{"id":26840,"date":"2026-10-13T19:00:52","date_gmt":"2026-10-13T12:30:52","guid":{"rendered":"https:\/\/politicsrights.com\/?p=26840"},"modified":"2026-10-13T19:00:54","modified_gmt":"2026-10-13T12:30:54","slug":"new-politics-of-pricing-ai-sets-price","status":"publish","type":"post","link":"https:\/\/politicsrights.com\/fr\/new-politics-of-pricing-ai-sets-price\/","title":{"rendered":"La nouvelle politique de la tarification : quand l\u2019IA fixe votre prix"},"content":{"rendered":"

Et si le prix que vous voyez n\u2019\u00e9tait pas simplement le prix d\u2019un produit, mais un prix calcul\u00e9 sp\u00e9cialement pour vous ? Imaginez deux clients qui ach\u00e8tent exactement le m\u00eame produit au m\u00eame moment. L\u2019un paie 80 $ ; l\u2019autre, 60 $. Est-ce juste ? La plupart d\u2019entre nous voudraient probablement plus d\u2019informations avant de r\u00e9pondre. Pourtant, l\u2019IA rend cette question de plus en plus pertinente, et de plus en plus difficile \u00e0 \u00e9viter.<\/p>\n\n\n\n

Nous acceptons d\u00e9j\u00e0 des prix diff\u00e9rents dans de nombreux domaines de notre vie. Deux passagers assis c\u00f4te \u00e0 c\u00f4te dans le m\u00eame vol peuvent avoir pay\u00e9 des tarifs diff\u00e9rents. Les \u00e9tudiants b\u00e9n\u00e9ficient de r\u00e9ductions dans les mus\u00e9es. Les universit\u00e9s offrent des bourses en fonction des besoins financiers. Les h\u00f4tels facturent davantage en p\u00e9riode de forte demande. <\/p>\n\n\n\n

\u00c0 mesure que l\u2019IA devient plus performante pour pr\u00e9dire ce que chaque consommateur est pr\u00eat \u00e0 payer, les questions d\u2019\u00e9quit\u00e9, de vie priv\u00e9e, de transparence et de bien-\u00eatre des consommateurs prendront de plus en plus d\u2019importance.<\/p><\/blockquote><\/figure>\n\n\n\n

Les diff\u00e9rences de prix ne sont pas nouvelles en soi, et elles ne sont pas n\u00e9cessairement injustes. Ce qui change, c\u2019est la capacit\u00e9 des entreprises \u00e0 utiliser les donn\u00e9es et l\u2019IA pour estimer, avec une pr\u00e9cision croissante, ce que chaque consommateur est pr\u00eat \u00e0 payer. Comme je l\u2019explique dans mon r\u00e9cent livre, Pricing in the Age of AI<\/a>, ce changement technologique cr\u00e9e \u00e0 la fois de nouvelles occasions et de nouveaux risques. Il transforme \u00e9galement la tarification : d\u2019une d\u00e9cision principalement commerciale, elle devient une question sociale et de politique publique de plus en plus importante.<\/p>\n\n\n\n

D\u2019un prix unique \u00e0 votre prix<\/h2>\n\n\n\n

For much of modern commerce, pricing was relatively simple from the consumer\u2019s perspective. A store posted a price and customers decided whether to buy. Companies could change that price over time or offer discounts, but their ability to tailor prices to individual customers was limited.  Digital commerce began to change this as companies gained access to much more information about customers and could adjust prices more frequently.<\/p>\n\n\n

\n
\"\"<\/a><\/figure>\n<\/div>\n\n\n

L\u2019IA acc\u00e9l\u00e8re cette transformation en permettant aux entreprises d\u2019analyser de vastes quantit\u00e9s de donn\u00e9es et de prendre des d\u00e9cisions de tarification \u00e0 une \u00e9chelle \u00e9norme. Les algorithmes<\/a> de tarification peuvent s\u2019appuyer sur des informations telles que l\u2019historique des transactions, le comportement de navigation, la localisation, le moment et d\u2019autres signaux contextuels.<\/p>\n\n\n\n

Au lieu de r\u00e9partir les clients en quelques grands groupes, l\u2019IA peut rep\u00e9rer des tendances beaucoup plus subtiles et adapter les offres avec une grande granularit\u00e9.<\/p>\n\n\n\n

