Votre outil de tarification par IA anime peut-être un cartel — sans que vous le sachiez

J'étais en visioconférence avec une société de gestion immobilière de taille moyenne l'automne dernier lorsque leur vice-présidente chargée des revenus a dit quelque chose qui m'a noué l'estomac.

« Nous n'avons aucun souci à nous faire », a-t-elle dit. « Nous n'utilisons pas RealPage. Nous avons construit notre propre outil de tarification. » Un silence. « Enfin — il appelle GPT-4 avec nos données et les annonces de concurrents que nous récupérons par scraping. Mais il est à nous. »

Il ne leur appartenait pas. Pas d'une manière qui compte vraiment. Ils envoyaient des données locatives sensibles sur le plan concurrentiel — taux d'occupation, conditions de bail, tarifs par type de logement — via une API tierce entraînée Dieu sait sur quoi, affinée par les interactions de Dieu sait qui, et qui renvoyait des recommandations façonnées par des schémas absorbés à partir de requêtes similaires provenant de tout un marché. Ils avaient, sans s'en rendre compte, construit exactement le type de mécanisme de coordination algorithmique que le ministère de la Justice venait de passer deux ans à démanteler.

Cette conversation a changé ma façon de penser ce que nous construisons chez Veriprajna. Car le problème n'est pas qu'une entreprise se soit fait prendre à truquer les loyers avec un logiciel. Le problème, c'est que l'architecture par défaut que la plupart des entreprises utilisent pour l'IA — envoyer vos données au modèle de quelqu'un d'autre, recevoir une recommandation en retour — est structurellement indiscernable de ce que le DOJ vient de qualifier de cartel numérique.

Que s'est-il réellement passé avec RealPage ?

Soyons précis, car les détails comptent plus que les gros titres.

RealPage a développé des logiciels appelés YieldStar et AIRM qui ingéraient des données transactionnelles granulaires et non publiques provenant de bailleurs concurrents — loyers en temps réel, conditions de bail, projections d'occupation future — et s'en servaient pour générer des recommandations tarifaires quotidiennes. Le DOJ a soutenu que cela créait un cartel « en étoile » (hub-and-spoke) : RealPage était le moyeu, les bailleurs étaient les rayons, et l'algorithme était la pièce enfumée.

La phrase clé du mémoire du gouvernement sur laquelle je reviens sans cesse : le logiciel garantissait que les bailleurs allaient « probablement évoluer à l'unisson plutôt que les uns contre les autres ».

Lorsque l'objectif de conception explicite de votre algorithme est d'empêcher des concurrents de se concurrencer, vous n'avez pas besoin d'une poignée de main dans une arrière-salle. Vous avez automatisé la poignée de main.

Le 24 novembre 2025, le DOJ a conclu un accord historique. En septembre 2025, FPI Management avait déjà transigé pour 2,8 millions de dollars. Yardi Systems fait toujours l'objet de poursuites. Et soudain, chaque entreprise exploitant une tarification algorithmique — dans l'immobilier, l'hôtellerie, la distribution, la logistique — a dû se poser une question qu'elle n'avait jamais envisagée : Mon logiciel est-il un co-conspirateur ?

En quoi cela vous concerne-t-il si vous n'êtes pas dans l'immobilier ?

C'est là que la plupart des analyses de l'affaire RealPage se trompent. Les commentateurs y voient une histoire d'immobilier. Ce n'en est pas une. C'est une histoire d'architecture.

Le jugement définitif du DOJ établit une distinction technique qui devrait terrifier toute équipe d'IA en entreprise. Il sépare l'entraînement du modèle de l'exploitation en phase d'exécution. Les modèles peuvent toujours apprendre à partir de tendances historiques agrégées — des données vieilles d'au moins douze mois et non associées à des transactions actives. Mais utiliser le statut actuel d'un concurrent — son taux d'occupation, son stock, ses prix en direct — comme entrée d'une recommandation en temps réel ? Cela est désormais traité comme une forme de collusion numérique au titre de la section 1 du Sherman Act.

Relisez cela. Il ne s'agit pas d'intention. Il s'agit d'architecture des flux de données.

J'ai détaillé l'analyse technique et juridique complète dans la version interactive de nos travaux de recherche, mais l'idée essentielle est la suivante : si votre système d'IA ingère des données non publiques de concurrents et produit une recommandation qui influence le comportement du marché, vous avez un problème antitrust. Le secteur dans lequel vous opérez n'a aucune importance. Le Sherman Act se moque de votre verticale.

