Votre algorithme de tarification, ce sont deux procès, pas un — et la plupart des entreprises n'en défendent qu'un

Le premier moteur de tarification que mon équipe a audité a passé le contrôle sans encombre.

Nous avions construit un scanner d'équité — la chose évidente. On le pointe vers un algorithme de tarification, on vérifie si le modèle utilise la race, le genre, l'âge, une quelconque catégorie protégée comme intrant, et on le signale le cas échéant. Nous l'avons exécuté sur la pile de personnalisation d'un détaillant de moyenne gamme et il est revenu au vert. Aucun champ protégé. Rien à signaler.

J'ai failli envoyer le rapport. Puis j'ai sorti le graphique d'importance des variables du modèle — la liste classée des intrants qui faisaient réellement bouger le prix — et le troisième signal le plus fort était device_type. En dessous : le code postal. En dessous encore, l'heure de la journée à laquelle la session avait commencé.

L'algorithme n'avait jamais vu la race ni le revenu. Il n'en avait pas besoin. Un utilisateur naviguant sur un téléphone Android plus ancien, depuis un code postal à faibles revenus, à 23 h, obtenait systématiquement des prix différents de ceux d'un utilisateur d'iPhone dans une banlieue aisée à 14 h. Et les données du recensement vous diront exactement ce à quoi ces regroupements d'intrants sont corrélés. Notre scanner disait « conforme ». Une régression d'impact disparate aurait dit « indéfendable ». Nous avions construit un outil qui vérifiait le crime que plus personne ne commet.

C'est à ce moment-là que j'ai compris ce qu'est la conformité de la tarification par IA en réalité, et pourquoi presque tout le monde se trompe.

En 2025, la FTC a perçu 2,56 milliards de dollars auprès de deux entreprises, et elles n'ont pas été poursuivies pour la même chose

Voici le chiffre qui devrait être inscrit sur un tableau blanc dans le bureau de chaque directeur juridique du commerce électronique. En une seule année, la Federal Trade Commission a réglé des affaires de tarification algorithmique avec Instacart pour 60 millions de dollars et avec Amazon pour 2,5 milliards de dollars. Des entreprises différentes, des comportements différents, des théories juridiques différentes — et cette distinction, c'est tout l'enjeu.

L'affaire Instacart portait sur la discrimination. Son outil de tarification Eversight a mené des expériences qui produisaient jusqu'à cinq prix différents pour le même article dans le même magasin, avec une variation atteignant 23 %. Les trois quarts du catalogue étaient soumis à une variation de prix algorithmique. Le règlement de la FTC ne dépendait pas de la preuve qu'Instacart avait l'intention de faire payer davantage les acheteurs plus modestes. Il dépendait du résultat : certains profils de consommateurs payaient systématiquement plus, pour un montant estimé à 1 200 $ par foyer et par an.

L'affaire Amazon portait sur la collusion. Project Nessie a extrait un profit excédentaire estimé à 1,4 milliard de dollars en prédisant quand les concurrents suivraient une hausse de prix, puis en augmentant les prix de plus de 8 millions d'articles. Il n'y a eu aucune réunion, aucun accord, aucun appel téléphonique entre dirigeants. Juste un algorithme qui avait appris que la plupart des concurrents appliquaient des règles de tarification du tac au tac, et qui l'a exploité. Le procès antitrust, FTC v. Amazon, est prévu pour octobre 2026 et vérifiera si la collusion tacite par algorithme enfreint l'article 5 du FTC Act.

Un seul moteur de tarification. Deux fronts répressifs. La plupart des entreprises bâtissent une défense pour l'un et ne voient jamais l'autre arriver.

C'est le piège. Une équipe de tarification entend « conformité » et se rabat sur une bannière de divulgation — la réponse de la protection des consommateurs. Ou elle entend « antitrust » et appelle un cabinet d'avocats pour une note. Presque personne ne regarde l'unique algorithme en production et ne se pose les deux questions à la fois : ce résultat est-il discriminatoire, et y a-t-il collusion ?

Découvrez ce que nous avons construit pour les deux fronts →

Pourquoi l'instinct de la bannière de divulgation est un piège

Pendant environ une semaine, au début, j'étais convaincu que tout ce problème n'était qu'un exercice d'interface utilisateur.

New York venait d'adopter son Algorithmic Pricing Disclosure Act, en vigueur en novembre 2025 — une « divulgation claire et visible » chaque fois que les prix utilisent des données personnelles des consommateurs, 1 000 $ par infraction. Cela ressemblait à un problème de bannière de cookies. Coller un avis sur la page, enregistrer le consentement, terminé. J'avais une ébauche du texte de divulgation annotée et prête.

