Yale School of Management : la tarification de surveillance n'est que le début. Les agents IA seront le véritable test de la confiance des entreprises

Tout au long de l'année 2025, malgré une multitude de propositions, aucun État n'est parvenu à interdire la « tarification par surveillance ». Ce printemps, cela a changé. En avril, le Maryland est devenu le premier État à interdire aux détaillants alimentaires et aux services de livraison d'utiliser les données personnelles des consommateurs pour fixer les prix. En juin, le Connecticut est devenu le deuxième. La Californie et New York envisagent des mesures similaires dans le cadre d'une vague plus large d'efforts visant à limiter la tarification par surveillance.

Pourtant, le véritable enjeu ne concerne pas fondamentalement la tarification. Il s'agit de la manière dont les entreprises choisissent d'utiliser les données, les algorithmes et, de plus en plus, l'IA : lorsque la technologie leur permet de comprendre les clients et les travailleurs avec un niveau de détail sans précédent, utiliseront-elles ces informations pour créer de la valeur ou pour l'extraire ?

La question est de savoir si les entreprises fixent le prix de la transaction ou de la personne. Prenons deux demandes Uber identiques depuis Midtown Manhattan jusqu'à l'aéroport de Newark. La plupart des passagers comprennent pourquoi le trajet coûte plus cher un vendredi après-midi pluvieux qu'un dimanche matin tranquille ; ajuster les prix en fonction de la météo, du trafic ou de l'offre est un moyen transparent d'équilibrer un marché.

Mais les consommateurs remettent de plus en plus en question quelque chose de différent : deux passagers se trouvant au même coin de rue au même moment et payant des prix différents en fonction de leurs profils de données, de leurs historiques d'achat, de leurs appareils ou de leur propension à payer inférée. Dans le premier cas, la plateforme fixe le prix de la course. Dans le second, elle fixe le prix du passager. La Federal Trade Commission a concrétisé les enjeux dans une étude de 2025, montrant comment les algorithmes s'appuyant sur des données personnelles peuvent déduire quand les consommateurs ont moins d'alternatives, une plus grande urgence ou une plus grande propension à payer — et ajuster les prix ou les offres en conséquence.

La même logique opère de l'autre côté du marché. Un algorithme peut proposer une rémunération plus faible à un chauffeur qu'il prédit acceptera de toute façon — parce qu'elle approche d'un objectif de revenus quotidiens ou est peu susceptible de changer d'application. Lorsque les entreprises passent de la tarification des conditions d'une transaction à l'exploitation des vulnérabilités des personnes qui y participent, elles dérivent de l'efficacité d'équilibrage du marché vers l'extraction — érodant la confiance, approfondissant l'insatisfaction des travailleurs et invitant la réglementation qui se répand désormais à travers le pays.

Le débat est urgent car la capacité à comprendre et à influencer les individus est sur le point de s'étendre considérablement. Jusqu'à présent, le facteur limitant a été la fragmentation. Chacun d'entre nous génère d'énormes quantités de données — recherches, achats, localisations, habitudes de streaming et informations provenant des appareils connectés — pourtant aucune entreprise ne voit plus qu'une fraction de nos vies numériques.

Les Agents d'IA changent cela.

Lorsque les gens délèguent des tâches réelles à l'IA — réserver un voyage, recommander des produits, gérer un déménagement — ils révèlent bien plus qu'une simple requête de recherche. Là où la recherche capturait une question momentanée, un agent observe le « travail à accomplir » dans sa globalité.

Considérons ce qu'un Agent d'IA gérant votre foyer pourrait observer : il sait que vous manquez bientôt de médicaments, que vous faites généralement vos courses lorsque vous êtes stressé, que vous imputez la livraison de repas à un compte professionnel, et que vous comparez rarement les prix. Ce profil comportemental devient une feuille de route pour soit servir vos intérêts — trouver de véritables économies et filtrer les offres manipulatrices — soit exploiter vos habitudes pour une extraction maximale.

Ce n'est plus une projection. Les principales plateformes d'IA développent rapidement des agents capables de comprendre les préférences des utilisateurs, de mémoriser le contexte et d'agir de plus en plus en leur nom. Bain & Company estime que les Agents d'IA pourraient influencer entre 300 milliards et 500 milliards de dollars du commerce américain d'ici 2030. Cela pourrait donner aux plateformes d'IA une compréhension continue et en temps réel des préférences, des besoins et des comportements des personnes — y compris des signaux qu'elles n'expriment peut-être jamais explicitement.

Cette capacité peut être utilisée de deux manières très différentes. Elle peut alimenter une véritable personnalisation — un agent qui trouve un meilleur tarif, signale un renouvellement nécessaire ou filtre le bruit. Ou elle peut être retournée vers l'intérieur — pour facturer chaque personne au plus proche du maximum qu'elle paiera, pour les atteindre au moment où elles sont les plus vulnérables, et pour leur dissimuler de meilleures options lorsqu'elles sont susceptibles d'en accepter de moins bonnes. La question n'est plus de savoir si les entreprises peuvent personnaliser à grande échelle, mais si elles établiront des principes sur jusqu'où cette personnalisation devrait aller.

Cela fait de l'alignement le problème central. Un agent qui nous connaît aussi bien peut s'appuyer sur les sciences du comportement — les mêmes biais et déclencheurs qui ont toujours influencé les décisions humaines — pour nous observer, nous comprendre, et soit nous servir, soit nous manipuler. Ainsi, lorsqu'un agent agit en votre nom, quels intérêts sert-il — les vôtres, ceux de la plateforme qui l'a conçu, ou ceux du plus offrant pour ses recommandations ? Étant donné les sommes sans précédent investies aujourd'hui dans l'IA, les incitations économiques à monétiser cette influence seront immenses.

C'est là que nos recherches indiquent une voie différente. En nous appuyant sur des entretiens avec plus de 200 PDG dans le cadre du Programme sur l'Innovation et la Gestion des Parties Prenantes de Yale, nous avons trouvé un schéma cohérent : la manière la plus efficace de créer de la valeur actionnariale à long terme est de développer l'entreprise en même temps que la confiance — en créant de la valeur pour les parties prenantes, notamment les clients, les travailleurs, les fournisseurs et les communautés qu'une entreprise sert, tout en gagnant leur confiance au fil du temps. Alors que l'IA affine la capacité à comprendre et à influencer chacun d'eux, la tentation sera d'optimiser chaque relation pour un gain immédiat. Les entreprises les plus durables y résisteront, utilisant ces capacités pour approfondir la confiance et renforcer les relations sur lesquelles repose une valeur économique durable.

La tarification par surveillance n'est que le premier test. La manière dont les entreprises y répondront révélera comment elles entendent gouverner les outils bien plus puissants qui arrivent désormais — et si les agents agissant en notre nom finissent par travailler pour nous, ou sur nous.

Les opinions exprimées dans les commentaires de Fortune.com sont uniquement celles de leurs auteurs et ne reflètent pas nécessairement les opinions et croyances de Fortune.

Cette histoire a été initialement publiée sur Fortune.com