilisateurs (Brandtzaeg & Følstad, 2018). Toutefois, malgr l’enthousiasme institutionnel, leur appropriation effective demeure disparate, suggérant que les mécanismes psychologiques et relationnels qui sous-tendent leur adoption ne sont pas pleinement assimilés. Les modèles traditionnels d’acceptation technologique ont longtemps constitu le socle de l’analyse des comportements d’adoption. Le Technology Acceptance Model, propos par Davis en 1989, tablit que l’intention d’usage repose principalement sur l’utilit perçue et la facilité d’utilisation perçue. Plusieurs tudes menes dans les services financiers confirment la pertinence de ces dterminants pour expliquer l’usage des chatbots, notamment en ce qui concerne la perception de gain de temps et d’efficacit. De manière complémentaire, le Unified Theory of Acceptance and Use of Technology de Venkatesh et al. (2003) intègre des facteurs ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 5 www.ijafame.org tels que les attentes de performance, les attentes d’effort, l’influence sociale et les conditions facilitatrices (Venkatesh et al., 2003). Ces modèles conservent une valeur explicative solide lorsqu’ils sont appliqus à des technologies fonctionnelles classiques, mais ils s’avèrent conceptuellement insuffisants pour saisir la spécificité interactionnelle et discursive des chatbots. En effet, l’une des limites majeures de ces approches rside dans leur rduction de l’interaction homme–machine à un processus essentiellement utilitaire. Le chatbot n’est pas un simple outil technique : il constitue un agent conversationnel mobilisant un registre relationnel, social et parfois émotionnel. Plusieurs travaux soulignent que des dimensions telles que la présence sociale, l’humanit perçue ou encore la chaleur interactionnelle jouent un rôle dterminant dans la formation de l’intention d’adopter ce type d’interface (Go & Sundar, 2019). L’incapacit des modèles traditionnels à intégrer ces dimensions socio-relationnelles constitue une première limite fondamentale. La spécificité du secteur bancaire impose également de prendre en compte la centralité de la confiance, dimension centrale dans la littérature sur les technologies financières. Les contributions de McKnight et Chervany (2002), prolongées par celles de Pavlou (2003), ont montré que la confiance dans les systèmes numériques est un construit multidimensionnel comprenant la comptence perçue, la fiabilit, l’intgrit et la bienveillance(D. H. McKnight et al., 2002). Dans les environnements bancaires, cette conceptualisation a été enrichie par les perceptions de sécurité et de confidentialité, ainsi que par la réputation institutionnelle. Les recherches récentes sur les chatbots bancaires confirment que la volonté des utilisateurs de communiquer des informations personnelles dépend non seulement de leur confiance dans la technologie, mais également de leur perception de la capacité de la banque à protéger ces données(Lappeman et al., 2022). Cependant, malgré cette reconnaissance théorique, la majorité des travaux empiriques continuent de traiter la confiance comme un construit global, sans distinguer de manière systématique ses composantes. Cette absence de granularité limite la capacité des modèles actuels à identifier les mécanismes précis qui structurent la confiance dans les environnements bancaires digitalisés. Cette insuffisance ouvre un premier gap théorique justifiant la nécessité de décomposer la confiance en plusieurs dimensions distinctes, compétence, fiabilité, intégrité, sécurité perçue, confidentialité et réputation. En parallèle, la littrature s’est intresse au rôle de l’anthropomorphisme et de la qualit conversationnelle dans l’acceptation des agents conversationnels. Les travaux d’Araujo (2018) montrent que l’attribution de caractristiques humaines aux chatbots peut accroître la crédibilité perçue et renforcer l’engagement, bien que cet effet soit ambivalent : un anthropomorphisme excessif peut susciter confusion, malaise ou attentes irréalistes(Araujo, 2018). Par ailleurs, la qualit du langage, la cohrence des rponses et l’expressivit verbale influencent de manière décisive la perception de la valeur des chatbots, notamment dans les services financiers où la précision et la transparence des informations sont essentielles (Jiménez-Barreto et al., 2023). Malgré leur importance, ces variables relationnelles demeurent sous-explorées dans les modèles explicatifs actuels, constituant ainsi une deuxième lacune significative. L’inconfort technologique, pourtant identifi dans la littrature sur la readiness digitale comme un dterminant critique de l’adoption, apparaît de manière marginale dans les recherches ddies aux chatbots bancaires. Les manifestations de nervosit, d’appréhension ou de réticence face aux technologies automatisées peuvent constituer un frein majeur, surtout dans les contextes où les compétences numériques sont inégalement réparties. Son absence dans les modèles conceptuels actuels constitue un troisième gap, qui appelle à une intégration explicite de cette dimension(Tennakoon, 2024). Ces limites révèlent que la littérature existante ne parvient pas encore à articuler de manière cohrente l’ensemble des facteurs cognitifs, interactionnels, relationnels et motionnels qui Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 6 www.ijafame.org dfinissent l’usage des chatbots dans le secteur bancaire. Elles justifient l’introduction d’un modèle conceptuel renouvelé intégrant : une décomposition fine de la confiance, l’anthropomorphisme, la qualit conversationnelle et l’inconfort technologique. Leur combinaison permet de dpasser les approches traditionnelles et d’apprhender plus rigoureusement les dynamiques d’acceptation des chatbots dans un environnement où la gestion du risque, la sensibilité informationnelle et la relation de confiance occupent une place centrale. 2.1. Développement des hypothèses 2.1.1. La relation entre la compétence perçue et la Confiance Dans les environnements sociotechniques contemporains, et en particulier dans les systèmes bancaires digitaliss fonds sur l’intelligence artificielle, la confiance repose sur la perception que ces systèmes possèdent les capacités nécessaires pour exécuter correctement les tâches attendues, tant sur le plan fonctionnel que social. Des travaux récents montrent que la confiance envers les systèmes d’IA est un construit multidimensionnel intgrant des jugements sur la compétence perçue, la fiabilité et la transparence de l’agent artificiel, et qu’elle joue un rôle dterminant dans l’acceptation et l’usage des technologies automatises ; ainsi, les utilisateurs valuent l’IA non seulement sur sa performance technique, mais aussi sur la cohérence de ses interactions et sa capacit à rduire l’incertitude dans des contextes à risque lev comme la banque (Novozhilova et al., 2024; Sun et al., 2025) H1 : La compétence perçue du chatbot influence positivement la confiance envers celui-ci. 2.1.2. La relation entre la Fiabilité perçue et la Confiance La fiabilit perçue, dfinie comme la capacit d’un système à offrir des performances constantes et cohérentes dans le temps, constitue une dimension essentielle de la confiance numérique. Des tudes rcentes ont montr que