Agents IA en négociation autonome : quatre risques documentés que tout décideur devrait connaître

Quand deux agents IA négocient l'un contre l'autre sans arbitre humain

En 2025, des chercheurs de Stanford, du MIT et de Google DeepMind ont conduit une expérience sur laquelle j'ai passé du temps : que se passe-t-il lorsque deux agents IA négocient l'un contre l'autre, sans aucun humain dans la boucle, sur des produits réels ?

Ils ont testé des milliers de transactions simulées — voitures, biens immobiliers, électronique grand public — avec neuf modèles parmi les plus utilisés du marché (GPT-4o, o3, DeepSeek-R1, Qwen2.5).

Certains agents ont acheté au-dessus du prix catalogue. D'autres ont vendu en dessous de leur prix de revient. Quelques-uns ont continué à négocier sans fin, faute d'être capables de reconnaître qu'une négociation était terminée.

Ces comportements ne sont pas des cas isolés : ils ont été mesurés de façon systématique, sur des milliers d'échanges, avec des modèles que beaucoup d'organisations envisagent de déployer aujourd'hui.

Les quatre risques que l'étude documente

1. La violation de contraintes

Les agents avaient des règles explicites : l'acheteur ne doit pas dépasser son budget, le vendeur ne doit pas descendre sous son prix de revient.

Ces règles ont été régulièrement franchies. Pour certains modèles, les transactions hors budget ont représenté 18,5 % des deals conclus. Des agents vendeurs ont accepté des prix inférieurs à leur coût d'achat sous la pression soutenue de l'agent en face. Écrire une contrainte dans un prompt, c'est formuler une instruction que l'agent s'efforcera de respecter, pas poser un garde-fou qui tient dans tous les cas.

2. Le surpaiement involontaire

Un agent acheteur doté d'un budget élevé a tendance à accepter la première offre qui passe sous son plafond, sans chercher à aller plus loin. Pire : dans plusieurs cas, les agents acheteurs ont divulgué leur budget à l'agent vendeur, malgré des instructions explicites leur demandant de ne pas le faire.

Le vendeur a alors ancré ses offres sur ce chiffre, parfois au-delà du prix catalogue, et l'acheteur a conclu sans résister. L'écart de performance entre agents dotés d'un budget généreux et ceux sous contrainte forte atteint près de 9 % en termes de réduction de prix obtenue.

3. L'impasse de négociation

Certains agents ont continué à relancer des contre-propositions après que le vendeur avait clairement annoncé son prix plancher. Incapables de reconnaître qu'une négociation n'avançait plus, ils ont multiplié les échanges, consumé des ressources facturées à l'usage, et n'ont jamais abouti.

4. La capitulation précoce

Des agents avec des budgets confortables ont accepté des offres sous-optimales dès lors que le prix proposé restait dans leur enveloppe. Ils n'ont pas cherché à obtenir de meilleures conditions. Ils ont vérifié que la contrainte était respectée et ont signé. Sur l'ensemble des scénarios testés, ce comportement a systématiquement produit des résultats moins favorables que ce que la situation permettait d'obtenir.

Ce que cela signifie concrètement pour votre organisation

L'étude établit un fait qui mérite attention : la négociation entre agents IA est structurellement déséquilibrée. Une organisation qui utilise un modèle moins performant face à un partenaire ou fournisseur équipé d'un modèle plus puissant subira des désavantages économiques répétés, souvent sans en prendre conscience.

Les résultats sont frappants sur ce point : GPT-4.1 et DeepSeek-R1 génèrent respectivement 13,3 et 12 fois le profit total des modèles les plus faibles dans les mêmes conditions. Le choix du modèle a donc une valeur économique directe et mesurable. Ce choix relève autant de la stratégie que de la technique, au même titre que le choix d'un outil de gestion ou d'une plateforme CRM.

Mais au-delà de l'écart entre modèles, les échecs observés ne venaient pas de la technologie. Ils venaient de la configuration.

Les agents ont exécuté exactement ce qu'on leur avait transmis. Là où les instructions étaient floues, les agents ont improvisé. Là où les contraintes n'étaient pas clairement définies, les agents les ont franchies. Là où la stratégie n'était jamais explicitée, les agents ont appliqué leurs propres heuristiques, avec le mandat et la signature de leur organisation.

« L'automatisation prend le flou décisionnel qu'on lui confie et l'exécute à une vitesse et à une échelle que personne n'avait envisagées. »

Trois questions à se poser avant tout déploiement

Avant de déployer un agent IA dans un processus de négociation ou de décision commerciale, trois questions méritent une réponse honnête.

1. 01Votre politique de négociation est-elle formalisée ? Écrite, avec des seuils, des règles de concession et des conditions de rupture clairement posées, pas seulement portée par les pratiques implicites de vos équipes.
2. 02Vos contraintes sont-elles testées sous pression ? Une limite posée dans un prompt n'est pas une garantie. Avez-vous testé le comportement de votre agent face à un interlocuteur qui cherche précisément à la franchir ?
3. 03Qui supervise, et à quel moment ? Les chercheurs eux-mêmes recommandent une approche avec humain dans la boucle pour les transactions à enjeux élevés. L'autonomie complète de l'agent est un choix qui doit être fait en connaissance des risques qu'il implique.

Ce que les données techniques disent sur la configuration

Les chercheurs ont testé une approche d'optimisation des prompts par apprentissage par renforcement pour réduire les anomalies sur le modèle le plus défaillant. Les transactions hors budget ont chuté de 18,4 % à 1,3 %. Les surpaiements et les impasses ont résisté à cette optimisation.

Une partie des risques peut donc être réduite par un travail rigoureux sur la configuration. Une autre partie nécessite une supervision humaine que les outils actuels ne remplacent pas. Les organisations qui documentent sérieusement ce travail en amont obtiennent des résultats nettement plus prévisibles.

Insights

Un agent IA est une réelle opportunité. Mais l'implémenter sans supervision humaine et se mettre des œillères peut vous coûter cher.

Ce que j'observe dans mes accompagnements correspond à ce que cette étude documente : les organisations qui obtiennent de bons résultats avec leurs agents ne sont pas nécessairement celles qui ont les modèles les plus puissants. Ce sont celles qui ont pris le temps de formaliser ce qu'elles leur demandaient avant de les déployer.

L'intelligence artificielle amplifie ce qu'on lui confie. Un agent bien configuré sur une doctrine claire peut produire des résultats remarquables. Un agent mal configuré les produira aussi, dans l'autre sens, vite, et à grande échelle.