Rechercher

L’orchestration algorithmique: quand les plateformes fixent les prix

De plus en plus souvent, ce sont des algorithmes qui fixent les prix sur les plateformes en ligne. Si la concurrence peut s’en trouver renforcée, il y a également des risques d’abus et de collusion orchestrée.
Taille de la police
100%

Bienvenue dans l’hôtel de vos rêves! Il est fort probable que le prix de votre nuitée ait été fixé par un algorithme. (Image: Keystone)

Une concurrence saine fait baisser les prix et renforce l’économie. Toutefois, si les entreprises délèguent la fixation des prix à des algorithmes, il peut en résulter une hausse générale des prix, sans que les concurrents ne se soient concertés. En termes économiques, on parle de collusion algorithmique (tacite), un phénomène connu depuis quelques années[1].

On parle d’«orchestration algorithmique» lorsque les algorithmes d’une plateforme ajustent automatiquement et simultanément les prix de plusieurs prestataires afin que le profit de la plateforme elle-même soit maximisé lui aussi. Ce renforcement significatif du pouvoir algorithmique intervient notamment sur les plateformes de réservation hôtelière. Que dit le droit des cartels à ce sujet et comment éviter que les plateformes ne commettent des abus?

De premiers algorithmes pour les prix de l’essence

Imaginons une situation de concurrence idéale: deux stations-service sont situées l’une à côté de l’autre en bordure d’une route. Chacune d’entre elles peut proposer des prix inférieurs à ceux de l’autre à tout moment pour attirer les automobilistes, entraînant une guerre des prix qui réduit ses bénéfices et ceux de sa concurrente à un minimum concurrentiel. Comme l’une et l’autre ne réalisent plus de bénéfices, elles relèvent leurs prix et la concurrence reprend. Ces cycles de sous-enchère itérative, suivie d’un brusque retour à des prix plus élevés, sont appelés cycles d’Edgeworth[2].

Le comportement tarifaire des stations-service a fait l’objet de nombreuses études théoriques et empiriques[3] qui ont permis de documenter précisément les cycles d’Edgeworth. Les stations-service comptent parmi les premières utilisatrices d’algorithmes qui adaptent les prix plusieurs fois par jour automatiquement, en fonction de la demande et des prix appliqués par la concurrence directe. On sait aujourd’hui que ces algorithmes apprennent la collusion et les cycles tarifaires exempts d’entente explicite[4]. Il en résulte des prix volatils parfois élevés.

Que dit le droit cartellaire?

S’agit-il déjà d’une collusion? Sous l’angle de la politique de la concurrence, le cas est complexe. À l’origine, en droit des cartels, seules les constructions explicites sous forme d’entente clairement illégales entre des entreprises étaient assimilées à la collusion. Citons comme exemple le cartel mondial du fret aérien, découvert en 2005 à la suite d’une autodénonciation et qui a notamment concerné Swiss, ou le cartel de la construction dévoilé en 2017 aux Grisons.

La prolifération des algorithmes complique la donne: même si ceux-ci peuvent induire des prix excessifs, la collusion dite tacite est exempte d’entente humaine explicite, ce qui ne la rend pas légale pour autant. Selon le droit des cartels, le «parallélisme conscient» (un comportement délibérément uniforme en l’absence d’entente explicite) peut constituer une atteinte au principe de concurrence.

Le parallélisme n’est pas problématique en soi d’un point de vue juridique. Les cycles d’Edgeworth décrits précédemment dans le cas des stations-service en fournissent un exemple légal: la sous-enchère réciproque (pour attirer la clientèle) et les relèvements tarifaires à partir du minimum (lorsque les marges bénéficiaires deviennent insuffisantes) s’expliquent par l’intérêt économique propre aux deux stations-service. Pour que le parallélisme soit illégal, d’autres facteurs sont nécessaires, tels que l’absence d’explication logique du comportement visant à satisfaire l’intérêt propre. Des hausses de prix coordonnées au milieu d’un cycle de sous-enchère, soit avant qu’un niveau minimum de prix n’ait été atteint, ne peuvent pas être justifiées par l’intérêt propre. Le moment à partir duquel un comportement parallèle devient illicite reste néanmoins controversé et fait l’objet d’une évaluation au cas par cas.

De la concurrence algorithmique à l’orchestration

En ce qui concerne les algorithmes des stations-service, on parle de concurrence algorithmique, caractérisée par le fait que les entreprises utilisent leurs propres algorithmes pour calculer les prix de manière à maximiser leur profit. Or, depuis quelques années, des plateformes en ligne utilisent les mêmes algorithmes afin d’orchestrer les prix simultanément pour une multitude de concurrents: elles fournissent par exemple les prix des chambres d’hôtel, des vols aériens ou d’autres produits.

Ce qui caractérise la concurrence sur ces plateformes, c’est le fait que les prestataires utilisent de moins en moins leurs propres algorithmes de fixation des prix (comme le font encore les stations-service) et ont de plus en plus souvent recours à un outil de tarification soumis à une licence et fourni par la plateforme. Cette dernière transmet les mêmes algorithmes à plusieurs concurrents directs, influençant simultanément leurs décisions tarifaires: on parle dès lors d’orchestration algorithmique.

À qui profite l’orchestration?

Pour bien comprendre les effets de l’orchestration algorithmique et préparer le terrain à une bonne réglementation, il faut connaître les motivations qui les sous-tendent.

Les plateformes tirent souvent leurs revenus de commissions sur les ventes: elles gagnent donc davantage si les prix finaux augmentent. En d’autres termes, la plateforme comme les prestataires concurrents ont intérêt à ce que les prix soient élevés. C’est la raison pour laquelle une orchestration peut représenter un danger pour les consommatrices et consommateurs.

