- Tribune - L’IA prépare une négociation. Elle ne lit pas les enjeux
ChatGPT analyse un contrat fournisseur en dix minutes. Il génère une matrice de concessions, simule trois scénarios de repli, cartographie les positions adverses. Gratuitement. À la demande.
Et pourtant les négociations les mieux préparées continuent de laisser de la valeur sur la table.
Pas parce que les outils sont mauvais. Parce qu'un enjeu n'est pas une donnée.
Un enjeu, c'est ce qui compte vraiment pour l'autre partie. Souvent sans qu'elle le dise. Parfois sans qu'elle le sache elle-même. La préparation la plus exhaustive ne produit pas cette information. Elle s'obtient dans la relation, dans la salle, sous pression.
Ce texte pose quatre questions auxquelles la recherche académique récente apporte des réponses précises. Je les ai vérifiées. Certaines confirment ce que la pratique enseigne. D'autres sont plus inconfortables.
Question I
Une préparation très structurée par l'IA rend-elle le négociateur plus performant en séance — ou plus fragile ?
Les deux. Et c'est précisément là que réside le risque systémique.
Un négociateur expérimenté utilise la préparation comme un cadre qu'il est prêt à abandonner dès que la situation l'exige. Pour lui, l'IA est un accélérateur. Pour un négociateur moins formé, une préparation très exhaustive crée ce que la recherche en sciences cognitives appelle un ancrage cognitif renforcé. Il entre dans la salle avec des certitudes — et les certitudes tuent l'écoute.
La sur-préparation occupe la bande passante cognitive que le négociateur devrait consacrer à lire ce qui se passe devant lui.
La mesure est documentée. Les LLMs pratiquent l'écoute active et le sondage empathique dans moins de 5 % des cas observés dans les protocoles de négociation expérimentaux. Les négociateurs humains expérimentés : 30 %. Ce décalage n'est pas technique. Il est structurel.
La négociation est un système vivant. L'IA travaille sur des données passées. Le directeur achats que vous affrontez a peut-être changé de priorité depuis votre dernier rendez-vous. Son patron lui a fixé un nouvel objectif. Un concurrent vient de lui faire une offre. L'IA ne sait pas ça.
Question II
Si tous les acteurs d'un secteur négocient avec les mêmes outils, que se passe-t-il structurellement ?
La théorie des jeux a un nom pour ce phénomène : l'équilibre de Nash algorithmique. Quand tous les acteurs d'un marché utilisent les mêmes modèles pour anticiper le comportement adverse, leurs stratégies convergent. Chacun choisit la même stratégie optimale parce que chacun prédit la même réaction de l'autre.
Dans ce scénario, l'avantage compétitif lié à l'information et à la modélisation s'annule. Tout le monde a la même carte. La différence se joue alors sur ce que la carte ne montre pas.
Quand les algorithmes convergent, l'avantage revient à ce qui ne se modélise pas : la créativité de l'accord, la qualité de la relation, la capacité à inventer une solution que personne n'avait anticipée.
Je vois ce phénomène se produire en temps réel dans le retail. Les directions achats des grandes enseignes utilisent des outils similaires, nourris des mêmes benchmarks sectoriels. Les propositions de fournisseurs se ressemblent. Les contre-offres convergent. Les séances de négociation deviennent plus courtes — et moins créatives.
Ce retournement est paradoxal et historiquement cohérent. Chaque vague technologique qui homogénéise les moyens revalue les compétences qui lui résistent.
Question III
Qu'est-ce qu'un bon accord contient que l'algorithme ne peut pas concevoir ?
Trois choses précises.
Premièrement, une asymétrie d'intérêt exploitée. Chaque partie a des priorités différentes sur les variables en jeu. Un bon accord ne cherche pas le compromis — il identifie ce qui coûte peu à l'un et vaut beaucoup à l'autre. C'est ce que la littérature appelle le logrolling.
Concept central
Le logrolling : ce que c'est précisément
Le logrolling est un échange de concessions asymétriques entre deux parties qui ont des priorités différentes sur plusieurs variables simultanées. Je cède sur ce qui compte peu pour moi mais beaucoup pour vous — vous cédez sur ce qui compte peu pour vous mais beaucoup pour moi.
Ce qui le distingue du compromis : le compromis divise chaque variable au milieu. Le logrolling donne 100 % à chacun sur ce qui compte — et cède 100 % sur ce qui compte peu. Le résultat joint est structurellement supérieur.
Ses deux obstacles documentés : l'hypothèse de gâteau fixe — supposer que ce que l'autre gagne, on le perd — et le traitement séquentiel des issues. Négocier variable par variable disperse les opportunités d'échange.
Sa limite opérationnelle : certains négociateurs dissimulent leurs vraies priorités pour extraire des concessions sur des variables qu'ils valorisent en réalité davantage. Détecter cette dissimulation est une compétence relationnelle. Elle ne se délègue pas à un algorithme.