L\u2019IA g\u00e9n\u00e9rative (GenAI) ajoute une autre dimension. Des outils tels que ChatGPT, Claude et Gemini peuvent d\u00e9sormais fournir des recommandations de prix sans qu\u2019une entreprise ait \u00e0 concevoir un algorithme de tarification sophistiqu\u00e9 \u00e0 partir de z\u00e9ro.<\/p>\n\n\n\n

Cela d\u00e9mocratise l\u2019acc\u00e8s aux capacit\u00e9s de tarification fond\u00e9es sur l\u2019IA et les met \u00e0 la disposition d\u2019un \u00e9ventail beaucoup plus large d\u2019entreprises. La question importante n\u2019est plus simplement de savoir si les entreprises peuvent personnaliser les prix, mais jusqu\u2019o\u00f9 elles devraient aller.<\/p>\n\n\n\n

Qui gagne et qui perd ?<\/h2>\n\n\n\n

Il est tentant de supposer que la personnalisation des prix est n\u00e9cessairement mauvaise pour les consommateurs. L\u2019\u00e9conomie est plus complexe. Prenons un mus\u00e9e qui facture 20 $ aux adultes et 10 $ aux \u00e9tudiants. Le tarif \u00e9tudiant plus bas peut permettre de visiter le mus\u00e9e \u00e0 des personnes pour qui il serait autrement trop cher, tandis que le mus\u00e9e continue de percevoir un prix plus \u00e9lev\u00e9 aupr\u00e8s des clients pr\u00eats \u00e0 payer davantage. Dans de tels cas, la diff\u00e9renciation des prix peut profiter \u00e0 la fois au vendeur et aux consommateurs, \u00e0 l\u2019\u00e9chelle agr\u00e9g\u00e9e.<\/p>\n\n\n\n

Les algorithmes de tarification peuvent observer en continu les conditions du march\u00e9 et les prix des concurrents, puis ajuster leurs propres prix en cons\u00e9quence.<\/p><\/blockquote><\/figure>\n\n\n\n

Le m\u00eame principe s\u2019applique \u00e0 de nombreux autres march\u00e9s. Des prix diff\u00e9renci\u00e9s peuvent aider les entreprises \u00e0 servir des clients dont la disposition \u00e0 payer varie, ce qui peut \u00e9largir l\u2019acc\u00e8s aux produits et aux services. Les rabais personnalis\u00e9s peuvent aussi signifier que certains consommateurs paient moins cher qu\u2019avec un syst\u00e8me de prix unique. Mais le tableau change \u00e0 mesure que la personnalisation devient de plus en plus pr\u00e9cise. Les \u00e9conomistes utilisent le concept de surplus du consommateur pour d\u00e9crire l\u2019\u00e9cart entre ce qu\u2019une personne est pr\u00eate \u00e0 payer et ce qu\u2019elle paie r\u00e9ellement. Si je suis pr\u00eat \u00e0 payer 100 $ pour quelque chose, mais que je l\u2019ach\u00e8te 70 $, je re\u00e7ois un surplus de 30 $.<\/p>\n\n\n\n

Imaginons maintenant qu\u2019un syst\u00e8me d\u2019IA puisse estimer presque parfaitement que je suis pr\u00eat \u00e0 payer 100 $. Au lieu de m\u2019offrir le prix standard de 70 $, l\u2019entreprise pourrait th\u00e9oriquement me facturer pr\u00e8s de 100 $. Un autre consommateur pr\u00eat \u00e0 payer seulement 60 $ pourrait recevoir un prix beaucoup plus bas pour le m\u00eame produit. Dans le cas extr\u00eame th\u00e9orique, une personnalisation parfaite des prix permettrait aux entreprises de capter la totalit\u00e9 du surplus du consommateur.<\/p>\n\n\n\n

Le produit lui-m\u00eame n\u2019a pas chang\u00e9. Ce qui a chang\u00e9, c\u2019est la mani\u00e8re dont la valeur \u00e9conomique cr\u00e9\u00e9e par la transaction est r\u00e9partie entre le vendeur et les acheteurs. La tarification pilot\u00e9e par l\u2019IA n\u2019est donc pas seulement une question d\u2019efficacit\u00e9 ou de rentabilit\u00e9. Elle devient aussi une question de r\u00e9partition de la valeur \u00e9conomique entre les entreprises et les consommateurs.<\/p>\n\n\n\n

