Impact d’un label de confidentialité sur la vulnérabilité perçue des consommateurs et leur intention d’achat vis-à-vis des objets connectés

Abstract

Résumé

Face aux risques croissants liés aux pratiques non éthiques de certaines entreprises concernant la collecte et l’utilisation des données personnelles des consommateurs, cette recherche teste l’effet d’un label de confidentialité inspiré du Nutri-Score, nommé « Privacy Score », qui catégorise les objets connectés selon leur degré de respect de la vie privée, afin de fournir aux consommateurs des informations claires et accessibles sur la protection de leurs données. S’appuyant sur la théorie du signal, quatre expérimentations ont été menées pour comprendre dans quelle mesure ce signal peut aider les consommateurs à réduire l’asymétrie d’information lors de l’achat d’enceintes connectées. Après avoir évalué la compréhension du Privacy Score (étude 1), l’étude 2 analyse l’impact de sa présence (vs absence) et de son niveau (de vert à rouge). Les études 3 et 4 s’intéressent ensuite à l’effet modérateur de la confiance envers la marque ainsi qu’à celui de la disposition des consommateurs à valoriser la vie privée (DVP). Les résultats montrent qu’un Privacy Score favorable réduit la vulnérabilité perçue et augmente l’intention d’achat et que ces effets sont maximisés pour les marques inspirant peu confiance et lorsque les consommateurs ont une faible DVP.

Keywords

confiance envers la marque disposition à valoriser la vie privée label de confidentialité objets connectés théorie du signal vulnérabilité

Introduction

La prolifération des objets connectés a considérablement amplifié la collecte et l’utilisation des données personnelles par les entreprises à des fins marketing, exposant les consommateurs à des risques accrus de violation de leur vie privée (Bastos et al., 2018 ; Walterscheid et al., 2024), renforçant ainsi leurs préoccupations en matière de confidentialité (Solove, 2021). Parmi ces objets, les enceintes connectées suscitent des inquiétudes particulières en raison de leur nature intrinsèquement intrusive. En effet, elles (1) sont toujours allumées, (2) offrent peu de contrôle aux utilisateurs sur la gestion de leurs informations personnelles, (3) nécessitent un accès total aux données, et (4) pénètrent les frontières virtuelles et physiques de l’espace domestique (Cichy et al., 2021). Ces caractéristiques confèrent à ces objets un accès étendu aux informations personnelles des utilisateurs, notamment aux données audio, qui sont centrales dans les perceptions de vulnérabilité (Jain et al., 2022 ; Moorthy, 2013). L’omniprésence de ces objets n’a pas pour seule conséquence d’augmenter la probabilité d’une violation de la vie privée ; elle en étend également la portée, en multipliant les points de collecte des données, tout en intensifiant la profondeur de l’exposition en s’insérant dans l’intimité du foyer. L’achat d’une enceinte connectée représente un virage numérique majeur, un moment décisif qui peut conduire un consommateur à basculer d’un état de non-vulnérabilité à une exposition prolongée de ses données, générant ainsi des inquiétudes importantes.

Près de 81% des consommateurs américains déclarent se sentir mal à l’aise face à la collecte de leurs données par les entreprises (Pew Research Center, 2023), tandis que 92% des consommateurs français expriment des craintes quant à la gestion de leurs informations confidentielles (Kantar Barometer, 2022). En matière d’objets connectés, une large majorité des consommateurs américains sont inquiets quant à la sécurité et au respect de leur vie privée sur leurs téléphones (67%) et leurs appareils domestiques connectés (62%) (Arbanas et al., 2023). Ces préoccupations constituent un obstacle majeur au commerce en ligne (Lee et al., 2005 ; Pavlou et al., 2007 ; Phelps et al., 2001 ; eTsai et al., 2011) et, plus spécifiquement, à l’adoption d’objets connectés (Barbosa et al., 2020 ; Emami-Naeini et al., 2019 ; Walterscheid et al., 2024).

Pour expliquer les fondements psychologiques de ces inquiétudes, des travaux récents ont mis en évidence le rôle central de la vulnérabilité perçue des données (Deslée, 2023 ; Martin et al., 2017). Définie comme le sentiment d’insécurité ressenti par un individu (Quach et al., 2025) et la probabilité d’être négativement affecté par un usage non autorisé de ses données (Chou et Chou, 2023 ; Martin et al., 2017), cette perception émane davantage de l’anticipation d’un abus potentiel (Scharf, 2007) que d’un dommage réel (e). Étant donné que les consommateurs cherchent à minimiser leur vulnérabilité (Aguirre et al., 2015), la vulnérabilité perçue des données constitue un déterminant clé des décisions relatives au respect de la vie privée.

Afin de protéger la vie privée des consommateurs, des cadres réglementaires tels que l’Australian Privacy Act (1988), le Règlement Général sur la Protection des Données (2018) et le Digital Services Act (2024) ont conduit à la mise en place de dispositifs d’information sur la confidentialité, visant à renseigner les consommateurs sur les pratiques des entreprises en matière de traitement des données. Cependant, le caractère général et hétérogène de leur application maintient les consommateurs dans une situation de vulnérabilité (Cloarec et al., 2022). En effet, l’efficacité des politiques de confidentialité est souvent limitée en raison de leur longueur et de leur complexité (Acquisti et al., 2020 ; Efroni et al., 2019). Brough et al. (2022) ont même montré que la transparence offerte par ces dispositifs peut se retourner contre l’entreprise du fait d’un « bulletproof glass effect », transformant la transparence en suspicion, ce qui renforce les sentiments de vulnérabilité (Bandara et al., 2021 ; Lwin et al., 2007) tout en réduisant les intentions d’achat.

Conformément aux travaux précédents (Johnson et al., 2020 ; Kelley et al., 2010), nous suggérons que les labels de confidentialité représentent une solution prometteuse face à ces limites. En utilisant des visuels plutôt que du texte, ces labels permettent de transmettre des informations pertinentes, immédiates et utiles au moment de la décision d’achat (Feunekes et al., 2008 ; Ikonen et al., 2020 ; Nabec, 2017 ; Newman et al., 2014). Les labels de confidentialité offrent ainsi une alternative aux politiques de confidentialité, susceptible de combler l’écart entre les attentes des consommateurs et les pratiques des entreprises en matière de traitement des données (Caven et al., 2024), tout en régulant leurs pratiques commerciales (Johansen et al., 2022). Dans cet article, le terme « label de confidentialité » fait référence aux instruments d’information sur la confidentialité des données au sens large et « Privacy Score » désigne l’outil synthétique et gradué qui est testé dans nos études.

Bien que l’efficacité des labels soit largement documentée dans les domaines de la nutrition, de l’énergie et de la finance, leur impact sur les décisions relatives à la vie privée reste largement inexploré (Brough et al., 2022). Ces labels présentent des limites inhérentes : ils peuvent être difficiles à comprendre et mal interprétés par les consommateurs, en raison de structures complexes ou de l’usage de termes vagues ou peu familiers (Khandelwal et al., 2024 ; Xiao et al., 2023 ; Zhang et al., 2022). De plus, leur efficacité demeure controversée : certains travaux suggèrent qu’ils peuvent induire un faux sentiment de sécurité (Khandelwal et al., 2024) ou, au contraire, renforcer des sentiments d’insécurité (Brough et al., 2022). Enfin, l’efficacité des labels peut varier d’un individu à l’autre, en fonction, par exemple, de leur niveau d’expertise ou de connaissance du domaine (Ducrot et al., 2015b ; Julia et Hercberg, 2017).

Cette recherche évalue le potentiel d’un label de confidentialité inspiré du Nutri-Score pour améliorer la transparence, réduire la vulnérabilité perçue et renforcer les intentions d’achat d’enceintes connectées. Le Nutri-Score est un label apposé de manière volontaire sur le packaging des produits alimentaires pour communiquer des informations nutritionnelles synthétiques en classant les produits du plus sain au moins sain, selon une échelle codée par couleur (du vert au rouge) et par lettre (de A à E). Impulsé par les autorités de santé publique, sa capacité à susciter des choix alimentaires plus sains a été démontrée dans divers contextes culturels et nationaux (Ducrot et al., 2016 ; Julia et Hercberg, 2017 ; Talati et al., 2019).

En appliquant les principes du Nutri-Score, le Privacy Score testé dans cette recherche classe les objets connectés du plus respectueux au moins respectueux de la vie privée. Prolongeant les travaux antérieurs principalement centrés sur le design des labels (Kelley et al., 2010 ; Walterscheid et al., 2024), notre étude se concentre davantage sur leurs effets et leur interaction avec la confiance envers la marque. Contrairement aux recherches étudiant la divulgation de données (Alashoor et al., 2022 ; Smith et al., 2011 ; Yu et al., 2020) ou l’utilisation post-achat des objets connectés (Guerreiro et Loureiro, 2023 ; Moriuchi, 2019), nous examinons l’impact de signaux sur les décisions d’achat. La question que nous abordons n’est pas de savoir si les consommateurs acceptent de divulguer leurs données personnelles, puisque la plupart des produits l’exigent déjà, mais plutôt quels facteurs influencent leurs choix lorsqu’ils choisissent des produits impliquant une telle divulgation (Jain et al., 2022).

Plus précisément, ce travail soulève quatre questions de recherche :

(1) Le Privacy Score est-il compréhensible et pertinent pour les consommateurs ? Peut-il transmettre efficacement des informations transparentes et utiles sur le respect de leur vie privée ?

(2) Quel est l’effet du Privacy Score sur les attitudes et comportements des consommateurs lors de l’achat d’objets connectés ? Ce score réduit-il la vulnérabilité perçue des consommateurs et renforce-t-il leurs intentions d’achat ?

(3) Comment le Privacy Score interagit-il avec la confiance envers la marque ? Est-il plus efficace pour les marques peu connues ou celles déjà bien établies ?

(4) Les différences individuelles en matière de préoccupations pour la vie privée modèrent-elles ses effets ? Le Privacy Score s’adresse-t-il uniquement aux consommateurs très soucieux de leur vie privée ou rassure-t-il également ceux qui se sentent moins concernés ?

Pour répondre à ces questions, nous prenons appui sur la théorie du signal (Spence, 1973), qui offre un cadre pertinent pour analyser le processus décisionnel des consommateurs lors de l’achat d’objets connectés, un marché caractérisé par de fortes asymétries d’information. Lors du choix de ce type d’objets, les consommateurs sont attentifs aux informations relatives à la vie privée mais peinent à y accéder (Emami-Naeini et al., 2019 ; Johnson et al., 2020 ; Walterscheid et al., 2024). Ils se fient donc à des indices, ou signaux, pour former des inférences qui orientent leurs décisions d’achat (Bergen et al., 1992). La théorie du signal permet l’analyse de ces signaux (tels que les labels et les marques) tant isolément qu’en interaction, tout en tenant compte des différences individuelles, ouvrant ainsi la voie à de nouveaux éclairages sur la prise de décision des consommateurs (Chen et Xie, 2005 ; Connelly et al., 2011).

Compte tenu du gap théorique concernant la manière dont les politiques de confidentialité et la vulnérabilité liée aux données peuvent être communiquées efficacement aux consommateurs (Liyanaarachchi et al., 2021), cette recherche vise à contribuer à la littérature sur la privacy à trois niveaux. Premièrement, nous vérifions la compréhension d’un label de confidentialité synthétique, contribuant ainsi au débat sur la conception et le design des labels. Deuxièmement, nous fournissons des éléments empiriques attestant que les labels de confidentialité agissent comme des signaux efficaces pour orienter les consommateurs vers des objets connectés respectueux de la vie privée, réduisant leur vulnérabilité et augmentant leurs intentions d’achat. Ce faisant, nous réconcilions une littérature contradictoire sur la transparence liée à la vie privée en montrant que l’absence de label est une arme à double tranchant. En outre, nous démontrons que l’effet des labels de confidentialité est spécifique à chaque consommateur : les plus soucieux de leur vie privée ressentent une plus grande vulnérabilité mais tirent, paradoxalement, moins profit du Privacy Score que ceux qui se sentent moins concernés par leur vie privée. Troisièmement, nous contribuons à la littérature sur les interactions entre signaux (Akdeniz et al., 2014 ; Chen et Xie, 2005) en identifiant les conditions dans lesquelles la confiance envers la marque peut renforcer ou, au contraire, atténuer l’impact des labels de confidentialité.

L’article débute par une revue de la littérature sur la vulnérabilité des consommateurs et la théorie du signal. Puis, nous détaillons les quatre études permettant de tester nos hypothèses de recherche, et poursuivons avec une discussion des résultats. Enfin, l’article développe les implications managériales et présente les limites de l’étude et les perspectives pour de futures recherches.

Analyse de la vulnérabilité des données des consommateurs à l’aide de la théorie du signal

La vulnérabilité des données des consommateurs

L’essor des objets connectés et des capacités analytiques des entreprises rendent les données personnelles des consommateurs de plus en plus accessibles et précieuses pour le marketing, entraînant une forte augmentation des violations et des utilisations malveillantes de ces données (Labrecque et al., 2021 ; Martin et al., 2017). Les consommateurs sont ainsi de plus en plus préoccupés par la collecte, l’utilisation et le partage de leurs données, souvent obtenues sans leur consentement explicite, voire à leur insu (Bandara et al., 2021 ; Mende et al., 2024 ; Quach et al., 2025). Dans le même temps, ces derniers manquent généralement des connaissances nécessaires pour gérer eux-mêmes les enjeux liés à la confidentialité de ces données (Bandara et al., 2021 ; Liyanaarachchi et al., 2021). En conséquence, les consommateurs dépendent des cadres juridiques et dispositifs institutionnels pour se protéger, mais les mécanismes actuels de protection de la vie privée restent largement inefficaces pour atténuer pleinement ces risques. Ces dynamiques combinées ont créé un environnement de marché malsain (Bandara et al., 2021), dans lequel la vulnérabilité des données des consommateurs constitue comme une toile de fond persistante, influençant les perceptions et les réactions individuelles (Quach et al., 2025).

La vulnérabilité des données est définie comme la probabilité perçue par un individu d’être négativement affecté par l’exploitation ou l’utilisation non autorisée de ses données personnelles (Chou et Chou, 2023 ; Martin et al., 2017). Néanmoins, il convient d’établir une distinction entre la vulnérabilité perçue et la vulnérabilité manifeste (Martin et al., 2017). La vulnérabilité perçue ne concerne pas un dommage effectif, mais provient de l’anticipation d’un éventuel abus (Scharf, 2007) ou de conséquences négatives potentielles (Martin et al., 2017). Elle renvoie au sentiment général d’insécurité ressenti par un individu concernant les traces informationnelles qu’il laisse dans l’environnement numérique (Quach et al., 2025). La vulnérabilité manifeste se traduit, quant à elle, par des conséquences négatives réelles subies par l’individu suite à une utilisation inappropriée de ses données (Martin et al., 2017).

