Conformité des prix algorithmiques
En 2025, la FTC a perçu 2,56 milliards de dollars d'accords transactionnels liés à la tarification algorithmique auprès de deux entreprises. New York, la Californie et le Colorado ont adopté des lois qui font de chaque prix piloté par l'IA une infraction potentielle. Si votre moteur de tarification repose sur un algorithme tiers, des données de consommateurs ou de l'apprentissage par renforcement, la question n'est pas de savoir si les régulateurs vont s'y intéresser. C'est de savoir si vous pourrez répondre à leurs questions le jour venu.
2,56 Md$
Accords transactionnels de la FTC sur la tarification, 2025
Instacart 60 M$ + Amazon 2,5 Md$
51 projets de loi
Propositions des États sur la tarification algorithmique
Dans 24 États en 2025
180 jours
Délai de mise en conformité RealPage
Décret de consentement du DOJ, nov. 2025
Les régulateurs poursuivent la tarification algorithmique sur deux fronts distincts. La plupart des entreprises se préparent à l'un et ignorent l'autre.
Votre algorithme facture des prix différents à des utilisateurs différents pour le même produit, sur la base de données personnelles. Cela devient illégal lorsque ces écarts de prix sont corrélés à des caractéristiques démographiques protégées.
L'affaire Instacart l'a rendu concret : l'outil de tarification Eversight générait jusqu'à cinq prix différents pour le même article dans le même magasin, avec une variation atteignant 23 %. L'accord transactionnel de 60 M$ de la FTC ne reposait pas sur une discrimination intentionnelle. Il reposait sur le résultat : les consommateurs de certains profils payaient systématiquement plus cher.
Le piège technique réside dans les variables proxy. Votre algorithme ne voit ni la race ni le revenu. Mais il voit le code postal, le type d'appareil, l'heure de navigation et la version de l'application. Un utilisateur naviguant sur un appareil Android plus ancien depuis un code postal à faibles revenus à 23 h reçoit un traitement tarifaire différent de celui d'un utilisateur d'iPhone dans une banlieue aisée à 14 h. Les données du recensement montrent que ces grappes d'entrées sont corrélées aux caractéristiques démographiques de race et de revenu à des taux qui échoueraient à une analyse d'impact disparate. L'algorithme n'a jamais eu l'intention de discriminer. Le résultat est néanmoins discriminatoire.
Votre algorithme converge vers des prix plus élevés en coordination avec les concurrents, même sans aucun accord explicite. C'est la thèse défendue dans l'affaire FTC c. Amazon, dont le procès est prévu pour 2026.
Le Project Nessie d'Amazon a extrait 1,4 milliard de dollars en prédisant quand les concurrents s'aligneraient sur une hausse de prix, puis en augmentant les prix sur 8 millions d'articles. L'algorithme a identifié que la plupart des concurrents appliquaient des règles de tarification « du tac au tac ». Lorsque Amazon augmentait ses prix, l'algorithme du concurrent suivait automatiquement. Aucune réunion. Aucun accord. Aucun appel téléphonique. Juste deux algorithmes atteignant le même équilibre supraconcurrentiel.
Le risque se multiplie lorsque vous faites appel à un fournisseur de tarification tiers. Si votre fournisseur sert vos concurrents et que son algorithme met en commun les données de plusieurs clients, vous pouvez être exposé à une entente en étoile (hub-and-spoke) même si vous n'avez jamais échangé un mot avec un concurrent. Les nouveaux amendements californiens au Cartwright Act (en vigueur en janvier 2026) le codifient : un « algorithme de tarification commun » comptant deux utilisateurs ou plus et qui influence les prix à partir d'informations sur les concurrents crée une responsabilité légale.
