Le marché a toujours été une machine de coordination sans centre unique. Des millions de décisions individuelles, de prix, d’anticipations, de peurs et de désirs produisent un ordre qui n’est jamais entièrement conçu par personne. C’est précisément ce qui a longtemps intéressé les économistes : un système capable d’organiser des quantités immenses d’informations dispersées sans commandement central absolu.

L’intelligence artificielle ne remplace pas cette logique. Elle modifie la nature des acteurs qui y participent. Jusqu’ici, même lorsqu’un logiciel exécutait une transaction, l’intention et l’analyse étaient largement définies par des humains. Demain, une part croissante des agents économiques pourra observer, comparer, négocier et réagir de manière beaucoup plus autonome. Le marché deviendra donc un système multi-agents au sens presque littéral.

C’est ici que la géométrie de la concurrence change.

Un consommateur humain ne peut pas comparer en permanence des milliers d’offres. Un agent le peut. Une entreprise humaine ne peut pas renégocier chaque seconde ses prix avec chaque client. Un système peut le faire. Une banque ne peut pas recalculer manuellement chaque minute les risques de toutes ses contreparties. Des modèles peuvent le faire presque continuellement.

La première conséquence est donc une réduction gigantesque des coûts de recherche et de transaction. C’est potentiellement très positif. Un marché plus transparent, dans lequel chaque acheteur peut comparer rapidement les prix et les conditions, peut devenir plus concurrentiel. Les rentes liées à l’opacité diminuent. C’est ce que j’ai vécu avec Artprice. L’opacité n’est jamais neutre. Celui qui possède l’information peut capter une valeur simplement parce que les autres ne savent pas. Rendre l’information accessible transforme le rapport de force.

L’agent économique personnel pourrait généraliser cette logique. Le consommateur ne regarde plus cinq offres. Son agent en regarde cinq mille. Le commerçant ne peut plus compter autant sur l’inertie ou la difficulté de comparaison. Cela peut produire une pression considérable sur les prix et la qualité. Mais, comme toujours, la conséquence de second ordre peut être très différente. Si les vendeurs disposent eux aussi d’agents capables d’observer les concurrents en temps réel, d’ajuster les prix et d’apprendre les comportements des acheteurs, le marché se transforme en compétition algorithmique des deux côtés.

Nous pouvons alors avoir une transparence extrême et simultanément une nouvelle opacité : personne ne comprend exactement pourquoi le prix affiché change. Le prix se personnalise et se dynamise, jusqu’à prendre une forme presque conversationnelle. Il ne s’agit plus seulement du prix d’un produit. Il s’agit du prix proposé à cette personne, à cet instant, selon un ensemble de conditions. Cela existe déjà sous certaines formes. L’IA peut le rendre beaucoup plus fin.

Cette personnalisation pose une question économique et morale importante : deux personnes doivent-elles toujours payer le même prix pour le même bien ? L’économie répond qu’il existe depuis longtemps des discriminations tarifaires légitimes : réduction étudiante, prix selon l’heure, tarifs négociés. Mais lorsque le système estime individuellement votre disposition maximale à payer, la relation change. Le vendeur cherche alors à capturer presque tout le surplus du consommateur. L’agent sait peut-être que vous avez une urgence, que votre revenu est élevé, que vous êtes peu sensible au prix.

Il peut donc adapter l’offre. C’est rationnel pour le vendeur. Mais cela peut produire un sentiment profond d’injustice si les critères sont opaques. Voilà pourquoi la transparence tarifaire deviendra probablement un sujet majeur. Il ne s’agit pas nécessairement d’exiger un prix unique partout, ce qui serait économiquement absurde, mais de rendre certains mécanismes visibles. Le consommateur doit peut-être savoir qu’un prix est personnalisé et sur quelles grandes catégories de données il repose. Encore la provenance, appliquée cette fois au prix.

D’où vient ce chiffre ? Nous avions l’habitude de considérer le prix comme une donnée objective affichée sur une étiquette. Dans un marché algorithmique, il devient une décision dynamique. Il possède donc une généalogie.

Quel modèle ?

Quelles variables ?

Quelle concurrence observée ?

Le prix lui-même entre dans le calcul algorithmique.

Cela change la manière de penser la concurrence. Traditionnellement, le régulateur observe des niveaux de prix, des parts de marché, des accords entre entreprises. Mais que se passe-t-il lorsque plusieurs agents de tarification apprennent indépendamment qu’une certaine stabilité des prix est plus profitable ? Ils peuvent converger vers un comportement ressemblant à une collusion sans jamais avoir échangé un message explicite : « ne baissons pas les prix ». C’est un problème extrêmement intéressant. Le droit de la concurrence s’est construit autour de la preuve d’un accord ou d’une pratique concertée.

Mais des algorithmes adaptatifs peuvent produire une coordination émergente. Personne n’a donné l’ordre. Le résultat ressemble pourtant à une entente. Nous retrouvons exactement le problème des essaims : des règles locales peuvent produire un comportement collectif que personne n’a explicitement décidé. La question de responsabilité se révèle alors redoutable. Peut-on sanctionner une entreprise parce que son algorithme a appris un comportement coordonné ? Si l’entreprise pouvait raisonnablement prévoir le risque et l’a laissé faire, peut-être.

Si le résultat était réellement imprévisible, le droit devra être plus subtil. On ne peut pas abandonner l’exigence de causalité simplement parce que le système est complexe. Mais on ne peut pas non plus laisser l’opacité devenir refuge. Il faudra probablement imposer aux entreprises utilisant certains systèmes de tarification avancés une obligation de surveillance de leurs effets. Encore le devoir de diligence algorithmique. L’entreprise ne peut pas seulement dire : je n’ai pas programmé une collusion.

Elle doit regarder ce que son système produit réellement. Cela rejoint toute la philosophie des chapitres précédents : celui qui bénéficie d’un agent doit aussi assumer un devoir de contrôle. Mais attention au risque de sur-régulation. Si chaque modification de prix par un modèle devait être validée humainement, on détruirait précisément les gains de l’automatisation. Il faut donc distinguer l’action individuelle normale du comportement systémique problématique. Le régulateur pourrait analyser les motifs sur la durée. C’est ici qu’il utilisera lui-même l’intelligence artificielle.