Contrairement aux préoccupations liées à la vie privée, qui reflètent un scepticisme général envers la divulgation d’informations (Xu et al., 2008), la vulnérabilité perçue est spécifiquement liée à l’exposition des données personnelles et déclenche des réactions émotionnelles immédiates telles que l’anxiété ou la peur, associées à une perte de contrôle (Aguirre et al., 2015 ; Cloarec et al., 2022). Bien que les préoccupations liées à la vie privée et la vulnérabilité perçue soient étroitement associées, nous concentrons notre attention sur cette dernière car elle est plus exploitable pour les entreprises (Deslée, 2023 ; Martin et al., 2017), offrant ainsi une perspective centrée sur le consommateur pour conceptualiser la gestion des données clients par les entreprises (Liu et al., 2023). En outre, conformément à la littérature existante (Quach et al., 2025), cette recherche se focalise sur la vulnérabilité perçue car son objectif n’est pas d’étudier les réactions des individus face à des violations concrètes de leur vie privée, mais plutôt d’analyser la manière dont les labels de confidentialité peuvent influencer leurs perceptions de vulnérabilité lors de l’achat d’une enceinte connectée.

La vulnérabilité des données constitue un concept central dans la littérature en privacy, qui influence de manière significative les décisions et réactions des consommateurs. Des niveaux élevés de vulnérabilité sont associés à de fortes préoccupations pour la vie privée (Quach et al., 2025) et à des émotions négatives telles que le sentiment de violation (Martin et al., 2017), poussant les consommateurs à adopter des stratégies défensives comme la falsification d’informations personnelles (Cloarec, 2022), ainsi que des comportements de protection comme le bouche-à-oreille négatif, le changement de prestataire (Martin et al., 2017), ou encore l’abandon du service (Liu et al., 2023), dans le but de rééquilibrer le pouvoir entre consommateurs et entreprises.

Bien que l’impact de la vulnérabilité des données sur les réactions des consommateurs soit aujourd’hui mieux établi, les stratégies permettant d’atténuer ce sentiment restent largement inexplorées (Brough et al., 2022). Or, puisque la transparence est susceptible de réduire les risques perçus en limitant l’asymétrie d’information (Cloarec, 2022), les labels de confidentialité apparaissent comme une solution potentielle pour rétablir un équilibre, atténuant ainsi la vulnérabilité des consommateurs tout en renforçant leurs intentions d’achat. Prenant appui sur la théorie du signal, nous postulons que les labels peuvent fournir les informations nécessaires pour anticiper et prévenir les risques liés à la vie privée. Une telle approche s’inscrit dans le prolongement des recherches récentes qui préconisent des stratégies visant à renforcer la capacité d’action des consommateurs pour anticiper et prévenir leur vulnérabilité (Mende et al., 2024), favorisant ainsi des prises de décision plus informées et conscientes en matière de protection des données.

La théorie du signal

La théorie du signal (Spence, 1973) a été largement utilisée dans la recherche marketing pour étudier l’effet de signaux tels que les prix, les garanties ou les marques sur les perceptions et comportements des consommateurs (Boulding et Kirmani, 1993 ; Kirmani et Rao, 2000). Dans le domaine numérique, ce cadre théorique a été appliqué principalement pour analyser dans quelle mesure les signaux associés aux sites internet, comme les politiques de confidentialité ou les labels, peuvent servir à accroitre la confiance des visiteurs (Karimov et Brengman, 2014 ; Lee et al., 2005 ; Mavlanova et al., 2016 ; Schlosser et al., 2006 ; Sharma et Klein, 2025 ; Wang et al., 2004). Selon cette théorie, les signaux sont utilisés aussi bien par les entreprises que par les consommateurs (Boulding et Kirmani, 1993 ; Erdem et Swait, 1998 ; Kirmani et Rao, 2000) afin de réduire l’asymétrie d’information concernant des attributs non observables, tels que la qualité du produit ou les risques (Rao et al., 1999). La littérature distingue généralement les signaux internes, contrôlés par l’entreprise (ex : réputation de marque, politiques de confidentialité), et les signaux externes, provenant de sources indépendantes et non-contrôlables par l’entreprise (ex : labels, avis de consommateurs) (Akdeniz et al., 2014 ; Cambier et Poncin, 2020 ; Mavlanova et al., 2016).

Les travaux existants suggèrent que des signaux efficaces contribuent à atténuer l’asymétrie d’information (Kelley, 1988 ; Kirmani et Rao, 2000), mais leur influence est cependant sujette à des effets d’interaction. Deux hypothèses concurrentes ont été proposées concernant la présence simultanée de signaux internes et externes : l’hypothèse de substitution et de complémentarité. L’hypothèse de substitution postule une interaction négative, affirmant que les signaux externes, perçus comme plus objectifs en raison de leur origine indépendante (Albrecht, 1981), réduisent l’efficacité des signaux internes, ces derniers pouvant être perçus comme biaisés. À l’inverse, l’hypothèse de complémentarité suggère une interaction positive, affirmant que des types de signaux différents fournissent des informations additionnelles, renforçant ainsi leur crédibilité respective comparativement à des signaux redondants (Akdeniz et al., 2014 ; Maheswaran et Chaiken, 1991 ).

L’effet d’un signal est également façonné par des différences individuelles, notamment l’aversion au risque et le niveau d’expertise (Kirmani et Rao, 2000). Les signaux sont utiles pour les produits dont la qualité reste inconnue avant l’achat et s’avèrent particulièrement efficaces pour les individus très averses au risque, qui cherchent à minimiser la probabilité de sélection adverse (c’est-à-dire de choisir le mauvais produit). En outre, la théorie du signal soutient que les consommateurs ayant une grande expertise sont plus à même d’évaluer eux-mêmes la qualité d’un produit et sont donc moins réceptifs aux signaux que les consommateurs moins expérimentés (Kirmani et Rao, 2000). Dans la littérature en privacy, la disposition du consommateur à valoriser la vie privée (DVP), définie comme la tendance intrinsèque d’un individu à protéger ses données personnelles dans divers contextes, est reconnue comme un déterminant majeur des attitudes et des comportements en matière de confidentialité, étroitement associé à l’aversion aux risques liés à la vie privée (Li, 2014 ; Xu et al., 2011). De même, l’expertise technologique du consommateur apparaît cruciale pour expliquer les différences individuelles dans la réceptivité aux signaux. L’expertise technologique renvoie à la capacité d’une personne à réaliser avec succès des tâches liées au produit. Elle se base sur les structures cognitives (ex : croyances concernant les attributs du produit) ainsi que sur les processus cognitifs (tels que la prise de décision basée sur ces perceptions) nécessaires à l’accomplissement de ces tâches (Alba et Hutchinson, 1987).

Indépendamment de ces différences individuelles, la théorie du signal soutient qu’un signal ne peut être efficace que s’il est clairement compris et correctement interprété (Connelly et al., 2011). En appliquant cette perspective, cette recherche envisage les labels de confidentialité comme des signaux externes susceptibles d’aider les individus à mieux appréhender les enjeux de confidentialité associés aux enceintes connectées. Toutefois, avant d’analyser l’impact potentiel du Privacy Score, l’étude 1 évalue dans quelle mesure il est compris par les consommateurs.

Évaluation de la compréhension du Privacy Score - Étude 1

Les labels ont prouvé leur efficacité pour simplifier des informations complexes dans différents domaines, tels que la consommation d’énergie ou la nutrition, en utilisant des éléments visuels pour plus de clarté. Comparativement au texte, les visuels améliorent la reconnaissance et la mémorisation d’une information, phénomène désigné sous le terme de « supériorité de l’image » (Efroni et al., 2019). Cela rend les signaux visuels particulièrement efficaces pour améliorer la communication sur la confidentialité (Van Der Schyff et al., 2024), car les infographies ou les icônes peuvent simplifier les données et rendre l’information sur la protection de la vie privée plus engageante (Efroni et al., 2019 ; Kelley et al., 2010), réduisant ainsi les asymétries d’information.

Un label de confidentialité intègre un ensemble standardisé de pictogrammes intuitifs qui représentent visuellement les pratiques de traitement des données et les risques associés. Il se définit comme un label juridiquement contraignant contenant des informations sur le niveau de confidentialité offert par un produit ou un service. Il évalue la confidentialité à l’aide d’échelles graduées afin de faciliter la comparaison entre deux produits labellisés (Johansen et al., 2022). Les recherches indiquent que ces labels aident les consommateurs à comprendre les risques liés à la vie privée, réduisent l’incertitude et la vulnérabilité des données (Efroni et al., 2019 ; Kelley et al., 2010 ; Meier et Krämer, 2022 ), et permettent de comparer les options sur la base de critères de confidentialité (Tsai et al., 2011 ; Walterscheid et al., 2024), encourageant ainsi le choix de produits plus respectueux de la vie privée, même à des coûts plus élevés (Johnson et al., 2020). En réduisant l’effort cognitif et en augmentant la transparence (Efroni et al., 2019), les labels permettent aux consommateurs de prendre des décisions éclairées (Barth et al., 2021 ; Reidenberg et al., 2019 ). Ils se montrent particulièrement efficaces au moment de l’achat, lorsque la surcharge d’information pousse souvent les consommateurs à former leurs attitudes à partir d’indicateurs simples plutôt que d’une analyse approfondie (Aguirre et al., 2015).

Néanmoins, l’efficacité des labels dépend en partie de leur design. Les recherches antérieures (Caven et al., 2024 ; Johnson et al., 2020 ; Kelley et al., 2010 ; Walterscheid et al., 2024;) se sont concentrées sur la question du format qui facilite la prise de décision, en comparant notamment les labels synthétiques aux labels analytiques. Un label synthétique fournit une évaluation globale à l’aide d’un score unique (utilisant souvent une échelle graduée), tandis qu’un label analytique propose une représentation plus détaillée et désagrégée des attributs du produit, incluant des informations sur son contenu (Crosetto et al., 2017 ; Feunekes et al., 2008 ; Newman et al., 2014 ; Walterscheid et al., 2024).

Les conclusions sur le format optimal restent contradictoires. Johnson et al. (2020) ont constaté que les labels analytiques sont plus efficaces pour influencer les intentions des consommateurs, tandis que Caven et al. (2024) ont montré que les participants trouvent les designs synthétiques plus faciles à comprendre. Par ailleurs, Walterscheid et al. (2024) ont suggéré que le type de label n’a pas d’effet significatif sur les intentions d’achat (voir Annexe 1 pour une présentation des labels utilisés dans ces études). Cela étant, les recherches sur l’étiquetage alimentaire mettent en exergue la supériorité des labels synthétiques comme le Nutri-Score par rapport aux labels analytiques (Andreeva et al., 2021 ; Julia et Hercberg, 2017). Des études menées dans 18 pays (Pettigrew et al., 2023) montrent que ces labels sont plus faciles à identifier, améliorent la vitesse de décision (Ducrot et al., 2015a) et sont perçus comme plus légitimes (Nabec et al., 2017). En particulier, le Nutri-Score aide les consommateurs à classer les produits selon leur qualité nutritionnelle (Egnell et al., 2018), favorise des choix plus sains grâce à un effet de promotion/avertissement (Mérigot et Nabec, 2016 ; Pettigrew et al., 2023), et augmente le consentement à payer pour des options plus saines (Nabec et al., 2019). Son code couleur familier (du vert au rouge) et son échelle alphabétique (de A à E) constituent un système bien reconnu (Ducrot et al., 2022), qui influence le comportement des consommateurs (Crosetto et al., 2017), notamment dans des situations de surcharge informationnelle. Conformément à ces conclusions, cette recherche étudie un label de confidentialité qui s’inspire du Nutri-Score et qui classe les objets connectés du plus au moins respectueux de la vie privée, à l’aide d’une échelle combinant une couleur (du vert au rouge) et une lettre (de A à E).

Objectifs et design de l’étude

Avant de tester l’effet du Privacy Score, il apparait essentiel de vérifier sa capacité à transmettre des informations relatives au respect de la vie privée. Pour cela, l’étude 1 évalue à la fois sa compréhension objective (c’est-à-dire, la capacité à identifier ce que le score évalue ou non) et sa compréhension subjective (c’est-à-dire, la capacité à interpréter le score).

L’étude 1 adopte un plan expérimental intra-sujet à un seul facteur (3 ou 4 niveaux de score : vert, jaune, rouge ou absent), basé sur un échantillon de 331 participants représentatifs de la population française (âge moyen = 49,3 ans, écart-type = 16,4 ; 52% de femmes) et recrutés via un panel en ligne (Panelabs). Le questionnaire débutait par des questions sur la relation à la technologie et les attitudes des participants en matière de vie privée, ainsi que par une présentation des fonctionnalités des enceintes connectées. Les participants examinaient ensuite une brève description du Privacy Score (voir Annexe 2) avant de répondre aux questions de compréhension.

Les critères d’évaluation s’appuient sur la littérature en systèmes d’information et en nutrition, qui distingue deux approches complémentaires. La première évalue la compréhension objective en testant la capacité à identifier correctement ce que le score mesure (ex : Caven et al., 2024), en intégrant des critères pertinents et des critères de contrôle. La seconde apprécie la compréhension subjective et évalue la capacité à interpréter le score et à former les inférences appropriées lorsqu’il est affiché sur un produit (Ducrot et al., 2015a). Ces deux perspectives combinées permettent de saisir à la fois l’exactitude de la compréhension et le sens attribué au label.

Pour évaluer la compréhension subjective, les participants ont examiné successivement quatre enceintes connectées similaires. Chacune était associée aléatoirement à une condition du Privacy Score (vert, jaune, rouge ou absent), avec un plan en carré latin pour équilibrer l’ordre de présentation et ainsi neutraliser les effets d’ordre et de contamination (voir Annexe 3). Les participants étaient invités à évaluer le caractère intrusif de chaque produit sur une échelle en 7 points (allant de « Très peu respectueux » à « Très respectueux de la vie privée »), puis à classer les quatre produits présentés côte-à-côte du plus (1) au moins (4) respectueux de la vie privée.

Pour mesurer la compréhension objective, les participants ont ensuite évalué trois enceintes connectées associées aléatoirement à l’un des trois niveaux de score (vert, jaune, rouge) et présentées à nouveau selon un carré latin. Cinq questions ont permis d’estimer leur compréhension de la portée du score, à savoir qu’il concerne des pratiques relatives aux données (collecte, utilisation, partage) et non des critères sans lien (recyclabilité, consommation énergétique) (voir Tableau 2). Ces items, issus de Kelley et al. (2010), visaient à distinguer le Privacy Score des autres labels existants. Les modalités de réponse comprenaient « Vrai », « Faux » et « Le score ne fournit pas de réponse à cette question ». Le questionnaire se terminait par des questions démographiques.

Résultats

Les résultats montrent une bonne compréhension objective du Privacy Score. Le pourcentage de réponses correctes (participants qui ont sélectionné la bonne option parmi les trois propositions) varie entre 70,1 % et 83,4 % (Tableau 1a).

Tableau 1.

Résultats des questions de compréhension du Privacy Score (Étude 1).