Ce tableau recense chaque loi en vigueur, chaque précédent transactionnel et chaque action répressive qui touche la tarification algorithmique. Mis à jour en avril 2026.
| Juridiction | Loi / Précédent | Exigence clé | Sanction | Statut |
|---|---|---|---|---|
| New York | Algorithmic Pricing Disclosure Act | Divulgation manifeste lorsque les prix utilisent des données personnelles de consommateurs | 1 000 $/infraction | Adoptée en nov. 2025 ; application suspendue dans l'attente de l'injonction de la NRF |
| Californie | Cartwright Act (AB 325 / SB 763) | Interdit les « algorithmes communs » utilisant des données de concurrents pour fixer les prix ; proscrit la coercition à l'égard des recommandations algorithmiques | Le plus élevé entre 6 M$ ou 2x le gain/la perte ; dommages-intérêts triplés dans les actions privées | En vigueur le 1er janv. 2026 |
| Colorado | AI Act (SB 24-205) | Évaluations d'impact pour les systèmes d'IA à haut risque prenant des « décisions conséquentes », y compris la tarification | Application par le procureur général ; mesures injonctives | En vigueur le 30 juin 2026 |
| Fédéral (FTC) | Article 5 du FTC Act | Interdit les « méthodes déloyales de concurrence ». Le procès FTC c. Amazon déterminera si la collusion tacite algorithmique est concernée | Mesures injonctives + restitution des gains (Amazon : accord de 2,5 Md$) | Procès fixé en oct. 2026 |
| Fédéral (DOJ) | Décret de consentement RealPage | Pas de données de concurrents datant de <12 mois ; pas de géographie infra-étatique ; garde-fous symétriques ; responsable de la conformité antitrust | Période de surveillance de 7 ans | En vigueur depuis nov. 2025 ; délai de mise en conformité de 180 jours |
| Fédéral (jurisprudence) | Gibson c. Cendyn (9e circuit) | Sphère de sécurité : même fournisseur acceptable s'il n'y a ni mise en commun de données non publiques, ni marketing « augmenter les prix », ni données de concurrents non anonymisées | Précédent défensif | Décidée en août 2025 |
| Union européenne | EU AI Act (dispositions à haut risque) | Évaluations d'impact, documentation de transparence, mesures anti-discrimination pour les systèmes d'IA prenant des décisions conséquentes | 35 M€ ou 7 % du chiffre d'affaires mondial | Obligations à haut risque en vigueur le 2 août 2026 |
| 24 États | 51 projets de loi proposés (2025) | Variés : obligations de divulgation, interdictions de la tarification de surveillance, exigences d'audit algorithmique | Variable selon l'État | Projets de loi du TN et du NM en vigueur en 2026 ; d'autres attendus |
Sources : communiqués de presse de la FTC, DOJ Office of Public Affairs, alertes antitrust de Wilson Sonsini, publications de Cleary Gottlieb, avis d'Arnold & Porter. Mis à jour en avril 2026.
Si vous évaluez vos options, voici ce que chaque catégorie de prestataire fournit réellement et où se situent les lacunes.
| Type de prestataire | Exemples | Ce qu'ils font | Lacune de conformité | Coût habituel |
|---|---|---|---|---|
| Plateformes de tarification | Pricefx, PROS, Zilliant, Competera | Optimisent les prix au moyen de l'IA/du ML. Certaines sont citées dans les injonctions 6(b) de la FTC sur la tarification de surveillance. | Pas de test d'équité. Pas d'automatisation de la divulgation. Pas de surveillance de la collusion. Leur algorithme peut constituer votre responsabilité. | 200 K$-1 M$+/an |
| Big 4 / grandes ESN | Deloitte, PwC, Accenture, McKinsey | Conseil antitrust, notes d'évaluation des risques, gestion de la relation avec les régulateurs | Conseil uniquement. Pas d'outil de conformité automatisé. Les missions prennent des mois et livrent des PDF, pas une infrastructure. Certaines sont elles-mêmes citées dans les injonctions 6(b) de la FTC. | 500 K$-5 M$+ |
| Cabinets d'avocats antitrust | Wilson Sonsini, Cleary Gottlieb, Arnold & Porter | Avis juridiques, lignes directrices de conception, défense en contentieux | Conseil juridique, pas mise en œuvre technique. Ils peuvent vous dire quoi construire, mais pas le construire. Partenaires essentiels, pas des alternatives. | 800-2 000 $/h |
| Auditeurs algorithmiques | ORCAA, FTI Consulting | Audits algorithmiques ponctuels, témoignages d'experts, évaluations de biais | Audits instantanés, pas de surveillance continue. Pas d'outil spécifique à la tarification. Précieux pour le contentieux, mais pas pour la conformité continue. | 100 K$-400 K$ par audit |
| Cabinet de conseil en IA spécialisé | Veriprajna | Construire une infrastructure de conformité tarifaire : couches d'audit, automatisation de la divulgation, surveillance de la collusion, pistes d'audit | Nous ne pouvons pas résoudre la résistance organisationnelle à la transparence tarifaire ni les problèmes fondamentaux de qualité des données dans vos journaux de transactions. Nous construisons la couche technique, pas le changement culturel. | 150 K$-500 K$ |
Nous n'optimisons pas les prix. Nous ne concurrençons pas votre plateforme de tarification. Nous nous plaçons au-dessus du moteur que vous exécutez, quel qu'il soit, et nous le rendons conforme de manière démontrable.