Les plateformes collectent de précieuses informations. Elles réduisent le coût des recherches, améliorent la comparabilité des prix et optimisent les appariements, ce qui peut accroître l’efficacité du marché. Au départ, les plateformes proposaient souvent les meilleures offres et de nombreuses alternatives aux clientes et clients. Si elles fournissent les informations correctement et si ces dernières sont bien exploitées par la clientèle, alors les algorithmes concurrents peuvent favoriser le jeu de la concurrence: les consommatrices et consommateurs bénéficient de prix bas qui demeurent équitables et viables pour les prestataires.

L’orchestration algorithmique constitue par conséquent une arme à double tranchant: elle peut favoriser la collusion et la maximisation des profits, et être bénéfique aux consommatrices et consommateurs et à l’efficacité du marché.

Adapter la structure des commissions et réglementer le marché

Se pose alors la question délicate de savoir comment réglementer efficacement l’orchestration algorithmique, même si, au sens traditionnel du droit des cartels, on ne relève pas de pratique illicite. La question est d’autant plus délicate que la réglementation peine à suivre le rythme des innovations technologiques.

Les réglementations modernes tentent d’accroître la transparence des marchés afin de réduire les risques encourus par les utilisatrices et utilisateurs. Aux États-Unis, un projet de loi prévoit d’interdire l’utilisation et la transmission d’algorithmes de fixation des prix utilisant ou intégrant des données sur les concurrents qui ne sont pas publiques ou encore qui ont été entraînés à partir de ces données. Si plusieurs prestataires utilisent un tel algorithme, la présomption d’entente au sens du droit des cartels devra s’appliquer[5]. L’objectif de cette loi est d’empêcher une orchestration de la concurrence au moyen d’algorithmes centralisés. Toutefois, de récents travaux de recherche montrent d’ores et déjà que les algorithmes sont capables d’apprendre le comportement coopératif même sans y être entraînés à l’aide de données relatives aux concurrents[6].

Une autre approche réglementaire consisterait à intervenir sur la structure du marché environnant, en imposant un cadre légal pour les modèles de commission. En effet, l’un des problèmes majeurs réside dans les commissions basées sur le prix, qui incitent la plateforme et les vendeurs à pratiquer des prix élevés. Un nouveau modèle prévoirait une commission fixe, dont la répartition entre l’acheteur et le vendeur varierait selon l’écart par rapport à un prix de référence: lorsque le prix de transaction serait en dessous de ce seuil, l’acheteur supporterait la majeure partie de la commission; quand il le dépasserait, ce serait au vendeur d’assumer une part plus importante de la commission. La plateforme percevrait ainsi un montant fixe, indépendamment du niveau des prix, et fonctionnerait comme un intermédiaire neutre qui ne profiterait pas de prix élevés.

Les algorithmes ne sont pas un phénomène passager; il serait vain de vouloir les interdire. Une réglementation efficace doit donc créer les bonnes incitations tout en veillant à ce que les plateformes ne deviennent par les complices des prestataires.

  1. Voir Eschenbaum (2020). []
  2. Voir Maskin und Tirole (1988). []
  3. Voir Noel (2008). []
  4. Voir Assad et al. (2024). []
  5. Voir Sénat des États-Unis (2025-2026). []
  6. Voir Calvano et al. (2020). []

Bibliographie
  • Assad S. et al. (2024). Algorithmic pricing and competition: Empirical evidence from the German retail gasoline market. Journal of Political Economy 132.3 (2024): 723-771.
  • Calvano E. et al. (2020). Artificial intelligence, algorithmic pricing, and collusion. American Economic Review 110.10: 3267-3297.
  • Eschenbaum N. (2020). L’intelligence artificielle se joue-t-elle du droit de la concurrence? La Vie économique, 23 décembre.
  • Maskin E. et Tirole J. (1988). A theory of dynamic oligopoly, II: Price competition, kinked demand curves, and Edgeworth cycles. Econometrica: Journal of the Econometric Society: 571-599.
  • Noel M. D. (2008). Edgeworth price cycles and focal prices: Computational dynamic markov equilibria. Journal of Economics & Management Strategy 17.2: 345-377.
  • Sénat des États-Unis (2025–2026). S. 232 Preventing Algorithmic Collusion Act of 2025(119th Cong.), 23 janvier 2025.

Bibliographie
  • Assad S. et al. (2024). Algorithmic pricing and competition: Empirical evidence from the German retail gasoline market. Journal of Political Economy 132.3 (2024): 723-771.
  • Calvano E. et al. (2020). Artificial intelligence, algorithmic pricing, and collusion. American Economic Review 110.10: 3267-3297.
  • Eschenbaum N. (2020). L’intelligence artificielle se joue-t-elle du droit de la concurrence? La Vie économique, 23 décembre.
  • Maskin E. et Tirole J. (1988). A theory of dynamic oligopoly, II: Price competition, kinked demand curves, and Edgeworth cycles. Econometrica: Journal of the Econometric Society: 571-599.
  • Noel M. D. (2008). Edgeworth price cycles and focal prices: Computational dynamic markov equilibria. Journal of Economics & Management Strategy 17.2: 345-377.
  • Sénat des États-Unis (2025–2026). S. 232 Preventing Algorithmic Collusion Act of 2025(119th Cong.), 23 janvier 2025.

Proposition de citation: Carrissimo, Cesare; Jantschgi, Simon; Nax, Heinrich (2025). L’orchestration algorithmique: quand les plateformes fixent les prix. La Vie économique, 20 octobre.