90 % de ce qu'un agent concède vient de sa consigne, pas de son modèle

En 2020, une grande enseigne américaine confie à un agent logiciel la négociation de ses fournisseurs de longue traîne, ceux auxquels aucun acheteur n'était affecté. L'éditeur publie les résultats : 68 % des fournisseurs engagés concluent un accord, le gain moyen atteint 3 %, les délais de paiement s'allongent de 35 jours, et 83 % des fournisseurs jugent le système facile d'emploi.

Six ans plus tard, ces chiffres circulent dans les directions achats, et ils soulèvent une question : quel agent négocie le mieux ?

La recherche répond à une autre question. Sur un contrat de prix et de quantité, le partage de la valeur entre acheteur et fournisseur dépend pour 90 % de la patience écrite dans la consigne, et pour 10 % de trois autres facteurs réunis, capacité du modèle comprise (Liang et Xu, 2026). Celui qui rédige la consigne décide donc du partage, et le modèle installé derrière pèse peu.

Les études disponibles, presque toutes menées en laboratoire, dessinent un tableau en trois temps. L'agent est efficace dans la négociation de transaction, quand il s'agit de déplacer un prix, une quantité ou un délai sur un accord déjà cadré. En revanche, il est beaucoup moins à l'aise dans la négociation intégrative, celle où l'on crée de la valeur en cédant ce qui nous coûte peu contre ce qui compte pour l'autre. Surtout, il ne sait pas choisir, face à un fournisseur ou un client précis, le bon équilibre entre ces deux façons de négocier.

La transaction, l'agent la joue bien

Deux chercheurs de l'université du Connecticut ont fait négocier neuf modèles d'IA entre eux, acheteur contre fournisseur, dans 9 840 négociations. Résultat : les agents concluent presque toujours et captent l'essentiel de la valeur disponible. Sur ce terrain, l'outil tient ses promesses : des accords nombreux, rapides, sans acheteur au bout du fil.

Mais une équipe de Harvard et de Penn State a montré à quel point le prix qu'affichent ces agents dépend de la formulation de leur consigne. Il suffit d'une phrase anodine, par exemple une inquiétude sur une guerre des prix, pour que l'agent affiche des prix plus élevés. Les auteurs parlent de « seemingly innocuous phrases » (Fish et coll., 2026).

Le concepteur qui écrit cette phrase fixe donc la politique de prix de l'entreprise, à la place de la direction commerciale.

La négociation intégrative lui résiste

Une négociation devient intégrative quand les deux parties n'accordent pas la même importance aux mêmes sujets : le délai compte davantage pour l'un, la garantie pour l'autre. L'accord gagne alors en valeur si chacun cède ce qui lui coûte peu contre ce qui compte pour l'autre. Encore faut-il découvrir les priorités de l'autre, c'est-à-dire poser des questions et écouter les réponses.

Une équipe de chercheurs a construit quarante négociations à plusieurs enjeux dont on connaissait d'avance les priorités cachées de chaque partie et les meilleurs accords possibles. Les agents concluent presque toujours, mais n'atteignent quasiment jamais le meilleur accord : environ un cinquième de la valeur commune reste sur la table. Trois fois sur quatre, ils passent même à côté du sujet sur lequel les deux parties voulaient exactement la même chose. Sur ce point, un accord tiré au hasard ferait aussi bien (Li et coll., 2026).

Les chercheurs ont trouvé pourquoi : l'agent devine les priorités de son interlocuteur à partir des siennes, au lieu de l'écouter.

Cela se voit à la table. Les négociateurs humains consacrent près d'une intervention sur trois à écouter et à questionner ; les agents, moins d'une sur vingt (Shah et coll., 2025). Un agent qui ne demande pas ce qui compte pour l'autre ne peut que tenir sa position, concéder ou rompre.

Le concours mondial d'agents négociateurs organisé par le MIT montre à quelle condition la valeur commune apparaît. Plus de 250 participants y ont chacun rédigé la consigne de leur agent. Les agents programmés pour être chaleureux concluent plus souvent et créent plus de valeur avec l'autre partie, mais gagnent moins sur chaque accord. Les agents dominants font l'inverse (Vaccaro et coll., 2026).

La valeur commune n'apparaît donc que si la consigne la demande, et elle a un prix. En choisissant le ton, le concepteur arbitre entre conclure souvent en gagnant moins, ou gagner plus en concluant moins souvent. Et le comité qui achète l'outil valide ce choix sans l'avoir vu.

Le dosage, il le décide mal

Une négociation réelle mélange ces deux registres, et parfois un troisième : le rapport de force assumé, quand le niveau de l'accord compte plus que le fait de conclure. Tout le métier consiste à doser, pour chaque fournisseur ou chaque client, ce que l'on tient, ce que l'on échange et ce que l'on refuse. Ce dosage dépend de votre position et de votre marché : leader ou challenger, produit rare ou remplaçable, marché concentré ou dispersé, relation d'un an ou de dix. C'est la décision qui précède toutes les autres, et c'est pourtant celle que l'on vérifie le moins.