la fiabilit reprsente l’un des prédicteurs majeurs de la confiance dans les interactions avec des systèmes numériques automatisés, car elle réduit l’incertitude associe à l’utilisation de technologies d’intelligence artificielle, en particulier dans des contextes à fort enjeu informationnel comme les services bancaires digitaux (Abdulsalam & Tajudeen, 2024). Dans le domaine bancaire, cette exigence est particulièrement forte : la stabilit du discours, la cohrence des rponses et la constance du comportement d’un agent conversationnel contribuent directement à la perception de fiabilité. Des études récentes confirment cette idée. Nordheim et al., (2019) soulignent que les chatbots perçus comme incohérents ou peu constants dans leurs réponses diminuent la confiance des utilisateurs, même lorsque les informations fournies sont exactes (Nordheim et al., 2019). De plus, Luo et al. (2019) montrent que, dans le contexte des services financiers numériques, la fiabilité perçue d’un système d’intelligence artificielle influence directement la satisfaction et la fidlit des clients (Luo et al., 2019). Ainsi, la fiabilité perçue ne se limite pas à une évaluation technique de performance ; elle constitue un indicateur central de crédibilité et de confiance dans les interactions homme–machine. H2 : La fiabilité perçue du chatbot influence positivement la confiance envers celui, ci. 2.1.3. La relation entre l’Intégrité perçue et la Confiance L’intgrit perçue renvoie à la perception selon laquelle un système ou un agent agit de manière honnête, transparente et conforme à des principes éthiques. Elle constitue une dimension essentielle de la confiance numrique, car elle garantit à l’utilisateur que la technologie agit dans son intrêt, sans manipulation de l’information ni conflit d’intrêts. Dans le domaine bancaire, cette exigence est particulièrement forte : les clients attendent des plateformes et des chatbots qu’ils fassent preuve de transparence, de conformité réglementaire et de sécurité dans la gestion de leurs données et transactions. ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 7 www.ijafame.org Des recherches rcentes confirment que l’intgrit perçue constitue une composante fondamentale de la confiance envers les systèmes numériques et sociotechniques. Dans les environnements en ligne et fonds sur l’intelligence artificielle, l’intgrit renvoie à la perception selon laquelle le système agit de manière honnête, transparente et conforme aux attentes thiques des utilisateurs. Plusieurs tudes empiriques montrent que la perception d’une intégrité élevée, associée à la transparence des processus et à l’absence de comportements opportunistes, renforce significativement la confiance des utilisateurs et favorise l’acceptation des technologies numériques, en particulier dans des contextes sensibles tels que les services financiers digitalisés (Abdul Karim Shaikh et al., 2023a; Lankton et al., 2014; H. McKnight et al., 2009). Plus rcemment, Kimiagari & Asadi Malafe, 2021 ont confirm que l’intgrit perçue et la fiabilité des systèmes bancaires numériques renforcent directement la confiance et la fidélité des utilisateurs.(Kimiagari & Asadi Malafe, 2021). Ainsi, dans le contexte des chatbots bancaires, l’intgrit perçue apparaît non seulement comme un principe moral, mais aussi comme un levier stratégique de crédibilité et de confiance envers la technologie. H3 : L’intégrité perçue influence positivement la confiance envers le chatbot bancaire. 2.1.4. La relation entre la Sécurité perçue et la Confiance Les recherches sur l’adoption des services numriques montrent que la scurit perçue constitue un déterminant essentiel de la confiance, en particulier dans les contextes où les transactions impliquent des données sensibles. Featherman & Pavlou (2003) souligne que la perception d’un système comme scuris rduit la crainte d’opportunisme et favorise son utilisation(Featherman & Pavlou, 2003). Des travaux plus récents montrent que la sécurité perçue ne se limite pas à une caractéristique technique du système, mais constitue également un signal psychologique majeur qui renforce la légitimité, la crédibilité et la fiabilité perçue des technologies numériques. Dans les environnements fonds sur l’intelligence artificielle, et plus particulièrement dans les services bancaires digitalisés, la perception de dispositifs de scurit robustes contribue à rduire l’incertitude et à instaurer la confiance des utilisateurs envers les systèmes automatisés (Lowry et al., 2015 ; Shaikh et al., 2023). (Abdul Karim Shaikh et al., 2023; Cahill et al., 2003).Dans le domaine des chatbots bancaires, cette relation entre sécurité perçue et confiance est particulièrement marquée. Les utilisateurs se montrent plus enclins à interagir avec un agent conversationnel lorsqu’ils estiment que leurs échanges et données personnelles sont protégés contre toute intrusion ou piratage. De plus, des études récentes confirment que la sécurité perçue influence positivement la confiance et l’intention d’utilisation des chatbots bancaires, en rduisant les perceptions de risque et en renforçant le sentiment de fiabilité (Alkadi & Abed, 2025). H4 : La sécurité perçue influence positivement la confiance envers le chatbot bancaire. 2.1.5. La relation entre la confidentialité perçue et la Confiance La confidentialit perçue renvoie à la capacit d’un système numrique à protger les donnes sensibles contre toute utilisation abusive ou non autorisée. Des recherches récentes montrent que lorsque les utilisateurs estiment que leurs informations personnelles sont collectées, traitées et stockées de manière responsable, transparente et conforme aux normes de protection des données, leur niveau de confiance envers la technologie augmente significativement. Cette relation est particulièrement marquée dans les services bancaires digitalisés, où la sensibilité des donnes amplifie l’importance accorde aux garanties de (Lappeman et al., 2023 ; Martin et al., 2017). Dans les services financiers, la confidentialité constitue un enjeu encore plus central, car elle conditionne la perception du risque associ à la divulgation d’informations sensibles. Lwin et al (2016) confirment que la confidentialité perçue influence la confiance, surtout dans les services automatisés(Lwin et al., 2016). D’après Lappeman et al. (2023), les utilisateurs de services bancaires numériques accordent leur confiance lorsque le traitement Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 8 www.ijafame.org automatisé respecte strictement les règles de discrétion et de non, dissémination des données (Lappeman et al., 2023). H5 : La confidentialité perçue influence positivement la confiance envers le chatbot bancaire. 2.1.6. La relation entre le Risque perçue et la Confiance Le risque perçu constitue un frein majeur dans les interactions numériques, en particulier lorsque les technologies mobilisées impliquent des processus automatisés et le traitement de données sensibles. Des recherches récentes montrent que les individus tendent à réduire leur intention d’adopter une technologie lorsqu’ils anticipent des risques potentiels, tels qu’une perte financière, un dysfonctionnement du système ou une mauvaise interprétation des demandes, ces perceptions alimentant l’incertitude et l’anxit lies à l’usage. Dans les environnements bancaires digitalisés, le risque perçu apparaît ainsi comme un déterminant négatif central de la confiance et de l’intention d’usage des technologies fondes sur l’intelligence artificielle (Marak et al., 2025). H6 : Le risque perçu influence négativement la confiance envers le chatbot bancaire. 