Nous cartographions chaque donnée d'entrée de votre moteur de tarification et testons chacune pour détecter une corrélation avec un proxy démographique. Code postal, type d'appareil, durée de la session de navigation, heure de la journée, version de l'application : nous mesurons la corrélation avec les caractéristiques démographiques de race, de revenu et d'âge à l'aide de données géographiques liées au recensement et de statistiques de possession d'appareils.
Ensuite, nous exécutons des simulations contrefactuelles. Pour chaque décision tarifaire d'un échantillon, nous maintenons constants tous les déterminants de la demande et ne faisons varier que la variable proxy. Si les prix varient de plus de 20 % du taux du groupe le plus élevé (le seuil des quatre cinquièmes adapté des normes d'impact disparate de l'EEOC), cette entrée est signalée.
Le résultat est une grille d'évaluation des risques selon cinq dimensions issues du cadre du décret de consentement RealPage et des lignes directrices de conception de Duane Morris : provenance des données, granularité des recommandations, préservation de l'indépendance, transparence et capacité de dérogation humaine.
Nous construisons l'intergiciel de conformité entre votre moteur de tarification et le paiement. Pour New York : classification en temps réel indiquant si chaque prix a utilisé des données personnelles de consommateurs, avec affichage conditionnel de la divulgation. Pour la Californie : vérification du pare-feu de données confirmant que votre fournisseur ne met pas en commun les données de concurrents entre clients.
Pour le Colorado (en vigueur en juin 2026) : génération automatisée d'évaluations d'impact liée à l'historique des versions de votre modèle. Pour l'UE (en vigueur en août 2026) : documentation de transparence au titre des articles 13/14, exportée dans le format attendu par l'AI Office.
L'intergiciel utilise la détection de juridiction fondée sur la géolocalisation de l'utilisateur, de sorte que les règles de divulgation s'adaptent automatiquement. Une seule couche d'API gère toutes les juridictions. Lorsque le Tennessee ou le Nouveau-Mexique adoptent leurs projets de loi en attente, nous ajoutons les règles sans toucher à votre moteur de tarification.
Nous auditons la relation avec votre fournisseur de tarification selon le test en trois volets de Gibson c. Cendyn : le fournisseur met-il en commun des données non publiques de concurrents, commercialise-t-il la capacité d'élever la tarification à l'échelle du secteur, partage-t-il des informations non anonymisées sur les concurrents ? Si l'un de ces volets échoue, votre relation avec le fournisseur crée une exposition à une entente en étoile (hub-and-spoke).
Pour votre propre algorithme, nous menons des tests de simulation de collusion. Nous déployons votre modèle de tarification face à trois archétypes d'agents concurrents (les imitateurs « du tac au tac », les agents de concurrence à la Bertrand et les agents d'apprentissage par renforcement) et mesurons si des équilibres supraconcurrentiels émergent en moins de 10 000 cycles de marché simulés.
Pour une surveillance continue, nous construisons des tableaux de bord qui signalent les schémas de convergence tarifaire : mouvements de prix simultanés, rétrécissement de la dispersion des prix entre concurrents et compression des marges qui s'inverse sans explication du côté de la demande.
Nous construisons l'infrastructure de piste d'audit avant que vous n'en ayez besoin. Une couche de journalisation événementielle capture chaque décision tarifaire en temps réel : données d'entrée utilisées, version du modèle, recommandation brute, contrôles de contraintes appliqués, indication de la dérogation éventuelle à la recommandation, statut de divulgation et prix final affiché.
Le stockage est en ajout seul (append-only) et immuable. Le schéma de journalisation est calqué sur ce que les Civil Investigative Demands de la FTC demandent réellement, à partir des structures de CID des affaires Instacart et Amazon désormais publiques.
