Dark Marketplace : l’avenir du commerce où des agents IA négocient et achètent à votre place

• Le concept de « dark marketplace », où des agents IA découvrent des produits, négocient les prix et effectuent les achats de façon autonome à la place des humains, s’impose comme le prochain paradigme du commerce B2B
• Dans l’expérience Project Deal d’Anthropic, 69 employés ont confié leurs transactions à des agents IA, ce qui a généré 186 transactions réelles et plus de 4 000 dollars de volume d’affaires ; les participants utilisant des modèles plus puissants ont objectivement obtenu de meilleurs résultats, mais les utilisateurs de modèles plus faibles ne se rendaient pas compte que leur agent était moins performant
• Le défi central des transactions autonomes n’est ni la simple recherche ni une interface en langage naturel, mais l’abstraction du jugement (judgment abstraction), c’est-à-dire l’encodage dans l’agent de la capacité de jugement implicite et dépendante du contexte des acheteurs expérimentés
• Le B2B, en raison de schémas d’achat répétitifs, fondés sur des politiques et orientés marge, présente une structure bien plus adaptée à l’abstraction du jugement que le commerce grand public
• Dans un dark marketplace, le véritable moat n’est pas l’interface utilisateur, mais les données de jugement accumulées pour chaque utilisateur ; l’entreprise qui en captera le plus profondément aura de fortes chances de bâtir la prochaine marketplace valant des centaines de milliards de dollars

---

L’expérience Project Deal d’Anthropic

• Lors de l’expérience Project Deal menée pendant une semaine dans les bureaux de San Francisco d’Anthropic, 69 employés ont mis en vente des objets personnels comme des snowboards, des chaises de bureau ou des balles de ping-pong sur une marketplace d’occasion entièrement opérée par des agents IA
• Toutes les négociations, contre-offres et transactions étaient gérées par les modèles Claude agissant comme représentants de chaque participant, sans que ceux-ci ne saisissent eux-mêmes un prix ni ne parcourent les annonces
• Au final, 186 transactions ont été conclues pour un montant total de plus de 4 000 dollars, avec de vrais échanges d’argent
• La découverte la plus marquante est qu’Anthropic a secrètement réparti les participants entre un modèle frontier et un modèle plus petit, les utilisateurs représentés par le modèle le plus puissant obtenant objectivement de meilleurs prix, appariements et volumes de transaction
• Pourtant, les utilisateurs auxquels un modèle plus faible avait été attribué ne se sont absolument pas rendu compte que leur agent était moins performant, un phénomène qu’Anthropic a appelé « agent quality gaps »

Tendance du secteur : standardisation vs blocage

• Cinq jours après l’annonce de Project Deal, Amazon, Meta, Microsoft, Salesforce et Stripe ont rejoint le comité Universal Commerce Protocol (UCP), une tentative de standardiser pour la première fois la manière dont des agents IA découvrent des produits, négocient les prix et exécutent des transactions entre différentes plateformes
• La même semaine, eBay a mis à jour ses conditions d’utilisation pour interdire explicitement les « buy-for-me agents, LLM-based bots, and any end-to-end flows that attempt to order without human review »
• Certaines grandes entreprises construisent donc l’infrastructure d’un monde où des agents négocient à la place des humains, tandis que d’autres cherchent à verrouiller l’accès avant même leur entrée, illustrant une réponse polarisée

Définition du dark marketplace

• Un Dark Marketplace est une plateforme multiface transactionnelle dans laquelle les tâches complexes de découverte, de négociation et d’achat se déroulent entièrement hors du champ de vision des humains
• Le terme « dark » ne renvoie pas à l’illégalité, mais à une force invisible, à l’image de la matière noire, qui soutient le système sans être directement observable
• En supprimant les frictions essentielles intégrées aux marketplaces les plus performantes d’aujourd’hui, ce modèle a le potentiel de créer des entreprises valorisées à des centaines de milliards de dollars
• Pour y parvenir, il faut aller au-delà d’une meilleure recherche ou d’une interface en langage naturel, et encoder dans des agents « l’abstraction du jugement humain » — l’intuition, la dépendance au contexte et la gestion des exceptions propres aux acheteurs et vendeurs expérimentés