2.1.7. La relation entre l’Anthropomorphisme et la Confiance Dans le cadre des chatbots, Araujo (2018) montre que l’humanisation de la communication, par exemple l’utilisation d’un ton empathique ou d’un style conversationnel fluide, renforce la crédibilité perçue(Araujo, 2018).Hussain & Wegmann (2021) rappellent toutefois que cet effet n’est pas linaire : un anthropomorphisme trop marqu peut susciter un sentiment d’inconfort(Hussain & Wegmann, 2021). H7 : L’anthropomorphisme perçu influence positivement la confiance envers le chatbot bancaire. 2.1.8. La relation entre la Confiance et l’Intention d’usage Dans la majorit des modèles d’adoption technologique, la confiance apparaît comme un dterminant de l’intention d’usage. Gefen et al (2003) montrent que la confiance compense les incertitudes et rduit les efforts cognitifs lis à l’utilisation de la technologie(Gefen et al., 2003). Pavlou (2003) confirme son rôle décisif dans les transactions en ligne. Dans les études consacrées aux chatbots bancaires, Alt et al., 2021 démontre que la confiance constitue la variable pivot de l’acceptation, bien plus que l’utilit perçue ou la facilit d’usage(Alt et al., 2021). H8 : La confiance envers le chatbot influence positivement l’intention d’usage. 2.1.9. La relation entre la confiance envers le chatbot et Utilité perçue La confiance envers le chatbot constitue un antcdent cl de l’utilit perçue dans le cadre de l’adoption des chatbots bancaires. En effet, lorsque les utilisateurs estiment que le chatbot est fiable, sécurisé et capable de fournir des réponses pertinentes, ils ont tendance à percevoir ses fonctionnalités comme réellement utiles et bénéfiques à leurs interactions bancaires. Par exemple, l’tude de (Shaikh, Khan & Faisal, 2023) montre que la sécurité perçue et la fiabilité du chatbot influencent positivement la perception d’utilit, notamment via la qualit de l’interface et la clart des informations fournies(Abdul Karim Shaikh et al., 2023). De même, les résultats de (Govindaraj & Krishnan, 2023) confirment que la confiance dans le système et la protection des donnes personnelles renforcent la perception d’utilit, en augmentant le sentiment de sécurité et la satisfaction client(Govindaraj et al., 2023). Enfin, la recherche de Misra, Malik et Singh (2025) met en évidence que la confiance perçue agit comme un médiateur essentiel entre les attentes de performance et la satisfaction, ce qui se traduit par une perception accrue de l’utilit du chatbot (Misra et al., 2025). H9 : La confiance envers le chatbot influence positivement l’intention d’usage. ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 9 www.ijafame.org 2.1.10. La relation entre l’Utilité perçue et l’Intention d’usage Depuis Davis (1989), l’utilit perçue demeure l’un des dterminants les plus robustes de l’intention d’adopter une technologie. Les prolongements proposs par Venkatesh et al. (2003) dans l’UTAUT confirment cette relation(Venkatesh et al., 2003). Dans le cadre des chatbots bancaires, Alt et al. (2021) et Marak et al. (2025) montrent que les utilisateurs adoptent ces dispositifs lorsqu’ils perçoivent un bnfice concret, notamment une rduction du temps d’attente, une simplification des oprations et une autonomie accrue(Marak et al., 2025b)(Alt et al., 2021). Ainsi, l’utilit perçue constitue un moteur de l’usage effectif. H10 : L’utilité perçue influence positivement l’intention d’usage du chatbot bancaire. 2.1.11. La relation entre la réputation de la banque et la Confiance La rputation de l’institution constitue un signal de crdibilit dterminant dans les services financiers digitalisés, en particulier lorsque les utilisateurs font face à des asymétries d’information et à une incertitude leve quant au fonctionnement des technologies automatisées. Des recherches récentes montrent que la réputation organisationnelle agit comme une garantie implicite, permettant de réduire la perception de risque et de renforcer la confiance accorde aux technologies dployes par l’institution. Lappeman et al. (2023) montrent que les utilisateurs projettent leur perception de la banque sur ses outils numériques, construisant ainsi un lien direct entre réputation institutionnelle et confiance(Lappeman et al., 2023). H11 : La réputation de la banque influence positivement la confiance envers le chatbot bancaire. 2.1.12. La relation entre l’inconfort technologique et l’utilité perçue La relation entre l’inconfort technologique et l’utilit perçue s’avère inversement proportionnelle : plus les utilisateurs ressentent de l’anxit ou un manque d’aisance face à la technologie, moins ils perçoivent la solution comme utile pour accomplir leurs tâches. En effet, selon l’tude d’Elkhatibi et Guelzim (2024), les clients bancaires percevant une complexité dans l’usage des chatbots tendent à valuer leur utilit comme faible, ce qui diminue leur intention d’adoption malgr la reconnaissance de bnéfices potentiels(Elkhatibi et al., 2024) . De même, les travaux de Dhanya et Ramya (2025) montrent que l’anxit technologique agit ngativement sur la perception d’utilit, mais que cette relation peut être attnue par un niveau lev de littratie numrique ou d’exprience pralable avec des outils similaires(Dhanya & Ramya, 2025). Enfin, dans les marchés émergents, la technophobie et le faible confort technologique réduisent la perception de performance des chatbots, ce qui compromet leur utilité perçue et, par conséquent, leur adoption effective (Mogaji et al., 2021). H12 : L’inconfort technologique influence négativement l’utilité perçue 2.1.13. La relation entre l’inconfort technologique et l’intention d’usage L’inconfort technologique, souvent exprim sous forme d’anxit ou d’apprhension face aux nouvelles technologies, exerce un effet ngatif direct sur l’intention d’usage des chatbots bancaires. En effet, lorsque les utilisateurs perçoivent une technologie comme complexe, intimidante ou peu intuitive, leur volont de l’adopter diminue sensiblement. Selon Dhanya et Ramya (2025), la technologie anxiété réduit la motivation à interagir avec les chatbots, freinant ainsi l’intention comportementale, surtout chez les utilisateurs à faible littératie numérique(Dhanya & Ramya, 2025). De même, l’tude de Elkhatibi et Guelzim (2024) montre que lorsque les utilisateurs perçoivent les chatbots comme exigeant un effort cognitif élevé, leur intention de les utiliser diminue, malgré la reconnaissance de leur potentiel d’efficacit(Elkhatibi et al., 2024). Enfin, dans les marchés émergents, (Mogaji et al., 2021) soulignent que la technophobie et le faible confort numérique constituent des obstacles majeurs Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 16 www.ijafame.org 4. Résultats Le tableau 4 prsente les caractristiques sociodmographiques de l’chantillon compos de 412 rpondants. La variable « sexe » indique une