L'algorithme secret d'Amazon vous a volé 1 milliard de dollars — et l'IA de votre entreprise pourrait être la prochaine

J'étais assis dans la salle de conférence d'un client fin 2024 lorsque leur VP du Pricing a affiché un tableau de bord et a dit, avec une fierté sincère : « Nous avons tout automatisé. L'algorithme s'occupe de tout. »

Je lui ai posé une seule question : « Pouvez-vous me dire exactement pourquoi il a fixé ce prix sur ce produit hier ? »

Silence. Pas celui de la réflexion. Celui où quelqu'un réalise qu'il conduit une voiture sans savoir où se trouvent les freins.

Ce moment ne cesse de repasser dans ma tête à cause de ce que nous savons désormais du Projet Nessie d'Amazon — un algorithme de pricing secret qui a extrait plus de 1 milliard de dollars de profits excédentaires en prédisant quand les concurrents suivraient les hausses de prix d'Amazon, puis en augmentant délibérément les prix pour déclencher cette réaction. Pas un bug. Pas une conséquence involontaire. Une fonctionnalité. Et la Federal Trade Commission traduit Amazon en justice pour cela en octobre 2026.

Voici ce qui me dérange le plus : le VP dans cette salle de conférence ne faisait rien d'inhabituel. Il faisait ce que des milliers d'entreprises font en ce moment même — confier à des systèmes d'IA opaques des décisions à enjeux élevés qu'elles ne peuvent ni expliquer, ni auditer, ni contrôler. Et le monde réglementaire s'apprête à rendre cette confiance extrêmement coûteuse.

Comment vole-t-on 1 milliard de dollars sans que personne ne s'en aperçoive ?

Le Projet Nessie a fonctionné de 2014 à 2019. Ce n'était pas un simple outil d'alignement des prix. C'était un moteur de manipulation du marché déguisé en logiciel d'optimisation.

Voici comment il fonctionnait. Les robots d'exploration web d'Amazon surveillaient en temps réel des millions de points de prix sur Internet — Walmart, Target, chaque détaillant doté d'un site web. La plupart de ces concurrents utilisaient un pricing simple, fondé sur des règles : « Si Amazon descend à 19,99 $, alignez-vous. » Du donnant-donnant. Simple et direct.

Nessie a reconnu ce schéma et l'a exploité. L'algorithme calculait la probabilité qu'un concurrent suive une hausse de prix d'Amazon. Quand la confiance était élevée, Amazon augmentait délibérément le prix. L'algorithme stupide du concurrent s'alignait docilement. Amazon maintenait le prix gonflé. Profit capté.

Et si le concurrent ne suivait pas ? Nessie ramenait automatiquement le prix à son niveau initial. Ni vu ni connu — sauf qu'Amazon venait de tester le plafond de ce que le marché était prêt à supporter.

L'algorithme d'Amazon ne s'est pas entendu avec ses concurrents dans une pièce enfumée. Il s'est entendu par le code — en prédisant leurs réactions automatisées et en les exploitant avec une régularité d'horloge.

L'échelle était vertigineuse. Nessie aurait fixé les prix de plus de 8 millions d'articles individuels. Des documents internes montrent que la direction d'Amazon a activé et désactivé l'algorithme au moins huit fois, l'activant stratégiquement pendant les périodes de fort trafic, quand l'extraction était la plus rentable. En privé, des dirigeants qualifiaient des pratiques connexes de « douteuses » et de « cancer tacite ». Ils ont continué à l'utiliser malgré tout.

La nuit où j'ai compris ce que signifie vraiment « collusion implicite »

Je me souviens du soir précis où cela a fait tilt pour moi. Mon équipe et moi passions en revue une étude de Carnegie Mellon sur les interactions de pricing algorithmique — le genre d'article qu'on lit à 23 h avec trop de café et un sentiment d'effroi grandissant.

Les chercheurs avaient simulé ce qui se passe quand un agent sophistiqué d'apprentissage par renforcement affronte des systèmes de pricing simples, fondés sur des règles. L'agent RL n'avait pas besoin de communiquer avec ses concurrents. Il n'avait pas besoin d'un accord secret. Il a simplement appris qu'augmenter les prix était plus rentable que les baisser, parce que les autres algorithmes suivraient. À chaque fois.

