L'algorithme secret d'Amazon a coûté plus d'un milliard de dollars aux consommateurs. Le vôtre est-il le prochain ?

Le problème

Amazon a développé un algorithme de tarification secret baptisé Project Nessie. Il a extrait plus d'un milliard de dollars de profits excédentaires aux consommateurs en incitant ses concurrents à augmenter leurs prix. L'algorithme a fonctionné entre 2014 et 2019, fixant les prix de plus de 8 millions d'articles individuels. Il fonctionnait en surveillant en temps réel des millions de prix concurrents. Lorsqu'il prédisait qu'un rival comme Walmart ou Target s'alignerait sur une hausse de prix, il augmentait le prix d'Amazon en premier. Les systèmes automatisés des concurrents suivaient alors le mouvement. Les propres dirigeants d'Amazon auraient qualifié ces pratiques de « louches » et de « cancer tacite ». Lorsqu'un concurrent ne s'alignait pas sur la hausse, l'algorithme réduisait automatiquement les prix — limitant le risque pour Amazon tout en testant le plafond du marché.

Mais cela ne s'est pas arrêté là. Amazon exploitait également un « groupe de surveillance des prix » qui sanctionnait les vendeurs tiers osant proposer des prix plus bas sur d'autres sites web. La sanction ? La perte d'accès à la Buy Box — l'interface par laquelle transitent 98 % des ventes d'Amazon. Les vendeurs étaient ainsi contraints de maintenir le prix gonflé d'Amazon comme prix plancher partout ailleurs. Si votre entreprise utilise aujourd'hui une quelconque forme de tarification algorithmique, cette affaire constitue un coup de semonce. La FTC se prépare à un procès en octobre 2026, et les questions juridiques posées au sujet d'Amazon vous seront bientôt adressées.

Pourquoi cela concerne votre entreprise

L'exposition financière et juridique est ici colossale — et elle s'étend rapidement. Les poursuites de la FTC contre Amazon ne concernent pas une seule entreprise. Elles visent à déterminer si les algorithmes qui prédisent et induisent le comportement des concurrents constituent une entente illicite. Si la FTC l'emporte, les répercussions frapperont toutes les entreprises utilisant des outils de tarification dynamique.

Voici ce qui est en jeu pour votre organisation :

• Responsabilité financière directe. Le Project Nessie d'Amazon a généré plus d'un milliard de dollars de profits excédentaires. La FTC a obtenu un accord transactionnel historique de 2,5 milliards de dollars. Votre exposition est proportionnelle à votre chiffre d'affaires.
• De nouvelles lois d'État particulièrement dissuasives. La version mise à jour de la loi Cartwright de Californie, en vigueur depuis janvier 2026, cible tout « algorithme de tarification commun » utilisé par deux acteurs ou plus et s'appuyant sur des informations de concurrents. Elle abaisse également le seuil de preuve pour les plaignants — ils n'ont plus besoin de prouver l'absence d'action indépendante au stade de la motion de non-lieu (« motion to dismiss »).
• La loi du Colorado sur l'IA entre en vigueur en juin 2026. Elle impose des évaluations d'impact pour les systèmes d'IA « à haut risque » — y compris ceux qui influencent les décisions tarifaires. Vous devez documenter et divulguer les risques et les limites.
• New York exige désormais des entreprises qu'elles affichent un « avertissement explicite » lorsque des algorithmes utilisent des données personnelles pour la tarification. Cela crée une piste d'audit en temps réel que les régulateurs peuvent suivre.

Si votre conseil d'administration vous demande si vos outils de tarification sont conformes aux réglementations de 2026, votre réponse doit être catégorique. « Nous passons par un fournisseur tiers » ne constitue pas un moyen de défense. En réalité, la cour d'appel du neuvième circuit a indiqué que le risque augmente considérablement lorsque votre algorithme génère des recommandations de prix basées sur des données confidentielles mutualisées de concurrents.

Ce qui se passe réellement sous le capot

La plupart des détaillants en ligne utilisent une tarification simple basée sur des règles. Voyez cela comme un réflexe : « Si un concurrent baisse son prix de cinq dollars, alignez-vous. » Ces systèmes sont prévisibles. Et c'est précisément cette prévisibilité qu'une IA sophistiquée exploite.

L'algorithme d'Amazon a identifié ces réflexes dans les systèmes concurrents. Il a appris que si Amazon augmentait un prix, l'outil basé sur des règles du concurrent suivrait automatiquement. Aucun appel téléphonique. Aucune réunion secrète. Simplement deux machines qui interagissent — l'une intelligente, l'autre réactive. Des chercheurs de l'université Carnegie Mellon ont découvert que lorsqu'un agent d'apprentissage par renforcement (une IA qui apprend par essais et erreurs) est mis en concurrence avec ces systèmes basés sur des règles, il identifie rapidement la logique du « donnant-donnant » (tit-for-tat). Il optimise ensuite la dynamique pour tirer les prix du marché vers le haut, gonflant les bénéfices de tous les vendeurs au détriment des consommateurs.

