Et si le prix que vous voyez n’était pas simplement le prix d’un produit, mais un prix calculé spécialement pour vous ? Imaginez deux clients qui achètent exactement le même produit au même moment. L’un paie 80 $ ; l’autre, 60 $. Est-ce juste ? La plupart d’entre nous voudraient probablement plus d’informations avant de répondre. Pourtant, l’IA rend cette question de plus en plus pertinente, et de plus en plus difficile à éviter.

Nous acceptons déjà des prix différents dans de nombreux domaines de notre vie. Deux passagers assis côte à côte dans le même vol peuvent avoir payé des tarifs différents. Les étudiants bénéficient de réductions dans les musées. Les universités offrent des bourses en fonction des besoins financiers. Les hôtels facturent davantage en période de forte demande.

À mesure que l’IA devient plus performante pour prédire ce que chaque consommateur est prêt à payer, les questions d’équité, de vie privée, de transparence et de bien-être des consommateurs prendront de plus en plus d’importance.

Les différences de prix ne sont pas nouvelles en soi, et elles ne sont pas nécessairement injustes. Ce qui change, c’est la capacité des entreprises à utiliser les données et l’IA pour estimer, avec une précision croissante, ce que chaque consommateur est prêt à payer. Comme je l’explique dans mon récent livre, Pricing in the Age of AI, ce changement technologique crée à la fois de nouvelles occasions et de nouveaux risques. Il transforme également la tarification : d’une décision principalement commerciale, elle devient une question sociale et de politique publique de plus en plus importante.

D’un prix unique à votre prix

Pendant une grande partie de l’histoire du commerce moderne, la fixation des prix était relativement simple du point de vue du consommateur. Un magasin affichait un prix et les clients décidaient d’acheter ou non. Les entreprises pouvaient modifier ce prix au fil du temps ou proposer des réductions, mais leur capacité à adapter les prix à chaque client était limitée. Le commerce numérique a commencé à changer cela lorsque les entreprises ont eu accès à beaucoup plus d’informations sur leurs clients et ont pu ajuster les prix plus fréquemment.

L’IA accélère cette transformation en permettant aux entreprises d’analyser de vastes quantités de données et de prendre des décisions de tarification à une échelle énorme. Les algorithmes de tarification peuvent s’appuyer sur des informations telles que l’historique des transactions, le comportement de navigation, la localisation, le moment et d’autres signaux contextuels.

Au lieu de répartir les clients en quelques grands groupes, l’IA peut repérer des tendances beaucoup plus subtiles et adapter les offres avec une grande granularité.

L’IA générative (GenAI) ajoute une autre dimension. Des outils tels que ChatGPT, Claude et Gemini peuvent désormais fournir des recommandations de prix sans qu’une entreprise ait à concevoir un algorithme de tarification sophistiqué à partir de zéro.

Cela démocratise l’accès aux capacités de tarification fondées sur l’IA et les met à la disposition d’un éventail beaucoup plus large d’entreprises. La question importante n’est plus simplement de savoir si les entreprises peuvent personnaliser les prix, mais jusqu’où elles devraient aller.

Qui gagne et qui perd ?

Il est tentant de supposer que la personnalisation des prix est nécessairement mauvaise pour les consommateurs. L’économie est plus complexe. Prenons un musée qui facture 20 $ aux adultes et 10 $ aux étudiants. Le tarif étudiant plus bas peut permettre de visiter le musée à des personnes pour qui il serait autrement trop cher, tandis que le musée continue de percevoir un prix plus élevé auprès des clients prêts à payer davantage. Dans de tels cas, la différenciation des prix peut profiter à la fois au vendeur et aux consommateurs, à l’échelle agrégée.

Les algorithmes de tarification peuvent observer en continu les conditions du marché et les prix des concurrents, puis ajuster leurs propres prix en conséquence.

Le même principe s’applique à de nombreux autres marchés. Des prix différenciés peuvent aider les entreprises à servir des clients dont la disposition à payer varie, ce qui peut élargir l’accès aux produits et aux services. Les rabais personnalisés peuvent aussi signifier que certains consommateurs paient moins cher qu’avec un système de prix unique. Mais le tableau change à mesure que la personnalisation devient de plus en plus précise. Les économistes utilisent le concept de surplus du consommateur pour décrire l’écart entre ce qu’une personne est prête à payer et ce qu’elle paie réellement. Si je suis prêt à payer 100 $ pour quelque chose, mais que je l’achète 70 $, je reçois un surplus de 30 $.

Imaginons maintenant qu’un système d’IA puisse estimer presque parfaitement que je suis prêt à payer 100 $. Au lieu de m’offrir le prix standard de 70 $, l’entreprise pourrait théoriquement me facturer près de 100 $. Un autre consommateur prêt à payer seulement 60 $ pourrait recevoir un prix beaucoup plus bas pour le même produit. Dans le cas extrême théorique, une personnalisation parfaite des prix permettrait aux entreprises de capter la totalité du surplus du consommateur.