Le résultat : les prix ont grimpé partout. Le surplus du consommateur — le terme économique pour « des gens qui obtiennent des offres équitables » — s'est effondré.

Je me suis tourné vers mon cofondateur et j'ai dit quelque chose comme : « Ce n'est pas un bug dans le système. C'est ce que le système fait quand on le laisse optimiser sans contraintes. »

C'est là le problème fondamental du Projet Nessie, et c'est le problème fondamental de la plupart des déploiements d'IA en entreprise que je vois aujourd'hui. L'algorithme a fait exactement ce pour quoi il avait été conçu. Il a maximisé le profit. Il l'a simplement fait d'une manière qui, selon l'issue du procès d'octobre 2026, pourrait constituer une méthode de concurrence déloyale au sens de la Section 5 de la loi sur la FTC.

Le droit antitrust traditionnel exige la preuve d'une « rencontre des volontés » — des concurrents s'accordant pour fixer les prix. Mais que se passe-t-il quand l'accord est implicite, encodé dans le comportement prévisible d'algorithmes qui interagissent ? C'est la question à laquelle le procès de la FTC répondra, et ses implications dépassent de loin le seul cas d'Amazon.

Pourquoi 2026 est-elle l'année où tout change ?

Le paysage juridique de la prise de décision algorithmique évolue plus vite que la plupart des entreprises ne le réalisent. Je suis cela de près parce que nos clients ont besoin de comprendre ce qui arrive, et ce qui arrive est un mur de réglementation.

Le Cartwright Act amendé de la Californie, entré en vigueur en janvier 2026, cible spécifiquement les « algorithmes de pricing communs » — des outils utilisés par deux concurrents ou plus qui intègrent des informations sur les concurrents pour influencer les prix. La loi interdit explicitement d'utiliser ces outils pour s'entendre. Plus important encore, elle abaisse le seuil de recevabilité pour les plaignants. Vous n'avez plus besoin de prouver que les concurrents n'auraient pas pu agir indépendamment. Il vous suffit de montrer qu'ils ont utilisé le même outil et que les prix ont augmenté.

Réfléchissez à ce que cela signifie pour toute entreprise qui recourt à un prestataire tiers de pricing dynamique.

L'AI Act du Colorado, entré en vigueur en juin 2026, exige des évaluations d'impact de « diligence raisonnable » pour les systèmes d'IA à haut risque — y compris ceux qui influencent significativement les décisions de prix, de crédit et d'emploi. Les développeurs doivent documenter les risques, les limites et le potentiel de résultats discriminatoires.

La loi sur la transparence de l'État de New York oblige les entreprises à afficher un avertissement lorsque des algorithmes utilisent des données personnelles pour des décisions de prix. L'ère du pricing algorithmique invisible touche à sa fin.

Et puis il y a le procès de la FTC lui-même. Si le tribunal juge que l'incitation prédictive d'Amazon — augmenter délibérément les prix pour déclencher l'alignement des concurrents — constitue une méthode de concurrence déloyale, cela crée un précédent qui pourrait s'appliquer à toute entreprise dont l'IA influence les prix du marché.

Si vous ne pouvez pas expliquer pourquoi votre algorithme a pris une décision précise, vous ne pouvez pas défendre cette décision devant un tribunal. Et en 2026, on vous le demandera de plus en plus.

J'ai écrit sur l'ensemble du calendrier réglementaire et ses implications techniques dans notre analyse interactive — il vaut la peine d'en comprendre les détails si votre entreprise touche de près ou de loin au pricing algorithmique.

Le piège de la Buy Box dont personne ne parle

Il y a une dimension de l'histoire de Nessie qui reçoit moins d'attention mais qui compte énormément pour comprendre comment le pouvoir algorithmique se démultiplie.

Amazon ne s'est pas contenté d'augmenter les prix. Il a imposé ces prix à travers tout Internet.

Amazon entretenait un groupe dédié de surveillance des prix qui surveillait les vendeurs tiers sur sa marketplace. Si un vendeur proposait un produit moins cher sur son propre site web ou sur une plateforme rivale, Amazon le privait de l'accès à la Buy Box — l'interface où 98 % des ventes d'Amazon se produisent.