Lorsqu'une CID arrive, vous produisez des dossiers de documentation conformes en 48 à 72 heures. La plupart des entreprises dépourvues de cette infrastructure passent 6 à 12 mois en extraction médico-légale réactive, découvrant souvent des lacunes dans leurs données qui affaiblissent leur position. Le coût de cette préparation proactive représente une fraction d'un seul mois de conseil externe d'urgence aux tarifs de réponse à une CID.
Voici ce qui se passe lorsque nous auditons un moteur de tarification à bandit manchot multibras (Multi-Armed Bandit) pour détecter une discrimination par proxy. C'est l'un des quatre volets d'audit ; nous détaillons celui-ci parce que les systèmes fondés sur le MAB sont les plus courants dans la tarification dynamique du e-commerce et constituent l'architecture utilisée par l'Eversight d'Instacart.
Nous extrayons le vecteur de caractéristiques complet de l'entrée contextuelle de votre MAB. Dans un MAB e-commerce type, cela comprend : l'identifiant de segment d'utilisateur, le nombre de sessions, le type d'appareil, le système d'exploitation, la résolution d'écran, les coordonnées géographiques ou le code postal, l'heure de la journée, le jour de la semaine, la composition du panier, la fréquence d'achat historique et parfois la durée de navigation.
Pour chaque caractéristique, nous calculons les coefficients de corrélation de Pearson par rapport aux distributions démographiques issues du recensement au niveau ZIP+4. Une caractéristique avec un |r| > 0,3 par rapport à tout proxy de classe protégée (race, quintile de revenu, tranche d'âge) est signalée pour un test contrefactuel. D'après notre expérience, le code postal et le type d'appareil dépassent presque toujours ce seuil. La durée de session et la profondeur de navigation aussi, souvent.
Pour chaque caractéristique signalée, nous générons des profils d'utilisateurs contrefactuels. Nous prenons 10 000 décisions tarifaires réelles tirées de vos journaux de production et créons des variantes synthétiques où seule la variable proxy signalée change. Un utilisateur du code postal 10021 (Upper East Side, revenu médian des ménages de 138 K$) devient un utilisateur du code postal 10456 (South Bronx, revenu médian des ménages de 27 K$), tous les autres signaux de demande étant maintenus constants.
Nous faisons passer les profils d'origine et contrefactuels dans votre MAB et mesurons l'écart de prix. Si l'écart moyen dépasse 20 % du prix du groupe le plus élevé (le seuil des quatre cinquièmes), la caractéristique crée un impact disparate juridiquement actionnable. Nous rapportons l'écart exact, les groupes démographiques les plus touchés et le nombre de transactions de production où ce schéma s'est produit.
Pour les caractéristiques qui échouent au test contrefactuel, nous construisons des couches de contraintes qui bornent l'espace d'actions du MAB. Il ne s'agit pas d'un simple seuil (que l'algorithme optimiserait jusqu'à sa limite). Nous utilisons un façonnage de récompense soucieux de l'équité (fairness-aware) : la fonction de récompense du MAB est modifiée pour pénaliser les recommandations de prix qui créent une variance intergroupes supérieure au seuil. La contrainte est intégrée dans l'optimisation, et non greffée comme un filtre a posteriori. Le résultat est un moteur de tarification qui optimise toujours le chiffre d'affaires mais ne peut pas générer de résultats discriminatoires, l'impact de la contrainte sur le chiffre d'affaires se situant généralement dans une fourchette de 1 à 3 %.
Une mission type s'étend sur 10 à 14 semaines, du lancement à la surveillance en production. Le calendrier dépend du nombre de systèmes de tarification que vous exploitez, du nombre de juridictions dans lesquelles vous opérez et de la capacité de votre infrastructure de données à prendre en charge une journalisation en temps réel.
Semaines 1-3
Inventorier tous les systèmes de tarification, relations avec les fournisseurs et flux de données. Cartographier votre exposition juridictionnelle (là où se trouvent vos clients, pas vos serveurs). Examiner les contrats des fournisseurs pour les clauses de pare-feu de données et les obligations de réponse à une CID.
Livrable : carte des risques de conformité tarifaire avec notes de gravité selon les dimensions discrimination, collusion, divulgation et préparation aux enquêtes.