Et si vous utilisez une API multi-tenant — qui traite les données provenant de vous et de vos concurrents —, le risque de mélange des données est structurel. On ne se sort pas d'un problème d'architecture à coups de règles internes.

La nuit où j'ai compris que les « wrappers » étaient morts

Je dois revenir à un moment antérieur à l'accord RealPage, car c'est là que la thèse s'est cristallisée pour moi.

Nous soumettions à des tests de résistance un prototype de tarification pour un client du secteur hôtelier. Le système était un montage assez standard — leurs données de réservation acheminées vers une API de LLM, combinées à des tarifs de marché récupérés par scraping, produisant des suggestions de tarification dynamique. Interface épurée. Réponses rapides. Le client adorait.

Puis l'une de mes ingénieures, Priya, a mené un audit de provenance. Elle a retracé la lignée de chaque donnée d'entrée ayant touché le modèle au moment de l'inférence. À 23 h, un mardi, elle a écrit sur notre canal Slack une seule ligne : « Nous ne pouvons pas prouver ce que le modèle sait. »

Elle avait raison. Lorsque vous envoyez des données via une API publique, vous perdez la capacité de garantir ce qui a influencé le résultat. Le modèle a peut-être été affiné sur des interactions provenant d'autres entreprises hôtelières. Il a peut-être absorbé les schémas tarifaires d'un concurrent qui a utilisé la même API la semaine dernière. Vous ne pouvez véritablement pas le savoir. Et dans un monde post-RealPage, « nous ne pouvons véritablement pas le savoir » n'est pas une défense — c'est un aveu.

C'est cette nuit-là que j'ai dit à l'équipe que nous réorientions l'intégralité de la mission vers un déploiement privé. Le client a résisté — cela prendrait plus de temps, coûterait plus cher au départ, exigerait une infrastructure dont il ne disposait pas. Je me souviens d'être assis dans mon appartement à 1 h du matin, en train de rédiger l'e-mail expliquant pourquoi nous ne pouvions pas, en conscience, livrer ce que nous avions construit. C'est la conversation client la plus difficile que j'aie eue en tant que fondateur. C'est aussi la plus importante.

La question n'est pas de savoir si votre IA donne de bonnes recommandations. La question est de savoir si vous pouvez prouver — devant un juge fédéral, sous serment — exactement quelles données ont façonné ces recommandations.

Comment les États ont-ils réagi ? Plus vite que quiconque ne l'imaginait

L'accord fédéral n'était que le lever de rideau. La Californie et New York ont agi avec une rapidité qui a pris de court toute la communauté de la legal tech.

L'AB 325 de la Californie, en vigueur depuis le 1er janvier 2026, interdit l'utilisation d'un algorithme de tarification commun qui exploite les données de concurrents pour recommander ou influencer un prix dans le cadre d'une entente visant à restreindre la concurrence. La nuance décisive : le texte ne s'applique qu'aux outils utilisés par deux personnes ou plus. Un algorithme propriétaire conçu pour l'usage exclusif d'une seule entreprise en est exempté.

Lisez cette exemption attentivement. La Californie a en substance créé une incitation juridique à construire votre propre IA plutôt qu'à souscrire à un outil SaaS mutualisé.

La loi S. 7882 de New York, en vigueur depuis le 15 décembre 2025, va encore plus loin pour les gestionnaires de biens résidentiels. Elle vise tout outil algorithmique qui exerce une « fonction de coordination » — définie comme la collecte et l'analyse de données provenant de plusieurs propriétaires. La responsabilité peut être engagée même sans adoption directe de la recommandation. Le critère retenu est le « mépris téméraire » (reckless disregard) que constitue le simple fait d'utiliser de tels outils.

J'ai eu une conversation avec un avocat spécialisé en immobilier à Manhattan qui l'a dit sans détour : « Si vous êtes gestionnaire de biens à New York et que vous utilisez un outil de tarification multi-tenant, vous ne gérez pas le risque. Vous le fabriquez. »

Que signifie réellement l'« IA souveraine » en pratique ?

J'emploie le terme « souverain » à dessein, et je sais qu'il sonne grandiloquent. Mais le concept est précis : votre système d'IA doit être architecturalement incapable d'accéder à des données que vous ne possédez pas, de les ingérer ou d'être influencé par elles.

Chez Veriprajna, nous appelons notre approche « Deep AI » — et elle repose sur un principe qui paraît évident mais s'avère radical en pratique : séparer la voix du cerveau.

