présentation powerpoint de la recherche au colloque de l’AIPTLF (7 juillet 2021)

L’Intelligence Artificielle au travail et ses effets , analyse des représentations des cadres du secteur touristique

Résumé. Les technologies intelligentes basées sur l’intelligence artificielle (IA) s’intègrent dans les organisations touristiques. Les études dans les petites et moyennes entreprises (PME) ont montré que la représentation et les attitudes du dirigeant sur la technologie influencent son adoption par l’organisation et ses travailleurs. Cette étude s’intéresse à l’acceptabilité de l’IA évaluée principalement par les représentations de l’IA auprès de différentes catégories de cadres. Les écarts notables observés entre représentation globale de l’IA et représentation détaillée peuvent s’expliquer par le parcours professionnel des managers, leurs proximités avec les équipes opérationnelles, et des freins contextuels perçus comme plus nombreux par les dirigeants.

Mots clés : intelligence artificielle ; technologie ; cadre ; représentation ; secteur hôtelier

  1. Introduction

L’intelligence artificielle intégrée dans les technologies de travail s’inscrit comme une innovation majeure pour les organisations touristiques (Ivanov, 2019, Lukanova & Ilieva, 2019). Bien que prometteuses en termes d’expériences clients, les impacts des technologies intelligentes, à la fois sur les organisations du travail et le vécu expérientiel des travailleurs sont peu renseignés. Il est toutefois anticipé que l’IA aurait la capacité de remodeler la réalisation du travail et les modes d’organisation le régissant, et de ce fait, occasionner une redéfinition des tâches, des rôles, des compétences à mobiliser (Solnet & al, 2016), et des exigences du travail (Cascio & Montealegre, 2016 ; Manyika et al., 2017 ; Valenduc & Vendramin, 2019). La complémentarité des relations entre humains et technologies se trouverait alors renforcée (Zouinar, 2020). Evoqué également, l’IA pourrait avoir un effet substitutif sur l’emploi (Frey et Osborne, 2017) en touchant des travailleurs présentant des niveaux de qualification épars (COE, 2017). Les cadres des organisations touristiques, qu’ils soient qualifiés de dirigeant d’entreprise, dirigeant-manager (D-M), manager, possèdent chacun à leur échelle un pouvoir décisionnel sur le changement technologique, sur l’orientation de l’organisation vers ce changement ou sur son adoption (Autissier & Vandangeon-Derumez, 2007).   

Cette étude propose alors d’analyser les représentations des cadres du secteur hôtelier vis-à-vis de l’IA. Le terme cadre est le terme générique employé ici pour regrouper à la fois les dirigeants, les D-M et les managers. Les représentations seront identifiées à partir des perceptions et attitudes quant à l’IA des différents niveaux d’encadrement, afin d’analyser des éléments d’acceptabilité sociale impactant l’adoption des technologies intelligentes dans leur structure.  

2.Fondements théoriques

Les fondements théoriques concernent le rôle des cadres et de leur profil dans l’adoption technologique, le rôle du contexte d’adoption (DePietro, Wiarda, & Fleischer, 1990) et les facteurs favorisant l’adoption et l’intention d’usage d’une technologie.

2.1. Le dirigeant et la technologie

Aldebert et Geugen (2013) ont mis en exergue dans les organisations touristiques que les attitudes positives du dirigeant de PME envers les technologies influencent directement leur adoption. Dans ces structures, la pluriactivité et la transversalité des compétences du dirigeant (en gestion, ressource humaine, formation etc.) favorise des choix stratégiques en matière d’innovation technologique appuyée sur la rationalité limitée des acteurs. Son action s’étend aux différents niveaux de l’organisation du niveau structurel au niveau le plus opérationnel. A contrario, les grandes organisations telles que les chaines hôtelières présentent une division du travail plus marquée avec une spécialisation des niveaux d’encadrement. Ainsi, en fonction de leur situation, les cadres semblent se construire une représentation de la technologie, modelée par les limites de leur fonction, par projection dans le contexte dans lequel ils évoluent. Selon Joas (1999), cette relation constitutive entre contexte vécu et représentation orienterait les choix en matière d’adoption technologique.