L'agent, lui, ne la prend pas. Dans une vente immobilière simulée, les agents acheteurs visent toujours le même prix, quel que soit le rapport de force (Shah et coll., 2025). Et sous une même consigne, deux agents ne dosent pas de la même façon selon le modèle d'IA installé : certains acceptent des contrats à perte, d'autres jamais (Liang et Xu, 2026). Rien ne le signale à l'acheteur.

Un agent qui applique la même consigne partout ne dose rien : le dosage a été décidé ailleurs, une fois pour toutes, pour tout un segment de fournisseurs. Chez l'éditeur de l'enseigne américaine, ce sont des experts humains qui fixent avec l'acheteur les objectifs, les compromis acceptables et les lignes rouges. Son dirigeant l'assumait en 2022 : selon lui, 80 % des fournisseurs ne sont pas stratégiques, et la négociation avec eux est très unilatérale.

Les directions achats répondent que ces agents ne traitent que la longue traîne, des achats transactionnels par nature, où personne ne risque de perdre une relation. L'argument tient pour les petits achats ponctuels. Il tient moins depuis que l'enseigne américaine a étendu l'outil au transport, à certains produits de revente et à des fournisseurs de taille intermédiaire. L'agent arrive alors avec la même consigne devant des fournisseurs avec qui l'enjeu n'est plus seulement le prix, mais le contrat lui-même. Et rien, dans l'outil, ne signale ce changement de terrain.

Le précédent que les achats ont déjà vécu

Les achats ont déjà connu cette situation avec les enchères inversées en ligne des années 2000. Sandy Jap a interrogé 125 fournisseurs après 25 enchères réelles : plus le prix chutait pendant l'enchère, plus leur opinion de l'acheteur se dégradait, et voir les prix des concurrents renforçait leur soupçon d'être manipulés (Jap, 2007).

Un simple paramètre d'écran décidait alors de ce que le fournisseur pensait de l'acheteur, et la relation suivante en pâtissait. Une consigne d'agent produit le même effet, mais répété à grande échelle. L'Autorité de la concurrence, dans son avis de juillet 2026 sur les agents d'intelligence artificielle, porte d'ailleurs sa vigilance sur ces paramètres.

Qui a écrit la consigne ?

La question se pose des deux côtés de la table : à l'acheteur qui déploie un agent comme au commercial qui commence à en rencontrer. Un agent joue bien la partie qu'on lui a écrite, mais il la joue de la même façon face au fournisseur de boulons et face à celui dont dépend toute la production.

Qui a décidé du style de négociation que vous pratiquez aujourd'hui, avec ou sans agent ?

Ces arbitrages se préparent.

Références

Travaux de recherche

• Fish S., Gonczarowski Y. A., Shorrer R. I. (2026), « Algorithmic Collusion by Large Language Models », arXiv:2404.00806, version du 31 août 2026.

• Jap S. D. (2007), « The Impact of Online Reverse Auction Design on Buyer-Supplier Relationships », Journal of Marketing, 71(1), 146-159, DOI 10.1509/jmkg.71.1.146.

• Li C., Chen C., Fung T., Rossi A., Li Y. (2026), « Mind or Message? Auditing Theory of Mind in Multi-Agent Social Simulation », arXiv:2609.24146, 21 septembre 2026.

• Liang C., Xu F. (2026), « When LLM Agents Negotiate: Private Information and Dynamic Bargaining in Supply Chains », arXiv:2608.07538, 29 juillet 2026.

• Shah C., Agarwal A., Garg K., Heddaya M. (2025), « LLM Rationalis? Measuring Bargaining Capabilities of AI Negotiators », arXiv:2512.13063, décembre 2025.

• Vaccaro M., Caosun M., Ju H., Aral S., Curhan J. R. (2026), « Advancing AI negotiations: A large-scale autonomous negotiation competition », Proceedings of the National Academy of Sciences, 123(23), article e2521774123, 5 juin 2026, DOI 10.1073/pnas.2521774123.

Sources de production et documents publics

• Autorité de la concurrence, avis 26-A-05 relatif au fonctionnement concurrentiel du secteur des agents d'intelligence artificielle, 17 juillet 2026.

• Van Hoek R., DeWitt M., Lacity M., Johnson T., « How Walmart Automated Supplier Negotiations », Harvard Business Review, 8 novembre 2022.

• Pactum, page clients, consultée le 19 octobre 2026 ; Grocery Dive, 8 décembre 2020 ; Fortune, 27 avril 2021 ; Supply Chain Digital, 22 juillet 2022, propos de Martin Rand ; Talking Logistics, 1er mai 2023.