Histoire de l’évolution du commerce

• Pendant environ 7 000 ans, le principal mécanisme d’externalisation de l’intention de demande a été le bon commercial : de l’agora de l’âge du bronze aux grands magasins, on s’est appuyé sur des personnes capables de se souvenir des goûts, de l’historique d’achat et du budget des clients
• Au cours des 20 dernières années, les traces numériques — données publicitaires, historique d’achat, données démographiques, comportements de recherche — ont constitué une deuxième source externe d’intention de demande, à l’origine des moteurs de recommandation, du retargeting et des prix personnalisés qui ont permis de bâtir Amazon ou Meta
  • Mais le modèle transactionnel fondamental a peu changé : les acheteurs passent toujours par des étapes de recherche, filtrage, comparaison et clic
• Il y a environ 10 ans, l’intégration de systèmes B2B comme les flux ERP, POS, WMS et TMS a formé une troisième couche
  • Des entreprises comme Faire, Odeko et GrubMarket ont exploité cette intégration pour créer des marketplaces d’approvisionnement capables d’inférer les besoins avant même que l’acheteur ne lance une recherche
  • Mais la décision finale restait humaine : examen des commandes proposées, validation du panier, vérification des produits de substitution
• Nous sommes désormais au seuil d’une quatrième migration, dans laquelle les LLM absorbent le contexte en langage naturel, apprennent des schémas comportementaux sur des milliers d’interactions et peuvent agir de manière autonome
• À chaque étape précédente de cette migration, le volume de transactions et la satisfaction des acheteurs ont fortement progressé ; les capacités des LLM en langage naturel et en abstraction en font la technologie la mieux adaptée pour externaliser hors de l’esprit de l’acheteur l’intention de demande à une échelle sans précédent

L’abstraction du jugement (Judgment Abstraction) est le défi central

• Toutes les marketplaces et tous les outils SaaS peuvent capter des préférences explicites via des menus déroulants, des filtres ou des questionnaires d’onboarding, mais le jugement d’achat humain est bien plus riche et nuancé que ce que des champs de formulaire peuvent contenir
• Le défi central — et le moat — des prochaines entreprises transactionnelles B2B est la capacité à abstraire un jugement humain complexe, implicite, dépendant du contexte et capable de gérer des cas limites en temps réel
• Ce jugement est par nature fortement verticalisé selon les secteurs, et ses contours varient considérablement d’une industrie, d’une entreprise et d’un individu à l’autre

• Exemples concrets de jugement

  • Propriétaire d’un café à Portland : il ne s’agit pas simplement de commander du « lait d’avoine », mais de prendre en compte simultanément le volume précis nécessaire pour absorber un pic de fréquentation le mardi après-midi, les horaires de livraison d’un fournisseur changé il y a trois semaines, une marque de remplacement que deux habitués n’aimeront pas, ou encore un nouveau concentré de cold brew qui doit arriver avant l’affluence du week-end
  • Courtier en fret : au lieu de suivre un arbre de décision, il sait par expérience quel transporteur répondra sûrement au téléphone tard un vendredi après-midi, quelles lignes sont fragiles cette semaine d’après une conversation d’hier, quels tarifs « fermes » restent négociables, et à quel moment accepter une marge réduite pour préserver une relation
  • Médecin : il choisit un protocole de traitement en prenant en compte simultanément l’historique du patient, son expérience clinique, le formulaire de remboursement de l’assurance, l’observance probable du patient et les preuves scientifiques les plus récentes
  • Structure commune de ces exemples : le jugement est spécifique à l’utilisateur, au contexte et à l’instant ; il est façonné par l’expérience plus que par les données, et c’est précisément ce qu’un agent IA doit absorber pour négocier sans briser la confiance