Nous entrons dans une économie où les agents de marché seront surveillés par des agents de régulation. Encore la récursivité. Cela rappelle les marchés financiers, où la surveillance automatisée existe déjà. Mais cette logique pourrait s’étendre au commerce, à l’énergie, au transport. Les régulateurs auront besoin de capacités comparables à celles des acteurs qu’ils surveillent. Sinon, l’asymétrie cognitive prend des proportions considérables. C’est une règle générale du pouvoir : un régulateur incapable de comprendre l’architecture de l’industrie régulée devient progressivement dépendant de cette industrie.

L’IA amplifie ce problème parce que la complexité technique augmente. Il faut donc investir dans la capacité publique. Cela ne signifie pas que l’État doive posséder les modèles les plus performants du marché dans chaque domaine. Il doit posséder suffisamment de compétence et d’outils pour auditer. C’est ce que j’ai défendu pour l’État algorithmique. La régulation doit avoir son infrastructure.

Mais le marché algorithmique pose un autre problème : la vitesse. Une violation ou une instabilité peut se produire en quelques secondes. La procédure administrative traditionnelle prend des mois ou des années. Le temps juridique et le temps algorithmique se dissocient complètement. Cela oblige à distinguer deux fonctions de la régulation : la réaction immédiate et l’enquête. Pour la première, il faut des coupe-circuits, des limites automatiques.

Pour la seconde, le contradictoire peut prendre du temps. Les marchés financiers ont déjà répondu à cette difficulté par les suspensions de cotation. Lorsque le système bouge trop vite, on arrête temporairement le mécanisme pour permettre au temps humain de revenir. Cette idée du ralentisseur revient encore et encore. Elle n’est pas accidentelle. La civilisation consiste souvent à introduire de la latence dans des systèmes capables d’aller plus vite que notre capacité de jugement. Le marché algorithmique aura besoin de ralentisseurs.

Mais où les placer ?

Trop de restrictions peuvent réduire la liquidité et l’efficacité. Trop peu peuvent permettre des dynamiques de panique. C’est un arbitrage classique. Le flash crash en fournit une image particulièrement claire. Des algorithmes réagissent aux algorithmes, les ordres se propagent, les prix s’effondrent ou bondissent sans que les fondamentaux aient changé dans les mêmes proportions. Le phénomène peut être corrigé rapidement.

Mais il révèle une chose essentielle : un marché peut produire un état que personne ne voulait individuellement. C’est une propriété du système. L’IA augmente cette possibilité parce que les agents deviennent plus complexes et plus nombreux. Les interactions peuvent produire des boucles de rétroaction difficiles à anticiper. Un modèle observe une baisse et vend. Les autres observent ces ventes et concluent que le risque augmente. Ils vendent aussi.

La boucle s’amplifie comme une dynamique de foule portée à la vitesse machine. Le marché a toujours connu les paniques. L’algorithme ne les invente pas. Il peut les compresser. Ce changement de temporalité est fondamental. Un mouvement qui aurait pris des heures peut prendre quelques secondes.

L’humain n’a plus le temps d’intervenir. Voilà pourquoi la gouvernance du marché doit être intégrée au protocole lui-même. On ne peut pas compter uniquement sur un superviseur qui regarde un écran. Il faut des règles automatiques. Le code devient une micro-régulation. Mais cette automatisation de la sécurité peut elle-même produire des effets inattendus. Plusieurs coupe-circuits peuvent se déclencher simultanément et déplacer la liquidité vers d’autres marchés.

Encore la complexité. Il faut donc tester les régulations comme on teste des systèmes : simulations, scénarios adversaires, situations extrêmes. Le droit financier devient une ingénierie dynamique. C’est intéressant parce que cela montre l’évolution générale de l’institution. La règle n’est plus seulement un texte. Elle devient un paramètre opérationnel.

Une limite de variation.

Un délai.

Un seuil.

C’est exactement la convergence du droit et du code. Mais il faut maintenir une distinction essentielle : le paramètre est modifiable.

Qui le choisit ?

Selon quelle légitimité ?

Un seuil de 5 % ou de 10 % peut produire des effets économiques différents. Ce choix semble technique. Il possède pourtant une dimension politique. Nous retrouvons exactement le problème de l’État algorithmique. La technique contient des valeurs. Le marché algorithmique ne sera donc pas plus neutre que le marché humain. Il y aura simplement des règles parfois plus difficiles à voir.

C’est pourquoi la transparence sur les grandes architectures est importante. Le public n’a pas besoin de connaître chaque ligne du code d’une bourse.

Mais les principes doivent être compréhensibles :

Dans quelles situations le marché s’arrête ?

Qui peut intervenir ?

Comment les ordres sont-ils priorisés ?

Ce sont presque des règles constitutionnelles du marché. La comparaison n’est pas excessive. Une bourse est une institution de confiance. Les participants acceptent d’échanger parce qu’ils pensent que les règles sont stables et appliquées équitablement. Si l’infrastructure favorise secrètement certains acteurs, la confiance disparaît. C’est pourquoi l’accès à la vitesse elle-même est devenu historiquement une question. Dans les marchés électroniques, quelques microsecondes peuvent représenter une valeur.

La proximité physique des serveurs et la qualité des liaisons créent des avantages. C’est déjà un monde où l’espace et le temps sont marchandisés. L’IA ajoute maintenant la qualité cognitive. Un agent plus rapide, mais aussi meilleur pour interpréter les signaux, peut capter davantage d’opportunités. Nous entrons donc dans une compétition où le capital technologique produit un avantage presque instantané. Cela pose une question d’équité de marché. Faut-il garantir à tous exactement la même technologie ?

Évidemment non. La concurrence repose aussi sur l’innovation. Mais il faut empêcher que certaines asymétries viennent d’un accès privilégié aux règles ou aux données non publiques. C’est la distinction classique entre avantage compétitif et délit d’initié. L’IA ne change pas ce principe. Elle augmente simplement la capacité à exploiter l’information. Un modèle peut combiner des milliers de données publiques pour déduire quelque chose que personne n’avait vu.