2.2. Le contexte d’adoption technologique

Pour analyser le cadre contextuel, il est conseillé de considérer trois catégories de facteurs : la technologie, l’organisation et l’environnement (DePietro, Wiarda, & Fleischer, 1990). Le contexte technologique fait référence aux caractéristiques liées aux technologies déjà présentes dans l’organisation et à celles qui pourraient être adoptées, le contexte organisationnel concerne les caractéristiques de l’organisation en termes de taille de structure, de ressources, pouvant contraindre ou au contraire faciliter l’adoption. Le contexte environnemental correspond aux caractéristiques dans lesquelles l’organisation opère, telles que le secteur d’activité, les concurrents, les fournisseurs, le contexte politique et légal.

2.3.Intention d’usage et adoption de la technologie

La synthèse regroupant 30 ans d’études sur le modèle d’acceptation des technologies insiste sur la représentation de l’individu concernant l’utilité perçue et la facilité d’utilisation perçue de la technologie comme facteur explicatif de son adoption (Atarodi et al., 2018). Ces dimensions sont considérées comme prédictives de l’intention d’usage d’une technologie définie comme une « évaluation anticipée, une prédiction, des coûts et des bénéfices d’un dispositif à venir, pour un utilisateur, en référence à ses représentations et à ses croyances »(Bobillier Chaumon & Dubois, 2009). Cette approche par l’acceptabilité place les cognitions sociales (représentations, attitudes) face à une technologie comme un élément primordial pour la compréhension d’un comportement d’usage à venir. S’ils ne sont pas capables de percevoir rationnellement les bénéfices utilitaires et fonctionnels d’une nouvelle technologie, les individus auraient en effet tendance à ne pas l’adopter (Iacovou, 1995).

L’intention d’usage d’une technologie et l’engagement dans la technologie semble par ailleurs modérée par des caractéristiques personnelles et sociodémographiques (âge, niveau de formation), une trajectoire particulière (parcours de formation, évolution au poste, ancienneté), un profil technologique « technophile » ou « technophobe » (Meyer & Allen, 1984 ; Mathieu & Zajac, 1990). Les études insistent aussi sur l’importance du sentiment de sécurité du travail comme facteur d’acceptation de la technologie (Atarodi et al., 2018).

Les critères présentés et les éléments de littérature abordés nous amènent à l’énonciation de trois hypothèses.

H1. Les organisations dont le cadre manifeste un intérêt positif pour l’IA disposent de plus de technologies intelligentes que les autres.  

H2. Les managers, par rapport aux autres catégories de dirigeant, ont une représentation de l’IA plus négative en ce qui concerne les conséquences du point de vue humain et organisationnel.

H3. Les dirigeants perçoivent le contexte environnemental comme un frein à l’adoption des technologies.

3. Méthode

  3.1. Procédure et participants

L’étude ciblait les cadres évoluant dans le secteur hôtelier de la région de Bruxelles-Capitale. Les données ont été récoltées par entretien, sur base d’un large questionnaire fermé. Sur les 58 cadres 26 questionnaires nous donnent des informations détaillées sur les représentations de l’IA des cadres soit un échantillon représentatif de 17,7% sur les 141 hôtels répertoriés en 2018 par Visit.Brussels, institution officielle du tourisme de Bruxelles-Capitale.

Parmi les hôtels, 10 hôtels étaient notamment situés à Bruxelles-Ville, neuf dans une autre commune de la Région de Bruxelles-Capitale. Ils appartiennent principalement à la catégorie 3, 4 et 5 étoiles (3 étoiles 47%, 4 étoiles 32%, 5 étoiles 13%). Les structures indépendantes de type PME représentent 32% de l’échantillon et plus de la moitié font partie de l’hôtellerie de chaîne (62%). Les hôtels appartiennent aux catégories 3, 4 et 5 étoiles (3 étoiles : 47% ; 4 étoiles : 32% ; 5 étoiles : 13% ; « sans étoile » : 8%). Les structures indépendantes de type PME représentent 32% de l’échantillon et plus de la moitié font partie de l’hôtellerie de chaîne (62%).

Les cadres sont distingués en 3 groupes selon leurs missions et proximité avec l’équipe opérationnelle : le groupe 1 sont les dirigeants avec uniquement une activité de gestionnaire (15%), relativement éloignée donc de l’équipe opérationnelle, le groupe 2 sont les dirigeants-managers (D-M) présentant les activités de gestionnaire et de management d’équipe (45%) et le groupe 3 correspond aux managers qui présentent uniquement une activité de management d’équipe opérationnelle (40%). Les cadres occupent leur poste depuis moins de 10 ans. Les managers avaient surtout entre 20 et 39 ans, les dirigeants-manager entre 30 et 49 ans, les dirigeants : plus de 50 ans.