Qu\u2019est-ce qu\u2019un prix \u00e9quitable ?<\/h2>\n\n\n\n

Cela soul\u00e8ve une question en apparence simple : comment s\u2019assurer que l\u2019IA fixe les prix de mani\u00e8re \u00e9quitable ? Le probl\u00e8me est qu\u2019il n\u2019existe pas de d\u00e9finition unique du prix \u00e9quitable. Dans mes recherches avec Adam Elmachtoub et Xiao Lei sur price discrimination with fairness constraints<\/a>, nous avons propos\u00e9 quatre d\u00e9finitions de l\u2019\u00e9quit\u00e9. L\u2019\u00e9quit\u00e9 des prix consiste \u00e0 offrir des prix similaires d\u2019un groupe \u00e0 l\u2019autre. L\u2019\u00e9quit\u00e9 de la demande met l\u2019accent sur un acc\u00e8s similaire \u00e0 un produit. L\u2019\u00e9quit\u00e9 du surplus du consommateur porte sur la question de savoir si les diff\u00e9rents groupes conservent une valeur similaire apr\u00e8s avoir pay\u00e9. Une quatri\u00e8me d\u00e9finition se concentre sur les consommateurs qui n\u2019ach\u00e8tent pas parce que le prix est trop \u00e9lev\u00e9.<\/p>\n\n\n\n

Lorsque l\u2019IA g\u00e9n\u00e9rative sert \u00e0 recommander des prix, \u00e9valuer le mod\u00e8le seul peut ne pas suffire.<\/p><\/blockquote><\/figure>\n\n\n\n

Chaque d\u00e9finition semble raisonnable. Mais elles peuvent \u00eatre incompatibles. Supposons que deux groupes de consommateurs n\u2019accordent pas la m\u00eame valeur au m\u00eame produit. Offrir le m\u00eame prix aux deux groupes peut satisfaire l\u2019\u00e9quit\u00e9 des prix, mais cela n\u2019assure pas n\u00e9cessairement un acc\u00e8s similaire.<\/p>\n\n\n\n

\u00c0 l\u2019inverse, obtenir des taux d\u2019achat similaires dans les deux groupes peut exiger de leur facturer des prix diff\u00e9rents. Nos recherches montrent qu\u2019il peut \u00eatre impossible de satisfaire simultan\u00e9ment ne serait-ce que deux de ces d\u00e9finitions de l\u2019\u00e9quit\u00e9.<\/p>\n\n\n\n

Nous constatons \u00e9galement que l\u2019imposition de l\u2019\u00e9quit\u00e9 n\u2019a pas toujours le m\u00eame effet sur le bien-\u00eatre \u00e9conomique. Dans certains contextes, des contraintes d\u2019\u00e9quit\u00e9 mod\u00e9r\u00e9es peuvent am\u00e9liorer le bien-\u00eatre social, tandis que des contraintes trop rigides peuvent le r\u00e9duire. Cette distinction est importante pour la tarification par l\u2019IA. Dire qu\u2019un algorithme doit \u00eatre \u00ab \u00e9quitable \u00bb ne suffit pas. Il faut d\u2019abord d\u00e9cider ce que signifie l\u2019\u00e9quit\u00e9 dans un contexte particulier. Cela m\u00e8ne \u00e0 un constat plus g\u00e9n\u00e9ral sur l\u2019IA : l\u2019IA peut optimiser une d\u00e9finition de l\u2019\u00e9quit\u00e9 d\u00e8s lors qu\u2019on lui en donne une, mais elle ne peut pas d\u00e9cider quelle d\u00e9finition la soci\u00e9t\u00e9 devrait valoriser. Cela reste une d\u00e9cision humaine.<\/p>\n\n\n\n

Quand les donn\u00e9es d\u00e9terminent ce que vous payez<\/h2>\n\n\n\n

La tarification pilot\u00e9e par l\u2019IA soul\u00e8ve une autre question difficile : quelles informations devraient influencer le prix que re\u00e7oit une personne ? Les syst\u00e8mes d\u2019IA peuvent rep\u00e9rer des relations qu\u2019un d\u00e9cideur humain aurait du mal \u00e0 d\u00e9tecter. Cela fait partie de leur valeur. Mais cela signifie aussi que retirer les informations sensibles d\u2019un jeu de donn\u00e9es n\u2019\u00e9limine pas n\u00e9cessairement le risque de r\u00e9sultats in\u00e9gaux.<\/p>\n\n\n\n

Les algorithmes de tarification peuvent observer en continu les conditions du march\u00e9 et les prix des concurrents, puis ajuster leurs propres prix en cons\u00e9quence. <\/p><\/blockquote><\/figure>\n\n\n\n