Est-ce un avantage légitime ? En principe, oui. C’est précisément l’analyse. Mais lorsque les données incluent des informations obtenues illicitement ou par privilège, le problème demeure. Le droit doit donc continuer à regarder la provenance de l’information. Encore cette notion. D’où vient le signal ?

La machine peut produire une inférence brillante. Si elle repose sur une donnée interdite, le résultat peut être juridiquement contaminé. La difficulté tient au fait que l’IA peut inférer des informations proches de données privées à partir de données publiques. Nous avons vu le problème avec les inférences personnelles. Il existe aussi sur les marchés. Un modèle peut peut-être estimer qu’une entreprise va annoncer un problème à partir d’images satellites de ses usines, de mouvements de recrutement ou de trafic maritime. C’est une analyse de données ouvertes.

Elle peut donner un avantage considérable. Le marché deviendra donc une bataille de renseignement économique automatisé. Cela peut augmenter l’efficience des prix parce que davantage d’informations sont incorporées rapidement. Mais cela peut également renforcer les acteurs capables de payer les meilleures données et le meilleur calcul. L’information publique n’est pas égale si certains peuvent la traiter beaucoup mieux. C’est une vieille vérité. Une bibliothèque ouverte à tous n’abolit pas la différence entre celui qui sait l’interroger et celui qui ne le sait pas.

Artprice est né exactement de cette compréhension. La valeur n’est pas seulement l’accès aux documents. C’est la normalisation, l’indexation, la capacité à faire apparaître des relations. L’IA généralise cela au marché entier. La compétition se déplacera donc vers les infrastructures de données. Les acteurs capables de construire des corpus propriétaires de qualité auront un avantage. Cela peut créer des barrières à l’entrée.

Une startup peut avoir un excellent modèle mais pas vingt ans de données. Une entreprise historique peut avoir les données mais une architecture technique plus lente. La concurrence combine désormais mémoire et calcul. C’est une géométrie intéressante. Le nouvel entrant possède parfois la technologie. L’ancien, la profondeur historique. Celui qui sait combiner les deux possède un avantage.

Cela explique pourquoi les acquisitions de données deviennent stratégiques. Nous l’avons vécu avec Artprice. Acheter des archives, des fonds, ce n’était pas accumuler du papier. C’était acquérir du temps historique. On ne peut pas recréer rapidement certaines séries. Le temps devient un actif économique. L’IA augmente sa valeur parce qu’elle sait exploiter ce que l’humain ne pouvait parcourir entièrement.

C’est une revanche du long terme dans un marché obsédé par la vitesse. Voilà un paradoxe qui m’intéresse particulièrement : les systèmes les plus rapides peuvent tirer leur avantage des archives les plus anciennes. Vitesse et profondeur ne s’opposent pas. Elles se multiplient. C’est précisément ma manière de penser. La modernité la plus radicale peut reposer sur la mémoire la plus ancienne. Nous retrouvons l’alchimie, l’archive, la banque de données.

Le marché algorithmique n’est donc pas uniquement un marché de millisecondes. Il est un marché où des siècles de données peuvent être mobilisés en millisecondes. Mais cette capacité augmente également le risque de sur-ajustement historique. Un modèle peut trouver des régularités magnifiques qui n’existent plus. Le marché change. Les régimes monétaires changent. Les comportements changent.

Une relation observée pendant vingt ans peut disparaître lorsque suffisamment d’acteurs l’utilisent. C’est la réflexivité. Dès qu’une stratégie devient connue, son avantage diminue. Le marché réagit au modèle du marché. C’est ce qui distingue profondément l’économie de beaucoup de phénomènes naturels. Le modèle ne reste pas extérieur : il agit sur le marché.

L’IA amplifie cette réflexivité. Si un modèle populaire détecte qu’un certain signal annonce une hausse, des millions d’agents peuvent acheter dès que le signal apparaît, faisant monter le prix avant même l’événement anticipé. La prédiction se réalise parce qu’elle est crue. Ou, au contraire, elle s’annule parce que tous ont déjà agi. Le système entre dans une boucle récursive. C’est extrêmement difficile à modéliser. Les modèles apprennent sur un monde qui se transforme en fonction de leurs propres recommandations.

C’est presque une boucle cybernétique. Voilà pourquoi le marché algorithmique ne pourra probablement jamais être entièrement prévisible, même avec des IA très puissantes. La puissance de calcul ne supprime pas la réflexivité. Elle peut l’accélérer. C’est une limite fondamentale à l’idée d’un marché parfaitement optimisé. Le marché est un système adaptatif peuplé d’acteurs qui apprennent les uns des autres. Chaque stratégie efficace attire des imitateurs et modifie l’environnement.

Encore la mutation. Seuls les mutants survivent. Mais ici, la mutation est permanente. Un agent doit recalibrer ses stratégies à mesure que les autres changent. Cela ressemble à la coévolution militaire. La frontière entre stratégie économique et stratégie adverse devient plus fine. Évidemment, le marché n’est pas la guerre.

Les acteurs peuvent coopérer, créer de la valeur commune. Mais ils cherchent aussi un avantage relatif. Les agents apprendront donc à anticiper les agents des autres. Cela peut conduire à des niveaux de sophistication impressionnants.

L’agent ne se demande plus seulement :

Quel est le meilleur prix ?

Il se demande :

Comment l’autre agent va-t-il réagir si je propose ce prix ?

Nous entrons dans des interactions stratégiques récursives. C’est exactement la théorie des jeux augmentée par l’apprentissage. Deux systèmes peuvent tester des milliers de stratégies. Cela peut améliorer la négociation. Mais cela peut également produire des tactiques difficiles à comprendre pour les humains. Un agent découvre qu’une séquence particulière de propositions maximise le résultat. Pourquoi ?