3.2. Mesures

Les variables utilisées dans cette étude concernent trois volets du questionnaire : l’adoption technologique actuelle au sein de l’organisation, la représentation des cadres à l’égard de l’IA et des technologies intelligentes, et le contexte d’usage.

3.3. Adoption technologique

    Un score d’ampleur d’adoption des technologies a été calculé sur base du nombre de technologies disponibles dans l’organisation, sur base d’une liste de 19 technologies identifiées dans la littérature (chatbot, application mobile, robotique de service, réalité virtuelle, blockchain, edge computing etc.). Cette mesure a été qualifiée d’Ampleur totale par rapport à des ampleurs par type de technologies. Cette mesure correspond au fait de posséder ou non les technologies intelligentes mentionnées.

3.3.1.  Représentations de l’IA

La représentation de l’IA par le cadre a été mesuré via plusieurs indices :

– une mesure unidimensionnelle de l’intérêt pour la technologie, échelle de Likert à 10 pas, allant de 0 « ça ne m’intéresse pas » à 10 « ça m’intéresse énormément »,  

– une mesure unidimensionnelle de l’image de l’IA, échelle de Likert à 4 pas allant de 1 « une très mauvaise image à 5 « une très bonne image »,

– une échelle multidimensionnelle, de type différenciateur sémantique, évaluant les représentations de l’IA à partir de 10qualificatifs opposés sur une échelle à 5 pas. Ainsi, le score de 5 signifie un accord total avec le qualificatif de droite dans la paire : rapide vs lent, contrôlable vs incontrôlable, intelligent vs bête, prévisible vs imprévisible, humanisant vs déshumanisant, fiable vs faillible, sécurisant vs menaçant, simple vs compliqué, progressif vs disruptif, utile vs inutile,

– une échelle multidimensionnelle portant sur les conséquences de l’adoption des technologies citées préalablement (« Selon vous, quelles pourraient être les conséquences de l’adoption des technologies citées précédemment sur votre structure ? ») – conséquences de l’IA sur l’humain et l’organisation. Les items ont été évalués sur une échelle de Likert en 5 pas (de 1= certainement pas à 5 = c’est certain). Les items portant sur les conséquences en termes humains étaient notamment : « une diminution de la charge de travail » etc.  Les items portant sur les conséquences en termes organisationnels étaient notamment : « une plus grande flexibilité de l’organisation » etc.

3.3.2. Contexte d’usage 

Une échelle multidimensionnelle portant sur les freins et facilitateurs de l’adoption des technologies (« Selon vous, quels pourraient être les freins ou facilitateurs à l’adoption ou l’implantation des technologies intelligentes au sein de la structure dans laquelle vous travaillez ? »)permettait de prendre en compte le contexte environnemental, organisationnel et technologique. Les items ont été évalués sur une échelle de Likert en cinq pas allant de 1 « pas du tout d’accord » à 5 « tout à fait d’accord ». Les items présentés étaient notamment le contexte environnemental : « la concurrence », « les règlementations en matière de protection des données ». Pour le contexte organisationnel était repris « la taille de la structure ». Pour le contexte technologique, il s’agissait surtout de questionnement sur la faisabilité des projets technologiques en lien avec les ressources internes « disponibilité en temps pour les projets technologiques », « compétences accessibles pour des projets technologiques ».

3.3.3.Résultats

Les cadres et le pouvoir décisionnel

    Le pouvoir de décision des dirigeants est plus élevé (M = 3.50) que celui des dirigeants-managers (M = 2.67) et que celui des managers (M = 2.57).

Représentation globale de l’IA

En ce qui concerne les représentations de l’IA, la Fig. 1 montre que le degré d’intérêt vis-à-vis des nouvelles technologies ne se différencie pas d’un type de cadre à l’autre. En revanche l’image des dirigeants sur l’IA est nettement plus positive.