A. Contenu du Privacy Score
Critères évalués	Réponses correctes
Collecte des données	276 (83,4%)
Utilisation des données	272 (82,2%)
Partage des données	232 (70,1%)
Recyclabilité	210 (63,4%)
Consommation d’énergie	232 (70,1%)
b. Niveaux de compréhension du Privacy Score
Faible (0–2 points)	62 (18,7%)
Moyen (3 points)	77 (23,3%)
Élevé (4–5 points)	192 (58,0%)
c. Classement du Privacy Score
Correct	303 (91,5%)
Incorrect	28 (8,5%)
d. Classement du Privacy Score : comparaisons deux-à-deux
Distributions de classement	Diff,	Z	p	Sig,
Score A vs Score C	−1,08	−10,76	0,00	<0,01
Score A vs Score E	−2,36	−23,52	0,00	<0,01
Score A vs Score absent	−1,95	−19,39	0,00	<0,01
Score C vs Score E	−1,28	−12,75	0,00	<0,01
Score C vs Score absent	−0,87	−8,62	0,00	<0,01
Score E vs Score absent	−0,42	−4,131	0,00	<0,01
e. Rang de classement des produits selon le Privacy Score
Rang de classement	1	2	3	4
Score A	291 (87,9%)	31 (9,4%)	7 (2,1%)	2 (0,6%)
Score C	10 (3,0%)	243 (73,4%)	68 (20,5%)	10 (3,0%)
Score E	0 (0,0%)	5 (1,5%)	150 (45,3%)	176 (53,2%)
Score absent	30 (9,1%)	52 (15,7%)	106 (32%)	143 (43,3%)

Les chiffres en gras indiquent l’effectif le plus important pour chaque score

Un score de compréhension a été calculé et classé en trois catégories : élevé (quatre ou cinq bonnes réponses), moyen (trois bonnes réponses) et faible (deux bonnes réponses ou moins). Les résultats indiquent que la majorité des participants (58 %) présentent un niveau élevé de compréhension (Tableau 1b).

Pour évaluer la compréhension subjective, nous avons d’abord mesuré la perception du caractère intrusif associé à chacune des quatre conditions expérimentales, prises séparément. Les tests T, effectués sous SPSS, montrent que le Privacy Score favorable (M_vert = 5,82 ; SD = 1,51) est perçu comme plus respectueux de la vie privée que le score intermédiaire (M_jaune = 3,74 ; SD = 0,98) (M_vert – M_jaune = 2,09 ; t(330) = 26,20 ; p = 0,00), que le score défavorable (M_rouge = 1,82 ; SD = 1,50) (M_vert – M_rouge = 4,00 ; t(330) = 30,62 ; p = 0,00), et que l’absence de score (M_absent = 3,38 ; SD = 1,45) (M_vert – M_absent = 2,44 ; t(330) = 23,75 ; p = 0,00). De même, le score intermédiaire apparait plus respectueux de la vie privée que le score défavorable (M_jaune – M_rouge = 1,92 ; t(330) = 25,27 ; p = 0,00) et que l’absence de score (M_jaune – M_absent = 0,353 ; t(330) = 4,80 ; p = 0,00), bien que la différence soit plus réduite dans ce dernier cas. Enfin, le score défavorable est perçu comme plus menaçant pour la vie privée que l’absence de score (M_rouge – M_absent = −1,56 ; t(330) = −16,61 ; p = 0,00).

En ce qui concerne la procédure de classement, nous avons d’abord évalué son exactitude (en excluant la condition d’absence de score). Les résultats montrent que le Privacy Score est intuitif puisque 91,5 % des participants ont correctement classé les produits selon leur score (Tableau 1c). De plus, nous avons analysé le classement relatif des produits selon leur Privacy Score. Un test de Friedman, effectué sous SPSS, a révélé une différence significative entre les quatre conditions expérimentales (χ²(3) = 642,45 ; p < 0,01). Les comparaisons post-hoc de Wilcoxon, avec correction de Bonferroni, ont montré que les distributions de classement différaient statistiquement entre toutes les conditions (Tableau 1d). Le Privacy Score favorable est perçu comme le plus respectueux de la vie privée (rang moyen : 1,15 ; placé en première position : 87,9 %), suivi du score intermédiaire (rang moyen : 2,23 ; placé en deuxième position : 73,4 %). Enfin, alors que les deux conditions restantes ont été majoritairement classées en dernière position, l’absence de score (rang moyen : 3,10 ; placée en quatrième position : 43,3 %) est mieux perçue que le score défavorable (rang moyen : 3,52 ; placé en quatrième position : 53,2 %) (Tableau 1e).

Dans l’ensemble, l’étude 1 confirme que le Privacy Score est à la fois compris de manière objective (les participants distinguent ce qu’il évalue) et subjective (ils identifient correctement les produits respectueux de la vie privée). Les études suivantes ont désormais pour objectif de tester les effets du Privacy Score. Comme illustré dans la Figure 1, nous examinons son impact sur la vulnérabilité perçue et l’intention d’achat (étude 2), ainsi que son interaction avec la confiance envers la marque (étude 3) et avec la DVP (étude 4), tout en contrôlant l’expertise technologique.

Figure 1.

Modèle de recherche et articulation des études.

Évaluation de l’effet du Privacy Score - Étude 2

Objectifs et hypothèses

L’étude 2 teste l’influence directe et indirecte du Privacy Score, un signal externe, en analysant l’effet de sa présence (vs absence) ainsi que de ses trois niveaux (favorable, intermédiaire, défavorable) sur la vulnérabilité perçue et l’intention d’achat à l’égard des objets connectés.

La majorité des recherches suggèrent que les déclarations de confidentialité contribuent à combler le manque d’information, réduisant ainsi la vulnérabilité perçue des consommateurs (Martin et al., 2017) et favorisant, par la suite, les comportements d’achat (Guo et al., 2022 ; Martin, 2018 ; Tsai et al., 2011). Plus précisément, les études sur les labels de confidentialité indiquent que ces outils améliorent la compréhension des risques relatifs à la vie privée, réduisant ainsi l’incertitude et les vulnérabilités liées aux données (Efroni et al., 2019 ; Kelley et al., 2010). Cependant, d’autres travaux remettent en question cet effet positif, et montrent que les politiques de confidentialité peuvent être inefficaces (Kim et al., 2008 ; Tang et al., 2008) voire contre-productives en réduisant la confiance et l’intention d’achat, conformément au « bulletproof glass effect » (Brough et al., 2022). Ces auteurs soulignent toutefois que ces conséquences indésirables ne se produisent pas lorsque les consommateurs ont, a priori, une raison de se méfier. Étant donné que les enceintes connectées sont perçues comme intrinsèquement intrusives, nous postulons que le Privacy Score réduira la vulnérabilité perçue. Ainsi, un Privacy Score favorable (vert) pourrait rassurer les consommateurs, tandis qu’un score défavorable (rouge) devrait déclencher des réactions négatives.

H1a : La vulnérabilité perçue diminue à mesure que le Privacy Score devient plus favorable.

Les recherches sur l’effet de la présence ou de l’absence des déclarations de confidentialité sont rares. Les études disponibles indiquent que l’absence de garanties en matière de respect de la vie privée peut amplifier les inquiétudes des consommateurs (Lee et Cranage, 2011). Par ailleurs, Brough et al. (2022) montrent que les consommateurs sont souvent plus enclins à s’engager envers une organisation qui ne fournit aucune politique de confidentialité plutôt qu’envers une entreprise qui présente une description transparente de ses pratiques liées aux données personnelles, suggérant que les consommateurs peuvent préférer l’ignorance à une mauvaise nouvelle.

Nous postulons que les labels de confidentialité fondés sur des icônes peuvent réconcilier ces conclusions contradictoires. D’une part, l’affichage d’un Privacy Score favorable devrait réduire les sentiments de vulnérabilité par rapport aux produits non labellisés. Selon la théorie du signal, la présence d’un signal positif réduit l’asymétrie d’information et rassure les consommateurs sur des attributs non observables, atténuant ainsi le risque perçu par rapport à une situation d’incertitude (Kirmani et Rao, 2000). D’autre part, l’absence de score devrait être perçue comme moins préoccupante qu’un score défavorable. En effet, la théorie du contrat social (Bandara et al., 2020 ; Limbu et al., 2011 ; Massara et al., 2021) soutient que les consommateurs s’attendent généralement à ce que leurs informations personnelles soient traitées conformément aux normes réglementaires et éthiques. En l’absence de signaux d’avertissement explicites, les consommateurs s’appuient sur cette croyance réconfortante. Les recherches sur les labels de confidentialité confirment cela, en montrant que les appareils non labellisés sont plus susceptibles d’être achetés que ceux dotés d’un score défavorable (Emami-Naeini et al., 2019 ; Johnson et al., 2020). Ces conclusions font également écho aux résultats sur le Nutri-Score, qui montrent qu’un label nutritionnel favorable influence positivement le comportement des consommateurs, tandis qu’un label intermédiaire ou défavorable envoie un signal de mise en garde comparativement à l’absence de label (Nabec et al., 2019 , 2022).

H1b : La vulnérabilité perçue est plus élevée lorsque le Privacy Score est absent que lorsqu’il est favorable (vert), mais plus faible que lorsqu’il est intermédiaire (jaune) ou défavorable (rouge).

En rendant plus explicites les conséquences potentielles sur la vie privée (Efroni et al., 2019), le Privacy Score devrait influencer directement les perceptions de vulnérabilité et, indirectement, l’intention d’achat. La vulnérabilité liée aux données constitue un facteur clé de la réponse des consommateurs aux pratiques de collecte et d’utilisation de leurs données personnelles par les entreprises (Martin et al., 2017). Résultant d’une perte de contrôle sur ses données personnelles, cette vulnérabilité déclenche des processus de réaction (Acquisti et al., 2020), conduisant à des comportements défensifs tels que la limitation de la divulgation d’informations ou la falsification de données (Butori et Miltgen, 2023 ; Cloarec, 2022). En conséquence, l’augmentation de la vulnérabilité perçue réduit l’intention d’achat (Guo et al., 2022 ; Martin et al., 2017). Des recherches antérieures confirment cet effet, montrant que la vulnérabilité perçue médiatise l’impact des stratégies de confidentialité sur les intentions des consommateurs (Aguirre et al., 2015 ; Butori et Miltgen, 2023). Aguirre et al. (2015) ont montré que la vulnérabilité perçue agit comme un médiateur, modelant la manière dont les stratégies de collecte d’informations et de personnalisation affectent les intentions des consommateurs. En conséquence, nous proposons que la vulnérabilité perçue médiatise la relation entre le Privacy Score et l'intention d'achat.

H2 : La vulnérabilité perçue médiatise l’impact du Privacy Score sur l’intention d’achat des objets connectés : à mesure que la vulnérabilité perçue diminue (augmente) en raison d’un Privacy Score plus favorable (défavorable), l’intention d’achat se renforce (s’affaiblit).

Collecte des données et design expérimental

L’étude 2 utilise un plan expérimental à un seul facteur et un échantillon de convenance composé de 160 Français (75,0% âgés entre 18 et 24 ans ; 60,6% de femmes). L’échantillon est principalement constitué d’étudiants de premier cycle (58,1%), inscrits en Licence dans une université française et recrutés selon une méthode d’échantillonnage par boule de neige. Les participants ont été assignés aléatoirement à l’une des quatre conditions expérimentales fondées sur le Privacy Score (favorable, intermédiaire, défavorable, absent).

Le stimulus expérimental représente une page produit d’une enceinte connectée, inspirée de l’interface d’un site marchand (Annexe 4). Le questionnaire, réalisé via Google Forms, a suivi la même procédure introductive que celle de l’étude 1. Après la présentation de l’enceinte connectée, il était demandé aux participants de s’imaginer en train de l’acheter. Une explication du Privacy Score était proposée, suivie par l’un des quatre stimuli. Nous avons ensuite mesuré la vulnérabilité perçue (Martin et al., 2017) et l’intention d’achat (Malhotra et al., 2004) et terminé en collectant les caractéristiques démographiques. Étant donné le rôle central de l’expertise dans la manière dont les consommateurs réagissent aux signaux, nous avons contrôlé l’expertise technologique perçue (Alba et Hutchinson, 1987). Toutes les variables ont été mesurées à l’aide d’échelles de Likert en 7 points, validées dans la littérature (Tableau 2).

Tableau 2.

Echelles de mesure.

	Étude 2					Étude 3					Étude 4
Variables/Items	Loading	α	ρcv	AVE	R ² ajus.	Loading	α	ρcv	AVE	R ² ajus.	Loading	α	ρcv	AVE	R ² ajus.
Vulnérabilité perçue (Martin et al., 2017)		0,94	0,96	0,81	0,05		0,96	0,97	0,88	0,23		0,96	0,94	0,77	0,17
Quant aux informations personnelles que la marque pourrait collecter sur moi :
Je ne me sens pas en sécurité	0,91					0,94					0,92
Je me sens exposé	0,88					0,93					0,86
Je me sens menacé	0,90					0,95					0,83
Je me sens vulnérable	0,92					0,94					0,90
Je ne me sens pas à l’aise	0,89					0,92					0,87
Intention d’achat (adaptée de Malhotra et al., 2004)		0,92	0,94	0,80	0,29		0,92	0,94	0,81	0,49		0,94	0,96	0,85	0,34
Compte-tenu du scenario d’achat proposé, seriez-vous prêt à acheter cette enceinte connectée ?
Improbable/Probable	0,91					0,91					0,93
Invraisemblable/Vraisemblable	0,90					0,90					0,93
Possible/Impossible (item inversé)	0,87					0,90					0,91
Disposé/Réticent (item inversé)	0,90					0,89					0,92
Confiance dans la marque (adaptée de Martin et al., 2017)							0,98	0,98	0,93			0,94	0,96	0,85
Je fais confiance à cette marque						0,96					0,94
Cette marque est digne de confiance						0,97					0,96
J’ai confiance dans la manière dont cette marque se comporte						0,97					0,93
Cette marque est fiable						0,95					0,86
Disposition à valoriser la vie privée (adaptée de Martin et al., 2017)												0,87	0,91	0,72
Je suis sensible à la manière dont les entreprises gèrent mes informations personnelles											0,78
Il est important pour moi de préserver ma vie privée vis-à-vis des entreprises											0,90
La vie privée est très importante, comparativement à d’autres sujets											0,88
Je suis sensible aux menaces relatives à ma vie privée											0,83
Expertise technologique perçue (Sundar et Marathe, 2010)		0,79	0,86	0,51			0,88	0,91	0,63			0,87	0,91	0,61
Je fais bon usage des fonctionnalités offertes par les appareils technologiques (ex : smartphones, tablettes, PC. . .)	0,66					0,69					0,73
Je dois avoir les toutes dernières technologies ou les toutes dernières mises à jour disponibles	0,66					0,82					0,80
J’aime me lancer des défis pour comprendre comment utiliser les nouvelles technologies	0,80					0,87					0,86
Il suffit d’un peu d’intuition pour comprendre comment utiliser les nouvelles technologies	0,66					0,79					0,78
Beaucoup de mes amis viennent me voir pour trouver de l’aide concernant les gadgets technologiques	0,74					0,84					0,82
Je constate que j’utilise les macros et les raccourcis clavier sur un ordinateur	0,72					0,75					0,70
Crédibilité du scénario (Bagozzi et al., 2016)							0,95					0,94
Le scenario est réaliste
Le scenario est crédible
Réalisme du scénario (Bagozzi et al., 2016)
Est-il possible que vous vous trouviez dans une situation similaire à celle proposée ? Improbable/Probable
Compréhension objective du score (adaptée de Kelley et al., 2010)
Le score de l’enceinte n°1 signifie que très peu de mes données personnelles seront collectées par ce produit
Le score de l’enceinte n°2 indique que mes données personnelles seront utilisées de façon modérée par la marque de ce produit
Le score de l’enceinte n°2 indique que mes données personnelles seront partagées à un plus grand nombre de partenaires que l’enceinte n°3
Le score de l’enceinte n°1 indique qu’elle est fabriquée avec des matériaux recyclables.
Le score de l’enceinte n°3 indique qu’elle ne consomme que très peu d’électricité pour fonctionner.
Compréhension subjective du score
Selon moi, ce produit est : Très peu respectueux / Très respectueux de ma vie privée
Veuillez classer les produits suivants du plus respectueux (1) au moins respectueux (4) de votre vie privée

Toutes les échelles de mesure présentent une fiabilité et une validité convergente satisfaisantes. En outre, la validité discriminante est confirmée, la racine carrée de l’AVE de chaque construit dépassant systématiquement ses corrélations avec les autres construits, répondant ainsi au critère de Fornell et Larcker (1981) (Tableau 3).