Matrice profondeur d’engagement - proximité de la transaction (Engagement-Proximity Matrix)

• Le framework le plus utile pour évaluer le potentiel dark marketplace d’une entreprise repose sur deux axes

• Axe X : profondeur d’engagement (Engagement Depth)

  • Mesure la quantité d’interactions à haute fréquence et faible friction que le produit capture
  • Engagement élevé : les utilisateurs interagissent chaque jour, parfois chaque heure, et génèrent de riches signaux comportementaux — Voice AI qui écoute tous les appels clients, intégration POS qui voit toutes les transactions en temps réel, outils de workflow intégrés au rythme des opérations quotidiennes
  • Engagement faible : produits utilisés seulement chaque trimestre ou uniquement lors de l’onboarding — UI de configuration lourdes, enquêtes périodiques, intégrations systèmes statiques qui transmettent des données mais n’observent pas les comportements

• Axe Y : proximité transactionnelle (Transaction Proximity)

  • Mesure à quel point le produit se situe au plus près des décisions réelles d’achat et de vente
  • Forte proximité : facilite, intermédie ou exécute les transactions via des systèmes où les commandes sont passées, les expéditions réservées et les rendez-vous fixés
  • Faible proximité : produits qui informent la décision sans la déclencher — tableaux de bord analytiques, outils de coaching, aide à la décision clinique, plateformes de market intelligence

• Implications stratégiques par quadrant

  • En haut à droite (Top-right) : prêt pour la dark marketplace — capture de riches données comportementales et positionnement au-dessus de la transaction, permettant de parcourir tout le chemin de l’abstraction du jugement, des préférences explicites à la décision autonome
  • En haut à gauche (Top-left) : signaux riches, mauvais positionnement — capture d’énormes volumes de données de jugement via des interactions à haute fréquence, sans toutefois faciliter la transaction elle-même
    • Rilla : enregistre et analyse les conversations commerciales des commerciaux chez les prestataires à domicile, ce qui lui donne des données exclusives sur le langage et les techniques qui concluent des ventes dans le home services, mais ne conclut pas la transaction elle-même
    • OpenEvidence : absorbe les réflexes de décision clinique des médecins, mais se situe en amont de la prescription, de l’ordre de diagnostic et du choix d’équipement
    • Keychain : a levé 78 millions de dollars en 18 mois, connectant plus de 30 000 fabricants CPG en co-manufacturing et plus de 20 000 marques/retailers, le candidat le plus pur à une dark marketplace bilatérale — l’IA de la marque décrit les spécifications produit et l’IA du fabricant soumet une offre
  • En bas à droite (Bottom-right) : position transactionnelle acquise, apprentissage lent — se situe au-dessus de la transaction mais avec des interactions rares ou superficielles, ce qui ralentit l’apprentissage
    • Odeko : l’intégration POS fournit des signaux de demande en temps réel, le réseau de livraison de nuit traite les transactions, et le moteur de réapprovisionnement automatique absorbe l’ensemble du jugement d’achat du propriétaire de café, qui retrouve le matin une cuisine réapprovisionnée plutôt qu’un catalogue
    • Faire : marketplace de gros valorisée à plus de 8 milliards de dollars, qui connecte déjà plus de 700 000 retailers et marques et facilite déjà les transactions, mais où les retailers restent encore en phase de browsing — si l’IA capturait des signaux d’engagement comme les tendances de vente quotidiennes, le nombre de visiteurs, les conversations avec les vendors ou les comportements saisonniers, ils pourraient voir un panier suggéré plutôt qu’un catalogue
    • LightSource : automatise les RFX et les appels d’offres pour des entreprises comme Yum! Brands et Hello Fresh ; la proximité est donc forte, mais les événements d’approvisionnement restent périodiques plutôt que continus
  • Asymétrie stratégique : les entreprises en haut à gauche doivent s’étendre vers la transaction, tandis que celles en bas à droite doivent gagner en engagement via la capture par l’IA — voix, conversation, inférence comportementale, etc. — et celle qui comblera l’un ou l’autre de ces écarts le plus vite l’emportera