Le produit lui-même n’a pas changé. Ce qui a changé, c’est la manière dont la valeur économique créée par la transaction est répartie entre le vendeur et les acheteurs. La tarification pilotée par l’IA n’est donc pas seulement une question d’efficacité ou de rentabilité. Elle devient aussi une question de répartition de la valeur économique entre les entreprises et les consommateurs.

Qu’est-ce qu’un prix équitable ?

Cela soulève une question en apparence simple : comment s’assurer que l’IA fixe les prix de manière équitable ? Le problème est qu’il n’existe pas de définition unique du prix équitable. Dans mes recherches avec Adam Elmachtoub et Xiao Lei sur price discrimination with fairness constraints, nous avons proposé quatre définitions de l’équité. L’équité des prix consiste à offrir des prix similaires d’un groupe à l’autre. L’équité de la demande met l’accent sur un accès similaire à un produit. L’équité du surplus du consommateur porte sur la question de savoir si les différents groupes conservent une valeur similaire après avoir payé. Une quatrième définition se concentre sur les consommateurs qui n’achètent pas parce que le prix est trop élevé.

Lorsque l’IA générative sert à recommander des prix, évaluer le modèle seul peut ne pas suffire.

Chaque définition semble raisonnable. Mais elles peuvent être incompatibles. Supposons que deux groupes de consommateurs n’accordent pas la même valeur au même produit. Offrir le même prix aux deux groupes peut satisfaire l’équité des prix, mais cela n’assure pas nécessairement un accès similaire.

À l’inverse, obtenir des taux d’achat similaires dans les deux groupes peut exiger de leur facturer des prix différents. Nos recherches montrent qu’il peut être impossible de satisfaire simultanément ne serait-ce que deux de ces définitions de l’équité.

Nous constatons également que l’imposition de l’équité n’a pas toujours le même effet sur le bien-être économique. Dans certains contextes, des contraintes d’équité modérées peuvent améliorer le bien-être social, tandis que des contraintes trop rigides peuvent le réduire. Cette distinction est importante pour la tarification par l’IA. Dire qu’un algorithme doit être « équitable » ne suffit pas. Il faut d’abord décider ce que signifie l’équité dans un contexte particulier. Cela mène à un constat plus général sur l’IA : l’IA peut optimiser une définition de l’équité dès lors qu’on lui en donne une, mais elle ne peut pas décider quelle définition la société devrait valoriser. Cela reste une décision humaine.

Quand les données déterminent ce que vous payez

La tarification pilotée par l’IA soulève une autre question difficile : quelles informations devraient influencer le prix que reçoit une personne ? Les systèmes d’IA peuvent repérer des relations qu’un décideur humain aurait du mal à détecter. Cela fait partie de leur valeur. Mais cela signifie aussi que retirer les informations sensibles d’un jeu de données n’élimine pas nécessairement le risque de résultats inégaux.

Les algorithmes de tarification peuvent observer en continu les conditions du marché et les prix des concurrents, puis ajuster leurs propres prix en conséquence.

Prenons la localisation géographique. Utiliser l’emplacement d’un client peut sembler très différent d’utiliser une caractéristique sensible telle que la race ou le genre. Pourtant, la localisation peut être corrélée à des caractéristiques démographiques. Un algorithme pourrait ainsi générer des différences systématiques entre groupes sans même observer directement l’appartenance à ces groupes.

L’IA générative introduit une complication supplémentaire : les résultats peuvent dépendre non seulement du modèle et des données, mais aussi des instructions, ou requêtes (prompts), données au modèle. Mes recherches avec Eddy Hage-Youssef et Warut Khern-am-nuai illustrent ce problème sur le marché du travail.

Comme nous l’expliquons dans « What Happens When AI Sets Wages », nous avons demandé à des modèles d’IA de pointe de recommander des tarifs horaires pour des milliers de travailleurs indépendants. Les recommandations variaient selon des caractéristiques telles que la géographie et l’âge, et la façon dont les requêtes (prompts) étaient formulées pouvait aussi influencer les résultats. Les conséquences dépassent la question des salaires. Lorsque l’IA générative sert à recommander des prix, évaluer le modèle seul peut ne pas suffire. Nous devons aussi comprendre les données, les requêtes, les objectifs et les autres choix qui entourent le système.

D’une meilleure tarification à une tarification responsable

Rien de tout cela ne signifie que la tarification fondée sur l’IA soit intrinsèquement nuisible. L’IA peut aider les entreprises à prendre de meilleures décisions, à réagir rapidement aux variations de l’offre et de la demande, à proposer des rabais ciblés, à améliorer l’accès et à utiliser plus efficacement les ressources rares. Dans de nombreux cas, les algorithmes de tarification peuvent profiter aux consommateurs comme aux entreprises. Le défi consiste à tirer parti de ces avantages sans ignorer les risques qui accompagnent des décisions de plus en plus automatisées et personnalisées. Ces technologies peuvent aussi compliquer des préoccupations bien connues en matière de prix.