Peut-être personne ne sait l’expliquer simplement. La négociation devient opaque alors même qu’elle est plus efficace. Cette opacité pose un problème de consentement. Une entreprise doit-elle accepter des contrats négociés selon des stratégies qu’elle ne comprend pas ? Si les limites sont respectées, peut-être. Mais pour les actes importants, le conseil humain doit comprendre au moins les principaux termes. Encore l’autonomie proportionnelle à l’irréversibilité.

Une micro transaction peut être totalement automatisée. Une acquisition d’entreprise ne devrait pas être conclue simplement parce que deux agents ont convergé. La hiérarchie des actes reste essentielle. Le marché algorithmique ne signifie donc pas disparition de l’humain. Il produit une stratification temporelle. Les machines peuvent prendre en charge le très rapide, le répétitif, le micro. Les humains demeurent davantage sur le lent, le stratégique, l’irréversible.

Mais cette frontière peut elle-même bouger. Certaines décisions que nous considérons aujourd’hui comme stratégiques pourront être largement automatisées lorsque les systèmes deviendront plus fiables. Il faut donc conserver des principes, pas une liste figée. Encore la permanence mutante. La gouvernance doit réviser régulièrement ses seuils. Mais il existe un risque politique important : à mesure que les marchés deviennent trop rapides pour être compris directement, ils peuvent perdre leur légitimité sociale.

Le citoyen voit un prix bouger, une entreprise disparaître, un fonds gagner des milliards, sans comprendre les mécanismes. L’économie peut être perçue comme une machine étrangère. C’est déjà parfois le cas. L’IA peut accentuer ce sentiment. Une société ne peut pas reposer uniquement sur une efficacité que personne ne comprend. La légitimité exige une certaine intelligibilité. Cela ne signifie pas que chaque citoyen doive comprendre les modèles de haute fréquence.

Mais il doit pouvoir comprendre les règles, savoir qu’elles sont contrôlées et que les abus sont sanctionnés. C’est exactement la différence entre complexité et opacité. Une centrale nucléaire est complexe. La société accepte son existence si elle fait confiance aux institutions qui la contrôlent. Le marché algorithmique aura besoin de la même culture de sûreté. Peut-être que la finance devra abandonner une partie de son imaginaire de liberté totale pour se penser davantage comme infrastructure critique. Elle l’est déjà.

Les paiements, le crédit, les marchés financent l’économie réelle. Une défaillance systémique peut toucher tout le monde. L’IA renforce donc l’idée qu’un marché est une infrastructure, pas seulement un lieu de spéculation. Cela justifie des protections. Mais la régulation doit rester consciente que la prise de risque est également nécessaire. Un marché sans risque n’existe pas. Si l’on empêche toute perte, on détruit le mécanisme de prix.

Il faut donc distinguer le risque économique normal et le risque systémique créé par une architecture. C’est une nuance essentielle. Un investisseur peut perdre parce qu’il a pris une mauvaise décision. C’est le marché. Mais des millions d’investisseurs ne devraient pas subir une défaillance parce qu’un protocole mal conçu a déclenché une boucle incontrôlée. Le rôle du régulateur est d’abord de sécuriser l’infrastructure, pas de garantir chaque résultat. Cette distinction doit rester claire.

Sinon, l’aléa moral augmente. Cela rejoint la responsabilité du capital. Celui qui prend le gain doit accepter une part du risque. L’IA ne doit pas permettre de privatiser la performance et de socialiser automatiquement l’erreur. Mais les systèmes très interconnectés créent un problème : laisser tomber un acteur peut provoquer une contagion. C’est le dilemme classique du too big to fail.

L’IA peut produire de nouveaux too connected to fail. Une entreprise peut ne pas être gigantesque en chiffre d’affaires et devenir pourtant un nœud cognitif central pour beaucoup d’autres. Un fournisseur de modèle. Un service de données. Sa défaillance peut propager un choc. Voilà pourquoi l’analyse du graphe économique doit entrer dans la régulation systémique. La taille ne suffit plus.

Il faut regarder la centralité. C’est exactement la même logique que dans les réseaux terroristes ou les infrastructures numériques. Quel nœud relie combien d’acteurs ? La régulation systémique devra cartographier ces dépendances. Cela peut conduire à des obligations spécifiques de résilience pour certains fournisseurs. Encore l’infrastructure critique. Si un modèle est utilisé par des milliers d’entreprises financières, son statut change de fait.

Il devient quasi systémique. Cela ne signifie pas que l’État doive le contrôler directement. Mais il peut exiger des plans de continuité, des tests, des mécanismes de redondance. C’est déjà la logique appliquée à d’autres infrastructures. L’IA s’y intègre.

Et cela pose immédiatement une autre question :

Que se passe-t-il si ces nœuds critiques appartiennent à des entreprises d’une autre puissance ?

Nous revenons à la souveraineté cognitive. Un marché national peut être légalement souverain et techniquement dépendant. Des entreprises françaises peuvent utiliser des agents hébergés aux États-Unis ou ailleurs. En cas de crise géopolitique, quelles garanties ? Le marché algorithmique devient donc aussi un marché géopolitique. Les sanctions peuvent couper l’accès à des technologies. Les États peuvent utiliser le contrôle des modèles comme levier économique.

C’est déjà visible avec les semi-conducteurs.

L’IA ajoute une nouvelle couche. Une puissance qui possède les infrastructures cognitives peut influencer l’économie des autres sans contrôler directement leurs entreprises. Voilà pourquoi l’Europe, la Chine et les États-Unis cherchent chacun à développer leurs propres capacités. Ce n’est pas seulement du protectionnisme. C’est aussi la reconnaissance d’une dépendance critique.

Mais trop de souveraineté fermée peut fragmenter le marché mondial.

Nous retrouvons le même dilemme : sécuriser sans isoler. Si chaque bloc développe des agents incompatibles et des standards différents, les coûts de transaction remontent. Il faudra donc préserver des protocoles d’interopérabilité. Le marché mondial dépend de standards communs. Mon agent français doit pouvoir comprendre le contrat de l’agent indien.