Deuxièmement, une gouvernance intégrée. Les accords qui tiennent dans le temps ne sont pas ceux qui ont les meilleures clauses contractuelles. Ce sont ceux dont les deux parties ont co-construit les mécanismes de suivi, d'arbitrage et d'évolution.
Troisièmement, une légitimité politique interne. Un accord techniquement solide peut mourir dans les couloirs de la direction générale adverse. Sentir ce seuil — et le construire dans la négociation — est une compétence humaine sans équivalent algorithmique.
La recherche ajoute une quatrième dimension rarement citée : la justice procédurale perçue. Les accords dont les parties ont le sentiment d'avoir été entendues — même si elles n'ont pas obtenu tout ce qu'elles voulaient — sont significativement plus stables dans le temps que les accords techniquement optimaux conclus dans une logique de rapport de force pur.
L'IA optimise le résultat de l'accord. Elle ne peut pas gérer l'expérience de la négociation — et c'est cette expérience qui détermine si l'accord sera respecté.
Question IV
En pratique — que fait-on pour révéler les enjeux que l'IA ne voit pas ?
La recherche empirique valide quatre pratiques. Pas davantage — il faut être précis sur ce qui est documenté et ce qui ne l'est pas.
La prise de perspective active est la plus robuste. Trois études indépendantes montrent qu'elle augmente significativement la capacité à découvrir des accords cachés. Ce n'est pas de l'empathie — ressentir ce que l'autre ressent. C'est une modélisation cognitive : que pense l'autre partie, quelles sont ses contraintes réelles, qu'est-ce qui l'empêche de dire oui ? L'empathie, dans les mêmes études, s'est révélée peu utile et parfois contre-productive.
Les offres multi-issues simultanées plutôt que séquentielles. Les négociateurs qui traitent plusieurs variables à la fois identifient significativement plus d'opportunités d'échange de concessions. En séance, cela signifie présenter un package — pas une liste.
La première offre structurée en logrolling. Ouvrir en cédant sur ses variables de faible priorité tout en maintenant fermement ses variables prioritaires envoie un signal implicite sur la structure de vos enjeux — sans les révéler directement.
La cohérence de la séquence des concessions. La séquence est un signal. Un négociateur qui cède trop tôt sur une variable importante signale une BATNA faible. La cohérence entre séquence et hiérarchie d'enjeux réels construit une réputation de fiabilité.
Ce que l'IA prépare en amont, c'est la carte. Ce que le négociateur lit en séance, c'est le territoire. Les deux sont nécessaires. Seul le second est irremplaçable.
Une limite que les formations omettent presque toujours : l'échange explicite de priorités n'est bénéfique que dans les conflits sur des ressources. Dès que les enjeux touchent à l'identité ou aux valeurs des parties — ce qui est systématiquement le cas dans les négociations retail et mobilités à fort enjeu — révéler ses priorités peut menacer l'autre partie et dégrader les résultats.
Sources primaires
Bhattacharya et al. (2025) — NegotiationArena ; LLM Rationalis (2025) ; NIST AI 600-1 (2024) ; OWASP Top 10 for LLM Applications ; OCDE / CMA sur la tarification algorithmique ; Sculley et al. sur la dette technique en ML.
Ce que ces quatre questions établissent avec rigueur :
l'IA est un accélérateur de préparation, pas un substitut de compétence.
Elle amplifie ce que le négociateur sait déjà faire. Elle ne crée pas ce qu'il ne sait pas faire. Et dans les organisations où la compétence de négociation n'a pas été construite, elle accélère la médiocrité aussi sûrement qu'elle accélèrerait l'excellence.
La convergence algorithmique n'est pas une menace abstraite. Elle est en cours, secteur par secteur. Dans le retail et les mobilités, les équipes qui continueront à créer de la valeur dans les accords ne seront pas celles qui auront les meilleurs outils. Ce seront celles dont les négociateurs sauront lire les enjeux non déclarés, construire l'interdépendance qui rend un accord durable, et diagnostiquer la situation avant de choisir leur posture.
Ces compétences ne s'acquièrent pas par les prompts. Elles se construisent par la méthode, par l'expérience encadrée, et par la capacité à distinguer — en séance, sous pression — ce qui relève du plan et ce qui relève de la lecture du réel.
L'IA prépare une négociation en dix minutes. Ce n'est pas là que la valeur des accords se gagne ou se perd.
Elle se gagne dans la hiérarchisation des enjeux. Dans la lecture de ce que l'autre partie ne dit pas. Dans l'architecture d'une interdépendance que les deux parties ont intérêt à respecter — parce que le coût de la rupture dépasse le gain de la déviation.
Votre équipe sait-elle faire cette différence — ou êtes-vous en train de confondre la carte et le territoire ?