Semaines 3-7
Construire l'infrastructure d'audit : journaux de décisions tarifaires événementiels, intergiciel de divulgation, couches de validation des contraintes. Exécuter l'audit de discrimination et la simulation de collusion. Concevoir le cadre d'évaluation des risques fournisseurs propre à vos outils de tarification.
Livrable : couche de conformité opérationnelle en préproduction, résultats de l'audit de discrimination, évaluation des risques fournisseurs.
Semaines 7-10
Déployer la couche de conformité en mode fantôme (shadow mode) parallèlement à votre tarification de production. Chaque décision tarifaire passe par les contrôles de contraintes et la logique de divulgation sans affecter ce que voit le client. Nous comparons la tarification contrainte et non contrainte pour mesurer l'impact sur le chiffre d'affaires et vérifier que toutes les divulgations propres à chaque juridiction se déclenchent correctement.
Livrable : rapport de validation en mode fantôme avec analyse de l'impact sur le chiffre d'affaires et indicateurs de couverture de la conformité.
Semaine 10+ (en continu)
Passer en production. La couche de conformité applique les contraintes, déclenche les divulgations et journalise les décisions en temps réel. Les tableaux de bord de surveillance suivent les indicateurs d'impact disparate, les schémas de convergence tarifaire, les taux de conformité de divulgation et l'exhaustivité de la piste d'audit.
Des réaudits trimestriels détectent la dérive du modèle. Lorsqu'une nouvelle législation est adoptée (Tennessee, Nouveau-Mexique ou l'État suivant), nous mettons à jour les règles juridictionnelles sans toucher à votre moteur de tarification.
Ce que cette mission ne comprend pas : Nous ne refondons pas votre stratégie tarifaire, ne sélectionnons ni ne remplaçons votre fournisseur de tarification, ne fournissons pas d'avis juridiques et n'intervenons pas comme témoins experts. Ces fonctions relèvent respectivement de votre équipe tarification, de votre conseil antitrust et de vos consultants économiques. Nous construisons l'infrastructure technique de conformité qui rend leurs recommandations applicables et auditables.
Répondez à sept questions sur votre infrastructure de tarification. L'évaluation cartographie votre exposition selon les dimensions discrimination, collusion, divulgation et préparation aux enquêtes, avec des prochaines étapes précises que vous pouvez entreprendre avec ou sans aide externe.
Question 1 sur 7
L'obligation de divulgation incombe à l'entreprise qui sert le consommateur, pas au fournisseur de tarification. Vous avez besoin d'une couche de classification en temps réel qui détermine si chaque prix affiché a été généré à partir de données personnelles de consommateurs (historique de navigation, localisation, habitudes d'achat) ou de données de marché agrégées. Si des données personnelles ont influencé le prix, la divulgation obligatoire doit apparaître avant que le consommateur ne s'engage dans la transaction.
Le défi technique est que la plupart des outils de tarification tiers (Pricefx, PROS, Competera) n'exposent pas quelles données d'entrée ont déterminé chaque recommandation de prix précise. Vous avez besoin d'un intergiciel qui intercepte la réponse de l'API de tarification, inspecte les catégories de données utilisées et affiche conditionnellement la divulgation.
La sanction de 1 000 $ par infraction s'applique par transaction ; ainsi, une plateforme e-commerce à fort volume traitant 100 000 commandes par jour à New York fait face à une exposition matérielle, même à de faibles taux de non-conformité. Nous construisons la couche de classification et de divulgation sous forme d'un intergiciel d'API qui se place entre votre moteur de tarification et votre flux de paiement, avec une détection de juridiction afin que les règles de divulgation s'adaptent en fonction de la localisation du consommateur.
Le décret de consentement RealPage (DOJ, novembre 2025) a établi cinq interdictions techniques précises que les avocats antitrust utilisent déjà comme modèle de conformité au-delà du logement collectif. Les exigences fondamentales : pas d'entraînement sur des données de concurrents datant de moins de 12 mois, pas d'analyse géographique plus fine que le niveau de l'État, pas de partage de données de biens non affiliés même sous forme agrégée, des garde-fous symétriques (si l'algorithme peut pousser les prix au-dessus d'un plafond, les utilisateurs doivent pouvoir tout autant les pousser sous un plancher) et des responsables de la conformité antitrust obligatoires avec certification annuelle.