Cela nécessite des formats, des identités, des règles. La bataille des normes sera considérable. Celui dont le standard devient dominant peut structurer une partie du commerce. C’est exactement ce qui s’est passé avec les cartes de paiement, les systèmes d’exploitation, les protocoles Internet. Les agents deviennent la prochaine interface. Qui possède l’interface possède une forme de pouvoir.

Mais il existe une particularité : l’agent peut choisir lui-même le fournisseur. Si les agents personnels optimisent réellement dans l’intérêt de l’utilisateur, ils peuvent réduire l’importance des marques dominantes. Ils peuvent chercher automatiquement la meilleure offre chez un petit acteur inconnu. Cela pourrait favoriser la concurrence. Mais les grandes plateformes peuvent aussi contrôler l’agent lui-même et donc orienter la recherche. C’est le nouveau goulot d’étranglement.

Le pouvoir se déplace de la page de résultats vers l’assistant. Le moteur de recherche montrait plusieurs liens. L’agent peut choisir directement. Cela concentre énormément la fonction d’intermédiation. Voilà une question antitrust majeure. Si un agent dominant effectue les achats pour des centaines de millions de personnes, sa règle de sélection peut décider du succès ou de l’échec de milliers d’entreprises. Même sans intention malveillante, son architecture devient une politique économique privée.

Cela mérite une vigilance considérable. Les critères de recommandation doivent peut-être être plus transparents lorsqu’un agent atteint une position quasi infrastructurelle. Mais attention à ne pas obliger à révéler tous les secrets algorithmiques, ce qui favoriserait le contournement. Encore l’équilibre.

On peut imposer des principes : possibilité de choisir d’autres agents ; interdiction de favoriser secrètement ses propres services ; audit indépendant.

C’est similaire aux débats historiques sur les plateformes. L’IA ne crée pas le problème de l’intermédiation dominante. Elle le rend plus puissant parce que l’interface devient décisionnelle. C’est une différence de degré immense. Une plateforme qui classe des produits influence. Un agent qui achète sans montrer tout le classement décide. Voilà pourquoi le mandat fiduciaire des agents personnels devient central.

Si l’agent agit juridiquement dans mon intérêt, il ne devrait pas favoriser l’écosystème de son fournisseur sans le déclarer. Ce principe peut restructurer le marché. Cela pourrait créer des agents indépendants payés directement par l’utilisateur, comme un conseiller. Le modèle économique est déterminant. Un service gratuit financé par les vendeurs n’a pas la même loyauté qu’un service payé par l’acheteur. Nous avons déjà rencontré cette question dans la finance avec les conseillers. L’IA généralise le conflit d’intérêts.

Encore la provenance de la recommandation. Le marché algorithmique peut donc rendre le consommateur extrêmement puissant ou extrêmement manipulable selon l’architecture. C’est une bifurcation essentielle. Si les agents sont loyaux envers l’utilisateur et portables, la concurrence peut s’intensifier. S’ils sont contrôlés par quelques plateformes intégrées, la concentration peut augmenter. La technologie permet les deux futurs. Cela confirme une fois de plus que l’institution décide.

Le même progrès technique peut produire une architecture ouverte ou fermée. Il n’y a pas de destin technologique. Il y a des choix de standards, de droit, de modèle économique. Cette responsabilité politique est importante. Nous ne devons pas dire dans dix ans : c’était inévitable. Non.

Des choix seront faits. Le rôle du droit est d’orienter les incitations sans prétendre concevoir chaque résultat. C’est délicat. Trop intervenir peut figer un secteur. Ne pas intervenir peut laisser s’installer des positions difficiles à renverser. Le timing devient essentiel. Une régulation arrivée après qu’un standard propriétaire possède presque tout le marché est beaucoup plus difficile.

C’est exactement l’effet de verrouillage. Il faut donc parfois agir tôt sur l’interopérabilité plutôt que sur les produits. C’est une leçon d’Internet. Préserver les portes ouvertes. Si l’utilisateur peut changer d’agent et emporter ses données, la concurrence reste possible même si un acteur domine momentanément. La portabilité devient donc un instrument de politique de concurrence. C’est une idée forte.

Le marché algorithmique ne doit pas être conçu seulement avec des règles sur les prix, mais aussi avec des règles sur la mobilité des identités et des données. La concurrence dépend de l’architecture technique. Cela montre encore la fusion entre droit et ingénierie. Un bouton « exporter » peut devenir un outil de politique économique. Les grandes batailles du pouvoir se cachent parfois dans les formats de fichier. Je l’ai vu toute ma vie. Celui qui possède un format fermé possède une rente.

Celui qui impose l’interopérabilité redistribue le pouvoir. C’est exactement pourquoi les standards sont si politiques. L’économie des agents rend cette réalité encore plus visible. Mais il ne faut pas fantasmer un marché parfaitement fluide où les agents changent de fournisseur chaque seconde. La confiance, la qualité, la réputation continueront à créer de la fidélité. Une relation économique n’est pas uniquement un prix. Un agent peut apprendre que tel fournisseur est légèrement plus cher mais beaucoup plus fiable.

Il peut intégrer des critères qualitatifs. Cela peut améliorer le marché en rendant la réputation plus mesurable. Mais là encore, attention au score unique. La réputation est multidimensionnelle. Qualité. Délais. Service. Un score agrégé peut masquer. L’agent devrait pouvoir adapter selon les préférences de l’utilisateur. Pour l’un, le prix. Pour l’autre, la provenance écologique. Pour un troisième, le délai. Le marché devient alors extrêmement personnalisé. Cela peut créer une fragmentation des prix et des offres. La notion même de marché unique devient plus abstraite.

Deux personnes ne voient plus nécessairement le même univers commercial. C’est déjà le cas avec les recommandations. Les agents l’amplifieront. Cela pose une question sociologique : si chacun possède son marché personnalisé, la perception collective des prix peut se fragmenter. Les comparaisons deviennent plus difficiles. Les statistiques publiques devront peut-être évoluer. L’indice des prix moyen peut devenir moins représentatif si les prix sont hyper personnalisés. Nous aurons besoin de nouvelles méthodes de mesure.