Prenons la localisation g\u00e9ographique. Utiliser l\u2019emplacement d\u2019un client peut sembler tr\u00e8s diff\u00e9rent d\u2019utiliser une caract\u00e9ristique sensible telle que la race ou le genre. Pourtant, la localisation peut \u00eatre corr\u00e9l\u00e9e \u00e0 des caract\u00e9ristiques d\u00e9mographiques. Un algorithme pourrait ainsi g\u00e9n\u00e9rer des diff\u00e9rences syst\u00e9matiques entre groupes sans m\u00eame observer directement l\u2019appartenance \u00e0 ces groupes.<\/p>\n\n\n\n

L\u2019IA g\u00e9n\u00e9rative introduit une complication suppl\u00e9mentaire : les r\u00e9sultats peuvent d\u00e9pendre non seulement du mod\u00e8le et des donn\u00e9es, mais aussi des instructions, ou requ\u00eates (prompts), donn\u00e9es au mod\u00e8le. Mes recherches avec Eddy Hage-Youssef et Warut Khern-am-nuai<\/a> illustrent ce probl\u00e8me sur le march\u00e9 du travail.<\/p>\n\n\n\n

Comme nous l\u2019expliquons dans \u00ab What Happens When AI Sets Wages<\/a> \u00bb, nous avons demand\u00e9 \u00e0 des mod\u00e8les d\u2019IA de pointe de recommander des tarifs horaires pour des milliers de travailleurs ind\u00e9pendants. Les recommandations variaient selon des caract\u00e9ristiques telles que la g\u00e9ographie et l\u2019\u00e2ge, et la fa\u00e7on dont les requ\u00eates (prompts) \u00e9taient formul\u00e9es pouvait aussi influencer les r\u00e9sultats. Les cons\u00e9quences d\u00e9passent la question des salaires. Lorsque l\u2019IA g\u00e9n\u00e9rative sert \u00e0 recommander des prix, \u00e9valuer le mod\u00e8le seul peut ne pas suffire. Nous devons aussi comprendre les donn\u00e9es, les requ\u00eates, les objectifs et les autres choix qui entourent le syst\u00e8me.<\/p>\n\n\n\n

D\u2019une meilleure tarification \u00e0 une tarification responsable<\/h2>\n\n\n\n

Rien de tout cela ne signifie que la tarification fond\u00e9e sur l\u2019IA soit intrins\u00e8quement nuisible. L\u2019IA peut aider les entreprises \u00e0 prendre de meilleures d\u00e9cisions, \u00e0 r\u00e9agir rapidement aux variations de l\u2019offre et de la demande, \u00e0 proposer des rabais cibl\u00e9s, \u00e0 am\u00e9liorer l\u2019acc\u00e8s et \u00e0 utiliser plus efficacement les ressources rares. Dans de nombreux cas, les algorithmes de tarification peuvent profiter aux consommateurs comme aux entreprises. Le d\u00e9fi consiste \u00e0 tirer parti de ces avantages sans ignorer les risques qui accompagnent des d\u00e9cisions de plus en plus automatis\u00e9es et personnalis\u00e9es. Ces technologies peuvent aussi compliquer des pr\u00e9occupations bien connues en mati\u00e8re de prix.<\/p>\n\n\n\n

Dans un article r\u00e9cent sur la mani\u00e8re dont l\u2019IA transforme les litiges en mati\u00e8re de prix<\/a>, j\u2019examine 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 int\u00e9ressant. Traditionnellement, la collusion implique que des concurrents coordonnent leur comportement, par exemple en s\u2019entendant pour augmenter les prix. Avec la tarification algorithmique, la situation peut devenir plus complexe et plus difficile \u00e0 d\u00e9tecter.<\/p>\n\n\n\n

Les algorithmes de tarification peuvent observer en continu les conditions du march\u00e9 et les prix des concurrents, puis ajuster leurs propres prix en cons\u00e9quence. Dans certaines conditions, les algorithmes peuvent apprendre des strat\u00e9gies de prix qui r\u00e9duisent la concurrence par les prix, m\u00eame sans communication explicite entre les entreprises. En m\u00eame temps, des prix similaires peuvent simplement refl\u00e9ter des entreprises qui r\u00e9agissent de mani\u00e8re ind\u00e9pendante aux m\u00eames conditions de march\u00e9. Distinguer entre ces possibilit\u00e9s cr\u00e9e de nouveaux d\u00e9fis pour la politique de la concurrence.<\/p>\n\n\n\n