Le message était clair : votre prix sur Amazon est votre prix minimum partout. Faites une remise ailleurs et perdez votre principal canal de revenus.

Cela créait un prix plancher qui étendait le pouvoir de pricing algorithmique d'Amazon bien au-delà de sa propre plateforme. Les vendeurs ne pouvaient pas casser les prix d'Amazon, même sur leurs propres sites web. Les concurrents ne pouvaient pas gagner de parts de marché en proposant des prix plus bas, parce que l'offre était verrouillée.

J'y pense chaque fois que quelqu'un me dit « le marché s'autocorrigera ». Le marché ne peut s'autocorriger que lorsque les participants sont libres de se concurrencer. Quand un algorithme contrôle à la fois le prix et le mécanisme d'application, vous n'avez pas un marché. Vous avez un système.

Pourquoi votre « wrapper » d'IA est une responsabilité qui ne demande qu'à survenir

C'est ici que cela devient personnel pour moi, car c'est le problème auquel je consacre le plus clair de mon temps à essayer de résoudre.

La majorité des déploiements d'IA en entreprise que je rencontre suivent le même schéma : prendre une API publique — GPT-4, Claude, ce qui est en vogue — l'envelopper d'une fine couche applicative, entasser des règles métier dans un prompt gigantesque, et appeler cela « propulsé par l'IA ». Le livrer. Passer à autre chose.

J'appelle cela le piège du wrapper, et j'ai vu des entreprises intelligentes s'y précipiter tout droit.

Un client — que je ne nommerai pas, mais qui est dans le retail — avait construit tout son système de pricing dynamique comme un wrapper autour d'un LLM public. Le prompt était énorme. Il contenait des règles de prix, des données concurrentes, des objectifs de marge, des ajustements saisonniers. Le système fonctionnait... la plupart du temps. Quand ce n'était pas le cas, personne ne pouvait expliquer pourquoi. Quand le fournisseur du modèle poussait une mise à jour, les sorties variaient de façon imprévisible. Quand leur équipe juridique demandait une traçabilité d'audit des décisions de prix, l'équipe d'ingénierie se contentait de les fixer du regard.

Je me souviens d'être assis avec leur CTO après une semaine particulièrement mauvaise où le système avait généré des recommandations de prix qui, si elles avaient été mises en œuvre, auraient beaucoup ressemblé au genre de comportement coordonné que la FTC enquêtait dans l'affaire Amazon. Pas intentionnellement. Pas malicieusement. Le modèle avait simplement appris, à partir de ses données d'entraînement, des schémas qui produisaient par hasard des sorties d'apparence collusoire.

« Nous ne pouvons pas prouver qu'il ne faisait pas de collusion », m'a dit le CTO. « Et selon les nouvelles règles de la Californie, cela pourrait suffire à nous faire poursuivre. »

Il avait raison.

Les problèmes structurels des wrappers vont au-delà de la conformité :

Vous ne pouvez pas auditer une boîte noire. Quand le modèle sous-jacent est contrôlé par un tiers, vous ne pouvez pas prouver pourquoi une décision de prix précise a été prise. Selon l'AI Act du Colorado, vous devrez le faire.

Vous ne pouvez pas garantir la cohérence. De légers changements dans le prompt, ou des mises à jour invisibles du modèle par le fournisseur de l'API, peuvent produire des sorties radicalement différentes. Essayez d'expliquer cela à un régulateur.

Vous n'avez aucun avantage concurrentiel défendable. Si votre « solution d'IA » est un prompt vers GPT-4, n'importe quel concurrent peut la reproduire en un jour. Et quand Google et Microsoft intégreront ces capacités nativement dans leurs plateformes, les wrappers autonomes deviendront redondants du jour au lendemain.

Vous n'êtes pas propriétaire de votre intelligence. Vos données de marché les plus sensibles — stratégies de prix, analyse concurrentielle, objectifs de marge — transitent par les serveurs de quelqu'un d'autre. Dans un monde aux exigences croissantes de souveraineté des données, ce n'est pas seulement risqué. C'est négligent.