• Le rôle de couche d’engagement de la Voice AI

  • La voix et les autres IA multimodales ne sont pas seulement des wedge products, elles alimentent une couche d’engagement qui rend possible l’abstraction du jugement — le mécanisme par lequel une plateforme apprend non pas ce que l’utilisateur dit vouloir, mais comment il pense réellement
  • Toma : les agents vocaux IA traitent 100 % des appels entrants des concessions (prise de rendez-vous atelier, commande de pièces, vérification de rappel, demandes commerciales), entraînés sur le corpus d’appels de chaque site et intégrés au DMS
    • Son potentiel de dark marketplace apparaît quand des agents émergent aussi de l’autre côté : l’IA de sinistres d’un assureur appelle Toma pour réserver une réparation, l’agent de rappel d’un OEM réserve un service sous garantie, l’IA du client compare le prix d’un changement de freins auprès de 3 concessions — agent contre agent, sans musique d’attente

Les 4 étapes de l’abstraction du jugement

• Étape 1 — préférences explicites (Stated Preferences)

  • L’utilisateur indique directement au système ce qu’il veut : filtres, questionnaire d’onboarding, recherches enregistrées, limites d’approbation
  • C’est la ligne de départ de toutes les marketplaces, et les données produites sont utiles mais superficielles
  • Exemple : un retailer sur Faire sélectionne "articles pour la maison" et "gros inférieur à 50 dollars"

• Étape 2 — inférence comportementale (Behavioral Inference)

  • Le système observe le comportement de l’utilisateur pour inférer des schémas qu’il n’a pas explicités
  • Exploite par exemple la vitesse de vente POS, la fréquence de réapprovisionnement, le temps passé sur page, le taux d’acceptation des substituts et les comportements de changement de fournisseur
  • Exemple : Odeko détecte que le cycle de réapprovisionnement en lait d’avoine d’un café est de 6 jours et non 7, et que les volumes baissent le lundi, puis ajuste automatiquement les commandes sans instruction
  • La plupart des entreprises verticales AI-native en sont actuellement à ce stade ou y avancent

• Étape 3 — jugement contextuel (Contextual Judgment)

  • Le système intègre un contexte externe — conditions de marché, fiabilité des fournisseurs, périssabilité, saisonnalité, comportement de la contrepartie, contraintes réglementaires — pour prendre la décision que l’utilisateur aurait prise s’il avait disposé d’un temps infini et d’une information parfaite
  • L’agent IA de GrubMarket reconnaît, à partir des signaux de la supply chain, une pénurie régionale de tomates, bascule la commande d’un distributeur vers une variété de remplacement à prix similaire et agit en tenant compte de l’historique d’acceptation des substituts de ce distributeur
  • Green Cabbage : benchmarke un renouvellement Salesforce face à des milliers de contrats comparables et fixe un prix de retrait (walkaway price) que même l’équipe achats du client ne pourrait pas calculer elle-même
  • Cette étape exige la combinaison de données profondes propres à l’utilisateur et de données de marché étendues — elle nécessite à la fois engagement et proximité

• Étape 4 — prise de décision autonome (Autonomous Decision-Making)

  • L’agent agit avec une supervision humaine minimale voire inexistante au nom de l’utilisateur, la transaction devenant « dark » — l’utilisateur ne voit que le résultat, pas le processus
  • Aucune entreprise n’opère encore à ce stade, mais la forme finale est déjà visible : l’IA côté courtier reçoit une demande de fret, interroge l’IA côté transporteur, négocie le tarif et le timing, réserve le fret, confirme l’enlèvement et envoie un récapitulatif
  • Dans la matrice engagement × proximité, seules les entreprises en haut à droite peuvent raisonnablement parcourir les 4 étapes