L\u2019IA ne cr\u00e9e pas ces probl\u00e8mes, mais sa capacit\u00e9 \u00e0 traiter de grandes quantit\u00e9s de donn\u00e9es, \u00e0 s\u2019adapter rapidement et \u00e0 automatiser les d\u00e9cisions peut modifier la fa\u00e7on dont ils surviennent et leur degr\u00e9 de difficult\u00e9 \u00e0 d\u00e9tecter. Les algorithmes de tarification font d\u00e9j\u00e0 l\u2019objet de litiges et d\u2019un examen r\u00e9glementaire croissant, notamment dans le logement locatif et sur d\u2019autres march\u00e9s. Les tribunaux et les autorit\u00e9s de la concurrence examinent de plus en plus le r\u00f4le des algorithmes et des donn\u00e9es dans la fixation des prix.<\/p>\n\n\n\n

La tarification personnalis\u00e9e suscite elle aussi une attention croissante. En ao\u00fbt 2026, la Federal Trade Commission (FTC) des \u00c9tats-Unis a publi\u00e9 un projet de d\u00e9claration de politique d\u2019application<\/a> portant sur l\u2019utilisation de donn\u00e9es personnelles pour d\u00e9terminer le prix offert \u00e0 un consommateur individuel. La FTC n\u2019a pas propos\u00e9 d\u2019interdire la tarification personnalis\u00e9e. La d\u00e9claration porte plut\u00f4t, en partie, sur les attentes des consommateurs et sur la transparence, notamment la divulgation du caract\u00e8re personnalis\u00e9 d\u2019un prix, du fondement de cette personnalisation et des types de donn\u00e9es utilis\u00e9es. L\u2019IA complique encore davantage cette question.<\/p>\n\n\n\n

Les prix ont toujours refl\u00e9t\u00e9 plus que l\u2019offre et la demande.\u00a0<\/p><\/blockquote><\/figure>\n\n\n\n

Les discussions traditionnelles sur la tarification fond\u00e9e sur les donn\u00e9es portent souvent sur la question suivante : quelles informations une entreprise poss\u00e8de-t-elle sur moi ? \u00c0 l\u2019\u00e8re de l\u2019IA, une question tout aussi importante peut \u00eatre : que peut d\u00e9duire l\u2019algorithme de l\u2019entreprise \u00e0 mon sujet \u00e0 partir des informations dont elle dispose ? Un syst\u00e8me d\u2019IA peut d\u00e9duire des caract\u00e9ristiques \u00e9conomiquement pertinentes \u00e0 partir de combinaisons de localisation, de comportement de navigation, d\u2019historique d\u2019achats, d\u2019informations sur l\u2019appareil et d\u2019autres signaux, m\u00eame lorsque ces caract\u00e9ristiques n\u2019ont jamais \u00e9t\u00e9 fournies directement par le consommateur.<\/p>\n\n\n\n

Ces \u00e9volutions rendent la transparence, l\u2019audit et la supervision humaine de plus en plus pertinents. Les entreprises doivent comprendre comment se comportent leurs syst\u00e8mes de tarification, les tester pour d\u00e9tecter des r\u00e9sultats inattendus et d\u00e9terminer quand des humains doivent intervenir. Les consommateurs pourraient vouloir de plus en plus savoir quand les prix sont personnalis\u00e9s et quels types d\u2019informations influencent les offres qu\u2019ils re\u00e7oivent.<\/p>\n\n\n\n

Pour les d\u00e9cideurs publics, la tarification pilot\u00e9e par l\u2019IA recoupe des enjeux traditionnellement consid\u00e9r\u00e9s s\u00e9par\u00e9ment, notamment la vie priv\u00e9e, la discrimination, la protection des consommateurs, la concurrence et la transparence des prix. L\u2019objectif n\u2019est pas simplement d\u2019emp\u00eacher les entreprises d\u2019utiliser l\u2019IA pour fixer leurs prix, ni de supposer qu\u2019une personnalisation accrue est toujours souhaitable. Le d\u00e9fi consiste \u00e0 pr\u00e9server les avantages \u00e9conomiques de l\u2019IA tout en r\u00e9pondant aux nouveaux risques cr\u00e9\u00e9s par des prix de plus en plus automatis\u00e9s et individualis\u00e9s.<\/p>\n\n\n\n