Pour le e-commerce, les dispositions les plus immédiatement pertinentes sont les exigences de pare-feu de données et l'obligation de garde-fous symétriques. Si votre fournisseur de tarification ingère des données tarifaires de concurrents et les utilise pour générer vos recommandations, vous êtes probablement exposé selon la même thèse que le DOJ a employée contre RealPage.
Nous auditons les flux de données de votre fournisseur par rapport au cadre du décret de consentement, testons si vos garde-fous sont symétriques et construisons la documentation de traçabilité des données qui démontre la conformité.
L'erreur la plus courante des entreprises est l'« équité par méconnaissance » (fairness through unawareness) : retirer la race, le genre et le revenu des entrées du modèle en supposant que l'algorithme ne peut plus discriminer. Cela échoue parce que les variables proxy portent le même signal démographique. Les données de Pew Research montrent que la possession d'un iPhone est 30 % plus élevée parmi les ménages gagnant 100 K$+ que parmi ceux gagnant moins de 30 K$. Les données du recensement au niveau ZIP+4 corrèlent le code postal à la composition raciale à r=0,6 ou plus dans la plupart des zones métropolitaines. Votre algorithme ne voit jamais directement les caractéristiques démographiques, mais il en voit les ombres statistiques.
La détection exige de tester les interactions entre variables, pas seulement les entrées individuelles. Le code postal seul peut montrer une corrélation démographique modérée, mais le code postal combiné au type d'appareil et à la durée de session crée un proxy composite bien plus prédictif. Nous testons à la fois les caractéristiques individuelles et les grappes d'interactions de caractéristiques à l'aide de l'analyse d'information mutuelle, qui capture les relations non linéaires que la corrélation de Pearson manque. Un constat fréquent : la durée de navigation sur les pages produit a une corrélation autonome quasi nulle avec le revenu, mais lorsqu'elle est combinée à la source de référence (recherche organique vs. site de comparaison de prix), le couple prédit le quintile de revenu avec une précision surprenante.
L'approche pratique consiste à exécuter la détection avant le déploiement (repérer les proxys évidents), puis en continu en production (repérer les interactions émergentes au fur et à mesure du réentraînement du modèle). Nous signalons les candidats proxys pour examen mais ne les supprimons pas automatiquement, car certains proxys sont aussi des signaux de demande légitimes. La décision de contraindre une entrée précise relève d'un jugement commercial et juridique, et non purement statistique. Nous fournissons les preuves ; votre équipe juridique tranche.
Oui, selon l'architecture de données du fournisseur. La décision Gibson c. Cendyn (neuvième circuit, août 2025) a établi que le simple fait de s'abonner au même logiciel de tarification que vos concurrents n'est pas automatiquement anticoncurrentiel. Mais la cour a signalé trois conditions qui élèvent substantiellement le risque : si le fournisseur met en commun des données non publiques sensibles sur le plan concurrentiel provenant de plusieurs clients pour entraîner ou ajuster ses recommandations, s'il commercialise la capacité de l'outil à coordonner ou élever la tarification dans tout un secteur, ou si le logiciel facilite l'échange de données de concurrents non anonymisées.
La plupart des entreprises de e-commerce n'auditent pas l'architecture de données de leur fournisseur de tarification à ce niveau. Nous menons une évaluation du risque fournisseur qui cartographie exactement quelles données entrent et sortent de votre outil de tarification, si des données de concurrents (même agrégées) influencent vos recommandations, et si votre contrat fournisseur comporte des clauses de pare-feu de données adéquates.
En vertu des nouveaux amendements californiens au Cartwright Act (AB 325, en vigueur en janvier 2026), un « algorithme de tarification commun » comptant deux utilisateurs ou plus et qui utilise des informations sur les concurrents crée une responsabilité potentielle avec dommages-intérêts triplés, et l'abaissement du niveau d'allégation requis signifie que les plaignants peuvent plus facilement survivre à une requête en irrecevabilité.
Une CID de la FTC exige généralement une documentation complète sous 30 à 45 jours : toutes les données d'entrée de vos modèles de tarification, la documentation de l'architecture et de l'entraînement du modèle, les journaux de décision montrant comment les prix ont été fixés pour des transactions précises, tout protocole de tests A/B ou d'expérimentation, les communications sur la stratégie tarifaire, ainsi que les contrats fournisseurs et accords de partage de données.