Tableau 3.

Corrélations inter-construits.

	Étude 2			Étude 3				Étude 4
Construits	1	2	3	1	2	3	4	1	2	3	4	5
1. Vulnérabilité perçue	0,90	−0,48**	−0,14	0,94	−0,60**	−0,10	−0,18**	0,88	−0,54**	−0,14*	−0,31**	0,24**
2. Intention d’achat		0,89	0,21**		0,90	0,35**	0,39**		0,92	0,28**	0,37**	−0,07
3. Expertise technologique perçue			0,71			0,80	0,39**			0,78	0,32**	0,12*
4. Confiance dans la marque							0,96				0,92	0,14*
5. DVP												0,85

p <0,05 ; ** p < 0,01.

Les nombres en gras sur la diagonale représentent la racine carrée de l’AVE pour chaque construit. Les nombres au–dessus de la diagonale correspondent aux corrélations inter–construits.

Résultats

H1 a été testée à l’aide d’une ANCOVA réalisée sur SPSS. Les résultats montrent un effet significatif du Privacy Score sur la vulnérabilité perçue (F(3 ;155) = 3,33 ; p = 0,02 ; η² = 0,06), tandis que la variable de contrôle (l’expertise technologique) n’a aucune influence (F(1 ;155) = 2,67 ; p = 0,10 ; η² = 0,02). Conformément à H1a, un Privacy Score favorable (M_vert = 3,79 ; SD = 1,42) entraîne une vulnérabilité perçue plus faible qu’un score intermédiaire (M_jaune = 4,52 ; SD = 1,26) (M_vert – M_jaune = −0,73 ; F(1 ;156) = 5,48 ; p = 0,02) ou qu’un score défavorable (M_rouge = 4,73 ; SD = 1,58) (M_vert – M_rouge = −0,94 ; F(1 ;156) = 9,62 ; p = 0,00). Les scores intermédiaire et défavorable présentent des effets comparables (M_jaune – M_rouge = −0,22 ; F(1 ;156) = 0,49 ; p = 0,48). Par rapport à l’absence de score (M_absent = 4,36 ; SD = 1,10), un score favorable entraîne une vulnérabilité légèrement plus faible (M_vert – M_absent = −0,57 ; F(1 ;156) = 3,51 ; p = 0,06), tandis que les scores intermédiaire (M_jaune – M_absent = 0,16 ; F(1 ;156) = 0,27 ; p = 0,60) et défavorable (M_rouge – M_absent = 0,37 ; F(1 ;156) = 1,58 ; p = 0,21) ne diffèrent pas significativement de la condition d’absence de score. L’hypothèse H1b est partiellement supportée (Figure 2).

Figure 2.

Niveaux de vulnérabilité perçue selon les quatre niveaux du Privacy Score.

H2 a été testée à l’aide de la macro PROCESS (Hayes, 2013) disponible dans SPSS (Modèle 4 avec 5 000 bootstraps et l’option multi-catégorielle). Étant donné que le Privacy Score comporte plus de deux conditions expérimentales, nous avons défini une catégorie de référence (Privacy Score = favorable) et inclus trois variables binaires dans notre analyse (Privacy Score = intermédiaire, défavorable et absent). Par rapport à un Privacy Score favorable, les scores intermédiaire (a = 0,71 ; t = 2,30 ; p = 0,02), défavorable (a = 0,92 ; t = 3,04 ; p = 0,00) et l’absence de score (a = 0,58 ; t = 1,94 ; p = 0,05) augmentent la vulnérabilité perçue. À son tour, la vulnérabilité perçue réduit l’intention d’achat (b = −0,42 ; t = −5,25 ; p = 0,00). Par rapport à un Privacy Score favorable, les scores intermédiaire (c = −0,88 ; t = −2,80 ; p = 0,00), défavorable (c = −1,24 ; t = −3,98 ; p = 0,00) et l’absence de score (c = −0,70 ; t = −2,31 ; p = 0,02) ont tous un effet direct négatif sur l’intention d’achat. Enfin, par rapport à un Privacy Score favorable, l’effet indirect du Privacy Score sur l’intention d’achat est significativement négatif pour le score intermédiaire (a × b = −0,30 ; IC = [−0,64 ; −0,04]), défavorable (a × b = −0,39 ; IC = [−0,75 ; −0,10]) et l’absence de score (a × b = −0,25 ; IC = [−0,56 ; −0,01]). Selon Zhao et al. (2010), ces résultats indiquent une médiation complémentaire (a × b × c > 0), suggérant que l’effet médiatisé (Privacy Score sur intention d’achat via vulnérabilité perçue) et l’effet direct (Privacy Score sur intention d’achat) coexistent et vont dans la même direction. H2 est soutenue. Intégrée comme variable de contrôle, l’expertise technologique a un impact positif sur l’intention d’achat (b = 0,20 ; t = 2,07 ; p = 0,04), mais son effet sur la vulnérabilité perçue n’est pas significatif (a = −0,15 ; t = −1,63 ; p = 0,10).

Dans l’ensemble, l’étude 2 indique que seuls les niveaux extrêmes du Privacy Score influencent significativement les décisions des consommateurs relatives à la confidentialité. Un score favorable améliore les attitudes et comportements des consommateurs tandis qu’un score défavorable les dégrade nettement. Le score intermédiaire et l’absence de score ont des effets comparables mais plus faibles. Nos résultats suggèrent également que le Privacy Score influence l’intention d’achat à la fois directement et via la vulnérabilité perçue, l’effet direct étant prédominant. Ceci suggère que le score déclenche des réactions spontanées, similaires à un nudge.

Cependant, les signaux fonctionnent rarement de manière isolée. Par conséquent, il convient désormais d’étudier les effets d’interaction avec des variables contextuelles ou individuelles. Plus précisément, les signaux internes liés à la confiance méritent une attention particulière puisque les recherches antérieures ont démontré que la confiance conditionne l’effet des signaux sur la vulnérabilité perçue et l’intention d’achat (Aguirre et al., 2015 ; Urban et al., 2009). En outre, les différences individuelles en matière de sensibilité au respect de la vie privée influencent significativement les réactions et attitudes des consommateurs (Bansal et al., 2016 ; Xu et al., 2008). Par conséquent, les prochaines études considèrent uniquement les niveaux favorable (vert) et défavorable (rouge) du Privacy Score afin d’étudier leur interaction avec un signal interne, la confiance dans la marque (étude 3), et une variable individuelle, la DVP du consommateur (étude 4).

Analyse d’un signal interne : l’effet de la confiance dans la marque – Étude 3

Objectifs et hypothèses

L’étude 3 évalue dans quelle mesure l’impact du Privacy Score (un signal externe) est influencé par la confiance dans la marque (un signal interne). Une marque constitue un signal légitime, fournissant des informations sur les stratégies marketing d’une entreprise et réduisant l’asymétrie d’information (Erdem et Swait, 1998). Plus précisément, les marques peuvent réduire les coûts d’acquisition de l’information et les risques perçus associés aux décisions d’achat (Erdem et Swait, 1998 ; 2004 ; Rao et al., 1999). L’efficacité de cette fonction de signalisation exige toutefois que la marque soit crédible, c’est-à-dire que les consommateurs jugent qu’elle a la capacité (expertise) et la volonté (fiabilité) de fournir continuellement ce qui a été promis (Erdem et Swait, 2004). Seule une marque crédible engendre la confiance des consommateurs, définie comme un état psychologique conduisant à accepter une vulnérabilité sur la base d’attentes positives concernant les intentions ou comportements d’un tiers (Rousseau et al., 1998). La littérature existante indique que la confiance aide à réduire les réactions négatives déclenchées par un sentiment de vulnérabilité (Aguirre et al., 2015). Ainsi, la confiance envers la marque est un déterminant de l’adoption des objets connectés, car elle permet de réduire les risques perçus en matière de confidentialité (Jain et al., 2022). Considérée isolément, la confiance dans la marque devrait donc réduire la vulnérabilité perçue.

Cependant, l’effet d’interaction entre la confiance dans la marque et le Privacy Score peut avoir deux résultats opposés (Kirmani et Rao, 2000) : une relation de substitution (interaction négative), où l’un des signaux réduit l’efficacité de l’autre, ou bien une relation de complémentarité (interaction positive), où le premier signal renforce l’efficacité du second. Bien que la littérature spécifique à cette interaction soit limitée, les travaux existants suggèrent que la confiance dans la marque agit comme un atténuateur d’incertitude susceptible de réduire les perceptions de risque (Pavlou et al., 2007). La confiance incite au partage d’informations, car les vendeurs dignes de confiance sont perçus comme compétents et bienveillants dans leur utilisation et leur partage de ces informations. De même, Aguirre et al. (2015) ont démontré que, dans une situation d’asymétrie d’information, les heuristiques basées sur la confiance aident les consommateurs à évaluer les publicités personnalisées et peuvent contrebalancer les effets négatifs de la collecte dissimulée de données, réduisant ainsi la vulnérabilité perçue. Collectivement, ces travaux soutiennent l’hypothèse de complémentarité dans ce contexte précis : la confiance peut atténuer l’effet des stimuli associés à une menace pour la vie privée. En adoptant cette perspective, nous postulons que la confiance dans la marque interagit positivement avec le Privacy Score. Un niveau élevé de confiance devrait renforcer l’effet positif d’un Privacy Score favorable tout en atténuant l’effet négatif d’un score défavorable. À l’inverse, un faible niveau de confiance dans la marque devrait renforcer l’effet négatif d’un Privacy Score défavorable, tout en atténuant l’effet positif d’un score favorable.

H3. La confiance dans la marque modère l’effet du Privacy Score : H3a : Un niveau élevé (faible) de confiance dans la marque renforce l’effet d’un Privacy Score favorable (défavorable) sur la vulnérabilité perçue. H3b : Un niveau élevé (faible) de confiance dans la marque renforce l’effet d’un Privacy Score favorable (défavorable) sur l’intention d’achat.

Collecte de données et design de l’étude

Adoptant un design inter-sujets, l’étude 3 manipule deux niveaux du Privacy Score (favorable vs défavorable) et deux marques génériques (confiance élevée vs faible). Un échantillon de 333 répondants (âge moyen = 47,8 ans, écart-type = 17,2 ; 51,4% de femmes), recruté via un panel en ligne (Dynata) et représentatif de la population française, a été réparti aléatoirement dans les quatre conditions expérimentales. Les stimuli étaient comparables à ceux de l’étude 2, avec l’ajout d’un paragraphe manipulant la confiance dans la marque (Annexe 5), adapté de Raju et al. (2021).

Vérification de la manipulation

Afin de valider nos manipulations, un pré-test a été mené sur un échantillon de convenance composé de 82 étudiants français (âge moyen = 19,6 ans ; 58,5% de femmes). Les résultats des ANOVA confirment que le Privacy Score favorable (M_vert = 3,33 ; SD = 1,46) entraîne une vulnérabilité perçue plus faible que le score défavorable (M_rouge = 5,07 ; SD = 1,76) (M_vert – M_rouge = −1,73 ; F(1 ; 80) = 23,62 ; p = 0,00 ; η² = 0,23). En ce qui concerne les marques, le scénario de confiance élevée (M_ConfForte = 4,96 ; SD = 0,92) génère un niveau de confiance plus important que le scénario de confiance faible (M_ConfFabile = 3,21 ; SD = 1,41) (M_ConfForte – M_ConfFabile = 1,75 ; F(1 ; 80) = 42,68 ; p = 0,00 ; η² = 0,35). Enfin, la crédibilité et le réalisme du scénario sont comparables entre les conditions (p > 0,10).

Estimation du modèle et résultats

Les hypothèses ont été testées en utilisant le modèle 8 de la macro PROCESS (Hayes, 2013) (5 000 bootstraps, toutes les variables continues centrées à l’aide de la procédure –1SD, Moyenne, +1SD). Les résultats confirment qu’un Privacy Score favorable réduit la vulnérabilité perçue (a = −1,64 ; t = −6,92 ; p = 0,00), soutenant ainsi H1a. À son tour, la vulnérabilité perçue diminue l’intention d’achat (b = −0,49 ; t = −10,36 ; p = 0,00). Un Privacy Score favorable a également un effet direct positif sur l’intention d’achat (c = 1,05 ; t = 4,79 ; p = 0,00). L’effet indirect du Privacy Score sur l’intention d’achat est également significatif et positif, que la confiance envers la marque soit élevée (a × b = 0,84 ; IC = [0,56 ; 1,18]) ou faible (a × b = 0,81 ; IC = [0,53 ; 1,14]). Ces résultats indiquent une médiation complémentaire (Zhao et al., 2010), supportant H2. La confiance dans la marque ne modère pas l’impact du Privacy Score sur la vulnérabilité perçue (a × b = −0,07 ; t = −0,21 ; p = 0,83), et n’a pas non plus d’effet direct sur cette variable (c = –0,04 ; t = −0,18 ; p = 0,86), infirmant H3a. Cependant, la confiance dans la marque modère la relation directe entre le Privacy Score et l’intention d’achat, mais l’interaction est négative (a × b = −0,60 ; t = −2,06 ; p = 0,04). L’analyse conditionnelle révèle que, bien que l’effet d’un score favorable (vs défavorable) soit positif dans les deux cas, il est plus faible lorsque la confiance dans la marque est élevée (b = 0,45 ; t = 2,04 ; p = 0,04) que lorsqu’elle est réduite (b = 1,05 ; t = 4,79 ; p = 0,00). Cette interaction négative indique que l’effet du Privacy Score diminue à mesure que la confiance augmente, contredisant la direction de l’effet postulé dans H3b. La Figure 3 illustre cette interaction, démontrant que la confiance dans la marque atténue l’impact négatif d’un Privacy Score défavorable. En revanche, une confiance élevée ne renforce pas l’intention d’achat lorsque le score est déjà favorable. La confiance dans la marque a également un impact positif sur l’intention d’achat (b = 0,70 ; t = 3,44 ; p = 0,00). Enfin, l’expertise technologique a un effet positif sur l’intention d’achat (b = 0,39 ; t = 7,10 ; p = 0,00), mais n’influence pas la vulnérabilité perçue (b = −0,09 ; t = −1,41 ; p = 0,16).

Figure 3.

L’effet modérateur de la confiance dans la marque (étude 3).

Dans l’ensemble, ces résultats suggèrent que le Privacy Score est particulièrement efficace lorsque la confiance dans la marque est faible ; son effet est atténué pour les marques de confiance.

L’analyse des différences individuelles : l’effet de la disposition à valoriser la vie privée (DVP) - Étude 4

Objectifs et hypothèses

L’étude 4 teste le modèle théorique complet, en mettant l’accent sur la disposition des consommateurs à valoriser la vie privée (DVP).