Puis j'ai lu les amendements au Cartwright Act de Californie, et l'idée de la bannière s'est effondrée.

Les AB 325 et SB 763 de Californie, en vigueur en janvier 2026, se moquent de votre divulgation. Elles érigent en responsabilité légale le fait d'utiliser un « algorithme commun » — défini comme celui utilisé par deux parties ou plus pour influencer les prix à l'aide d'informations sur les concurrents. Elles ont abaissé le niveau d'exigence des allégations, si bien qu'un demandeur n'a plus à écarter l'hypothèse d'une action indépendante simplement pour survivre à une requête en irrecevabilité. Et elles ont porté l'amende pour l'entreprise au plus élevé de 6 millions de dollars ou du double du gain, avec des dommages-intérêts triplés et les honoraires d'avocat dans les poursuites privées. Aucune bannière au monde ne vous permettra de vous en sortir par une simple divulgation. Le risque ne réside pas dans ce que vous dites au consommateur ; il réside dans ce que votre algorithme partage, directement ou via un fournisseur, avec le reste du marché.

Ce fut le véritable tournant pour nous. La divulgation est le plancher du front de la protection des consommateurs. Le front de la collusion s'étend en dessous, selon une physique complètement différente, et le plus dangereux, c'est que vous pouvez le déclencher via un fournisseur que vous n'aviez jamais envisagé comme un risque.

Le problème du fournisseur : votre logiciel de tarification pourrait être votre responsabilité

Si vous prenez une licence pour un outil de tarification tiers — Pricefx, PROS, Zilliant, Competera — vous avez externalisé votre optimisation. Vous n'avez pas externalisé votre responsabilité. Vous l'avez peut-être importée.

La Cour d'appel du neuvième circuit a tracé la ligne dans l'affaire Gibson v. Cendyn en août 2025, la première décision d'appel fédérale sur l'antitrust en matière de tarification algorithmique. La bonne nouvelle : souscrire indépendamment au même algorithme de tarification que votre concurrent n'est pas, en soi, illégal. La mauvaise nouvelle, ce sont les trois conditions qui font sauter la sphère de sécurité. Vous perdez la protection lorsque l'outil met en commun des données non publiques sensibles sur le plan concurrentiel entre les clients, lorsque le fournisseur vante sa capacité à « augmenter les prix à l'échelle du secteur », ou lorsqu'il facilite l'échange de données de concurrents non anonymisées. Le même fournisseur, c'est acceptable. Le même fournisseur qui met en commun les chiffres en temps réel de vos concurrents dans le modèle qui fixe les prix de votre catalogue expose à une responsabilité pour entente « en étoile » (hub-and-spoke), même si vous n'avez jamais parlé à un concurrent.

Ainsi, l'une des premières questions que je pose désormais à tout client n'est pas « que fait votre modèle de tarification » mais « avez-vous lu l'avenant de traitement des données de votre fournisseur ? ». Car la clause qui autorise discrètement la mise en commun des données entre clients, c'est là que réside le risque antitrust, et elle se cache trois niveaux plus bas dans un contrat que le service juridique a signé et que l'équipe de tarification n'a jamais vu.

C'est aussi là qu'intervient l'étude 6(b) de la FTC sur la tarification de surveillance. En 2024, elle a envoyé des injonctions à huit entreprises — dont Mastercard, PROS, Accenture et McKinsey — pour savoir comment elles utilisent les données des consommateurs afin de fixer les prix. Certaines des plateformes de tarification les plus répandues sont citées dans cette étude. Leur algorithme peut être votre responsabilité, et « nous avons juste acheté le logiciel » n'a jamais été une défense.

Qu'exige réellement le décret de consentement RealPage ?

Le document le plus instructif de tout ce domaine n'est pas une loi. C'est le décret de consentement RealPage du DOJ de novembre 2025, et la raison pour laquelle il compte pour le commerce électronique — même si RealPage est une affaire de logement locatif — c'est qu'il s'agit de la première fois qu'un régulateur a décrit, avec des détails techniques, à quoi ressemble un algorithme de tarification conforme.

J'en garde une copie imprimée. Les gros titres disaient « le DOJ sévit contre les logiciels de fixation des loyers ». Mais le vrai mordant, c'est une spécification d'ingénierie :

• Aucun entraînement sur des données de bail datant de moins de 12 mois — le modèle ne peut pas réagir aux signaux de marché en temps réel provenant des concurrents.
• Aucune analyse géographique plus fine que le niveau de l'État — pas de regroupement en sous-marchés pour repérer le pouvoir de fixation des prix.
• Les garde-fous « régulateurs » — les planchers et les plafonds sur ce que l'algorithme peut recommander — doivent être symétriques, de sorte que l'outil ne puisse pas être discrètement réglé pour ne pousser les prix qu'à la hausse.
• Les fonctions d'acceptation automatique exigent des paramètres définis par l'utilisateur, un délai de mise en œuvre de 180 jours et un responsable de la conformité antitrust dédié pour un mandat de sept ans.