La plupart des entreprises passent 6 à 12 mois en extraction médico-légale réactive de données parce qu'elles n'ont jamais construit l'infrastructure de journalisation permettant de répondre à ces questions. Les étapes de préparation pratiques sont les suivantes : premièrement, mettre en place dès aujourd'hui une journalisation d'audit immuable sur chaque décision tarifaire. Chaque entrée de journal devrait capturer l'horodatage, les données de contexte utilisateur utilisées, la version du modèle, la recommandation brute, tout contrôle de contraintes appliqué, l'indication d'une éventuelle dérogation à la recommandation et le prix final affiché. Deuxièmement, documenter l'architecture de votre modèle et la traçabilité des données d'entraînement dans un format compréhensible par un avocat non technique de la FTC. Troisièmement, inventorier tous les flux de données des fournisseurs et veiller à ce que vos contrats répartissent les obligations de réponse à une CID. Quatrièmement, réaliser un exercice de réponse à une CID fictive.
Nous construisons l'infrastructure de piste d'audit sous forme d'une couche de journalisation événementielle qui capture les décisions tarifaires en temps réel, les stocke dans un stockage en ajout seul (append-only) et génère à la demande des dossiers d'exportation au format CID. L'objectif est de produire une documentation conforme en 48 à 72 heures lorsque la demande arrive, et non en 6 mois.
Les amendements au Cartwright Act de Californie (AB 325 et SB 763, en vigueur le 1er janvier 2026) créent une exposition en responsabilité nettement plus élevée que le droit antitrust fédéral pour les entreprises recourant à la tarification algorithmique. Trois changements précis importent.
Premièrement, la loi définit désormais expressément les « algorithmes de tarification communs » comme une technologie comptant deux utilisateurs ou plus et utilisant des informations sur les concurrents pour influencer les prix, et interdit d'utiliser de tels algorithmes pour s'entendre ou de contraindre les utilisateurs à adopter des recommandations. Cela codifie une responsabilité que le droit fédéral traite encore comme ambiguë.
Deuxièmement, le niveau d'allégation requis est abaissé : les plaignants n'ont plus besoin d'alléguer des faits qui excluent la possibilité d'une action indépendante au stade de la requête en irrecevabilité. Selon les normes fédérales du Sherman Act (Twombly/Iqbal), la plupart des affaires de tarification algorithmique sont rejetées tôt parce que le parallélisme des prix peut s'expliquer par un comportement algorithmique indépendant. La Californie a éliminé ce moyen de défense au stade de l'allégation.
Troisièmement, les sanctions ont été portées au plus élevé de 6 millions de dollars ou du double du gain ou de la perte pécuniaire (contre 1 million de dollars), avec dommages-intérêts triplés et honoraires d'avocat disponibles dans les actions privées. Pour une entreprise de e-commerce opérant en Californie, cela signifie qu'un plaignant en recours collectif peut désormais survivre à un rejet avec des allégations plus faibles, et que l'exposition aux dommages est substantiellement plus élevée. Nous aidons les entreprises à évaluer leur exposition propre à la Californie en cartographiant leurs relations avec les fournisseurs de tarification, leurs flux de données et la conformité de leurs recommandations au regard des nouvelles définitions légales.
Les livres blancs interactifs qui sous-tendent cette page de solution. Ils fournissent l'analyse technique complète, l'analyse médico-légale des affaires et les cadres architecturaux.
Analyse médico-légale de l'effondrement tarifaire Instacart/Eversight. Architectures de contraintes neuro-symboliques pour l'équité tarifaire. Cadres de conformité au FTC Act et au Disclosure Act de New York.
Autopsie de l'accord transactionnel de 2,5 Md$ d'Amazon. Mécanismes de collusion par apprentissage par renforcement. Analyse du décret de consentement RealPage. Cadre de la sphère de sécurité de Gibson c. Cendyn.
L'accord de 60 M$ d'Instacart a commencé par des expérimentations tarifaires qu'ils supposaient être une optimisation de routine.
Un programme de conformité coûte une fraction d'une seule action répressive. Nous commençons par une mission de cartographie des risques de 3 semaines qui inventorie vos systèmes de tarification, teste la discrimination par proxy et évalue votre exposition fournisseur dans chaque juridiction en vigueur.