Figure 1. Représentation globale de l’IA chez les cadres

Concernant l’ampleur, on obtient une ampleur moyenne de 10 technologies. Pour les dirigeants, l’ampleur moyenne est de 5 ; pour les dirigeants-manager elle est de 11 et de 10 pour les managers. Les organisations qui présentent une plus grande ampleur technologique sont celles pour lesquelles les cadres présentent un énorme intérêt avec un score de 9 et 10 sur l’échelle unidimensionnelle.

Représentation de l’IA, apport du différenciateur sémantique

Une analyse en composantes principales avec rotation varimax a permis d’extraire deux composantes sur base des qualificatifs de l’IA, pour un pourcentage de variance expliquée de 63,86%. La première composante concerne des représentations négatives en relation avec l’utilisation de l’IA (compliquée, chronophage, etc.), et la seconde composante concerne plutôt des représentations négatives évaluatives de l’IA (disruptive, bête, faillible). On peut observer (voir Fig. 2) que les dirigeants ont, pour les deux composantes, une vision plus négative de l’IA que les autres catégories de cadre, alors même que leur image globale était la plus positive (cf. Fig. 1).

     Figure 2. Représentation de l’utilisation de l’IA et de ses caractéristiques chez les cadres

Ce résultat nécessite de mieux comprendre le détail des représentations pour ces différents cadres. Les deux figures suivantes présentent les moyennes de réponse pour chacun des qualitatifs de chaque composante (à partir du qualificatif de droite dans la paire).  Les dirigeants trouvent l’IA plus compliquée que les autres catégories de cadres, plus chronophage, plus incontrôlable (Figure 3)

Figure 3.  Utilisation de l’IA

Les dirigeants trouvent aussi l’IA bien plus disruptive que les autres cadres, et plus faillible (Figure 4).

Figure 4. Caractéristiques de l’IA

Conséquences humaines et organisationnelles

Les principaux résultats sont présentés dans le tableau (Tableau 1). Quand il s’agit se projeter sur les conséquences humaines de l’IA, les cadres identifient difficilement l’effet potentiel sur le bien-être, l’autonomie, la charge de travail. L’analyse par statut montre que ce sont les dirigeants qui perçoivent le plus d’effets positifs humain au niveau de l’exécution du travail avec la réduction des erreurs (M = 4,33, ET = 1.16) et la diminution des tâches pénibles (M = 4,00, ET=1.00) mais aussi un reporting et un contrôle renforcé par l’usage des technologies intelligentes (M = 4,33, E.T = 0.57).

Le groupe des managers manifeste lui le risque d’une déshumanisation et de perte de lien social au travail comme une conséquence fortement probable de l’adoption de l’IA (M= 3,88 E.T = 1.126). Au niveau des attributions organisationnelles, les principaux effets sont partagés par les trois catégories de cadres autour de la réorientation des compétences des travailleurs (M = 4.11), de leur adaptabilité dans le travail allant dans le sens d’une plus grande flexibilité de l’organisation (M = 3.78). Enfin, l’IA est perçue comme un élément d’attractivité par les dirigeants par rapport à la concurrence et pour les dirigeants-manager comme une source de personnalisation et d’amélioration de la qualité du service.

En ce qui a trait au contexte, les dirigeants voient la concurrence, les ressources financières et la taille de leur structure, comme les principaux freins. Les dirigeants-manager et managers ciblent d’autres freins, les questions de sécurité des données et les instances de décision pour les dirigeants-manager, les ressources en temps pour se consacrer à des projets technologiques pour les managers. Les résultats ne font ressortir aucun facilitateur à l’adoption des technologies chez les cadres.

4. Discussion

L’objectif de cette recherche était de comprendre les différentes représentations des cadres sur l’IA. On prédisait (H1) une ampleur totale d’adoption technologique associée à l’intérêt porté par le cadre. Cette hypothèse est en partie vérifiée sur la notion d’intérêt même si l’ampleur est moins importante chez les dirigeants pour des niveaux d’intérêt semblables. Le résultat similaire obtenu au sein des structures hôtelières de chaîne permet d’élargir cette dimension attitudinale aux cadres des grandes organisations. Cependant, bien que l’on constate une image abstraite de l’IA meilleure chez les dirigeants que pour les autres cadres, l’évaluation concrète en est moins bonne. Ce résultat notamment sur le versant disruptif de la technologie permet d’expliquer l’écart d’ampleur observé entre les cadres. Cet écart est aussi lié à la compréhension du contexte environnemental perçue comme plus négative et à risque par les dirigeants (H3 validée).