C’est un sujet macroéconomique important. Les institutions statistiques devront collecter des données plus fines tout en protégeant la vie privée. L’IA peut aider à construire des indices dynamiques. Mais elle ne doit pas masquer les inégalités. Un prix moyen peut cacher que certains groupes paient systématiquement plus. Encore la distribution. Les régulateurs devront peut-être regarder les écarts selon les profils.

Mais cela nécessite de savoir quelles données sont utilisées. Transparence encore. Le marché algorithmique rend la mesure elle-même plus complexe. C’est un paradoxe : nous avons davantage de données, mais les catégories économiques deviennent plus fluides. Un prix n’est plus stable. Un produit peut être personnalisé. Comment calculer l’inflation lorsque l’offre elle-même change pour chaque utilisateur ?

Les économistes devront développer de nouvelles méthodologies. C’est une mutation intéressante parce qu’elle montre que l’IA ne transforme pas seulement le marché. Elle transforme aussi les instruments avec lesquels nous le regardons. La statistique économique doit muter. Et cela peut avoir des conséquences politiques immenses. Les banques centrales prennent des décisions sur des indicateurs. Si les indicateurs deviennent moins adaptés, la politique monétaire peut devenir moins précise.

L’IA peut évidemment aider à utiliser davantage de données en temps réel. Nous entrons peut-être dans une macroéconomie plus haute fréquence. Les banques centrales peuvent suivre des paiements, des prix en ligne, des flux logistiques presque instantanément. Cela améliore le diagnostic. Mais là encore, plus de données ne garantit pas une meilleure décision. Le risque est de réagir trop vite aux signaux bruyants. La macroéconomie a besoin de distinguer tendance et volatilité.

Encore le ralentissement. Une banque centrale qui réagit à chaque fluctuation en temps réel peut amplifier l’instabilité. L’IA doit donc servir à comprendre plus vite sans nécessairement décider plus vite. Nous retrouvons exactement la distinction du chapitre sur la guerre cognitive : vitesse de calcul n’est pas vitesse d’action. C’est un invariant. Le marché peut produire des données en millisecondes. La politique monétaire peut avoir besoin de semaines de recul.

L’intelligence consiste à respecter la bonne temporalité pour chaque décision.

Cette multi-temporalité s’impose comme une compétence institutionnelle essentielle. Les entreprises fonctionnent à la seconde. Les investisseurs à la minute ou à l’année. Les États sur plusieurs années. L’IA tend à rapprocher tous les temps vers l’instant. Il faut résister à cette attraction. Certaines choses ne doivent pas être accélérées. Une politique industrielle demande dix ans. Un marché financier réagit en dix millisecondes. Confondre les deux est dangereux. L’une des fonctions de l’État est précisément de représenter le temps long que le marché peut sous-pondérer.

L’IA peut aider le marché à mieux anticiper le long terme. Mais les incitations restent souvent courtes. Un gestionnaire peut savoir qu’un risque climatique existe à vingt ans et être évalué sur sa performance trimestrielle. Le modèle ne corrige pas l’incitation. Voilà encore une limite. La technologie ne remplace pas l’institution. Il faut aligner les horizons.

C’est une question de gouvernance. Le marché algorithmique peut même raccourcir davantage l’horizon si les agents optimisent continuellement. Chaque seconde devient une opportunité. Cela peut augmenter le turnover et réduire la patience du capital. Mais l’inverse est possible. Un agent peut être programmé pour poursuivre une stratégie sur trente ans sans être influencé par la peur ou l’émotion quotidienne. Un fonds de pension algorithmique pourrait avoir une discipline de long terme supérieure à celle d’un humain soumis aux fluctuations.

Encore la dualité. L’IA peut raccourcir ou allonger le temps selon l’objectif. Ce n’est pas la machine qui impose la temporalité. C’est la fonction de récompense. Si nous demandons la performance quotidienne, elle optimise le quotidien. Si nous demandons la préservation intergénérationnelle, elle peut intégrer un horizon beaucoup plus long. Cela rejoint les stratégies étatiques de long terme.

L’IA pourrait devenir un outil de politique de long terme précisément parce qu’elle peut simuler plusieurs décennies. Mais la simulation reste dépendante des hypothèses. Plus l’horizon est long, plus l’incertitude augmente. Il faut donc présenter des scénarios, pas une prévision unique. Encore le pluralisme des futurs. Le marché algorithmique pourrait bénéficier énormément de cette culture scénaristique. Un investisseur ne demanderait pas seulement le rendement probable, mais les scénarios de rupture.

Cela améliorerait peut-être la résilience. Mais le capital aime les chiffres uniques. Un score simplifie. C’est dangereux. Il faut apprendre à montrer les distributions et les queues de risque. L’IA est parfaitement capable de le faire. Le problème est souvent l’interface.

Nous revenons à la présentation de l’incertitude. Une valeur de 7,2 % paraît précise. Peut-être repose-t-elle sur une plage énorme. Le design financier doit devenir plus honnête. C’est une dimension de gouvernance. La machine peut calculer un milliard de scénarios. Si l’écran affiche un seul chiffre, une partie de l’intelligence est perdue.

Voilà un point essentiel. L’IA peut augmenter la complexité de notre compréhension ou la masquer derrière un score. Le choix de l’interface est politique. Cela vaut pour le marché comme pour l’État. C’est presque une constante de toute cette partie. Nous construisons des systèmes très complexes et nous devons décider comment restituer cette complexité à l’humain. Trop d’informations paralysent.

Trop peu créent une illusion. Le bon niveau de synthèse est un art. Peut-être que les agents personnels deviendront précisément cette couche de traduction. Le marché produit une complexité immense. Mon agent l’interprète selon mes objectifs. Cela peut rendre le système plus accessible. Mais encore une fois :

Je dois faire confiance à l’agent.

Nous revenons au mandat et à la loyauté. Tout se boucle. C’est exactement la structure du réseau : chaque chapitre devient un nœud relié aux autres. L’économie des agents n’est pas un nouveau sujet séparé. Elle concentre identité, preuve, souveraineté, travail, responsabilité.