La « voix », c'est le modèle de langage neuronal — ce qui comprend le langage naturel et génère des réponses fluides. Nous déployons des modèles ouverts comme Llama 3 ou Mistral en privé, à l'intérieur du cloud privé virtuel du client lui-même. Les données ne quittent jamais son périmètre.

Le « cerveau », c'est un solveur symbolique déterministe — graphes de connaissances, moteurs de règles, logique fondée sur SQL — qui applique les politiques, effectue les calculs et garantit que le résultat respecte des contraintes réglementaires précises. Le cerveau n'hallucine pas. Il n'approxime pas. Il calcule.

C'est ce que les sciences cognitives appellent la pensée de « Système 2 » — un raisonnement lent, délibéré, auditable — superposée à la reconnaissance de formes du « Système 1 ». Le modèle neuronal gère l'ambiguïté et le langage. Le système symbolique gère la vérité et la conformité.

La sécurité ne peut pas être probabiliste. Elle doit être architecturale.

Lorsque le DOJ exige que les « régulateurs » de tarification soient symétriques — accordant un poids égal aux baisses et aux hausses de prix —, ce n'est pas une politique que l'on peut faire appliquer par un prompt système. C'est une contrainte que l'on encode dans la couche symbolique, où elle est garantie mathématiquement, et non probable statistiquement.

Peut-on encore utiliser des données de marché sans enfreindre la loi ?

C'est la question qu'on me pose le plus souvent, et c'est la bonne. La réponse est oui — mais le comment a une importance considérable.

Le mécanisme technique, c'est la confidentialité différentielle. Sans entrer dans les mathématiques (j'en ai longuement parlé dans notre analyse technique approfondie), l'idée centrale est élégante : vous ajoutez aux données un bruit soigneusement calibré, de sorte que l'inclusion ou l'exclusion des informations d'un participant donné ne modifie pas de manière significative le résultat de l'algorithme.

Cela signifie qu'un moteur de tarification peut apprendre à partir de grandes tendances de marché — « la demande augmente dans ce code postal » — sans jamais « voir » le taux d'occupation ou les conditions de bail d'un concurrent précis. Vous obtenez l'utilité analytique sans l'exposition antitrust.

Nous associons cela à la génération de données synthétiques. Dès 2024, les prévisions estimaient que 60 % des données d'entraînement de l'IA seraient synthétiques. En 2026, les données synthétiques sont devenues le mécanisme principal de ce que j'appelle la « conformité dès la conception ». Nous utilisons des modèles génératifs pour créer des versions synthétiques haute fidélité des données de marché, qui préservent les propriétés statistiques tout en ne contenant strictement aucune information réellement sensible sur le plan concurrentiel.

Ce n'est pas un contournement. C'est une meilleure architecture. Et elle apporte quelque chose qu'aucune clause de non-responsabilité juridique ne pourra jamais apporter : une preuve mathématique que votre système ne se coordonne pas avec vos concurrents.

Le débat que je ne cesse d'avoir à propos de l'« acceptation automatique »

Il y a dans l'accord RealPage un détail qui ne reçoit pas assez d'attention : l'interdiction des fonctionnalités d'acceptation automatique.

Le logiciel de RealPage pouvait mettre en œuvre automatiquement les recommandations tarifaires sans examen humain. Le DOJ a traité cela comme une circonstance aggravante majeure. L'accord exige désormais que les fonctionnalités d'acceptation automatique soient configurables et réglées manuellement par les utilisateurs.

J'ai eu une discussion houleuse à ce sujet avec le CTO d'un client potentiel. Il voulait un agent de tarification entièrement autonome — aucun humain dans la boucle, réaction instantanée aux conditions du marché, efficacité maximale. « C'est tout l'intérêt de l'IA », a-t-il dit.

Je lui ai répondu que tout l'intérêt de l'IA est de prendre de meilleures décisions, pas de prendre des décisions plus vite que quiconque ne peut les examiner. Cette réponse ne lui a pas plu.

Mais voici la réalité : chaque système que nous construisons chez Veriprajna intègre ce que j'appelle des boucles « Human-as-Capturer ». L'intention humaine gouverne l'exécution machine à chaque couche critique. Non pas parce que les humains sont plus intelligents que les algorithmes — souvent, ils ne le sont pas — mais parce que le cadre juridique et éthique de 2026 exige qu'un être humain soit responsable de chaque décision tournée vers le marché. Protocoles de dérogation, processus de validation obligatoires, journaux d'audit conservés pour l'examen réglementaire.