La perception plus négative des managers sur les conséquences de l’IA (H2) est partiellement vérifiée pour les conséquences humaines. L’IA est surtout perçue par les managers comme une menace pour la dimension sociale et collective du travail, considérée comme facteur protecteur de santé et de bien-être (Caroly, 2016). Ce résultat peut s’expliquer par les caractéristiques des managers répondants, jeunes et mobiles au sein de l’organisation, depuis le poste de réception vers des postes de manager de réception. Ce modèle de carrière professionnelle d’abord en mobilité interne puis orienté vers d’autres formes de mobilité (Hellemans & Equeter, 2016) témoigne d’une trajectoire permettant le développement de compétences pratiques nécessaires à la production d’un service personnalisé. Selon les managers celles-ci seraient difficilement produites ou reproduites par l’IA. Ce résultat pourrait d’ailleurs expliquer que les managers ne présentent pas de véritable inquiétude par rapport au critère de continuité des emplois et de leur travail. Le critère insécurité du travail (« job insecurity ») ne semble pas ici menacer l’acceptabilité de l’IA (Atarodi & al, 2018).

D’autres part, la hiérarchisation des niveaux d’encadrement dans les chaines hôtelières pourrait être à l’origine d’une distanciation cognitive de l’encadrement gestionnaire avec le niveau d’exécution à l’origine d’une méconnaissance des prescripteurs sur les savoir-faire et compétences mobilisées dans l’action. Cette vision sur le travail s’observe également chez les dirigeants à travers une vision faillible de l’activité humaine dans laquelle l’IA viendrait renforcer la fiabilité, la sécurité et le contrôle du travail.  L’effet positif de l’IA n’est néanmoins pas partagé chez les cadres notamment sur les dimensions expressives du travail (autonomie, bien être etc.) et de réalisation de ce dernier (charge de travail etc.).

Au niveau des conséquences organisationnelles, les cadres partagent la nécessité d’une réorientation des compétences, de nouveaux parcours métiers tournés vers plus de polyvalence. Ils ne voient pas l’IA comme un moyen de substitution du travail. On retrouve plutôt le souci d’un accompagnement du changement technologique par des changements organisationnels respectueux de la complémentarité des capacités humaines et de l’IA (Zouinar, 2020).

Cette étude a permis d’apporter un éclairage sur les différences de représentations des cadres. Des écarts notables entre représentation générale de l’IA et représentations détaillées peuvent trouver une explication par le parcours professionnel en mobilité interne des managers, leur proximité avec les équipes opérationnelles, des freins contextuels perçus comme plus nombreux pour les dirigeants malgré un pouvoir décisionnel plus large.

     Il serait pertinent d’élargir cette étude à d’autres niveaux d’encadrement car le contexte vécu diffère d’un cadre à l’autre et les jeux d’acteur dans une organisation relèvent d’un processus mutuel d’influence (Crozier & Friedberg, 1977) touchant à la subjectivité et la rationalité des acteurs.

Ainsi, la poursuite de nos études sur l’adoption des TI dans les secteurs touristiques consistera en des analyses pratiques et situées des technologies intelligentes par les travailleurs intégrant une dimension compréhensive du rôle tenu par les managers dans le changement technologique pour comprendre l’écart entre adoption et usages effectifs de la technologie (Medzo-M’engone, 2018).

Nos résultats témoignent d’un contexte précédant la crise du covid-19. Une réévaluation du contexte dans une visée comparative et inclusive est nécessaire à la vue de l’impact sur l’écosystème touristique bruxellois.

Références 

Aldebert, B., & Gueguen, G. (2013). TIC et performance : Rôle du dirigeant de PME touristiques. Revue internationale PME, 26(3‑4), 213–233.

Autissier, D. & Vandangeon-Derumez, I. (2007). Les managers de première ligne et le changement. Revue française de gestion, 174(5), 115-130.

Atarodi S, Berardi A-N, Toniolo A-M (2018). Le modèle d’acceptation des technologies depuis 1986 : 30 ans de développement. Psychologie du travail et des organisations, Elsevier Masson,

Bobillier-Chaumon, M., & Dubois, M. (2009). L’adoption des technologies en situation professionnelle : quelles articulations possibles entre acceptabilité et acceptation ? Le travail humain, 72(4), 355-382.