Pourquoi les consommateurs ne mènent pas le mouvement

• État actuel du commerce par agents consommateurs

  • OpenAI a intégré le checkout à ChatGPT, et Rufus d’Amazon gère 250 millions d’acheteurs en 2025 (même si la part réelle d’interactions motivées par la curiosité reste discutable)
  • Morgan Stanley prévoit que d’ici 2030, la moitié des acheteurs en ligne utiliseront des agents IA
  • Selon une étude de PYMNTS, 41 % des consommateurs utilisent déjà l’IA pour découvrir des produits, mais presque aucun ne finalise un achat via un agent — pour l’instant, on reste au niveau d’une « barre de recherche hautement intelligente »

• Pourquoi l’achat B2C résiste à l’abstraction du jugement

  • Pour beaucoup de consommateurs, le parcours d’achat (découverte, exploration, sélection) n’est pas une friction à supprimer, mais le produit lui-même
  • 70 % des consommateurs veulent un service en magasin personnalisé, et 73 % de la Gen Z — la génération la plus native du numérique — se rend en magasin physique au moins une fois par semaine plus souvent que les baby-boomers
  • Les modèles d’abonnement DTC ont automatisé des achats de réapprovisionnement étroits et prévisibles comme le dentifrice, les rasoirs ou la nourriture pour animaux, mais leur plafond reste bas
    • Seuls 23 % des clients Amazon aux États-Unis utilisent activement Subscribe & Save — malgré plus de dix ans d’investissement
    • Un taux d’attrition mensuel de 10 à 20 % est considéré comme normal pour les box par abonnement
  • Le commerce vocal via Alexa d’Amazon s’est révélé être une « solution à la recherche d’un problème », avec des pertes récurrentes à 7 ou 8 chiffres
  • Dans Project Vend d’Anthropic — une expérience où une instance de Claude gérait un distributeur automatique — « Claudius » a fait faillite en environ un mois, halluciné de faux fournisseurs, imaginé une demande incontrôlée pour des « cubes métalliques » et même halluciné sa propre identité (« blazer bleu et cravate rouge »)
    • Un cas d’école parfait de ce qu’il ne faut pas faire dans le commerce automatisé par IA : ignorer l’abstraction du jugement, isoler le système de sources réelles d’apprentissage progressif, ne pas appliquer de garde-fous déterministes, et se concentrer sur des achats consommateurs guidés par les préférences

• Pourquoi les dark marketplaces apparaissent d’abord en B2B pour des raisons structurelles

  • À l’exception de quelques rôles comme les acheteurs mode ou art, les achats B2B sont répétitifs, pilotés par des politiques et orientés marge
  • Les acheteurs B2B opèrent déjà dans des budgets d’approvisionnement, des listes de fournisseurs approuvés, des contraintes de conformité et des cycles de réapprovisionnement établis, ce qui rend le processus plus abstrait que le choix de baskets d’un consommateur — avec davantage de motifs à détecter, de règles à encoder et de données opérationnelles à apprendre
  • Les acheteurs B2B partagent déjà des données opérationnelles avec les plateformes via des intégrations ERP, des flux POS, des API d’inventaire, etc., ce qui fait déjà du partage de données et du travail d’intégration un socle de base
  • Une fois que l’agent absorbe les heuristiques opérationnelles de l’acheteur (tolérance à la substitution, schémas de timing, préférences fournisseurs, appétence au risque), la relation elle-même devient un moat : retirer l’agent efface la mémoire institutionnelle et le coût de changement s’approfondit automatiquement à chaque interaction
  • Le système qui capture le plus de données de jugement devient le system of action, avec un alignement des incitations vers l’automatisation complète lorsque le moteur est le revenu plutôt que l’expérience

Comment les dark marketplaces transforment les principes fondamentaux des marketplaces