rpartition de 55,6 % d’hommes et 44,4 % de femmes. Pour l’âge, les participants se rpartissent en quatre catgories : 14,8 % ont entre 18 et 24 ans, 38,3 % entre 25 et 34 ans, 29,4 % entre 35 et 44 ans, et 17,5 % ont 45 ans et plus. Le niveau d’tudes montre que 16,3 % des rpondants ont un niveau secondaire, 22,6 % un diplôme Bac+2 ou technicien, 34,2 % un niveau licence/Bac+3, et 26,9 % un diplôme de master ou plus. Concernant le statut professionnel, 37,1 % des participants sont salariés du secteur privé, 22,3 % appartiennent à la fonction publique, 18 % sont étudiants, 13,6 % entrepreneurs ou autoentrepreneurs, et 9 % sans emploi ou dans d’autres catégories. Pour la banque principale utilise, l’chantillon inclut 35,9 % de clients d’Attijariwafa Bank, 28,9 % de la Banque Populaire, 14,8 % de CIH Bank, 12,6 % de BMCE/Bank of Africa, et 7,8 % d’autres banques. L’exprience dclare avec les services digitaux se rpartit comme suit : 14,1 % ont moins d’un an d’exprience, 35,2 % entre un et trois ans, 31,3 % entre trois et cinq ans, et 19,4 % plus de cinq ans. Enfin, la frquence d’utilisation du chatbot bancaire montre que 30,6 % des rpondants l’utilisent rarement, 41 % occasionnellement, et 28,4 % rgulièrement. Tableau 4 : Caractéristiques générales de l’échantillon(N=384) Variable Catégories Fréquence (n) Pourcentage (%) Sexe Homme 229 55.6 Femme 183 44.4 Âge 18–24 ans 61 14.8 25–34 ans 158 38.3 35–44 ans 121 29.4 45 ans et plus 72 17.5 Niveau d’tudes Secondaire 67 16.3 Bac +2 / Technicien 93 22.6 Licence / Bac +3 141 34.2 Master et plus 111 26.9 Statut professionnel Salari (priv) 153 37.1 Fonction publique 92 22.3 Étudiant 74 18.0 Entrepreneur / Autoentrepreneur 56 13.6 Sans emploi / Autres 37 9.0 Banque utilise Attijariwafa Bank 148 35.9 Banque Populaire 119 28.9 CIH Bank 61 14.8 BMCE / Bank of Africa 52 12.6 Autres (SGMB, CDM, etc.) 32 7.8 Exprience avec les services digitaux < 1 an 58 14.1 1–3 ans 145 35.2 3–5 ans 129 31.3 > 5 ans 80 19.4 Frquence d’usage du chatbot bancaire Rarement 126 30.6 Occasionnellement 169 41.0 Rgulièrement 117 28.4 Source : Données de l’étude 4.1. Le modèle structurel Le Tableau 5 présente les coefficients structurels obtenus, accompagnés des valeurs de t et des niveaux de signification issus du bootstrapping (5 000 rééchantillonnages). Les coefficients standardiss β varient entre –0,27 et 0,49, ce qui indique des effets structurels d’intensit faible à modre. L’ensemble des relations testes, à l’exception d’une seule, atteint un seuil de ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 17 www.ijafame.org significativité statistique inférieur à p < .05, conformément aux standards de présentation recommands par l’American Psychological Association (APA, 2020). Les relations portant sur les déterminants de la confiance envers le chatbot présentent des coefficients significatifs : β = 0.19, t = 3.02, p = .003 ; β = 0.15, t = 2.48, p = .013 ; β = 0.28, t = 4.87, p < .001 ; β = 0.24, t = 4.09, p < .001 ; β = 0.22, t = 3.66, p < .001 ; et β = –0.27, t = 5.12, p < .001. Une relation non significative affiche un coefficient de β = 0.08, associ à une valeur de t insuffisante (t = 1.89, p = .059), ce qui ne permet pas de retenir l’effet au seuil conventionnel de .05. Le rôle de la rputation bancaire affiche un coefficient significatif de β = 0.31, avec t = 5.21, p < .001. Concernant les relations postérieures à la confiance dans le modèle structurel, les coefficients sont galement statistiquement significatifs : β = 0.37, t = 6.48, p < .001 ; β = 0.49, t = 8.02, p < .001 ; et β = 0.26, t = 4.55, p < .001. Enfin, les relations lies à l’inconfort technologique montrent des effets significatifs, avec β = –0.18, t = 3.01, p = .003, et β = –0.12, t = 2.14, p = .033. Tableau 5 Résultats des tests d’hypothèses du modèle structurel (PLS-SEM) Relationship β (Coefficient) t-value pvalue Supported Comptence perçue → Confiance envers le chatbot 0.19 3.02 0.003 Yes Fiabilit perçue → Confiance envers le chatbot 0.15 2.48 0.013 Yes Intgrit perçue → Confiance envers le chatbot 0.28 4.87 <0.001 Yes Scurit perçue → Confiance envers le chatbot 0.24 4.09 <0.001 Yes Confidentialit perçue → Confiance envers le chatbot 0.22 3.66 <0.001 Yes Risque perçu → Confiance envers le chatbot –0.27 5.12 <0.001 Yes Anthropomorphisme → Confiance envers le chatbot 0.08 1.89 0.059 No Confiance envers le chatbot → Intention d’usage 0.26 4.55 <0.001 Yes Confiance envers le chatbot → Utilit perçue 0.37 6.48 <0.001 Yes Rputation de la banque → Confiance envers le chatbot 0.31 5.21 <0.001 Yes Utilit perçue → Intention d’usage 0.49 8.02 <0.001 Yes Inconfort technologique → Intention d’usage –0.18 3.01 0.003 Yes Inconfort technologique → Utilit perçue –0.12 2.14 0.033 Yes Source :Données de l’étude Le Tableau 6 présente les effets indirects issus du procédé de bootstrapping (5 000 rchantillonnages), accompagn des coefficients standardiss β, des valeurs de t et des niveaux de signification. Les coefficients indirects varient de –0,070 à 0,181, ce qui reflète des intensités d’effets faibles à modres dans l’ensemble des relations testes. Les chemins médiés par la confiance envers le chatbot présentent des coefficients indirects significatifs, notamment pour la comptence perçue (β = 0.049, t(n) = 2.84, p = .005), la fiabilit perçue (β = 0.039, t(n) = 2.41, p = .016), l’intgrit perçue (β = 0.073, t(n) = 3.91, p < .001), la scurit perçue (β = 0.062, t(n) = 3.44, p = .001), ainsi que la confidentialit perçue (β = 0.057, t(n) = 3.22, p = .001). L’effet indirect du risque perçu est significatif et ngatif (β = –0.070, t(n) = 4.26, p < .001). L’hypothèse associe à l’anthropomorphisme ne dpasse pas le seuil de significativit conventionnel (β = 0.021, t(n) = 1.62, p = .105). Le rôle médiateur de la confiance est également confirmé dans la relation avec la réputation de la banque, avec un coefficient indirect de β = 0.081, t(n) = 4.15, p < .001. Par ailleurs, le chemin mdi compos de la confiance puis de l’utilit perçue vers l’intention d’usage prsente l’effet indirect le plus lev du tableau (β = 0.181, t(n) = 6.98, p < .001), tandis que l’inconfort technologique exerce un effet mdi significatif ngatif via l’utilit perçue (β = –0.059, t(n) = 2.67, p = .008). Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 18 www.ijafame.org Tableau 6 : Effet Indirects avec Bootstrapping Indirect Path (Mediation) β (Indirect Effect) t-value pvalue Médiation Supported ? Comptence perçue → Confiance → Intention d’usage 0.049 2.84 0.005 Yes Fiabilit perçue → Confiance → Intention d’usage 0.039 2.41 0.016 Yes Intgrit perçue → Confiance → Intention d’usage 0.073 3.91 <0.001 Yes Scurit perçue → Confiance → Intention d’usage 0.062 3.44 0.001 Yes Confidentialit perçue → Confiance → Intention d’usage 0.057 3.22 0.001 Yes Risque perçu → Confiance → Intention d’usage –0.070 4.26 <0.001 Yes Anthropomorphisme → Confiance → Intention d’usage 0.021 1.62 0.105 No Rputation de la banque → Confiance → Intention d’usage 0.081 4.15 <0.001 Yes Confiance → Utilit perçue → Intention d’usage 0.181 6.98 <0.001 Yes Inconfort technologique → Utilit perçue → Intention d’usage –0.059 2.67 0.008 Yes Source :Données de l’étude • La taille de l’effet (f²) Au-delà de la significativit statistique des coefficients structurels, l’valuation de la taille de l’effet (f²) met en vidence l’importance relative de chaque relation causale dans l’explication de la variance des construits endogènes. Les rsultats montrent que l’utilit perçue exerce l’effet le plus substantiel sur l’intention d’usage, avec une taille d’effet forte (f² = 0,38), confirmant son rôle central dans les modèles d’acceptation technologique appliqus aux chatbots bancaires. La confiance envers le chatbot prsente un effet modr sur l’utilit perçue (f² = 0,21), tandis que son effet direct sur l’intention d’usage demeure de magnitude plus limite (f² = 0,12), suggrant que l’influence de la confiance s’opère principalement de manière indirecte, via l’utilit perçue. S’agissant des dterminants de la confiance, la rputation de la banque (f² = 0,18), le risque perçu (f² = 0,16) et l’intgrit perçue (f² = 0,14) apparaissent comme les contributeurs les plus influents, traduisant leur rôle structurant dans la formation de la confiance envers les chatbots bancaires. À l’inverse, la comptence, la fiabilit, la scurit et la confidentialit perçues prsentent des tailles d’effet faibles, indiquant qu’elles agissent davantage comme des conditions nécessaires que comme des leviers différenciants. L’anthropomorphisme affiche une taille d’effet ngligeable (f² = 0,01). • La pertinence prédictive du modèle (Q²) Par ailleurs, l’valuation de la pertinence prdictive du modèle à l’aide de l’indicateur Q², obtenue par la procdure de blindfolding, confirme la robustesse prdictive de l’architecture proposée. Les valeurs de Q² sont strictement positives pour l’ensemble des construits endogènes, attestant d’une capacit prdictive satisfaisante. Plus prcisment, la confiance envers le chatbot (Q² = 0,29) et l’utilit perçue (Q² = 0,31) présentent une pertinence prédictive modre, tandis que l’intention d’usage affiche une valeur élevée (Q² = 0,42), indiquant que le modèle est particulièrement performant pour anticiper le comportement d’adoption des chatbots bancaires. Ces rsultats confirment que la chaîne explicative confiance → utilit perçue → ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 19 www.ijafame.org intention d’usage ne se limite pas à une validit explicative interne, mais constitue galement un mécanisme prédictif robuste, renforçant ainsi la solidité méthodologique et la portée empirique du modèle dans le contexte bancaire marocain. 5. Discussion L’usage des chatbots connaît galement une progression notable dans le secteur bancaire au Maroc, en particulier dans les services digitaux offerts par les grandes institutions financières. A cet gard, la prsente recherche vise donc à enrichir les recherches empiriques si limites sur la confiance envers les technologies d’IA en construisant un cadre intgratif mobilisant les dimensions de fiabilit, de comptence, d’intgrit, de scurit et de confidentialit, complt par les apports de l’UTAUT. L’objectif est d’examiner les antcdents susceptibles d’influencer la confiance des clients envers les chatbots bancaires. L’essor de l’usage des chatbots dans les services bancaires digitaux a conduit notre tude à proposer un modèle conceptuel combinant des dimensions de confiance classiques (comptence, fiabilit, intgrit, scurit, confidentialit, risque, rputation) avec les dterminants de l’acceptation technologique. Le modèle a pour objectif d’identifier les antcdents susceptibles de gagner la confiance des clients envers les chatbots bancaires et, en aval, leur intention d’usage. Les rsultats de notre tude, montrant que la comptence perçue (β = 0,19, p = .003), la fiabilit perçue (β = 0,15, p = .013), l’intgrit perçue (β = 0,28, p < .001), la scurit perçue (β = 0,24, p < .001) et la confidentialit perçue (β = 0,22, p < .001) influencent positivement et significativement la confiance envers le chatbot, sont solidement tays par la littrature rcente sur la confiance dans les systèmes conversationnels intelligents. Tout d’abord, plusieurs travaux montrent que la comptence ou expertise perçue d’un chatbot — c’est-à-dire sa capacit à fournir des rponses pertinentes et utiles — augmente significativement le niveau de confiance des utilisateurs dans ces systèmes, car elle rduit l’incertitude perçue lie aux rponses fournies par l’agent conversationnel. Par exemple, une tude rcente identifie la perceived expertise comme l’un des facteurs majeurs influençant la confiance via une meilleure attribution de crdibilit au chatbot(Nordheim et al., 2019). Parallèlement, la fiabilit perçue, qui reflète la constance et la cohrence des performances du chatbot, est galement reconnue pour renforcer la confiance, car les utilisateurs s’attendent à une interaction prvisible et stable dans leurs diffrentes requêtes(Ng & Zhang, 2025). En ce qui concerne les dimensions thiques et lies à la protection de l’utilisateur, la scurit et la confidentialit perçues sont rgulièrement identifies comme des aspects essentiels de la confiance dans les environnements de systèmes bass sur l’IA, car elles attnuent les inquitudes lies à l’usage des donnes personnelles et au risque de traitement malveillant ou non-autoris des informations partages avec des agents conversationnels(Leschanowsky et al., 2024). Enfin, bien que l’intgrit perçue soit parfois moins directement analyse dans les modèles classiques, elle se rapproche conceptuellement de la transparence, de l’honnêtet et de la responsabilit perçue des systèmes, qui sont reconnues comme des leviers de confiance dans les interactions homme-machine(Glassberg et al., 2025). Ainsi, nos rsultats confirment et prolongent les conclusions des travaux rcents selon lesquels la confiance dans les chatbots repose à la fois sur des caractristiques techniques (comptence, fiabilit) et sur des engagements perçus en matière de protection thique et des donnes (scurit, confidentialit, intgrit), ce qui facilite l’adoption et l’utilisation continue des agents conversationnels intelligents dans divers contextes d’usage. Par ailleurs, l’hypothèse relative au risque perçu (β = –0,27, p < .001) est confirme, indiquant que plus les utilisateurs perçoivent de risques associs à l’usage du chatbot, plus leur confiance diminue, ce qui freine potentiellement leur intention d’adoption. Cette relation ngative entre risque perçu et intention d’adoption est bien documente dans la littrature sur l’acceptation des Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 20 www.ijafame.org technologies numriques, notamment dans les services bancaires en ligne et mobiles, où des niveaux levs de risque perçu rduisent significativement l’intention d’adoption des utilisateurs. Par exemple, Kesharwani et Bisht (2012) ont montr que le risque perçu exerce un effet ngatif significatif sur l’adoption des services bancaires en ligne, et que la confiance constitue un levier cl pour rduire les inquitudes lies au risque dans ce type de contexte technologique(Kesharwani & Bisht, 2012). De même, Kumar et al. (2023) ont dmontr que, dans le cas des services bancaires mobiles, le risque perçu freine l’adoption, mais que la confiance modère l’effet du risque perçu sur le passage de l’intention comportementale à l’usage effectif de la technologie(Kumar et al., 2023). Ainsi, nos rsultats