Cela me confirme que l’IA agit comme une nouvelle couche de coordination, non parce qu’elle constituerait un secteur isolé, mais parce qu’elle traverse toutes les autres structures. Le marché est lui-même coordination. Leur rencontre est donc particulièrement profonde. Nous pouvons même imaginer que certains marchés disparaissent dans leur forme actuelle parce que les agents négocient directement.

Pourquoi afficher un prix fixe si chaque transaction peut être négociée instantanément ?

Dans certains secteurs, le prix affiché peut devenir prix indicatif. Mon agent envoie une proposition.

Le vendeur répond. Une sorte de bazar mondial automatisé. C’est presque un retour à une forme ancienne du commerce avec des outils hypermodernes. L’Histoire est pleine de ces boucles. Le prix fixe dans le commerce de détail est historiquement relativement récent. L’IA pourrait réintroduire la négociation à grande échelle. Cela serait particulièrement intéressant.

Mais cela peut rendre le marché moins lisible pour l’humain. Si personne ne sait ce que les autres paient, l’asymétrie augmente. Les agents devront donc partager certaines statistiques. On peut imaginer des services qui disent : des acheteurs comparables ont payé entre X et Y. Cela redonne du pouvoir. Encore l’information comme contre-pouvoir.

Artprice a précisément transformé une partie du Marché de l’Art en donnant des références de prix là où l’opacité dominait. L’économie agentique pourrait reproduire cette bataille dans d’autres secteurs. Si les prix deviennent personnalisés, les banques de données de transactions réelles deviennent extrêmement précieuses. Celui qui sait ce que les autres ont réellement payé peut négocier mieux.

Nous verrons donc probablement apparaître des systèmes comparables, dans leur fonction, à ce qu’Artprice a construit pour le Marché de l’Art : des mémoires de prix réels et de conditions transactionnelles qui alimentent les agents. Cette donnée acquiert une valeur stratégique. Mais elle pose des questions de confidentialité. Une transaction privée doit-elle être partagée ? Il faudra agréger, anonymiser, différer parfois la publication. Encore l’arbitrage entre transparence du marché et confidentialité commerciale. Les marchés financiers connaissent déjà ce problème.

Certaines transactions doivent être publiées. D’autres ne le sont pas immédiatement afin de ne pas révéler une stratégie. L’économie algorithmique généralisera ces questions. La transparence totale n’est pas toujours optimale. Elle peut même faciliter la collusion en permettant à tous les vendeurs de vérifier immédiatement que personne ne baisse les prix. Voilà un paradoxe important. On pense que la transparence augmente la concurrence.

Dans certaines architectures, trop de transparence entre vendeurs peut faciliter la coordination. Encore les conséquences de second ordre. Il n’existe pas de règle absolue : plus de données égale meilleur marché. Il faut analyser l’architecture.

Qui voit quoi ?

Et quand ?

Cette temporalité de la transparence est essentielle. Une donnée peut être publiée avec délai. Cela protège certaines stratégies tout en permettant l’audit. Les marchés financiers utilisent déjà cette logique. L’IA rendra probablement ces mécanismes plus sophistiqués. Nous aurons des transparences différées, agrégées, conditionnelles. C’est exactement cette granularité qui produit de bonnes institutions.

Les slogans échouent toujours. Le marché algorithmique est trop complexe pour « tout ouvrir » ou « tout fermer ». Il faut construire les flux d’information. Encore l’architecture. Et cela pose la question de la démocratie économique. Si les agents deviennent les principaux intermédiaires de consommation et d’investissement, leur gouvernance influence énormément la société.

Qui définit les critères éthiques, environnementaux, géographiques ou de provenance qu’ils utilisent ?

Un citoyen peut choisir : privilégier les entreprises françaises ; réduire l’impact carbone ; maximiser le prix le plus bas.

L’agent devient une traduction économique de valeurs personnelles. Cela peut donner au consommateur un pouvoir considérable. Des millions d’agents peuvent déplacer la demande en fonction de préférences éthiques. Mais cela peut aussi fragmenter l’économie en bulles idéologiques. Certains agents évitent toutes les entreprises liées à telle position politique. D’autres font l’inverse. Le marché devient alors un instrument de polarisation.

Nous voyons déjà des boycotts. L’automatisation peut les rendre permanents et invisibles. Une préférence configurée une fois peut exclure certains fournisseurs pendant des années. Cela peut avoir des conséquences sociales. Encore le risque du profil figé. Il faut permettre la révision.

La liberté n’est pas seulement choisir une fois. C’est pouvoir choisir à nouveau.

Un agent devrait donc vérifier périodiquement si certains critères sont toujours souhaités. Vous aviez exclu tel type de fournisseur il y a trois ans. Voulez-vous maintenir ce critère ? Cela semble un détail d’interface. C’est une philosophie de la liberté. Une délégation permanente peut transformer le choix passé en destin. L’agent doit donc intégrer la possibilité de la mutation.

Encore et toujours. Cela me confirme que Seuls les mutants survivent n’est pas seulement une formule biologique ou entrepreneuriale. C’est aussi un principe de gouvernance des systèmes d’IA. Un système doit permettre à ses objectifs et préférences d’évoluer. La rigidité est une forme de vulnérabilité. Le marché lui-même survit parce qu’il mute.

Les entreprises apparaissent.

Disparaissent.

Les prix changent.

L’IA peut accélérer cette mutation. Elle peut aussi verrouiller certains comportements si les standards se concentrent. C’est le paradoxe. Le marché reste vivant tant qu’il existe de la diversité et de l’entrée. La concurrence n’est pas seulement plusieurs entreprises aujourd’hui. C’est la possibilité que de nouvelles apparaissent demain. L’interopérabilité est donc une condition de la mutation économique.

Si les agents dominants ne peuvent parler qu’aux grandes plateformes, les nouveaux entrants deviennent invisibles. Les protocoles ouverts constituent alors une politique d’innovation. Cette idée est essentielle.

L’architecture technique peut décider de la contestabilité du marché.