Le décret RealPage est ce qui se rapproche le plus d'un régulateur qui vous remet la fiche technique d'un algorithme défendable. La plupart des entreprises ont lu le communiqué de presse et sont passées à côté du plan directeur.

La première fois que j'ai lu cela, ma réaction a été que le gouvernement venait de réaliser la moitié de ma feuille de route produit gratuitement. Des régulateurs symétriques, des exigences de vieillissement des données, des planchers géographiques — ce ne sont pas des abstractions juridiques. Ce sont des contraintes que l'on peut implémenter, tester et prouver. C'est la différence entre une note de conformité et un système de conformité.

Le problème forensique que personne ne budgétise

Observez ce qui se passe réellement lorsqu'une demande d'enquête civile (civil investigative demand) de la FTC atterrit sur le bureau d'une équipe de tarification, avec son délai de production de 30 jours.

Elles ne peuvent pas y répondre. Non pas parce qu'elles sont coupables — mais parce qu'elles n'ont jamais journalisé les bonnes données. Elles peuvent vous dire quel prix l'algorithme a fixé mardi dernier, mais pas pourquoi : quels intrants ont déterminé ce prix précis, si l'écart entre les segments d'utilisateurs était corrélé à quoi que ce soit de protégé, si le chiffre d'un concurrent a influencé le résultat. Elles passent donc six à douze mois en extraction forensique de données, à reconstituer des décisions que le système a prises des milliers de fois par seconde et n'a jamais enregistrées.

C'est la partie que je trouve véritablement injuste envers les bonnes entreprises. Un détaillant peut appliquer une stratégie de tarification parfaitement défendable et être malgré tout incapable de le prouver, car le prouver exige une fiche de modèle (model card) pour chaque prix — un journal horodaté des intrants utilisés, du résultat obtenu et de la manière dont il a été testé contre des variables indirectes démographiques — et personne ne construit cela avant que la demande n'arrive.

Nous avons commencé par concevoir en fonction de la demande. La piste d'audit comme résultat de premier ordre de la décision de tarification, et non comme un projet d'archéologie après coup. Lorsque le procureur général de Californie a lancé son opération d'enquête en janvier 2026 — des lettres aux entreprises du commerce de détail, de l'alimentation et de l'hôtellerie leur demandant exactement comment elles utilisent l'historique d'achat, la navigation, la localisation et les données démographiques pour fixer les prix — les entreprises capables de répondre en quelques jours plutôt qu'en quelques trimestres étaient celles qui avaient instrumenté la décision, et pas seulement le prix.

Pourquoi la tarification agentique aggrave-t-elle tout cela ?

Les cadres de conformité que tout le monde s'empresse de construire en ce moment supposent qu'un humain examine les décisions de tarification. Cette hypothèse est déjà en train d'expirer.

Walmart a déposé deux brevets de tarification par IA en janvier 2026 et déploie des étiquettes de gondole numériques dans l'ensemble de ses 5 200 magasins d'ici la fin de l'année — bien que l'entreprise prenne soin d'appeler cela du « merchandising algorithmique », et non de la « tarification dynamique », et insiste sur le fait que les prix restent cohérents quel que soit l'acheteur. McKinsey qualifie le commerce agentique de tendance déterminante du commerce électronique de 2026 : des agents IA qui recherchent, comparent et achètent de manière autonome. Forrester s'attend à ce qu'un vendeur sur cinq déploie des contre-agents de tarification contrôlés par le vendeur d'ici 2027.

C'est la version du problème qui m'empêche de dormir, car la question de la conformité n'a pas encore de réponse. Lorsque l'agent IA d'un acheteur négocie un prix avec l'agent IA d'un vendeur, et que le prix convenu s'avère discriminatoire — qui est responsable ? Il n'existe aucun cadre réglementaire pour la tarification d'agent à agent. Un système conçu pour passer à l'échelle de milliers de décisions autonomes par seconde ne peut pas avoir un humain dans la boucle qui vérifie chacune d'elles pour détecter une discrimination par variable indirecte ou une convergence collusoire. La conformité doit être dans l'agent, sinon elle n'existe pas.

Ce n'est pas un problème d'avenir. C'est la contrainte de conception de tout système de tarification en cours d'architecture aujourd'hui.

« N'est-ce pas simplement un centre de coûts ? »

L'objection que j'entends le plus, généralement de la part d'un directeur des revenus (CRO), est que les outils de conformité représentent une charge supplémentaire sur une fonction dont le seul rôle est de générer de l'argent.