Ce que nous avons construit à la place (et pourquoi ce fut plus difficile que prévu)

Chez Veriprajna, nous avons emprunté un autre chemin. Nous l'appelons Deep AI, et je serai honnête — c'est nettement plus difficile à construire qu'un wrapper. Il y a eu des moments où je me suis demandé si le marché se soucierait même de la différence.

L'idée centrale est l'intelligence souveraine : la pile d'inférence complète déployée sur l'infrastructure propre du client. Aucune donnée ne quitte le périmètre de l'entreprise. Le « cerveau » de l'IA fonctionne sur du matériel que le client contrôle.

Nous utilisons des modèles open source haute performance — Llama 3, Mistral — orchestrés via une conteneurisation sécurisée. Inférence locale. Aucune rétention de données par un tiers. Aucune latence d'API externe.

Mais le modèle n'est que le début. Le véritable défi d'ingénierie réside dans ce qui l'entoure.

Nous avons construit ce que nous appelons RAG 2.0 — une génération augmentée par récupération qui crée un « cerveau sémantique » à partir des documents propriétaires, des journaux et des données opérationnelles d'une entreprise. Point crucial, notre système de récupération tient compte du RBAC. Il respecte les contrôles d'accès existants de l'organisation. Si un employé ne peut pas consulter un document dans SharePoint, l'IA ne peut pas non plus le récupérer. Cela paraît évident. Presque aucun système fondé sur un wrapper ne le fait.

Puis il y a l'architecture multi-agents. Au lieu de tout entasser dans un unique prompt gigantesque — l'approche « prier et prompter » — nous décomposons les tâches complexes en agents spécialisés. Un agent de planification décide du flux de travail. Un agent d'ingénierie du contexte extrait les signaux pertinents de données volumineuses. Un agent de conformité valide chaque sortie au regard des exigences réglementaires avant qu'elle n'atteigne l'utilisateur. Un agent de vérification contrôle l'exactitude.

Je me souviens d'une vive dispute avec l'un de mes ingénieurs à propos de savoir si l'agent de conformité valait la latence qu'il ajoutait. Sa position : « Les utilisateurs veulent de la vitesse. Nous ajoutons 200 millisecondes pour une vérification qui se déclenche à chaque requête. » Ma position : « Une seule recommandation de prix non conforme qui finit dans un dossier judiciaire coûtera plus cher que chaque milliseconde que nous ayons jamais économisée. » Nous avons gardé l'agent de conformité.

Les entreprises qui gagneront la prochaine décennie ne sont pas celles qui ont les prompts les plus astucieux. Ce sont celles qui traitent l'IA comme une discipline d'ingénierie sérieuse, bâtie sur des données qu'elles possèdent et en lesquelles elles ont réellement confiance.

Pour l'architecture technique complète — les composants spécifiques, les schémas d'orchestration, les couches de gouvernance — j'ai tout documenté dans notre analyse technique approfondie.

Que se passe-t-il quand les algorithmes se mettent à raisonner ?

La prochaine vague arrive déjà, et elle rend tout ce que j'ai décrit encore plus urgent.

Les systèmes d'IA actuels font passer une entrée une seule fois à travers un réseau de neurones et renvoient un résultat. Le paradigme émergent — ce que les chercheurs appellent l'IA de raisonnement — utilise un calcul supplémentaire au moment de l'inférence pour réfléchir. Le modèle simule plusieurs actions potentielles et leurs conséquences avant de s'engager dans une décision. Il planifie plusieurs coups à l'avance, comme un moteur d'échecs appliqué à la stratégie d'entreprise.

Dans un scénario de pricing, un agent d'IA de raisonnement ne se contente pas de prédire le prochain prix probable. Il simule comment les concurrents pourraient réagir à une hausse de prix, modélise les effets de second et de troisième ordre, et ajuste sa stratégie en temps réel. Il peut faire marche arrière sur des trajectoires sous-optimales avant même qu'elles ne soient mises en œuvre.

C'est une capacité extraordinaire. C'est aussi un risque extraordinaire. Car une IA capable de raisonner sur les réactions des concurrents est une IA capable, de par sa conception, de se livrer exactement au genre d'incitation prédictive qui a valu à Amazon ses ennuis.