La théorie du signal soutient que l’impact d’un signal dépend non seulement de la présence d’autres signaux, mais aussi de différences individuelles, notamment de l’aversion au risque et de l’expertise (Kirmani et Rao, 2000). L’efficacité d’un signal est maximisée chez les individus fortement averses au risque et peu experts, qui craignent de prendre de mauvaises décisions mais qui, en même temps, manquent de l’expertise nécessaire pour évaluer correctement les options disponibles. Appliqués aux données personnelles, les signaux devraient donc être particulièrement efficaces pour les consommateurs soucieux de leur vie privée mais disposant d’une expertise limitée dans ce domaine. La DVP joue ici un rôle crucial, car elle représente la tendance inhérente d’un individu à protéger ses données personnelles et à éviter les risques liés à sa vie privée (Li, 2014). Reflétant une volonté générale de protéger sa vie privée (Bélanger et Crossler, 2011 ; Smith et al., 2011), son importance a été largement établie dans divers contextes : psychologie environnementale (Altman, 1976), questions sociales (Laufer et Wolfe, 1977), perspectives sociopolitiques (Westin, 1967) et commerce électronique (Li, 2014 ; Xu et al., 2011).

Les recherches antérieures confirment que les individus présentant une forte DVP perçoivent des risques plus élevés dans les scénarios de partage de données, ce qui entraîne une préoccupation accrue pour leur vie privée (Xu et al., 2008), des sentiments d’intrusion plus aigus et une vulnérabilité accrue (Bansal et al., 2016). De plus, la DVP peut agir comme un facteur médiateur ou modérateur dans les décisions liées à la vie privée (Xu et al., 2011). Étant donné que les individus soucieux de leur vie privée sont plus sensibles aux risques liés à la protection de leurs données, ils sont susceptibles de prêter une attention particulière au Privacy Score et de l’interpréter avec des réactions émotionnelles et cognitives plus intenses. Un score favorable devrait les rassurer, réduisant ainsi leur vulnérabilité perçue, tandis qu’un score défavorable devrait amplifier leurs préoccupations et les risques perçus. En outre, ces consommateurs sont plus susceptibles d’ajuster leur comportement en réponse aux signaux de confidentialité (Bansal et al., 2016). Ainsi, le Privacy Score devrait exercer une influence plus importante auprès des consommateurs présentant une forte DVP.

H4 : La DVP du consommateur modère l’effet du Privacy Score : H4a : Un niveau élevé (faible) de DVP du consommateur renforce l’effet du Privacy Score favorable (défavorable) sur la vulnérabilité perçue. H4b : Un niveau élevé (faible) de DVP du consommateur renforce l’effet du Privacy Score favorable (défavorable) sur l’intention d’achat.

Collecte de données et design expérimental

L’étude 4 adopte un design inter-sujets avec 2 (Privacy Score : favorable vs défavorable) × 2 (marque : Apple vs Xiaomi) facteurs. Les stimuli et questionnaire étaient similaires à ceux utilisés dans l’étude 3, avec pour seule modification l’emploi de marques réelles plutôt que génériques (voir Annexe 6).

Le choix des marques s’est fondé sur une étude intra-sujets menée auprès d’un échantillon de convenance de 52 étudiants français (âgés de 18 à 24 ans ; 53,8% femmes). Le questionnaire, administré via Google Forms, demandait aux participants d’évaluer leur confiance envers les cinq marques les plus reconnues sur le marché (Apple, Samsung, Google, Amazon, Xiaomi) à l’aide d’une échelle de Likert en 7 points développée par Martin et al. (2017). Les comparaisons de moyennes effectuées avec SPSS ont révélé qu’Apple était associée au niveau de confiance le plus élevé (M = 4,89 ; SD = 1,55), suivi de Samsung (M = 4,76 ; SD = 1,24) et de Google (M = 4,44 ; SD = 1,45). En revanche, Amazon (M = 3,89 ; SD = 1,34) et Xiaomi (M = 3,59 ; SD = 1,09) affichaient les scores de confiance les plus bas. Apple et Xiaomi ont finalement été retenues car elles présentaient le plus grand écart (M_Apple – M_Xiaomi = 1,30 ; df = 51 ; t = 5,58 ; p = 0,00 ; d = 0,77).

Pour l’étude 4, 268 répondants (M_âge = 48,3 ans ; SD = 15,0 ; 52,2% femmes), recrutés via un panel en ligne (Bilendi) et représentatifs de la population française, ont été répartis aléatoirement entre les quatre conditions expérimentales.

Vérification de la manipulation

Afin d’évaluer les manipulations, un pré-test inter-sujets a testé les niveaux du Privacy Score (vert vs rouge) et les marques (Apple vs Xiaomi) à l’aide d’un échantillon de convenance composé de 150 étudiants français (97,3% âgés de 18 à 24 ans ; 62,7% femmes). Les analyses de variance (ANOVA) effectuées avec SPSS ont confirmé les effets attendus. Un Privacy Score favorable (M_vert = 3,96 ; SD = 1,19) engendre une vulnérabilité perçue plus faible qu’un score défavorable (M_rouge = 5,03 ; SD = 1,36) (M_vert – M_rouge = −1,07 ; F(1,148) = 26,30 ; p = 0,00 ; η² = 0,15). Concernant les marques, Apple (M_Apple = 4,80 ; SD = 1,30) suscite un niveau de confiance plus élevé que Xiaomi (M_Xiaomi = 3,90 ; SD = 1,13) (M_Apple – M_Xiaomi = 0,90 ; F(1,148) = 22,08 ; p = 0,00 ; η² = 0,13). Enfin, aucune différence significative n’est observée entre les quatre stimuli concernant la crédibilité et le réalisme du scénario (p > 0,10).

Estimation du modèle et résultats

Le modèle a été estimé à l’aide de la macro PROCESS (Hayes, 2013) disponible dans SPSS (modèle 10 avec 5 000 bootstraps). Toutes les variables continues ont été centrées sur leur moyenne (–1SD, moyenne, +1SD). Dans l’ensemble, l’étude 4 confirme les conclusions de l’étude 3. Conformément à H1a, un Privacy Score favorable réduit la vulnérabilité perçue (a = −0,79 ; t = −3,29 ; p = 0,00). La vulnérabilité perçue diminue l’intention d’achat (b = −0,57 ; t = −8,59 ; p = 0,00). L’effet direct du Privacy Score sur l’intention d’achat est positif (c = 0,93 ; t = 3,53 ; p = 0,00). L’analyse conditionnelle (Tableau 4) confirme que l’effet indirect du Privacy Score sur l’intention d’achat est significatif et positif à tous les niveaux de confiance envers la marque et tous les niveaux de DVP, sauf lorsque la confiance est faible et la DVP élevée. Ces résultats indiquent une médiation complémentaire (Zhao et al., 2010), supportant H2.

Tableau 4.

Effet indirect conditionnel du Privacy Score sur l’intention d’achat.

Confiance dans la marque	DVP	Effet	Boot SE	Boot LLCI	Boot ULCI
0,0000	−1,0376	0,6162	0,1712	0,3488	0,9135
0,0000	0,0000	0,4524	0,1450	0,2247	0,6999
0,0000	1,0376	0,2885	0,1878	−0,0123	0,6089
1,0000	−1,0376	0,7307	0,1947	0,4151	1,0602
1,0000	0,0000	0,5668	0,1611	0,3109	0,8376
1,0000	1,0376	0,4029	0,1911	0,0958	0,7236

Conformément à l’étude 3, l’étude 4 confirme également que la confiance dans la marque ne modère pas l’effet du Privacy Score sur la vulnérabilité perçue (b = −0,20 ; t = −0,58 ; p = 0,56), infirmant H3a. De même, l’effet direct de la confiance sur la vulnérabilité perçue est non significatif (b = −0,08 ; t = −0,34 ; p = 0,73). L’étude 4 confirme en outre que la confiance dans la marque modère l’impact du Privacy Score sur l’intention d’achat en atténuant son effet (b = −0,90 ; t = −2,45 ; p = 0,01). Une légère différence doit toutefois être notée concernant l’effet de la confiance dans la marque entre les études 3 et 4. Alors que l’étude 3 montre qu’un Privacy Score favorable exerce un effet significatif mais atténué lorsque la confiance dans la marque est élevée, l’étude 4 ne fait apparaitre aucun effet significatif (b = 0,03 ; t = 0,11 ; p = 0,92), le score n’influençant l’intention d’achat que lorsque la confiance est faible (b = 0,93 ; t = 3,53 ; p = 0,00). En conséquence, H3b est rejetée. La Figure 4 illustre cet effet de la confiance dans la marque qui opère principalement en atténuant l’effet négatif d’un Privacy Score défavorable. Enfin, la confiance dans la marque a un effet direct positif sur l’intention d’achat (b = 0,53 ; t = 2,02 ; p = 0,04).

Figure 4.

L’effet modérateur de la confiance dans la marque (étude 4).

Les résultats indiquent que la DVP ne modère pas l’effet du Privacy Score sur l’intention d’achat (a × b = −0,04 ; t = −0,22 ; p = 0,83), et qu’elle n’a pas non plus d’impact direct sur cette variable (b = 0,04 ; t = 0,28 ; p = 0,78). Ainsi, H4b est rejetée. Néanmoins, la DVP modère l’impact du Privacy Score sur la vulnérabilité perçue (a × b = 0,28 ; t = 1,66 ; p = 0,09). Cependant, contrairement à l’hypothèse H4a, l’impact du Privacy Score est plus fort lorsque la DVP est faible que lorsqu’elle est élevée. La Figure 5 illustre cet effet.

Figure 5.

L’effet modérateur de la disposition à valoriser la vie privée.

L’analyse Johnson et Neyman (1936) révèle que, si l’effet du Privacy Score reste significatif (p < 0,10) à tous les niveaux du modérateur, il s’affaiblit à mesure que la DVP augmente (Tableau 5).

Tableau 5.

Effet conditionnel du Privacy Score sur la vulnérabilité perçue.

DVP	Effet	SE	t	p	LLCI	ULCI
−4,6931	−2,1873	0,7961	−2,7476	0,0064	−3,5013	−0,8732
−4,4074	−2,1083	0,7499	−2,8114	0,0053	−3,3462	−0,8704
−4,1217	−2,0293	0,7039	−2,8829	0,0043	−3,1912	−0,8674
−3,8360	−1,9503	0,6581	−2,9636	0,0033	−3,0366	−0,8641
−3,5502	−1,8714	0,6125	−3,0553	0,0025	−2,8824	−0,8603
−3,2645	−1,7924	0,5672	−3,1601	0,0018	−2,7286	−0,8561
−2,9788	−1,7134	0,5222	−3,2809	0,0012	−2,5755	−0,8514
−2,6931	−1,6344	0,4778	−3,4211	0,0007	−2,4230	−0,8458
−2,4074	−1,5554	0,4339	−3,5851	0,0004	−2,2716	−0,8393
−2,1217	−1,4765	0,3908	−3,7782	0,0002	−2,1215	−0,8314
−1,8360	−1,3975	0,3488	−4,0066	0,0001	−1,9732	−0,8217
−1,5502	−1,3185	0,3084	−4,2758	0,0000	−1,8275	−0,8095
−1,2645	−1,2395	0,2702	−4,5878	0,0000	−1,6855	−0,7936
−0,9788	−1,1606	0,2353	−4,9313	0,0000	−1,5490	−0,7721
−0,6931	−1,0816	0,2056	−5,2617	0,0000	−1,4209	−0,7423
−0,4074	−1,0026	0,1833	−5,4696	0,0000	−1,3052	−0,7000
−0,1217	−0,9236	0,1715	−5,3842	0,0000	−1,2068	−0,6405
0,1640	−0,8446	0,1724	−4,8984	0,0000	−1,1293	−0,5600
0,4498	−0,7657	0,1858	−4,1211	0,0001	−1,0723	−0,4590
0,7355	−0,6867	0,2092	−3,2818	0,0012	−1,0321	−0,3413
1,0212	−0,6077	0,2398	−2,5337	0,0119	−1,0036	−0,2118
1,3069	−0,5287	0,2752	−1,9211	0,0558	−0,9830	−0,0744

Par ailleurs, la DVP a un effet direct positif sur la vulnérabilité perçue (b = 0,24 ; t = 1,93 ; p = 0,05), confirmant que des niveaux plus élevés de DVP entraînent une vulnérabilité perçue accrue. Enfin, l’expertise technologique perçue a un effet négatif sur la vulnérabilité perçue (b = −0,23 ; t = −3,42 ; p = 0,00) et influence positivement l’intention d’achat (b = 0,30 ; t = 4,01 ; p = 0,00).

Discussion

Ancrée dans la théorie du signal, cette recherche étudie la manière dont les consommateurs utilisent des signaux externes (Privacy Score) et internes (confiance dans la marque) pour faire face à l’asymétrie d’information lors de l’achat d’objets connectés. Nos résultats apportent ainsi des éclairages supplémentaires sur (1) les effets des labels de confidentialité, (2) leurs interactions avec la confiance dans la marque et (3) les différences individuelles qui conditionnent leur fonctionnement. Un aperçu synthétique des hypothèses et des résultats correspondants est proposé dans le Tableau 6.

Tableau 6.

Hypothèses de recherche et résultats correspondants.

Tableau 6a. Résultats de l’étude 2.

a. Résultats des ANOVA
	Variable indép.	Variable dép.	Effet attendu	Support	Diff.	F	p	Sig.
H1a	P.Score (fav.) - P.Score (inter.)	Vulnérabilité	-	Supp.	−0,73	5,48	0,02	<0,05
	P.Score (fav.) - P.Score (défav.)	Vulnérabilité	-	Supp.	−0,94	9,62	0,00	<0,01
	P.Score (inter.) - P.Score (défav.)	Vulnérabilité	-	Non supp.	−.0,22	0,49	0,48	>0,10
H1b	P.Score (fav.) - P.Score (absent)	Vulnérabilité	-	Supp.	−0,57	3,51	0,06	<0,10
	P.Score (inter.) - P.Score (absent)	Vulnérabilité	+	Non supp.	0,16	0,27	0,60	>0,10
	P.Score (défav.) - P.Score (absent)	Vulnérabilité	+	Non supp.	0,37	1,58	0,21	>0,10
b. Résultats des régressions
	Variable indép.	Variable dép.	Effet attendu	Support	Diff.	F	p	Sig.
H1a	P.Score (inter.) - P.Score (fav.)	Vulnérabilité	+	Supp.	0,71	2,30	0,02	<0,05
	P.Score (défav.) - P.Score (fav.)	Vulnérabilité	+	Supp.	0,92	3,04	0,00	<0,01
	P.Score (absent) - P.Score (fav.)	Vulnérabilité	+	Supp.	0,58	1,94	0,05	<0,10
H2	Vulnérabilité	Int. d’achat	-	Supp.	−0,42	−5,25	0,00	<0,01
	P.Score (inter.) - P.Score (fav.)	Int. d’achat			−0,88	−2,80	0,00	< 0,01
	P.Score (défav.) - P.Score (fav.)	Int. d’achat			−1,24	−3,98	0,00	<0,01
	P.Score (absent) - P.Score (fav.)	Int. d’achat			−0,70	−2,31	0,02	<0,05
	P.Score (inter.) - P.Score (fav.) Vulnérabilité	Int. d’achat			−0,30	CI = [−0,64 ; −0,04]
	P.Score (défav.) - P.Score (fav.) Vulnérabilité	Int. d’achat			−0,39	CI = [−0,75 ; −0,10]
	P.Score (absent) - P.Score (fav.) Vulnérabilité	Int. d’achat			−0,25	CI = [−0,56 ; −0,01]
	Variable de contrôle				Diff.	F	p	Sig.
	Expertise technologique perçue	Vulnérabilité			−0,15	−1,63	0,10	>0,10
	Expertise technologique perçue	Int. d’achat			0,20	2,07	0,04	<0,05

Tableau 6b. Résultats des études 3 et 4.