On me demande parfois si cette exigence d'humain dans la boucle rend les outils de tarification par IA inutiles. Ce n'est pas le cas. Elle en fait des outils plutôt que des remplaçants. L'IA réalise en quelques secondes l'analyse qui prendrait des jours à une équipe humaine. L'humain tranche. Ce n'est pas une limite — c'est l'architecture d'une participation responsable au marché.

Le coût réel du « piège du wrapper »

Parlons argent, car c'est en fin de compte ce qui fait avancer la conversation.

Les entreprises qui utilisent des modèles d'API de premier plan (Tier 1) — GPT-5, Claude 4 — paient entre 1,25 $ et 15,00 $ par million de tokens d'entrée, et de 10,00 $ à 75,00 $ par million de tokens de sortie. Ces coûts fluctuent. Les conditions d'utilisation changent. Et chaque token que vous envoyez comporte un risque de souveraineté des données.

Les données de McKinsey et du BCG de fin 2025 montrent que les entreprises qui parviennent à passer l'IA à l'échelle affichent un rendement total pour l'actionnaire 3,6 fois supérieur sur trois ans à celui de leurs pairs. Mais seules 5 % des organisations sont parvenues à tirer de l'IA des gains financiers substantiels. La majorité en est réduite à payer un impôt croissant sur l'infrastructure de quelqu'un d'autre, sans le moindre avantage concurrentiel défendable en retour.

Le Deep AI inverse la structure de coûts. Vous investissez dans l'infrastructure — CapEx matériel, déploiement de modèles privés, couches de raisonnement symbolique — et vous construisez un actif. Un cerveau institutionnel sur mesure qui capture les processus, les politiques et l'intelligence de marché propres à votre organisation. Il figure à votre bilan. Sa valeur se capitalise. Et il ne peut pas être répliqué par un concurrent qui souscrit à la même API que vous.

Quand votre avantage concurrentiel réside dans le centre de données de quelqu'un d'autre, ce n'est pas un avantage concurrentiel. C'est un abonnement.

Et maintenant, où va-t-on ?

La prochaine frontière, c'est l'IA agentique — des systèmes autonomes qui sélectionnent des outils, mènent un raisonnement en plusieurs étapes et exécutent des actions dans le monde réel. Réserver un transport. Ajuster un prix. Déposer un document réglementaire. Le potentiel est extraordinaire. Le risque est proportionnel.

Un agent de tarification autonome qui outrepasse ses pouvoirs — qui prend un engagement financier non autorisé, ou qui se coordonne avec des acteurs du marché sans supervision humaine — n'est pas seulement une défaillance technique. Dans l'environnement juridique post-RealPage, c'est potentiellement une infraction fédérale.

Chaque flux de travail agentique que nous construisons suit une boucle stricte : raisonner au regard de la constitution de l'entreprise, sélectionner l'outil approprié, valider le résultat, puis synthétiser une réponse seulement après avoir confirmé qu'aucune limite de conformité n'a été franchie. Chaque action est journalisée et auditable. Le cerveau symbolique agit comme une contrainte constitutionnelle — pas une suggestion, pas une ligne directrice, mais une frontière architecturale que le modèle neuronal ne peut pas outrepasser.

Voilà ce que signifie la souveraineté en pratique. Non pas seulement posséder vos données, mais posséder le processus de raisonnement qui agit sur elles. Non pas seulement déployer de l'IA, mais déployer une IA qui reflète vos lois, votre éthique, votre tolérance au risque — encodées dans une logique qu'un régulateur peut inspecter et qu'un juge peut comprendre.

L'affaire RealPage n'était pas une anomalie. C'était le premier signal clair d'une nouvelle réalité juridique : l'architecture de votre système d'IA est désormais un déterminant majeur de votre exposition antitrust. Pas vos intentions. Pas vos politiques. Pas vos conditions d'utilisation. Votre architecture.

Toute entreprise exploitant une tarification algorithmique, une gestion des revenus ou des recommandations tournées vers le marché doit répondre à une question simple : si le DOJ assignait votre système d'IA à comparaître demain, pourriez-vous prouver — au niveau des flux de données, de l'entraînement du modèle et de la logique d'inférence — qu'il fonctionne indépendamment de vos concurrents ?

Si la réponse est « probablement », vous avez un problème. Si la réponse est « il faudrait qu'on vérifie auprès de notre fournisseur d'API », vous avez une crise.

La pièce enfumée n'a pas disparu. Elle a déménagé dans le cloud. Et les entreprises qui prospéreront dans cette nouvelle ère ne sont pas celles qui ont les meilleurs algorithmes — ce sont celles qui possèdent entièrement leurs algorithmes, les conçoivent pour la conformité dès la conception, et peuvent le prouver sous serment.