La nouvelle politique de la tarification<\/h2>\n\n\n\n

Les prix ont toujours refl\u00e9t\u00e9 plus que l\u2019offre et la demande. Ils influencent aussi l\u2019acc\u00e8s, l\u2019abordabilit\u00e9 et la mani\u00e8re dont les gains de l\u2019\u00e9change \u00e9conomique sont r\u00e9partis. L\u2019IA ne change pas ces questions fondamentales. Ce qu\u2019elle change, c\u2019est notre capacit\u00e9 \u00e0 prendre des d\u00e9cisions de tarification avec une rapidit\u00e9, une \u00e9chelle et une pr\u00e9cision sans pr\u00e9c\u00e9dent. Les entreprises peuvent estimer de mieux en mieux non seulement ce que vaut un produit en moyenne, mais potentiellement ce qu\u2019il vaut pour vous.<\/p>\n\n\n\n

Dans Pricing in the Age of AI<\/a>, je soutiens que cette \u00e9volution vers des prix de plus en plus personnalis\u00e9s apportera \u00e0 la fois des occasions \u00e9conomiques et de nouveaux d\u00e9fis. \u00c0 mesure que l\u2019IA devient plus performante pour pr\u00e9dire ce que chaque consommateur est pr\u00eat \u00e0 payer, les questions d\u2019\u00e9quit\u00e9, de vie priv\u00e9e, de transparence et de bien-\u00eatre des consommateurs prendront de plus en plus d\u2019importance.<\/p>\n\n\n\n

En fin de compte, la technologie ne peut pas r\u00e9pondre \u00e0 ces questions \u00e0 notre place. Les entreprises peuvent d\u00e9cider jusqu\u2019\u00e0 quel point elles personnalisent. Les algorithmes peuvent optimiser les objectifs qu\u2019on leur donne. Les d\u00e9cideurs publics peuvent \u00e9tablir des garde-fous. Mais ce sont encore les humains qui doivent d\u00e9terminer quels r\u00e9sultats ils jugent acceptables. Lorsque l\u2019IA peut estimer de mieux en mieux ce que chacun de nous est pr\u00eat \u00e0 payer, la question cruciale n\u2019est plus seulement de savoir quel est le juste prix, mais quels principes devraient guider la mani\u00e8re dont l\u2019IA fixe les prix.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

What if the price you see is not simply the price of a product, but a price calculated specifically for you? Imagine two customers purchasing exactly the same product at the same time.<\/p>","protected":false},"author":210,"featured_media":26865,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"iawp_total_views":19,"footnotes":"","_ppma_block_editor_authors":""},"categories":[5,999],"tags":[184,841,1098],"ppma_author":[1242],"class_list":["post-26840","post","type-post","status-publish","format-standard","has-post-thumbnail","category-books","category-technology","tag-artificial-intelligence","tag-economics","tag-technology"],"pp_statuses_selecting_workflow":false,"pp_workflow_action":"current","pp_status_selection":"publish","authors":[{"term_id":1242,"user_id":210,"is_guest":0,"slug":"maxime-c-cohen","display_name":"Maxime C. Cohen","avatar_url":{"url":"https:\/\/politicsrights.com\/wp-content\/uploads\/2026\/10\/MCohen-Pic.webp","url2x":"https:\/\/politicsrights.com\/wp-content\/uploads\/2026\/10\/MCohen-Pic.webp"},"author_category":"1","user_url":"","last_name":"","first_name":"","job_title":"","description":"

Titulaire de la Chaire Scale AI en science des donn\u00e9es pour le commerce de d\u00e9tail et directeur acad\u00e9mique de la Bensadoun School of Retail Management de l\u2019Universit\u00e9 McGill. Il conseille \u00e9galement des entreprises et des jeunes pousses sur des sujets li\u00e9s \u00e0 la tarification, au commerce de d\u00e9tail, \u00e0 l\u2019IA et \u00e0 la science des donn\u00e9es. Les opinions pr\u00e9sent\u00e9es dans cet article sont uniquement celles de l\u2019auteur et ne refl\u00e8tent pas les points de vue des institutions affili\u00e9es ou collaboratrices.<\/p>"}],"_links":{"self":[{"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/posts\/26840","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/users\/210"}],"replies":[{"embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/comments?post=26840"}],"version-history":[{"count":15,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/posts\/26840\/revisions"}],"predecessor-version":[{"id":26873,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/posts\/26840\/revisions\/26873"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/media\/26865"}],"wp:attachment":[{"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/media?parent=26840"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/categories?post=26840"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/tags?post=26840"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/politicsrights.com\/fr\/wp-json\/wp\/v2\/ppma_author?post=26840"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}