Hypothèses				Résultats
	Variable indép.	Variable dép.	Effet attendu	Étude 3	b	t	p	Sig.	Étude 4	b	t	p	Sig.
H1a	P.Score (fav.) - P.Score (défav.)	Vulnérabilité	-	Supp.	−1,64	−6,92	0,00	<0,01	Supp.	−0,79	−3,29	0,00	<0,01
H2	Vulnérabilité	Int. d’achat	-	Supp.	−0,49	−10,36	0,00	<0,01	Supp.	−0,57	−8,59	0,00	<0,01
	P.Score (fav.) - P.Score (défav.)	Int. d’achat			1,05	4,79	0,00	<0,01		0,93	3,53	0,00	<0,01
	P.Score (fav.) - P.Score (défav.) Vulnérabilité (Confiance élevée)	Int. d’achat			0,84	CI = [0,54 ; 1,18]
	P.Score (fav.) - P.Score (défav.) Vulnérabilité (Confiance faible)	Int. d’achat			0,81	CI = [0,53 ; 1,13]
H3a	P.Score (fav.) - P.Score (défav.) * Confiance dans la marque	Vulnérabilité	+	Non supp.	−0,07	−0,21	0,83	>0,10	Not Supp.	−0,20	−0,58	0,56	>0,10
	Confiance dans la marque	Vulnérabilité			−0,04	−0,18	0,86	>0,10		−0,08	−0,34	0,73	>0,10
H3b	P.Score (fav.) - P.Score (défav.) * Confiance dans la marque	Int. d’achat	+	Non supp.	−0,60	−2,06	0,04	<0,05	Not Supp.	−0,90	−2,45	0,01	<0,05
	Confiance dans la marque	Int. d’achat			0,70	3,44	0,00	<0,01		0,53	2,02	0,04	<0,05
	P.Score (fav.) - P.Score (défav.) * Confiance dans la marque élevée	Int. d’achat			0,45	2,04	0,04	<0,05		0,03	0,11	0,92	>0,10
	P.Score (fav.) - P.Score (défav.) * Confiance dans la marque faible	Int. d’achat			1,05	4,79	0,00	<0,01		0,93	3,53	0,00	<0,01
H4a	P.Score (fav.) - P.Score (défav.) * DVP	Vulnérabilité	-						Not Supp.	0,28	1,66	0,09	<0,10
	DVP	Vulnérabilité								0,24	1,93	0,05	<0,10
H4b	P.Score (fav.) - P.Score (défav.) * DVP	Int. d’achat	+						Not Supp.	−0,04	−0,22	0,83	>0,10
	DVP	Int. d’achat								0,04	0,28	0,78	>0,10
Variable de contrôle				Étude 3	b	t	p	Sig.	Étude 4	b	t	p	Sig.
Expertise technologique perçue		Vulnérabilité			−0,09	−1,41	0,16	>0,10		−0,23	−3,42	0,00	<0,01
Expertise technologique perçue		Int. d’achat			0,39	7,01	0,00	<0,01		0,30	4,01	0,00	<0,01

Le rôle du Privacy Score

Cet article étudie l’impact d’un label de confidentialité synthétique adoptant un design à icônes inspiré du Nutri-Score. Premièrement, nous démontrons que le score proposé constitue un mécanisme de transparence efficace, combinant compréhension objective et interprétation intuitive au moment de l’achat.

En outre, nos résultats apportent de nouvelles perspectives concernant la présence ou l’absence de labels de confidentialité. Comparé aux produits non labellisés, un score favorable renforce l’intention d’achat et diminue la vulnérabilité perçue. L’affichage d’un Privacy Score s’avère donc bénéfique lorsqu’il transmet des informations « privacy-friendly ». Ceci remet en question le « bulletproof glass effect » (Brough et al., 2022) et suggère que c’est davantage le langage juridique et la présentation actuelle des politiques de confidentialité, plutôt que la transparence en soi, qui produit des résultats non désirés. En adoptant un format synthétique, fondé sur des icônes plutôt que sur du texte, les informations relatives à la vie privée peuvent être communiquées sans effets indésirables. À l’inverse, l’absence de score est perçue comme un indicateur plutôt défavorable (quelque part entre un score intermédiaire et défavorable). Comparé aux produits non labellisés, un score défavorable réduit significativement l’intention d’achat sans modifier la vulnérabilité perçue. Ces résultats font écho aux travaux de Brough et al. (2022), indiquant que les consommateurs préfèrent souvent l’ignorance à la mauvaise nouvelle. Nos résultats corroborent également ceux concernant le Nutri-Score (Nabec et al., 2019), confirmant qu’un score défavorable agit comme un signal de prudence plus puissant que l’absence de score, notamment dans la formation de l’intention d’achat.

Enfin, le Privacy Score influence davantage l’intention d’achat que la vulnérabilité perçue. Cet effet modéré sur la vulnérabilité suggère que les consommateurs se sentent intrinsèquement vulnérables en ce qui concerne leurs données personnelles (Bandara et al., 2021), indépendamment du score. En effet, les perceptions de vulnérabilité restent constantes que le score soit défavorable ou absent. Par conséquent, le Privacy Score fonctionne comme un signal binaire, orientant les consommateurs vers des objets connectés respectueux de la vie privée (score favorable) plutôt que vers des objets intrusifs (score intermédiaire et défavorable).

Effets d’interaction entre le Privacy Score et la confiance dans la marque

Conformément aux travaux précédents sur la fonction de signalisation des marques (Erdem et Swait, 1998 ; 2004 ; Rao et al., 1999), nos résultats confirment que la marque constitue un signal interne efficace, qui modère l’impact du Privacy Score. Une confiance élevée dans la marque peut neutraliser les signaux externes, protégeant ainsi les marques de confiance contre l’influence des signaux liés au respect de la vie privée.

Nos deux études confirment cet effet de protection en cas de score défavorable, faisant écho aux conclusions de Cambier et Poncin (2020), ainsi qu’à la notion de « love is blind effect » (Grégoire et Fisher, 2006 ; Hess Jr et al., 2003), selon laquelle une confiance élevée incite les consommateurs à tolérer ou à ignorer des signaux négatifs. Ce résultat atteste l’hypothèse de complémentarité des signaux lorsque la confiance dans la marque est faible.

Dans le même temps, la confiance dans la marque ne renforce pas l’effet d’un Privacy Score favorable ; au contraire, elle le masque. Alors que l’étude 3 montre un effet réduit, mais toujours significatif, en cas de confiance élevée, l’étude 4 va plus loin en démontrant que le score devient inopérant pour les marques de confiance. Ceci révèle une limite potentielle du « love is blind effect » : le signal de la marque semble prévaloir sur tous les autres signaux, indépendamment de leur crédibilité. Dans ces conditions, les informations associées à la marque peuvent être perçues comme plus pertinentes que les signaux externes (Cambier et Poncin, 2020). En somme, la marque exerce un effet à double tranchant, masquant aussi bien les signaux alternatifs négatifs que positifs. Ceci étaye en partie l’hypothèse de substitution des signaux (interaction négative entre signaux) lorsque la confiance dans la marque est élevée. Dans le même temps, il la remet également en question car il montre que, dans ce cas, le signal interne (confiance dans la marque) prime sur le signal externe (Privacy Score).

Dans l’ensemble, nos résultats suggèrent que l’effet de signaux de nature différente dépend fortement du contexte. Alors que le signal externe (Privacy Score) façonne le sentiment de vulnérabilité, le signal interne (confiance envers la marque) prédomine dans les décisions d’achat. Concernant l’intention d’achat, le processus cognitif privilégie le signal interne (confiance envers la marque). Si la marque est crédible, le signal externe est alors considéré comme un indice secondaire (étude 3), voire négligeable (étude 4). À l’inverse, lorsque la marque apparait moins digne de confiance, les consommateurs s’appuient sur le signal externe (Privacy Score) et privilégient les produits avec un score favorable.

Effet de la disposition à valoriser la vie privée (DVP)

Contrairement à la confiance dans la marque, qui opère au niveau comportemental, la DVP façonne la dimension attitudinale des perceptions de vulnérabilité, à la fois directement et en modérant l'effet du Privacy Score. Ceteris paribus, les consommateurs ayant une DVP élevée perçoivent une plus grande vulnérabilité. Mais paradoxalement, une forte DVP diminue, plutôt qu'elle n'augmente, l'impact du Privacy Score. Par conséquent, les consommateurs moins préoccupés par la vie privée bénéficient davantage du score. Cela pourrait s’expliquer par une simplification excessive du score pour les individus soucieux de leur vie privée. La littérature sur le Nutri-Score soutient cette conjecture, démontrant que les consommateurs ayant des problèmes de santé ou une expertise nutritionnelle élevée préfèrent les scores analytiques (Mérigot et Nabec, 2016 ; Nabec, 2017). Ainsi, la conception synthétique du Privacy Score semble particulièrement adaptée aux consommateurs ayant une faible DVP en leur fournissant facilement les informations essentielles relatives au respect de la vie privée, ce qui permet de réduire la vulnérabilité perçue.

Contributions, limites et voies de recherche

Contributions théoriques

S’appuyant sur la théorie du signal, cette recherche analyse la manière dont les consommateurs utilisent des signaux pour réduire l’asymétrie d’information lors de l’achat d’objets connectés. À la différence des études précédentes, qui analysent essentiellement les comportements de divulgation de données post-achat, nous nous intéressons au processus de prise de décision pré-achat pour les objets impliquant un partage d’informations. Plus précisément, nous étudions les effets d’un signal externe (Privacy Score) de manière isolée, puis en interaction avec un signal interne central en marketing (confiance dans la marque). Par conséquent, cette recherche enrichit le débat sur la manière dont les entreprises peuvent divulguer efficacement leurs pratiques de confidentialité (Brough et al., 2022), et offre aux instances réglementaires des éléments pouvant contribuer à restaurer un environnement numérique plus sain (Bandara et al., 2021 ; Quach et al., 2025). Elle contribue ainsi à la littérature sur les politiques de confidentialité et la théorie du signal.

Concernant les politiques de confidentialité, nos résultats apportent trois contributions principales. Premièrement, en évaluant la compréhension d’un label de confidentialité synthétique, nous participons à la discussion sur la conception et le design de ces labels. Nous démontrons qu’un Privacy Score sous forme d’icônes constitue un dispositif efficace pour communiquer des informations sur la vie privée au moment de l’achat. De tels labels sont facilement compris et véhiculent la transparence sans conséquences néfastes, évitant ainsi le « bulletproof glass effect » (Brough et al., 2022). De plus, les résultats suggèrent que les labels synthétiques sont plus efficaces pour les consommateurs moins sensibles aux questions de vie privée, qui valorisent la simplicité informationnelle. En revanche, les consommateurs pour qui la vie privée est importante en tirent moins d'avantages, probablement parce que les formats synthétiques ne répondent pas à leurs besoins informationnels.

Deuxièmement, cette recherche répond au besoin de travaux complémentaires manipulant la présence vs absence des politiques de confidentialité (Brough et al., 2022). Nos résultats démontrent que, par rapport aux produits non labellisés, un produit doté d’un Privacy Score favorable augmente les intentions d’achat, tandis qu’un score défavorable les réduit. Par conséquent, il peut être préférable de ne pas afficher de Privacy Score plutôt que de faire preuve d’une transparence totale sur des pratiques peu respectueuses, puisque les consommateurs tendent à éviter les informations sur les risques pour leur vie privée (Brough et al., 2022). Toutefois, l’omission reste moins avantageuse qu’une communication positive associée à un score favorable. À cet égard, cette recherche contribue à la littérature sur le « signalement par omission ». Nous montrons que, dans le contexte spécifique des objets connectés, l’absence d’un label de confidentialité n’est pas interprétée de façon neutre, mais comme un signal négatif. La rétention d’information conduit les consommateurs à inférer des attributs cachés, en interprétant le silence comme un proxy de mauvaises pratiques plutôt que d’incertitude. En somme, ces résultats réconcilient les conclusions divergentes concernant l’absence de politiques de confidentialité. Ils nourrissent également la réflexion sur la manière dont les cadres réglementaires peuvent garantir la protection de la vie privée des consommateurs (Quach et al., 2025), notamment concernant le caractère obligatoire ou volontaire de la divulgation d’information par les marques.

Troisièmement, cet article affine notre compréhension de l’efficacité des labels en proposant une analyse de la vulnérabilité des consommateurs en phase de pré-achat. Contrairement aux études précédentes, qui ont principalement examiné la vulnérabilité dans le contexte de violations de données (ex : Martin et al., 2017), nous démontrons que les labels de confidentialité peuvent atténuer de manière proactive la vulnérabilité perçue avant l’achat. En outre, un Privacy Score favorable réduit non seulement la vulnérabilité perçue, mais augmente significativement les intentions d’achat. Ces résultats établissent un lien critique entre les signaux liés à la confidentialité des données et la réduction de la vulnérabilité dès les premières étapes du parcours client, montrant que les labels efficaces constituent à la fois des outils d’atténuation du risque et d’influence du comportement d’achat. Ils fonctionnent comme une heuristique décisionnelle, un signal qui oriente la décision, et pas seulement comme un dispositif de réduction du risque.

Notre recherche étend également l’application de la théorie du signal au domaine de la privacy. Premièrement, nous contribuons à la littérature sur la marque comme signal en proposant de nouveaux éléments concernant l’impact des marques sur les attitudes et comportements liés à la vie privée, répondant ainsi aux préconisations de Jain et al. (2022). Nous montrons que, pour les marques suscitant une confiance limitée, les comportements des consommateurs s’alignent avec leurs attitudes, les conduisant à choisir les produits les plus respectueux de leur vie privée. À l’inverse, pour les marques bénéficiant d’une forte confiance, les consommateurs sont plus enclins à acheter des produits qui menacent leur vie privée même s’ils sont conscients de leur caractère intrusif. Ces résultats affinent notre compréhension du privacy paradox (Acquisti et al., 2020 ; Norberg et al., 2007) en suggérant qu’il est spécifique à la marque : la confiance dans la marque exacerbe le paradoxe, agissant comme une «lumière aveuglante» qui masque les signaux relatifs à la vie privée. De plus, nous clarifions les mécanismes sous-jacents : la confiance dans la marque guide principalement les intentions comportementales, la dimension attitudinale étant davantage gouvernée par les signaux spécifiques à la vie privée, tels que les labels.