Dans un article récent sur la manière dont l’IA transforme les litiges en matière de prix, j’examine quatre domaines en particulier : la collusion algorithmique, la majoration abusive des prix, les pratiques trompeuses et la discrimination par les prix. La collusion algorithmique offre un exemple intéressant. Traditionnellement, la collusion implique que des concurrents coordonnent leur comportement, par exemple en s’entendant pour augmenter les prix. Avec la tarification algorithmique, la situation peut devenir plus complexe et plus difficile à détecter.

Les algorithmes de tarification peuvent observer en continu les conditions du marché et les prix des concurrents, puis ajuster leurs propres prix en conséquence. Dans certaines conditions, les algorithmes peuvent apprendre des stratégies de prix qui réduisent la concurrence par les prix, même sans communication explicite entre les entreprises. En même temps, des prix similaires peuvent simplement refléter des entreprises qui réagissent de manière indépendante aux mêmes conditions de marché. Distinguer entre ces possibilités crée de nouveaux défis pour la politique de la concurrence.

L’IA ne crée pas ces problèmes, mais sa capacité à traiter de grandes quantités de données, à s’adapter rapidement et à automatiser les décisions peut modifier la façon dont ils surviennent et leur degré de difficulté à détecter. Les algorithmes de tarification font déjà l’objet de litiges et d’un examen réglementaire croissant, notamment dans le logement locatif et sur d’autres marchés. Les tribunaux et les autorités de la concurrence examinent de plus en plus le rôle des algorithmes et des données dans la fixation des prix.

La tarification personnalisée suscite elle aussi une attention croissante. En août 2026, la Federal Trade Commission (FTC) des États-Unis a publié un projet de déclaration de politique d’application portant sur l’utilisation de données personnelles pour déterminer le prix offert à un consommateur individuel. La FTC n’a pas proposé d’interdire la tarification personnalisée. La déclaration porte plutôt, en partie, sur les attentes des consommateurs et sur la transparence, notamment la divulgation du caractère personnalisé d’un prix, du fondement de cette personnalisation et des types de données utilisées. L’IA complique encore davantage cette question.

Les prix ont toujours reflété plus que l’offre et la demande. 

Les discussions traditionnelles sur la tarification fondée sur les données portent souvent sur la question suivante : quelles informations une entreprise possède-t-elle sur moi ? À l’ère de l’IA, une question tout aussi importante peut être : que peut déduire l’algorithme de l’entreprise à mon sujet à partir des informations dont elle dispose ? Un système d’IA peut déduire des caractéristiques économiquement pertinentes à partir de combinaisons de localisation, de comportement de navigation, d’historique d’achats, d’informations sur l’appareil et d’autres signaux, même lorsque ces caractéristiques n’ont jamais été fournies directement par le consommateur.

Ces évolutions rendent la transparence, l’audit et la supervision humaine de plus en plus pertinents. Les entreprises doivent comprendre comment se comportent leurs systèmes de tarification, les tester pour détecter des résultats inattendus et déterminer quand des humains doivent intervenir. Les consommateurs pourraient vouloir de plus en plus savoir quand les prix sont personnalisés et quels types d’informations influencent les offres qu’ils reçoivent.

Pour les décideurs publics, la tarification pilotée par l’IA recoupe des enjeux traditionnellement considérés séparément, notamment la vie privée, la discrimination, la protection des consommateurs, la concurrence et la transparence des prix. L’objectif n’est pas simplement d’empêcher les entreprises d’utiliser l’IA pour fixer leurs prix, ni de supposer qu’une personnalisation accrue est toujours souhaitable. Le défi consiste à préserver les avantages économiques de l’IA tout en répondant aux nouveaux risques créés par des prix de plus en plus automatisés et individualisés.

La nouvelle politique de la tarification

Les prix ont toujours reflété plus que l’offre et la demande. Ils influencent aussi l’accès, l’abordabilité et la manière dont les gains de l’échange économique sont répartis. L’IA ne change pas ces questions fondamentales. Ce qu’elle change, c’est notre capacité à prendre des décisions de tarification avec une rapidité, une échelle et une précision sans précédent. Les entreprises peuvent estimer de mieux en mieux non seulement ce que vaut un produit en moyenne, mais potentiellement ce qu’il vaut pour vous.

Dans Pricing in the Age of AI, je soutiens que cette évolution vers des prix de plus en plus personnalisés apportera à la fois des occasions économiques et de nouveaux défis. À mesure que l’IA devient plus performante pour prédire ce que chaque consommateur est prêt à payer, les questions d’équité, de vie privée, de transparence et de bien-être des consommateurs prendront de plus en plus d’importance.

En fin de compte, la technologie ne peut pas répondre à ces questions à notre place. Les entreprises peuvent décider jusqu’à quel point elles personnalisent. Les algorithmes peuvent optimiser les objectifs qu’on leur donne. Les décideurs publics peuvent établir des garde-fous. Mais ce sont encore les humains qui doivent déterminer quels résultats ils jugent acceptables. Lorsque l’IA peut estimer de mieux en mieux ce que chacun de nous est prêt à payer, la question cruciale n’est plus seulement de savoir quel est le juste prix, mais quels principes devraient guider la manière dont l’IA fixe les prix.