C’est presque une constitution économique. Là encore, le standard n’est jamais neutre. Il définit qui peut entrer. Le régulateur devrait donc regarder les protocoles de découverte.

Un petit fournisseur peut-il être trouvé par les agents ?

Faut-il payer pour être indexé ?

Les agents peuvent-ils interroger directement des catalogues ouverts ?

Cela ressemble aux débats sur les moteurs de recherche, mais avec un enjeu plus direct parce que l’agent peut acheter. Le pouvoir d’intermédiation devient transactionnel. C’est probablement l’un des grands enjeux futurs de concurrence. Les gouvernements peuvent imposer des obligations d’accès équitable à certaines interfaces. Mais il faut éviter de tuer la sécurité. Un agent doit pouvoir savoir qu’un fournisseur est réel et digne de confiance. Les standards d’identité commerciale deviendront importants.

Encore provenance et réputation. Tout revient. Le marché algorithmique pourrait donc être beaucoup plus ouvert techniquement et beaucoup plus filtré cognitivement. Des millions de fournisseurs accessibles. Mais l’agent n’en montre que quelques-uns selon des critères. Le pouvoir du filtre augmente. On voit donc que le marché du futur pourrait moins être une bataille pour apparaître sur une étagère qu’une bataille pour être sélectionné par des modèles.

Le référencement se transforme. Les entreprises chercheront à rendre leurs offres lisibles par les machines, leurs données structurées, leurs preuves accessibles. Cela peut être positif : descriptions standardisées, provenance, certifications, preuves de qualité. Mais cela peut créer de nouveaux jeux de manipulation. Les fournisseurs apprendront à présenter leurs produits de manière à maximiser le score des agents. C’est exactement le gaming des métriques.

L’agent devra donc détecter les tentatives de manipulation. Encore l’adversarialité. Le marché devient un champ d’optimisation contre optimisation. Cette dynamique paraît difficile à éviter. Elle peut produire une course aux certifications et aux preuves. Encore l’économie de la confiance. Les fournisseurs fiables auront intérêt à produire des données vérifiables.

Un label non audité perdra de la valeur. Cela peut améliorer la qualité informationnelle du marché. C’est une perspective intéressante. L’IA peut pousser les entreprises à structurer davantage leurs données de provenance parce que les agents les exigent. Un produit sans informations vérifiables pourra être moins bien sélectionné. Cela pourrait favoriser la traçabilité environnementale ou sanitaire.

Mais attention aux petites entreprises qui n’ont pas les moyens de produire des données sophistiquées. Les standards doivent rester accessibles. Sinon, la conformité lisible par machine devient une nouvelle barrière à l’entrée. Encore un arbitrage. Une norme qui augmente la confiance peut favoriser les grands acteurs capables de payer la certification. Il faut donc concevoir des mécanismes proportionnés. C’est exactement le même problème que la régulation de l’IA elle-même.

Les coûts fixes de conformité favorisent la concentration. Le droit doit le savoir. On pourrait avoir des niveaux de certification selon le risque. Un petit artisan n’a pas besoin de la même infrastructure qu’une banque. Encore la classification. Cette répétition peut sembler obsessionnelle. Elle correspond pourtant à la méthode nécessaire dans un monde complexe.

La granularité est une défense contre les effets pervers.

Et elle nous conduit à une question encore plus large.

Si les marchés deviennent algorithmiques, que devient la notion de prix comme information sociale ?

Hayek avait insisté sur le prix comme signal condensant des informations dispersées. Mais si les prix sont hyper personnalisés et négociés par agents, existe-t-il encore un prix commun qui joue ce rôle ? Peut-être que le système fonctionne davantage avec des distributions de prix qu’avec un prix unique. Le signal devient plus riche.

Mais moins visible. Les agents peuvent le comprendre. L’humain, moins directement. Nous entrons dans une économie où les machines pourraient percevoir certaines structures du marché mieux que les personnes. Cela crée une dépendance cognitive collective. Les citoyens ne comprennent plus directement les prix. Ils demandent à leurs agents :

Est-ce cher ?

Le modèle répond en comparant des milliers de transactions. C’est utile. Mais cela signifie que notre rapport au marché devient médié. Nous avions déjà cela avec les comparateurs. L’agent pourrait devenir un comparateur presque universel. Celui qui contrôle la comparaison structure une partie de notre perception de la valeur.

C’est extrêmement important. Cela rejoint le Marché de l’Art, où la banque de données transforme la perception d’un prix. Voir l’historique change le jugement. Artprice a donné aux acteurs un miroir du Marché de l’Art. L’IA généralise ce miroir. Mais un miroir peut être déformant. Il faut donc savoir quelles données entrent. Encore la provenance.

La boucle est complète.

Valeur. Preuve. Identité. Marché.

Tout repose finalement sur la qualité des architectures informationnelles. C’est peut-être la conclusion provisoire de ce chapitre. Le marché algorithmique ne supprime pas le marché. Il révèle encore plus clairement qu’un marché est une architecture de confiance, d’information et de règles. L’IA accélère les flux et augmente les capacités. Mais elle ne remplace aucun de ces fondements. Au contraire. Elle rend leur conception plus critique. Le prix peut être calculé par machine. La légitimité des règles reste humaine. La négociation peut être automatisée. La responsabilité demeure.

La concurrence peut devenir plus dynamique. Elle peut aussi se fermer autour de standards propriétaires.

Tout dépend de l’architecture.

Cette automatisation du marché ouvre enfin une question plus vaste : lorsque les mêmes outils servent à la coordination marchande et à l’action publique, la frontière classique entre marché et planification s’impose elle-même comme un objet d’examen.

Que devient le marché lorsque la coordination devient presque instantanée ?

Que devient la planification lorsque l’IA peut simuler et ajuster en continu ?

Et surtout :

Qui définit la finalité d’une économie capable d’optimiser simultanément un nombre immense de variables ?

La question porte alors moins sur le marché que sur la finalité : qui définit ce qu’une économie algorithmique cherche à optimiser ?

C’est là que la frontière entre coordination marchande et planification doit être réexaminée.