Deuxièmement, notre article contribue à la littérature en proposant une analyse plus approfondie des effets d’interaction entre signaux (Chen et Xie, 2005 ; Sharma et Klein, 2025 ; Yen, 2006). Dans cette perspective, nous clarifions les conditions dans lesquelles les labels de confidentialité externes améliorent la qualité des choix des consommateurs. Nous observons que des signaux internes forts (marques de confiance) peuvent biaiser la prise de décision vers des options sous-optimales (objets avec un Privacy Score défavorable), remettant ainsi en question l’hypothèse selon laquelle les informations tierces améliorent intrinsèquement la qualité des décisions (Kelley et al., 2010 ; Meier et Krämer, 2022). Nos résultats offrent ainsi un soutien nuancé aux deux hypothèses d’interaction. Lorsque la confiance dans la marque est faible, les signaux interagissent positivement, fournissant des informations complémentaires : le signal externe compense le déficit de confiance (Cambier et Poncin, 2020). En revanche, lorsque la confiance envers la marque est élevée, un effet de substitution se produit, en faveur du signal interne (confiance envers la marque). Cette observation remet en cause l’hypothèse de supériorité selon laquelle les signaux externes, objectifs, surpasseraient systématiquement les signaux internes (Akdeniz et al., 2014 ; Albrecht, 1981). Contrairement à certaines recherches antérieures soutenant une logique de substitution (Casado-Aranda et al., 2019 ; Mavlanova et al., 2016), nos résultats concordent avec les conclusions de Cambier et Poncin (2020) montrant qu’une confiance élevée envers la marque peut contrebalancer les signaux externes défavorables. En somme, la hiérarchie des effets des signaux dépend moins de la nature du signal (interne vs externe) que de la composante concernée (attitude vs comportement). La vulnérabilité repose essentiellement sur des signaux externes spécifiques à la vie privée, tandis que les décisions d’achat sont davantage guidées par des signaux internes liés à la marque. Ces résultats contribuent à la littérature sur les interactions entre signaux multiples (Akdeniz et al., 2014) et sur le rôle de la marque dans la réduction de l’asymétrie d’information (Erdem et Swait, 1998 , 2004) dans le contexte de la privacy.

Contributions managériales

Notre recherche contribue à la réflexion sur la manière dont les entreprises peuvent communiquer efficacement leurs politiques de confidentialité (Brough et al., 2022). Notamment, l’adoption d’un label synthétique à icônes représente une stratégie efficace. Les entreprises pourraient ainsi déployer stratégiquement ce Privacy Score comme outil de transparence afin de renforcer les sentiments de protection et d’orienter les choix des consommateurs vers des objets connectés respectueux de la vie privée (Martin et al., 2020 ; Portes et al., 2020). La mise en place de ce type de labels semble pouvoir constituer la pierre angulaire d’une stratégie proactive en matière de respect de la vie privée, dans laquelle la conformité serait envisagée comme un investissement plutôt que comme un coût (Brough et al., 2022), voire même comme une source potentielle d’avantage concurrentiel (Martin et al., 2020). Dans cette perspective, les labels offriraient un vecteur de différenciation érigeant « la confidentialité comme source de valeur ajoutée » (Johansen et al., 2022). Les détaillants et les plateformes de vente en ligne pourraient également utiliser le Privacy Score comme critère de filtrage. En permettant aux consommateurs de trier les objets connectés selon leur score, à l’instar des filtres de prix ou d’avis clients, ces acteurs pourraient inciter structurellement les fabricants à améliorer leurs pratiques de collecte et de traitement des données, leur procurant ainsi une meilleure visibilité sur le marché.

Cependant, un tel outil n’est pas intrinsèquement positif ou négatif, mais dépend fortement du contexte. Plus précisément, son impact est à la fois spécifique à la marque (une forte confiance dans la marque tend à éclipser les labels de confidentialité) et spécifique au consommateur (les consommateurs ayant une faible DVP sont plus réceptifs). Le Privacy Score est donc particulièrement approprié pour les marques peu crédibles ou émergentes. Pour celles-ci, l’amélioration du Privacy Score constitue un levier stratégique pour renforcer leur position sur le marché et atténuer le déficit de confiance. Toutefois, cela ne doit pas décourager les investissements à long terme car une confiance élevée peut atténuer l’effet d’un score défavorable. Cela étant, les managers doivent envisager la confiance comme une ressource épuisable. Compter uniquement sur cette dimension pour masquer de mauvaises pratiques de confidentialité risque, à terme, d’éroder la confiance. Les marques de confiance devraient plutôt capitaliser sur leur position pour devenir des leaders en matière de confidentialité, alignant ainsi leurs pratiques internes sur les signaux externes favorables afin de garantir leur pérennité.

En outre, les marques devraient adapter la présentation de leurs politiques de confidentialité selon le niveau de DVP des consommateurs. Un score synthétique s’avère optimal pour les consommateurs moins soucieux de leur vie privée, tandis que des informations plus détaillées semblent mieux convenir à ceux qui ont une forte DVP. Pour répondre aux besoins divergents des consommateurs, les managers pourraient adopter une stratégie de communication de confidentialité « par couches ». Il conviendrait d’afficher de manière très visible un score synthétique de confidentialité, servant de repère rapide pour la majorité des consommateurs, tout en proposant un accès immédiat (par clic ou QR code) à une présentation détaillée des pratiques de traitement de données, destinée à rassurer les consommateurs ayant une DVP élevée.

Les autorités de régulation pourraient également tirer des enseignements pour renforcer la protection des consommateurs. En adoptant un système de labellisation inspiré du Nutri-Score, elles pourraient activement promouvoir un Privacy Score standardisé, sans pour autant le rendre obligatoire, son absence constituant un signal défavorable en soi.

Limites et perspectives de recherche

Bien que conceptuellement inspiré des systèmes de labellisation existants tels que le Nutri-Score, le Privacy Score testé ici demeure théorique et nécessite une validation en conditions réelles. Néanmoins, il s’inscrit dans des cadres existants, tels que le Privacy Impact Assessment (PIA) promu par la CNIL, ainsi que dans des initiatives émergentes comme le Datascore, label actuellement développé en France par Laurent et Donnadieu (2025), qui vise à évaluer le niveau de protection des données personnelles et de respect des exigences de conformité dans les services numériques et les technologies connectées.

Johansen et al. (2022) fournissent une base solide pour sa mise en œuvre, suggérant que, pour être efficaces, les labels doivent être liés aux politiques de confidentialité, certifiés par des organismes indépendants et conçus pour être facilement comparables et compréhensibles. Les avancées technologiques (notamment le machine learning et l’intelligence artificielle) pourraient automatiser la conversion des politiques de confidentialité en labels. Toutefois, des recherches complémentaires sont nécessaires afin d’explorer les modalités concrètes d’implémentation, notamment le rôle de l’autorité de certification. Bien que nous envisagions une supervision réglementaire (ex : la CNIL), d’autres modèles de gouvernance, tels que des tiers de confiance ou des coalitions industrielles, pourraient influencer significativement la perception des consommateurs.

De plus, le Privacy Score que nous proposons adopte un format synthétique. Étant donné que la manière dont l’information est présentée influence les décisions individuelles (Bettman et al., 1986 ; Tversky et Kahneman, 1981), de futures recherches devraient étudier des designs différents (ex : labels analytiques), l’efficacité du label variant selon le niveau de DVP.

En outre, si nous avons examiné les effets combinés de signaux externes (le Privacy Score) et internes (la confiance dans la marque), nous n’avons pas analysé leur évolution dans le temps. Des travaux futurs pourraient s’intéresser aux influences réciproques à long terme : des scores continuellement négatifs pourraient-ils éroder la confiance dans la marque au fil du temps ? Quelle serait la réaction des consommateurs lorsqu’un score de confidentialité attribué à un produit déjà acheté s’améliore ou se détériore ?

Pour finir, cette étude s’est focalisée sur les enceintes connectées en raison de leur niveau élevé d’intrusivité. Répliquer cette recherche avec d’autres objets connectés, tels que les wearables qui collectent des données de santé (ex : les montres intelligentes), serait particulièrement instructif. Aussi, l’étude de l’impact financier à long terme des labels de confidentialité sur la performance des marques reste une voie à explorer dans de futures recherches.

Footnotes

Annexe 1

Aperçu des labels synthétiques et analytiques.

Le Nutri-Score : un label nutritionnel pour les produits alimentaires.

Annexe 2

Comparaison du Nutri-Score et du Privacy Score proposé dans cette recherché.

Annexe 3

Stimuli utilisés dans l’étude 1.

Annexe 4

Stimuli utilisés dans l’étude 2 et l’étude 3.

Annexe 5

Manipulation de la confiance envers la marque dans l’étude 3

Annexe 6

Stimuli utilisés dans l’étude 4.

Remerciements

Nous remercions l’éditeur et les relecteurs anonymes pour leurs commentaires constructifs, qui ont contribué à améliorer significativement le manuscrit. Nous remercions également l’Institut de Science des données de Montpellier (ISDM), financé par l’ANR et France 2030 dans le cadre du programme UM2030 (ANR-21-IDES-0005), ainsi que le Dr. Christophe Crambes pour son soutien précieux dans l’analyse des données. Nous exprimons notre reconnaissance au Pr. Anne Laurent et au Dr. Gwenaëlle Donadieu pour leurs échanges stimulants et leurs retours avisés lors des premières phases du projet.

Cette recherche a été réalisée dans le cadre du projet HUman at home projecT (HUT), cofinancé par le Fonds Européen de Développement Régional (FEDER), la Région Occitanie et la Métropole de Montpellier. Elle a également bénéficié d’un financement de l’Université de Montpellier.

ORCID iDs

David Vidal

Audrey Portes

Josselin Masson

Anne-Sophie Cases

Déclaration de conflit d’intérêts

Les auteurs déclarent n’avoir aucun conflit d’intérêts concernant la recherche, la rédaction et/ou la publication de cet article.

References

Acquisti

Brandimarte

Loewenstein

(2020) Secrets and likes: The drive for privacy and the difficulty of achieving it in the digital age. Journal of Consumer Psychology 30(4): 736–758.

Aguirre

Mahr

Grewal

, et al. (2015) Unraveling the personalization paradox: The effect of information collection and trust-building strategies on online advertisement effectiveness. Journal of Retailing 91(1): 34–49.

Akdeniz

Calantone

Voorhees

(2014) Signaling quality: an examination of the effects of marketing- and nonmarketing-controlled signals on perceptions of automotive brand quality. Journal of Product Innovation Management 31(4): 728–743.

Alashoor

Keil

Smith

, et al. (2022) Too tired and in too good of a mood to worry about privacy: Explaining the privacy paradox through the lens of effort level in information processing. Information System Research 34(4): 1415–1436.

Alba

Hutchinson

(1987) Dimensions of consumer expertise. Journal of Consumer Research 13(4): 411–454.

Albrecht

(1981) A procedure for testing the signalling hypothesis. Journal of Public Economics 15(1): 123–132.

Altman

(1976) Privacy: A conceptual analysis. Environment and Behavior 8(1): 7–29.

Andreeva

Egnell

Touvier

, et al. (2021) International evidence for the effectiveness of the front-of-package nutrition label called Nutri-Score. European Journal of Public Health 29(1): 76–79.

Arbanas

Silvergate

Hupfer

, et al. (2023) Balancing Act: Seeking Just the Right Amount of Digital for a Happy, Healthy Connected Life. Deloitte Center for Technology, Media & Telecommunications. Disponible en ligne: https://www.deloitte.com/us/en/insights/industry/telecommunications/connectivity-mobile-trends-survey/2023.html#explore [consulté le 2 mai 2026].

10.

Bagozzi

Belanche

Casaló

, et al. (2016) The role of anticipated emotions in purchase intentions. Psychology & Marketing 33(8): 629–645.

11.

Bandara

Fernando

Akter

(2020) Explicating the privacy paradox: a qualitative inquiry of online shopping consumers. Journal of Retailing and Consumer Services 52: 101947.

12.

Bandara

Fernando

Akter

(2021) Managing consumer privacy concerns and defensive behaviours in the digital marketplace. European Journal of Marketing 55(1): 219–246.

13.

Bansal

Zahedi

Gefen

(2016) Do context and personality matter? Trust and privacy concerns in disclosing private information online. Information & Management 53(1): 1–21.

14.

Barbosa

Zhang

Wang

(2020) Do privacy and security matter to everyone? Quantifying and clustering user-centric considerations about smart home device adoption. In: Sixteenth Symposium on Usable Privacy and Security (SOUPS 2020). Boston, MA: USENIX Association, 417–435.

15.

Barth

Ionita

De Jong

, et al. (2021) Privacy rating: A user-centered approach for visualizing data handling practices of online services. IEEE Transactions on Professional Communication 64(4): 354–373.

16.

Bastos

Shackleton

El-Moussa

(2018) Internet of things: A survey of technologies and security risks in smart home and city environments. In: Living in the Internet of Things: Cybersecurity of the IoT. London: IET UK, 1–7.

17.

Bélanger

Crossler

(2011) Privacy in the digital age: A review of information privacy research in information systems. MIS Quarterly 35(4): 1017–1041.

18.

Bergen

Dutta

Walker

OC (1992) Agency relationships in marketing: A review of the implications and applications of agency and related theories. Journal of Marketing 56(3): 1–24.

19.

Bettman

Payne

Staelin

(1986) Cognitive considerations in designing effective labels for presenting risk information. Journal of Public Policy & Marketing 5(1): 1–28.

20.

Boulding

Kirmani

(1993) A consumer-side experimental examination of signaling theory: Do consumers perceive warranties as signals of quality? Journal of Consumer Research 20(1): 111–123.

21.

Brough

Norton

Sciarappa

, et al. (2022) The bulletproof glass effect: Unintended consequences of privacy notices. Journal of Marketing Research 59(4): 739–754.

22.

Butori

Miltgen

(2023) A construal level theory approach to privacy protection: The conjoint impact of benefits and risks of information disclosure. Journal of Business Research 168: 114205.

23.

Cambier

Poncin

(2020) Inferring brand integrity from marketing communications: The effects of brand transparency signals in a consumer empowerment context. Journal of Business Research 109: 260–270.

24.

Casado-Aranda

L-A

Dimoka

Sánchez-Fernández

(2019) Consumer processing of online trust signals: A neuroimaging study. Journal of Interactive Marketing 47(1): 159–180.

25.

Caven

Zhang

Abbott

, et al. (2024) Comparing the use and usefulness of four IoT security labels. In: Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (CHI '24), Honolulu. New York: ACM, Article 827, 1–31.

26.

Chen

Xie

(2005) Third-party product review and firm marketing strategy. Marketing Science 24(2): 218–240.

27.

Chou

H-L

Chou

(2023) How teens negotiate privacy on social media proactively and reactively. New Media & Society 25(6): 1290–1312.

28.

Cichy

Salge

Kohli

(2021) Privacy concerns and data sharing in the internet of things: Mixed methods evidence from connected cars. MIS Quarterly 45(4): 1863–1891.

29.

Cloarec

(2022) Privacy controls as an information source to reduce data poisoning in artificial intelligence-powered personalization. Journal of Business Research 152: 144–153.

30.

Cloarec

Meyer-Waarden

Munzel

(2022) The personalization–privacy paradox at the nexus of social exchange and construal level theories. Psychology & Marketing 39(3): 647–661.

31.

Connelly

Certo

Ireland

, et al. (2011) Signaling theory: A review and assessment. Journal of Management 37(1): 39–67.

32.

Crosetto

Lacroix

Muller

, et al. (2017) Modification des achats alimentaires en réponse à cinq logos nutritionnels. Cahiers de Nutrition et de Diététique 52(3): 129–133.

33.

Deslée

(2023) La vie privée en ligne: Utopie ou réalité? Comprendre la vulnérabilité perçue relative aux données personnelles. Décisions Marketing 111(3): 11–37.

34.

Ducrot

Julia

Méjean

, et al. (2016) Impact of different front-of-pack nutrition labels on consumer purchasing intentions: A randomized controlled trial. American Journal of Preventive Medicine 50(5): 627–636.

35.