DePietro, R., Wiarda, E. & Fleischer, M. (1990). Le contexte du changement : organisation, technologie et environnement. In: Tornatzky, LG & Fleischer, M. (Eds), The Process of Technological Innovation, (pp. 151-175). Lexington, MA: Lexington Books.

Caroly, S. (2016). Collectif de travail. In : G. Valléry (Ed.). Psychologie du Travail et des Organisations : 110 notions clés (pp. 101-104). Paris: Dunod.

Cascio, W. F., & Montealegre, R. (2016). How technology is changing work and organizations. Annual Review of Organizational Psychology and Organizational Behavior, 3, 349-375

COE, Conseil d’orientation pour l’emploi (2017), Automatisation, numérisation et emploi. Tome 1 : les impacts sur le volume, la structure et la localisation de l’emploi. Rapport de recherche, janvier 2017, Paris : COE.

Crozier M., Friedberg, E. (1977). L’acteur et le système. Paris :  Seuil.

Frey, C. B., & Osborne, M. A. (2017). The future of employment: how susceptible are jobs to computerisation?. Technological Forecasting and Social Change, 114, 254-280.

Hellemans, C., & Equeter, E. (2016). Mobilité professionnelle. Dans : G. Valléry (Ed.), Psychologie du Travail et des Organisations : 110 notions clés (pp. 299-302). Paris : Dunod.

Iacovou C.L., Bensabat I., Dexter A.S. (1995). Electronic Data Interchange and Small Organizations: Adoption and Impact of Technology. MIS Quarterly, 19(4), 465-485

Ivanov, S.Webster, C. (2019), « Conceptual Framework of the Use of Robots, Artificial Intelligence and Service Automation in Travel, Tourism, and Hospitality Companies », Dans :  Ivanov, S. and Webster, C. (Ed.) Robots, Artificial Intelligence, and Service Automation in Travel, Tourism and Hospitality, Emerald Publishing Limited, pp. 7-37.

Joas, H. (1999). La créativité de l’agir, Paris : Éditions du CERF.

Lukanova, G. and Ilieva, G. (2019) Robots, Artificial Intelligence and Service Automation in Hotels. Dans :  S. Ivanov and C. Webster (eds.), Robots, Artificial Intelligence, and Service Automation in Travel, Tourism, and Hospitality. Bingley: Emerald Publishing  Limited,  pp.157-183. 

Manyika J. et al. (2017). A future that works automation, employment and productivity. Washington : McKinsey Global Institute.

Mathieu, J.E. & Zajac, D.M. (1990). Un examen et une méta-analyse des antécédents, des corrélats et des conséquences de l’engagement organisationnel. Bulletin psychologique, 108 (2), 171–194.

Medzo-M’engone, J., Préau, M., & Bobillier-Chaumon, M.E., (2018). Changements technologiques, TIC et santé psychologique au travail :  une revue de la littérature. Psychol.fr.

Meyer, J. P. et Allen, N. (1984).  Tester la « théorie du pari parallèle » de l’engagement organisationnel : quelques considérations méthodologiques. Journal of Applied Psychology, 69, 372-378.

Murphy, J., Hofacker C., Gretzel U., (2017) Dawning of the Age of Robots in Hospitality and Tourism: Challenges for Teaching and Research. European Journal of Tourism Research, 15, 104-111.

Solnet, D., Baum, T., Robinson, R. N., & Lockstone-Binney, L. (2016). What about the workers? Roles and skills for employees in hotels of the future. Journal of Vacation Marketing, 22(3), 212-226.

Zouinar, M. (2020) « Évolutions de l’Intelligence Artificielle : quels enjeux pour l’activité humaine et la relation Humain‑Machine au travail ? Activités, 17(1).

Valenduc G., & Vendramin P. (2019). L’évaluation des impacts de la digitalisation sur le travail et l’emploi, changements et continuités. Dans : Vandenberghe, V., Bughin, J., Dhyne, E., Jousten, A., Volral, M., van Zeebroeck, N. (Dir.). L’emploi et ses nouveaux défis : vieillissement, digitalisation, migration et (dé)mondialisation, Actes du 23e Congrès des économistes, Charleroi : Université Ouverte de la Fédération Wallonie-Bruxelles. 

Categories:

Tags:

2 Responses

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Catégories