Je placerais les chiffres côte à côte et les laisserais parler d'eux-mêmes. Un programme complet de conformité tarifaire — analyse d'impact démographique, évaluation du risque de collusion, divulgation multi-juridictionnelle, génération de piste d'audit — coûte environ 100 000 $ à 505 000 $ la première année, la surveillance continue s'y ajoutant de manière significative. Le règlement d'Instacart s'élevait à 60 millions de dollars. Celui d'Amazon à 2,5 milliards de dollars. Quelques centaines de milliers de dollars de conformité face à un règlement à neuf chiffres, ce n'est pas un centre de coûts ; c'est la police d'assurance la moins chère de l'entreprise.

La deuxième objection est plus subtile : les obligations de divulgation et les contraintes d'équité ne vont-elles pas tuer l'optimisation ? Et voici ce à quoi je ne m'attendais pas lorsque nous avons commencé — 62 % des adultes américains ont déclaré à Talker Research en décembre 2025 être préoccupés par la tarification personnalisée. Les brevets de tarification de Walmart ont suscité un tollé sur les réseaux sociaux. Le risque de marque d'être le prochain gros titre à la Instacart est réel et quantifiable. Et je rappelle au directeur des revenus que les 1,4 milliard de dollars de profit excédentaire de Project Nessie n'ont pas survécu au contact avec la FTC — un chiffre d'affaires que vous ne pouvez pas défendre est un chiffre d'affaires que vous finirez par rembourser. Un moteur de tarification que vous pouvez assumer publiquement vaut plus que quelques points de base supplémentaires que vous devez cacher.

Ce que nous avons réellement construit

Le vide que je rencontrais sans cesse, c'est que le marché se scinde nettement en deux et ne sert ni l'un ni l'autre camp. Les plateformes de tarification optimisent les prix et n'offrent aucun test d'équité, aucune surveillance de la collusion, aucune automatisation de la divulgation — leur algorithme peut être votre responsabilité. Les cabinets d'avocats et les Big Four rédigent d'excellentes notes de conseil et n'exploitent rien d'automatisé ; une mission antitrust chez Deloitte ou McKinsey, c'est du conseil à partir de 500 000 $, sans aucun outil au bout du compte. ORCAA et FTI apportent une véritable expertise d'audit et d'économie, mais uniquement du conseil, façonné pour le contentieux.

Personne ne se tenait au milieu : une couche intégrée qui réalise l'analyse d'impact démographique sur la tarification personnalisée, évalue le risque de collusion algorithmique, automatise la logique de divulgation multi-juridictionnelle pour New York, la Californie, le Colorado et le règlement européen sur l'IA (EU AI Act), et génère la piste d'audit qu'une enquête de la FTC ou du DOJ exigera. Cet espace — entre ce que font les optimiseurs et ce que font les avocats — est ce que nous avons construit le système de conformité tarifaire de Veriprajna pour combler.

La carte réglementaire qu'il doit couvrir n'est pas stable, et c'est tout l'intérêt de l'automatiser. Le AI Act du Colorado entre en vigueur en juin 2026, et pour les systèmes à haut risque prenant des décisions lourdes de conséquences, il exige des analyses d'impact avant le déploiement, chaque année ensuite, et de nouveau dans les 90 jours suivant toute modification substantielle du modèle. Les obligations relatives aux systèmes à haut risque de l'EU AI Act entrent en application en août 2026, assorties de sanctions pouvant atteindre 35 millions d'euros ou 7 % du chiffre d'affaires mondial. Il y a eu 51 projets de loi sur la tarification algorithmique dans 24 États en 2025, le Tennessee et le Nouveau-Mexique avançant déjà en 2026. Aucune équipe humaine ne suit cette matrice à la main tout en restant à jour. Un système de conformité qui se met à jour avec la loi est la seule version qui fonctionne.

Je pense souvent à ce premier audit sans faute.

Le plus effrayant dans la tarification algorithmique, ce n'est pas l'entreprise qui cherche délibérément à discriminer ou à s'entendre. C'est celle qui fait les deux, accidentellement, à travers un modèle à qui l'on a seulement demandé de maximiser le chiffre d'affaires — et qui découvre, lorsque la demande d'enquête civile arrive, qu'elle ne peut pas prouver le contraire. L'algorithme n'a jamais rien eu l'intention de faire. Le résultat est illégal malgré tout, et l'intention n'a jamais été la question.

Votre moteur de tarification formule un argument juridique chaque fois qu'il fixe un prix. La seule chose incertaine, c'est de savoir si vous serez capable de le déchiffrer.