s’inscrivent dans une tendance bien tablie selon laquelle le risque perçu reprsente une barrière à l’adoption des technologies numriques et que la construction de la confiance est essentielle pour attnuer cet effet ngatif, assurant ainsi une meilleure acceptation et utilisation des chatbots. Concernant la rputation de la banque (β = 0,31, p < .001), l’effet observ sur la confiance envers le chatbot s’inscrit dans une logique bien tablie selon laquelle une rputation positive d’une organisation ou d’une marque constitue un antcdent cl de la confiance des utilisateurs dans les environnements numriques. En effet, la rputation, qu’elle soit construite à partir d’valuations positives, de commentaires d’utilisateurs ou d’une gestion cohrente de l’image de l’entreprise, agit comme un signal de crdibilit qui rduit l’incertitude perçue par les consommateurs lorsqu’ils interagissent avec des services digitaux. Des recherches montrent, par exemple, que la rputation de marque influence directement la confiance des consommateurs, car une image positive renforce la perception de fiabilit et de qualit des produits et services d’une organisation, ce qui se traduit par une relation plus forte entre l’utilisateur et la technologie propose(Açikgöz et al., 2024). Par ailleurs, des analyses sur la gestion de la rputation en ligne indiquent que la construction d’une identit numrique positive, en particulier dans les interactions avec les clients et les parties prenantes, contribue à la cration d’un climat de confiance durable, ce qui est essentiel pour l’adoption de nouveaux canaux numriques comme les chatbots bancaires.(Lopez-Lopez et al., 2025) Ainsi, nos rsultats confirment que la rputation institutionnelle constitue un levier majeur de la confiance numrique, particulièrement lorsque les utilisateurs valuent des outils automatiss ou des interfaces sans contact humain direct, car une rputation solide attnue les inquitudes lies à la scurit et à la fiabilit. Dans le prolongement des modèles d’acceptation technologique intégrant la confiance, nos rsultats montrent que la confiance influence positivement l’utilit perçue (β = 0,37, p < .001) et l’intention d’usage (β = 0,26, p < .001), tandis que l’utilit perçue exerce un effet significatif sur l’intention d’usage (β = 0,49, p < .001). Ces relations s’inscrivent clairement dans les applications contemporaines du Technology Acceptance Model (TAM) et de ses extensions aux technologies d’IA telles que les chatbots : l’utilit perçue est un dterminant robuste de l’intention d’utiliser une technologie, pouvant mdiatiser partiellement les effets cognitifs et affectifs antrieurs comme la confiance (M et al., 2024a). Par exemple, une tude rcente sur les chatbots documente que la confiance des utilisateurs influence fortement leur intention d’usage, en passant notamment par une perception positive des bnfices et de la facilit d’usage, ce qui renforce directement la propension à utiliser le système conversationnel (M et al., 2024b). De même, des travaux rcents dans des contextes varis (services publics bass sur l’IA) montrent que la perception d’utilit est l’un des facteurs cls dterminant l’intention d’usage pour les systèmes assists par IA, souvent renforce par la confiance dans ces systèmes (Savveli et al., 2025). Ces relations sont en cohrence avec les thories classiques (TAM/UTAUT) enrichies par la dimension confiance, comme le montrent des tudes sur la banque digitale et mobile banking. D’un point de vue mthodologique, les analyses d’effets indirects confirment que la plupart des attributs positifs du service (comptence, fiabilit, intgrit, scurit, confidentialit, ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 21 www.ijafame.org rputation) exercent un effet indirect significatif sur l’intention d’usage via la confiance, tandis que les facteurs ngatifs (risque perçu) proposent un effet indirect dfavorable. Ce schma de mdiation est conforme aux approches rcentes qui envisagent la confiance comme mdiateur central entre qualit perçue du service, risque et adoption digitale ((Kumar et al., 2023). 6. Conclusion Cette tude avait pour objectif d’à approfondir la comprhension des dterminants de l’adoption des chatbots dans le secteur bancaire en mobilisant un cadre conceptuel enrichi, intégrant à la fois les apports des modèles classiques d’acceptation technologique et des dimensions relationnelles, sécuritaires et émotionnelles propres aux interactions homme–machine. Les rsultats obtenus confirment que l’utilit perçue et l’effort attendu demeurent des prdicteurs robustes, mais montrent également que ces variables ne suffisent plus à saisir la complexité des usages actuels. Les dimensions fines de la confiance, compétence, fiabilité, intégrité, sécurité, confidentialit et rputation, s’imposent comme des facteurs aussi dterminants, tandis que l’anthropomorphisme et l’inconfort technologique apparaissent comme des facteurs diffrencis influençant la formation de l’intention d’usage. Ces rsultats dmontrent l’intrêt pour un renouvellement thorique dans l’tude des technologies conversationnelles en contexte bancaire, en particulier dans les pays émergents où les habitudes numériques et la confiance institutionnelle ne sont pas homogènes. Sur le plan managérial, les implications sont significatives : les banques doivent dépasser une approche purement fonctionnelle des chatbots pour intégrer des considérations de design conversationnel, de transparence informationnelle et de gestion proactive de la confiance. • Implications théoriques Cette tude se distingue des travaux existants en offrant un cadre thorique intgr rarement mobilis dans le champ bancaire. Alors que la majorit des recherches antrieures se concentrent soit sur les modèles d’acceptation technologique (TAM, UTAUT), soit sur les fondements de la confiance numrique, cette recherche combine ces deux approches afin d’expliquer de manière plus complète la formation de la confiance envers les chatbots bancaires. Elle innove galement en considrant simultanment plusieurs dimensions fines de la confiance, comptence, fiabilit, intgrit, scurit, confidentialit, rputation, auxquelles s’ajoute l’anthropomorphisme, mobilis comme dimension socio-relationnelle du chatbot, alors que ces composantes sont le plus souvent tudies de manière isole dans la littrature. Contrairement aux tudes antrieures principalement centres sur l’e-commerce ou les assistants conversationnels non financiers, ce travail porte sur un secteur caractris par un niveau de risque perçu lev et une exigence accrue de scurit informationnelle : la banque marocaine. Cette spcificit sectorielle permet de tester empiriquement des relations thoriques dans un environnement où la confiance constitue un dterminant central de l’engagement technologique, et où l’effet potentiel de l’anthropomorphisme peut être compar, en importance relative, à celui de dimensions plus fonctionnelles comme la scurit ou la confidentialit. L’intgration conjointe du risque perçu, de l’inconfort technologique et de l’anthropomorphisme comme variables susceptibles de moduler indirectement l’adoption des chatbots reprsente une autre contribution originale, rarement analyse dans une même architecture conceptuelle avec la confiance et l’utilit perçue. Enfin, en mettant en vidence le rôle structurant de la rputation institutionnelle dans l’cosystème bancaire numrique, cette tude tend la porte des modèles de confiance au-delà des seules caractristiques technologiques, en soulignant l’articulation entre facteurs organisationnels, perceptions relationnelles (dont l’anthropomorphisme) et cognition individuelle dans l’adoption de l’IA conversationnelle. Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 22 www.ijafame.org • Implications managérielles Les rsultats de cette recherche apportent plusieurs enseignements utiles aux banques marocaines engages dans la digitalisation de leurs services. Ils montrent que la confiance envers les chatbots dpend principalement de la comptence, de la fiabilit, de l’intgrit, de la scurit et de la confidentialit perçues. Les institutions financières doivent ainsi veiller à renforcer ces dimensions dans la conception fonctionnelle et le fonctionnement quotidien des chatbots. L’tude met galement en vidence le rôle central des attentes lies à l’utilit et à la facilit d’utilisation : les clients adoptent plus volontiers un chatbot lorsqu’il fournit un bnfice concret, rduit l’effort de navigation et propose une interaction rapide et intuitive. Par ailleurs, les caractristiques individuelles favorables à l’innovation technologique – telles que l’optimisme et la familiarit numrique – influencent indirectement la confiance via l’utilit perçue et la facilit d’usage. Ces rsultats invitent les banques à dvelopper des stratgies de communication diffrencies, valorisant les bnfices du chatbot auprès des clients à forte maturit digitale, tout en accompagnant les segments moins habitus aux technologies via des supports pdagogiques adapts. Enfin, la rputation institutionnelle apparaît comme un levier dterminant : elle constitue un socle sur lequel se construit la confiance envers le chatbot. Les banques ont donc intrêt à aligner leur stratgie de digitalisation avec une politique de transparence, de protection des donnes et de qualit de service, afin de consolider la confiance globale et de faciliter l’adoption durable de cette technologie. • Limites de la recherche Comme toute recherche empirique, cette tude comporte certaines limites qu’il convient de considrer dans l’interprtation des rsultats. Le recours à un questionnaire auto-administr expose les rponses à des perceptions dclares qui ne reflètent pas toujours les comportements rels, en particulier dans un contexte bancaire où la sensibilit des donnes peut influencer les rponses. L’approche transversale adopte ne permet pas, par ailleurs, de capter les volutions de la confiance ou de l’usage du chatbot dans le temps, alors que ces perceptions sont susceptibles de se transformer avec l’exprience et l’amlioration des services numriques. Le modèle conceptuel, bien que riche et intgratif, ne prend pas en compte certains dterminants mergents de l’interaction homme–IA, tels que la qualit du langage conversationnel, la rapidit des rponses ou les attentes lies à la personnalisation. De même, l’anthropomorphisme a t apprhend dans sa forme globale, sans distinction entre ses aspects verbaux, visuels ou interactionnels, ce qui pourrait masquer des effets plus fins propres au domaine bancaire. La mthode PLS-SEM, adapte à l’exploration de structures complexes, ne permet pas d’tablir des relations causales strictes. Enfin, le contexte marocain, marqu par une adoption progressive des services digitaux et par une htrognit des usages, limite la transfrabilit directe des rsultats à des environnements bancaires où les chatbots sont plus matures ou intgrs à des infrastructures d’IA avances. Références: (1). Abdul Karim Shaikh, I., Khan, S., & Faisal, S. (2023a). Determinants affecting customer intention to use chatbots in the banking sector. Innovative Marketing, 19(4), 257–268. https://doi.org/10.21511/im.19(4).2023.21 (2). Abdul Karim Shaikh, I., Khan, S., & Faisal, S. (2023b). Determinants affecting customer intention to use chatbots in the banking sector. Innovative Marketing, 19(4), 257–268. https://doi.org/10.21511/im.19(4).2023.21 (3). Abdulsalam, T. A., & Tajudeen, R. B. (2024). Artificial Intelligence (AI) in the Banking Industry: A Review of Service Areas and Customer Service Journeys in ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 23 www.ijafame.org Emerging Economies. Business & Management Compass, 68(3), 19–43. https://doi.org/10.56065/9HFVRQ20 (4). Açikgöz, F. Y., Kayakuş, M., Zăbavă, B. Ștefania, & Kabas, O. (2024). Brand Reputation and Trust: The Impact on Customer Satisfaction and Loyalty for the Hewlett-Packard Brand. Sustainability 2024, Vol. 16, Page 9681, 16(22), 9681. https://doi.org/10.3390/SU16229681 (5). Acosta-Prado, J. C., Rojas Rincón, J. S., Mejía Martínez, A. M., & Riveros Tarazona, A. R. (2024). Trends in the Literature About the Adoption of Digital Banking in Emerging Economies: A Bibliometric Analysis. Journal of Risk and Financial Management, 17(12), 545. https://doi.org/10.3390/jrfm17120545 (6). Adam, M., Wessel, M., & Benlian, A. (2021). AI-based chatbots in customer service and their effects on user compliance. Electronic Markets, 31(2), 427– 445. https://doi.org/10.1007/s12525-020-00414-7 (7). Adamopoulou, E., & Moussiades, L. (2020). Chatbots: History, technology, and applications. Machine Learning with Applications, 2, 100006. https://doi.org/10.1016/j.mlwa.2020.100006 (8). Ahmed, N., Saha, A. K., Al Noman, Md. A., Jim, J. R., Mridha, M. F., & Kabir, M. M. (2024). Deep learning-based natural language processing in human-agent interaction: Applications, advancements and challenges. Nat. Lang. Process. J., 9, 100112. https://doi.org/10.1016/J.NLP.2024.100112 (9). Alagarsamy, S., & Ramdas, R. (2024). Unlocking innovation and sustainability: lessons from Dubai Expo 2020 for business transformation. CASE Journal. https://doi.org/10.1108/TCJ-11-2023-0229 (10). Alkadi, R. S., & Abed, S. S. (2025). Examining consumer intention to adopt AIpowered chatbots in the Saudi banking sector: the moderating role of knowledge in technology. International Journal of Bank Marketing. https://doi.org/10.1108/IJBM-10-2024-0635 (11). Alt, M.