La différence entre « optimisation » et « manipulation » devient infiniment ténue quand l'algorithme est assez intelligent pour modéliser tout le paysage concurrentiel et choisir la voie qui maximise l'extraction.

C'est pourquoi la gouvernance ne peut pas être une réflexion après coup. Elle doit être intégrée à l'architecture dès le premier jour — non pas comme une case à cocher de conformité, mais comme une contrainte structurelle sur ce que le système est autorisé à faire.

Comment construire une IA capable de se défendre devant un tribunal ?

On me pose constamment cette question, généralement formulée ainsi : « comment rendre notre IA conforme ? » Je pense que c'est la mauvaise question. La conformité est un seuil minimal. La bonne question est : comment construire une IA que vous seriez à l'aise d'expliquer à un juge, ligne par ligne, décision par décision ?

Le NIST AI Risk Management Framework nous donne un vocabulaire pour cela. Il définit sept caractéristiques d'une IA digne de confiance : sûre, sécurisée, explicable, respectueuse de la vie privée, équitable, responsable et valide. Mais les cadres ne se mettent pas en œuvre tout seuls.

Ce que j'ai appris en construisant ces systèmes, c'est que trois choses comptent plus que tout le reste :

Premièrement, ne laissez jamais l'algorithme être le décideur final sur des choix à enjeux élevés. L'humain dans la boucle n'est pas un mot à la mode. C'est un bouclier juridique. Quand un régulateur demande « qui a décidé d'augmenter ce prix ? », « notre algorithme » est la pire réponse possible. « Notre équipe de pricing, éclairée par des recommandations algorithmiques qu'elle a examinées et approuvées » est défendable.

Deuxièmement, auditez de manière proactive à la recherche de schémas collusoires. N'attendez pas que la FTC frappe à votre porte. Faites tourner régulièrement votre algorithme de pricing dans des environnements concurrentiels simulés. S'il converge systématiquement vers des prix plus élevés lorsqu'il affronte d'autres algorithmes, vous avez un problème — et vous voulez le découvrir avant qu'un avocat de plaignant ne le fasse.

Troisièmement, soyez propriétaire de votre pile. Si votre IA fonctionne sur l'infrastructure de quelqu'un d'autre, utilise le modèle de quelqu'un d'autre, et que vous ne pouvez pas accéder aux poids, aux données d'entraînement ou à la logique de décision, vous n'avez pas de système d'IA. Vous avez une dépendance à un fournisseur assortie d'un risque juridique existentiel.

La question à 1 milliard de dollars

Le Projet Nessie d'Amazon a extrait 1 milliard de dollars aux consommateurs grâce à un algorithme qui prédisait et exploitait le comportement des concurrents. La direction interne de l'entreprise savait que c'était problématique. Ils l'ont utilisé malgré tout, parce que l'économie de la chose était irrésistible.

Le procès d'octobre 2026 déterminera si cette extraction était illégale. Mais pour chaque entreprise qui déploie de l'IA dans le pricing, la chaîne d'approvisionnement, le prêt, ou tout autre domaine où les décisions algorithmiques affectent les marchés et les consommateurs, le verdict n'a presque pas d'importance. La surveillance est déjà là. La Californie, le Colorado et New York ont déjà adopté des lois. La FTC enquête déjà. La norme juridique de ce qui constitue une responsabilité algorithmique se resserre en temps réel.

J'ai fondé Veriprajna parce que je croyais que l'écart entre ce que l'IA peut faire et ce que l'IA devrait faire allait devenir le problème d'affaires déterminant de la décennie. Le Projet Nessie a prouvé que cet écart peut valoir un milliard de dollars de responsabilité. Les entreprises qui le comblent — en construisant une IA qu'elles possèdent, comprennent et peuvent défendre — n'éviteront pas seulement l'exposition juridique. Elles bâtiront le genre de confiance avec les régulateurs, les clients et les marchés qui devient un avantage concurrentiel inattaquable.

L'algorithme le plus dangereux n'est pas celui qui se trompe. C'est celui qui est rentable d'une manière que vous ne pouvez pas expliquer.