C'est ce qu'on appelle une collusion implicite ou « tacite ». Le droit traditionnel de la concurrence exige la preuve d'une concordance de volontés (« meeting of the minds ») — une communication effective entre concurrents. La coordination algorithmique contourne totalement cette exigence. Votre IA n'a pas besoin de contacter l'IA de votre concurrent. Il lui suffit de prédire ce que fera ce système — et d'agir en conséquence.

La prochaine génération de modèles aggrave cette situation. Les systèmes d'« IA à raisonnement » exploitent désormais une puissance de calcul supplémentaire au moment de la décision pour simuler plusieurs actions potentielles. Ils anticipent plusieurs coups à l'avance, comme un moteur d'échecs. Ils peuvent tester une hausse de prix, modéliser la réaction des concurrents et s'ajuster — tout cela avant même qu'un seul prix ne soit modifié sur votre site web. Cela dote votre IA d'une capacité active de résolution de problèmes. Mais cela signifie également que le « processus de réflexion » interne de l'IA peut délibérément s'orienter vers des résultats qui sembleront collusoires aux yeux d'un régulateur.

Ce qui fonctionne (et ce qui ne fonctionne pas)

De nombreuses entreprises se sont précipitées pour adopter l'IA en construisant de minces couches applicatives par-dessus des API publiques comme GPT-4 ou Claude. Cette approche dite de « surcouche » (wrapper) est rapide à déployer. Elle est en revanche fondamentalement inadaptée aux décisions à enjeux élevés comme la tarification. Voici ce qui échoue :

• Architectures à « méga-invites » (mega-prompts). Celles-ci accumulent règles métier, documents et instructions dans une seule entrée massive. Des variations minimes de formulation ou des mises à jour de modèles par le fournisseur d'API peuvent produire des résultats tarifaires radicalement différents. Vous ne pouvez garantir la stabilité des résultats.
• Dépendance vis-à-vis de modèles tiers en boîte noire. Vous ne pouvez pas prouver pourquoi votre système a pris une décision tarifaire spécifique. Lorsqu'un régulateur exige la chaîne logique, vous n'avez rien à lui présenter. N'importe quel concurrent peut également copier votre outil en une journée — l'avantage concurrentiel est nul.
• Absence de couche de gouvernance. Les API publiques sont dépourvues de contrôles de conformité intégrés. Elles risquent de générer en production des résultats non conformes ou discriminatoires. Une recommandation de prix qui enfreint la loi Cartwright de Californie reste illégale, qu'elle ait été émise par un être humain ou par une API.

Ce qui fonctionne en revanche, c'est une architecture reposant sur trois principes :

1. Déploiement souverain. Exécutez vos modèles d'IA sur votre propre infrastructure matérielle ou sur votre cloud privé. Utilisez des modèles open source performants orchestrés via des conteneurs sécurisés. Vos données de marché sensibles ne quittent jamais votre réseau. Aucun tiers n'y a accès ni ne les conserve.
2. Flux de travail multi-agents gouvernés. Au lieu d'un modèle unique surchargé, utilisez des agents spécialisés — un agent de planification qui détermine le flux de travail, un agent de conformité qui valide chaque résultat au regard de vos exigences réglementaires, et un agent de vérification qui en contrôle l'exactitude. Chaque agent constitue un module distinct et observable.
3. Pistes d'audit déterministes. Chaque décision transite par un système qui enregistre les données d'entrée, les étapes de raisonnement et les résultats générés. Utilisez une base de données unique et auditable — telle que PostgreSQL avec pgvector — pour les utilisateurs, les autorisations et les plongements vectoriels (embeddings). Votre équipe de conformité peut ainsi retracer toute décision tarifaire jusqu'à ses données sources et sa logique sous-jacente.

Cette piste d'audit constitue la ligne de démarcation entre la défendabilité juridique et l'exposition au risque. Le cadre de gestion des risques liés à l'IA du NIST définit sept caractéristiques pour une IA digne de confiance, notamment l'explicabilité, la responsabilité et la transparence. Votre système doit intégrer les quatre fonctions du NIST : Gouverner (établir les responsabilités), Cartographier (identifier les impacts), Mesurer (quantifier les risques) et Gérer (agir en temps réel). Lorsque votre régulateur ou votre conseil d'administration vous demande comment un prix a été fixé, votre réponse doit être une chaîne de preuves documentée — et non un haussement d'épaules renvoyant à une API tierce.

Pour réduire spécifiquement vos risques en matière de droit de la concurrence, vos outils de tarification ne doivent jamais être entraînés sur des données de concurrents partagées et non anonymisées. Ils doivent toujours permettre à votre équipe de rejeter les recommandations algorithmiques sans pénalité. De plus, vous devez tester régulièrement le comportement de l'algorithme dans des environnements simulés afin de vérifier qu'il ne génère aucun schéma de tarification collusoire.