-A., Vizeli, I., & Săplăcan, Z. (2021). Banking with a Chatbot – A Study on Technology Acceptance. Studia Universitatis Babes-Bolyai Oeconomica, 66(1), 13–35. https://doi.org/10.2478/subboec-2021-0002 (12). Araujo, T. (2018). Living up to the chatbot hype: The influence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Computers in Human Behavior, 85, 183–189. https://doi.org/10.1016/j.chb.2018.03.051 (13). Bélanger, F., & Carter, L. (2008). Trust and risk in e-government adoption. The Journal of Strategic Information Systems, 17(2), 165–176. https://doi.org/10.1016/j.jsis.2007.12.002 (14). Brandtzaeg, P. B., & Følstad, A. (2018). Chatbots. Interactions, 25(5), 38–43. https://doi.org/10.1145/3236669 (15). Cahill, V., Gray, E., Seigneur, J. M., Jensen, C. D., Chen, Y., Shand, B., Dimmock, N., Twigg, A., Bacon, J., English, C., Wagealla, W., Terzis, S., Nixon, P., Di Marzo Serugendo, G., Bryce, C., Carbone, M., Krukow, K., & Nielsen, M. (2003). Using trust for secure collaboration in uncertain environments. IEEE Pervasive Computing, 2(3), 52–61. https://doi.org/10.1109/MPRV.2003.1228527 (16). Casaló, L. V., Flavián, C., & Guinalíu, M. (2007). The role of security, privacy, usability and reputation in the development of online banking. Online Information Review, 31(5), 583–603. https://doi.org/10.1108/14684520710832315 Loubna EL HATTAB & Tarek ZARI. Les facteurs déterminants de l’intention d’usage des chatbots dans le secteur bancaire au Maroc : contribution d’un modèle UTAUT enrichi 24 www.ijafame.org (17). Chandra, D., Saha, Menon, Dr. R., Paulin, Dr. M. S., Yerasuri, S., Saha, H., & Dongol, P. (2023). The Impact of Artificial Intelligence on Business Strategy and Decision-Making Processes. European Economic Letters. https://doi.org/10.52783/EEL.V13I3.386 (18). Chaves, A. P., & Gerosa, M. A. (2021). How Should My Chatbot Interact? A Survey on Social Characteristics in Human–Chatbot Interaction Design. International Journal of Human–Computer Interaction, 37(8), 729–758. https://doi.org/10.1080/10447318.2020.1841438 (19). Culnan, M. J., & Armstrong, P. K. (1999). Information Privacy Concerns, Procedural Fairness, and Impersonal Trust: An Empirical Investigation. Organization Science, 10(1), 104–115. https://doi.org/10.1287/orsc.10.1.104 (20). Davoudi, Z., Seifbarghy, M., Sarkar, M., & Sarkar, B. (2023). Effect of bargaining on pricing and retailing under a green supply chain management. Journal of Retailing and Consumer Services, 73, 103285. https://doi.org/10.1016/j.jretconser.2023.103285 (21). Dhanya, C., & Ramya, K. (2025). Unlocking Banking Chatbot Adoption: A Unified Approach through Extended TAM and UTAUT Model. SDMIMD Journal of Management, 93–104. https://doi.org/10.18311/sdmimd/2025/48908 (22). Elkhatibi, Y., Guelzim, H., & Benabdelouahed, R. (2024). Factors Influencing the Adoption of AI-Powered Chatbots in the Moroccan Banking Sector: An Extended UTAUT Model. Journal of Logistics, Informatics and Service Science. https://doi.org/10.33168/JLISS.2024.0730 (23). Epley, N., Waytz, A., & Cacioppo, J. T. (2007). On seeing human: A three-factor theory of anthropomorphism. Psychological Review, 114(4), 864–886. https://doi.org/10.1037/0033-295X.114.4.864 (24). Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in Online Shopping: An Integrated Model1. MIS Quarterly, 27(1), 51–90. https://doi.org/10.2307/30036519 (25). Glassberg, I., Ilan, Y. B., & Zwilling, M. (2025). The key role of design and transparency in enhancing trust in AI-powered digital agents. Journal of Innovation & Knowledge, 10(5), 100770. https://doi.org/10.1016/J.JIK.2025.100770 (26). Go, E., & Sundar, S. S. (2019). Humanizing chatbots: The effects of visual, identity and conversational cues on humanness perceptions. Computers in Human Behavior, 97, 304–316. https://doi.org/10.1016/j.chb.2019.01.020 (27). Govindaraj, M., Krishnan, R., & Lawrence, J. (2023). Analyzing the Drivers of Customer Chatbot Adoption in the Banking Industry. Journal of Technology Management for Growing Economies, 14(2), 51–60. https://doi.org/10.15415/jtmge/2023.142002 (28). Herbig, P., & Milewicz, J. (1993). The relationship of reputation and credibility to brand success. Journal of Consumer Marketing, 10(3), 18–24. https://doi.org/10.1108/EUM0000000002601 (29). Hussain, Z., & Wegmann, E. (2021). Problematic social networking site use and associations with anxiety, attention deficit hyperactivity disorder, and resilience. Computers in Human Behavior Reports, 4, 100125. https://doi.org/10.1016/j.chbr.2021.100125 (30). Jiménez-Barreto, J., Rubio, N., & Molinillo, S. (2023). How Chatbot Language Shapes Consumer Perceptions: The Role of Concreteness and Shared Competence. Journal of Interactive Marketing, 58(4), 380–399. https://doi.org/10.1177/10949968231177618 ISSN: 2658-8455 Volume 7, Issue 01 (2026), pp. 1-26. © Authors: CC BY-NC-ND 25 www.ijafame.org (31). Kaur, S. J., Ali, L., Hassan, M. K., & Al-Emran, M. (2021). Adoption of digital banking channels in an emerging economy: exploring the role of in-branch efforts. Journal of Financial Services Marketing, 26(2), 107–121. https://doi.org/10.1057/s41264-020-00082-w (32). Kesharwani, A., & Bisht, S. S. (2012). The impact of trust and perceived risk on internet banking adoption in India: An extension of technology acceptance model. International Journal of Bank Marketing, 30(4), 303–322. https://doi.org/10.1108/02652321211236923 (33). Kimiagari, S., & Asadi Malafe, N. S. (2021). The role of cognitive and affective responses in the relationship between internal and external stimuli on online impulse buying behavior. Journal of Retailing and Consumer Services, 61, 102567. https://doi.org/10.1016/j.jretconser.2021.102567 (34). Kumar, R., Singh, R., Kumar, K., Khan, S., & Corvello, V. (2023). How Does Perceived Risk and Trust Affect Mobile Banking Adoption? Empirical Evidence from India. Sustainability 2023, Vol. 15, Page 4053, 15(5), 4053. https://doi.org/10.3390/SU15054053 (35). Lankton, N., McKnight, D. H., & Thatcher, J. B. (2014). Incorporating trust-intechnology into Expectation Disconfirmation Theory. Journal of Strategic Information Systems, 23(2), 128–145. https://doi.org/10.1016/J.JSIS.2013.09.001 (36). Lappeman, J., Marlie, S., Johnson, T., & Poggenpoel, S. (2023). Trust and digital privacy: willingness to disclose personal information to banking chatbot services. Journal of Financial Services Marketing, 28(2), 337–357. https://doi.org/10.1057/s41264-022-00154-z (37). Leschanowsky, A., Rech, S., Popp, B., & Bäckström, T. (2024). Evaluating privacy, security, and trust perceptions in conversational AI: A systematic review. Computers in Human Behavior, 159, 108344. https://doi.org/10.1016/J.CHB.2024.108344 (38). Lopez-Lopez, D., Plaza-Navas, M. A., Torres-Pruñonosa, J., & Martinez, L. F. (2025). Navigating the landscape of e-commerce: thematic clusters, intellectual turning points, and burst patterns in online reputation management. Electronic Commerce Research, 25(1), 1–38. https://doi.org/10.1007/S10660-024-09893-8 (39). Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines vs. Humans: The Impact of Artificial Intelligence Chatbot Disclosure on Customer Purchases. Marketing Science, mksc.2019.1192. https://doi.org/10.1287/mksc.2019.1192 (40). Lwin, M. O., Wirtz, J., & Stanaland, A. J. S. (2016). The privacy dyad. Internet Research, 26(4), 919–941. https://doi.org/10.1108/IntR-05-2014-0134 (41). M, J., P, V. S., & Kryvinska, N. (2024a). Exploring the Chatbot usage intentionA mediating role of Chatbot initial trust. Heliyon, 10(12), e33028. https://doi.org/10.1016/J.HELIYON.2024.E33028 (42). M, J., P, V. S., & Kryvinska, N. (2024b). Exploring the Chatbot usage intentionA mediating role of Chatbot initial trust. Heliyon, 10(12), e33028. https://doi.org/10.1016/J.HELIYON.2024.E33028 (43). Marak, Z. R., Pahari, S., Shekhar, R., & Tiwari, A. (2025). Factors affecting chatbots in banking services: the UTAUT2 and innovation resistance theory perspective. Journal of Innovation and Entrepreneurship, 14(1). https://doi.org/10.1186/S13731-025-00514-8 (44). Martin, K. D., Borah, A., & Palmatier, R. W. (2017). Data privacy: Effects on customer and firm performance. Journal of Marketing, 81(1), 36–58. https://doi.org/10.1509/JM.15.0497