Ducrot

Julia

Serry

A-J

(2022) Nutri-score: Awareness, perception and self-reported impact on food choices among French adolescents. Nutrients 14(15): 3119.

36.

Ducrot

Méjean

Julia

, et al. (2015a) Effectiveness of front-of-pack nutrition labels in French adults: Results from the NutriNet-Sante cohort study. PLoS One 10(10): e0140898.

37.

Ducrot

Méjean

Julia

, et al. (2015b) Objective understanding of front-of-package nutrition labels among nutritionally at-risk individuals. Nutrients 7(8): 7106–7125.

38.

Efroni

Metzger

Mischau

, et al. (2019) Privacy icons: A risk-based approach to visualisation of data processing. European Data Protection Law Review 5(3): 352–366.

39.

Egnell

Talati

Hercberg

, et al. (2018) Objective understanding of front-of-package nutrition labels: An international comparative experimental study across 12 countries. Nutrients 10(10): 1542.

40.

Emami-Naeini

Dixon

Agarwal

, et al. (2019) Exploring how privacy and security factor into IoT device purchase behavior. In: Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, Glasgow. New York: Association for Computing Machinery.

41.

Erdem

Swait

(1998) Brand equity as a signaling phenomenon. Journal of Consumer Psychology 7(2): 131–157.

42.

Erdem

Swait

(2004) Brand credibility, brand consideration, and choice. Journal of Consumer Research 31(1): 191–198.

43.

Feunekes

Gortemaker

Willems

, et al. (2008) Front-of-pack nutrition labelling: Testing effectiveness of different nutrition labelling formats front-of-pack in four European countries. Appetite 50(1): 57–70.

44.

Fornell

Larcker

(1981) Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research 18(1): 39–50.

45.

Grégoire

Fisher

(2006) The effects of relationship quality on customer retaliation. Marketing Letters 17: 31–46.

46.

Guerreiro

Loureiro

SMC

(2023) I am attracted to my cool smart assistant! Analyzing attachment-aversion in AI-human relationships. Journal of Business Research 161: 113863.

47.

Guo

Wang

(2022) Impact of privacy policy content on perceived effectiveness of privacy policy: The role of vulnerability, benevolence and privacy concern. Journal of Enterprise Information Management 35(3): 774–795.

48.

Hayes

(2013) Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach. New York: Guilford Press.

49.

Hess

RL Ganesan

Klein

(2003) Service failure and recovery: The impact of relationship factors on customer satisfaction. Journal of the Academy of Marketing Science 31(2): 127–145.

50.

Ikonen

Sotgiu

Aydinli

, et al. (2020) Consumer effects of front-of-package nutrition labeling: An interdisciplinary meta-analysis. Journal of the Academy of Marketing Science 48(3): 360–383.

51.

Jain

Basu

Dwivedi

, et al. (2022) Interactive voice assistants – Does brand credibility assuage privacy risks? Journal of Business Research 139: 701–717.

52.

Johansen

Pedersen

Fischer-Hübner

, et al. (2022) A multidisciplinary definition of privacy labels. Information & Computer Security 30(3): 452–469.

53.

Johnson

Neyman

(1936) Tests of certain linear hypotheses and their application to some educational problems. Statistical Research Memoirs 1: 57–93.

54.

Johnson

Blythe

Manning

, et al. (2020) The impact of IoT security labelling on consumer product choice and willingness to pay. PLoS One 15(1): e0227800.

55.

Julia

Hercberg

(2017) Development of a new front-of-pack nutrition label in France: the five-colour Nutri-Score. Public Health Panorama 3(4): 712–725.

56.

Kantar Barometer (2022) Les Français et leur vie privée sur internet. Disponible en ligne: https://www.kantar.com/fr/inspirations/research-services/2023-les-francais-et-leur-vie-privee-sur-internet [consulté le 2 mai 2026].

57.

Karimov

Brengman

(2014) An examination of trust assurances adopted by top internet retailers: Unveiling some critical determinants. Electronic Commerce Research 14(4): 459–496.

58.

Kelley

(1988) An investigation of consumer product warranties as market signals of product reliability. Journal of the Academy of Marketing Science 16(2): 72–78.

59.

Kelley

Cesca

Bresee

, et al. (2010) Standardizing privacy notices: An online study of the nutrition label approach. In: Proceedings of the SIGCHI conference on human factors in computing systems, Atlanta. New York: Association for Computing Machinery, 1573–1582..

60.

Khandelwal

Nayak

Chung

, et al. (2024). Unpacking privacy labels: A measurement and developer perspective on Google’s data safety section. In: 33rd USENIX Security Symposium (USENIX Security 24), Philadelphia, PA. Berkeley: USENIX, 2831–2848.

61.

Kim

Steinfield

Lai

Y-J

(2008) Revisiting the role of web assurance seals in business-to-consumer electronic commerce. Decision Support Systems 44(4): 1000–1015.

62.

Kirmani

Rao

(2000) No pain, no gain: A critical review of the literature on signaling unobservable product quality. Journal of Marketing 64(2): 66–79.

63.

Labrecque

Markos

Swani

, et al. (2021) When data security goes wrong: Examining the impact of stress, social contract violation, and data type on consumer coping responses following a data breach. Journal of Business Research 135: 559–571.

64.

Laufer

Wolfe

(1977) Privacy as a concept and a social issue: A multidimensional developmental theory. Journal of Social Issues 33(3): 22–42.

65.

Laurent

Donnadieu

(2025) Vers un label datascore. Epsilon 43. Disponible en ligne: https://www.epsiloon.com/tous-les-numeros/n43/ [consulté le 2 mai 2026].

66.

Lee

B-C

Ang

Dubelaar

(2005) Lemons on the Web: A signalling approach to the problem of trust in Internet commerce. Journal of Economic Psychology 26(5): 607–623.

67.

Lee

Cranage

(2011) Personalisation–privacy paradox: The effects of personalisation and privacy assurance on customer responses to travel Web sites. Tourism Management 32(5): 987–994.

68.

(2014) The impact of disposition to privacy, website reputation and website familiarity on information privacy concerns. Decision Support Systems 57: 343–354.

69.

Limbu

Wolf

Lunsford

(2011) Consumers’ perceptions of online ethics and its effects on satisfaction and loyalty. Journal of Research in Interactive Marketing 5(1): 71–89.

70.

Liu

Jia

(2023) Consumer data vulnerability, peer privacy concerns and continued usage intention of sharing accommodation platforms: The moderating roles of perceived benefits. Information Technology & People 36(6): 2234–2258.

71.

Liyanaarachchi

Deshpande

Weaven

(2021) Market-oriented corporate digital responsibility to manage data vulnerability in online banking. International Journal of Bank Marketing 39(4): 571–591.

72.

Lwin

Wirtz

Williams

(2007) Consumer online privacy concerns and responses: A power–responsibility equilibrium perspective. Journal of the Academy of Marketing Science 35: 572–585.

73.

Maheswaran

Chaiken

(1991) Promoting systematic processing in low-motivation settings: Effect of incongruent information on processing and judgment. Journal of Personality and Social Psychology 61(1): 13–25.

74.

Malhotra

Kim

Agarwal

(2004) Internet users’ information privacy concerns (IUIPC): The construct, the scale, and a causal model. Information Systems Research 15(4): 336–355.

75.

Martin

(2018) The penalty for privacy violations: How privacy violations impact trust online. Journal of Business Research 82: 103–116.

76.

Martin

Borah

Palmatier

(2017) Data privacy: Effects on customer and firm performance. Journal of Marketing 81(1): 36–58.

77.

Martin

Kim

Palmatier

, et al. (2020) Data privacy in retail. Journal of Retailing 96(4): 474–489.

78.

Massara

Raggiotto

Voss

(2021) Unpacking the privacy paradox of consumers: A psychological perspective. Psychology & Marketing 38(10): 1814–1827.

79.

Mavlanova

Benbunan-Fich

Lang

(2016) The role of external and internal signals in E-commerce. Decision Support Systems 87: 59–68.

80.

Meier

Krämer

(2022) The privacy calculus revisited: An empirical investigation of online privacy decisions on between- and within-person levels. Communication Research 51(2): 178–202.

81.

Mende

Bradford

Roggeveen

, et al. (2024) Consumer vulnerability dynamics and marketing: Conceptual foundations and future research opportunities. Journal of the Academy of Marketing Science 52(5): 1301–1322.

82.

Mérigot

Nabec

(2016) Les effets d’alerte et de promotion des logos nutritionnels sur la face-avant des produits agroalimentaires. Décisions Marketing 83(3): 29–47.

83.

Moorthy

(2013) Voice activated personal assistant: Privacy concerns in the public space. Thèse de masters: California State University.

84.

Moriuchi

(2019) Okay, Google!: An empirical study on voice assistants on consumer engagement and loyalty. Psychology & Marketing 36(5): 489–501.

85.

Nabec

(2017) Improving dietary behaviour with nutrition labelling: Towards a research agenda that serves consumer well-being. Recherche et Applications en Marketing 32(2): 71–97.

86.

Nabec

Guichard

Hémar-Nicolas

, et al. (2022) Informer les parents avec l’apposition du Nutri-Score sur les produits alimentaires destinés aux enfants : Les effets de la marque. Décision Marketing 106: 11–30.

87.

Nabec

Marette

Durieux

(2019) Les effets du Nutri-Score en France sur le consentement-à-payer des consommateurs à faible revenu. Décision Marketing 96: 69–88.

88.

Nabec

Mérigot

Julia

(2017) Les logos nutritionnels sont-ils légitimes? Analyse de l'effet de leur format selon l'expertise nutritionnelle des consommateurs. In: 33ème congrès international de l'AFM, Tours, France. Disponible en ligne: https://hal.science/hal-02310782v1/document [consulté le 2 mai 2026].

89.

Newman

Howlett

Burton

(2014) Shopper response to front-of-package nutrition labeling programs: Potential consumer and retail store benefits. Journal of Retailing 90(1): 13–26.

90.

Norberg

Horne

(2007) The privacy paradox: Personal information disclosure intentions versus behaviors. Journal of Consumer Affairs 41(1): 100–126.

91.

Pavlou

Liang

Xue

(2007) Understanding and mitigating uncertainty in online exchange relationships: A principal-agent perspective. MIS Quarterly 31(1): 105–136.

92.

Pettigrew

Jongenelis

Jones

, et al. (2023) An 18-country analysis of the effectiveness of five front-of-pack nutrition labels. Food Quality and Preference 104: 104691.

93.

Pew Research Center (2023) How Americans view data privacy. Disponible en ligne: https://www.pewresearch.org/internet/2023/10/18/how-americans-view-data-privacy/ [consulté le 2 mai 2026].

94.

Phelps

D’Souza

Nowak

(2001) Antecedents and consequences of consumer privacy concerns: An empirical investigation. Journal of Interactive Marketing 15(4): 2–17.

95.

Portes

N’Goala

Cases

A-S

(2020) Digital transparency: Dimensions, antecedents and consequences on the quality of customer relationships. Recherche et Applications en Marketing 35(4): 72–98.

96.

Quach

Dang

Thaichon

, et al. (2025) Data vulnerability: does privacy protection behaviour improve digital well-being? European Journal of Marketing 59(13): 207–239.

97.

Raju

Rajagopal

Murdock

(2021) The moderating effects of prior trust on consumer responses to firm failures. Journal of Business Research 122: 24–37.

98.

Rao

Ruekert

(1999) Signaling unobservable product quality through a brand ally. Journal of Marketing Research 36(2): 258–268.

99.

Reidenberg

Russell

Herta

, et al. (2019) Trustworthy privacy indicators: Grades, labels, certifications, and dashboards. Washington University Law Review 96(6): 1409–1452.

100.

Rousseau

Sitkin

Burt

, et al. (1998) Not so different after all: A cross-discipline view of trust. Academy of Management Review 23(3): 393–404.

101.

Scharf

(2007) Report casts doubt on the impact of data breaches on identity theft. Internal Auditor 64(4): 23–24.

102.

Schlosser

White

Lloyd

(2006) Converting web site visitors into buyers: How web site investment increases consumer trusting beliefs and online purchase intentions. Journal of Marketing 70(2): 133–148.

103.

Sharma

Klein

(2025) A signaling theory-based analysis of website features, investment perception and trust propensity in initial trust formation on unfamiliar small online retailers. Journal of Marketing Theory and Practice 33(2): 232–253.

104.

Smith

Dinev

(2011) Information privacy research: An interdisciplinary review. MIS Quarterly 35(4): 989–1015.

105.

Solove

(2021) The myth of the privacy paradox. George Washington Law Review 89(1): 1–20.

106.

Spence

(1973) Job market signaling. The Quarterly Journal of Economics 87(3): 355–374.

107.

Sundar

Marathe

(2010) Personalization versus customization: The importance of agency, privacy, and power usage. Human Communication Research 36(3): 298–322.

108.

Talati

Egnell

Hercberg

, et al. (2019) Consumers’ perceptions of five front-of-package nutrition labels: An experimental study across 12 countries. Nutrients 11(8): 1934.

109.

Tang

Smith

(2008) Gaining trust through online privacy protection: Self-regulation, mandatory standards, or caveat emptor. Journal of Management Information Systems 24(4): 153–173.

110.

Tsai

Egelman

Cranor

, et al. (2011) The effect of online privacy information on purchasing behavior: An experimental study. Information Systems Research 22(2): 254–268.

111.

Tversky

Kahneman

(1981) The framing of decisions and the psychology of choice. Science 211(4481): 453–458.

112.

Urban

Amyx

Lorenzon

(2009) Online trust: State of the art, new frontiers, and research potential. Journal of Interactive Marketing 23(2): 179–190.

113.

Van Der Schyff

Prior

Renaud

(2024) Privacy policy analysis: A scoping review and research agenda. Computers & Security 146: 104065.

114.

Walterscheid

Huijts

van Sintemaartensdijk

(2024) Nudging purchase intention towards more secure domestic IoT: The effect of label features and psychological mechanisms. Computers in Human Behavior Reports 14: 100386.

115.

Wang

Beatty

Foxx

(2004) Signaling the trustworthiness of small online retailers. Journal of Interactive Marketing 18(1): 53–69.

116.

Westin

(1967) Privacy and Freedom. New York: Atheneum Publishers.

117.

Xiao

Qin

, et al. (2023) Lalaine: Measuring and characterizing non-compliance of apple privacy labels. In: Proceedings of the 29th 32nd USENIX security symposium (USENIX Security 23), Anaheim, CA. Berkeley: USENIX, 1091–1108.

118.

Dinev

Smith

, et al. (2008) Examining the formation of individual’s privacy concerns: Toward an integrative view. In: Proceedings of the 29th international conference on information systems, Paris, France. Atlanta GA: AIS, 209–226.

119.

Dinev

Smith

, et al. (2011) Information privacy concerns: linking individual perceptions with institutional privacy assurances. Journal of the Association for Information Systems 12(12): 1.

120.

Yen

(2006) Risk-reducing signals for new online retailers: A study of single and multiple signalling effects. International Journal of Internet Marketing and Advertising 3(4): 299–317.

121.

, et al. (2020) A meta-analysis to explore privacy cognition and information disclosure of internet users. International Journal of Information Management 51: 102015.

122.

Zhang

Feng

Yao

, et al. (2022) How usable are ios app privacy labels? Proceedings on Privacy Enhancing Technologies 2022(4): 204–228.

123.

Zhao

Lynch

JG Chen

(2010) Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research 37(2): 197–206.