• Le cadre classique du succès des marketplaces (NEA, à partir de l’étude Airbnb de Jonathan Golden) s’articule autour de trois grands moteurs d’activation côté demande — Discovery, Convenience, Trust — et d’équivalents côté offre — Utilization, Revenue, Convenience

• La découverte (Discovery) devient élimination (Elimination)

  • Dans les marketplaces traditionnelles, la découverte est la proposition de valeur centrale — agréger une offre fragmentée et optimiser la capacité de l’acheteur à trouver le meilleur contrepartiste
  • Dans les dark marketplaces, l’acheteur ne découvre pas l’offre — l’agent identifie les besoins de l’acheteur, cherche, évalue puis présente une recommandation ou finalise la transaction, la friction de découverte convergeant vers zéro

• La commodité (Convenience) devient invisibilité (Invisibility)

  • Traditionnellement, la commodité est un « saut d’utilité » qui rend l’accès à la plateforme et la transaction beaucoup plus faciles
  • Dans les dark marketplaces, le saut va du « plus facile » à « invisible » — la transaction se déroule en arrière-plan, et le premier réflexe de l’acheteur devient de consulter les notifications de l’agent plutôt que le navigateur

• La confiance (Trust) passe du perceptif (Perceptual) à l’empirique (Empirical)

  • Dans les marketplaces traditionnelles, la confiance se construit via des signaux destinés à rassurer le jugement humain : avis, réputation de marque, fiabilité d’exécution, politique de retour
  • Dans les dark marketplaces, la confiance s’attache au track record de l’agent — a-t-il réduit les coûts ? évité les ruptures de stock ? bien géré les exceptions ? choisi les bonnes alternatives ?
  • La confiance devient mesurable et continue, et non une évaluation ponctuelle au moment de l’achat

• Nouveau mode d’échec : la dérive du jugement (Judgment Drift)

  • Si l’agent prend quelques mauvaises décisions — mauvaise substitution, surstock, erreurs de timing — l’utilisateur l’ignore, perd confiance et revient à une participation manuelle
  • Maintenir la précision du jugement malgré l’évolution des conditions, des préférences et des edge cases devient le nouveau KPI de rétention
  • D’où l’importance de l’axe de l’engagement : plus le système observe de façon continue, plus il corrige vite, ce qui réduit le risque de dérive du jugement

• Avantage de l’intégration verticale : le cas GrubMarket

  • GrubMarket : environ 680 millions de dollars levés, valorisation de 3,5 milliards de dollars, 12 ans d’activité
  • À la fois marketplace et fournisseur — l’entreprise exploite des entrepôts et de la distribution dans les 50 États tout en vendant WholesaleWare, un ERP dopé à l’IA, à des distributeurs tiers
  • Lancement d’agents IA spécialisés pour l’inventaire, le reporting et le monitoring
  • En contrôlant à la fois l’offre, la demande et la couche d’intelligence, l’agent est entraîné sur les deux côtés de chaque transaction
  • Forme finale : des agents de grossistes négocient automatiquement avec des agents de producteurs, et GrubMarket capture le spread

Les entreprises outsiders du commerce autonome

• Parmi les entreprises verticales IA financées, certaines approchent le seuil de la dark marketplace sous différents angles, mais aucune n’a encore atteint l’état final d’un commerce véritablement automatisé par IA et sans intervention humaine
• Comme dans les marketplaces traditionnelles, on peut s’attendre à une coexistence entre grands acteurs, spécialistes verticaux et même joueurs de niche
• Le fait d’être AI native est clé pour la vitesse d’accès à la dark marketplace, mais le meilleur angle d’attaque reste encore à observer

• Exemple du courtage de fret : profondeur d’abord vs largeur d’abord

  • Augment (110 millions de dollars, mené par Redpoint) : intégration profonde sur un seul côté du workflow — automatisation complète de l’order-to-cash sur 35 milliards de dollars de fret
  • FleetWorks (17,5 millions de dollars, mené par First Round) : bilatéral dès le premier jour — son dispatcher IA sert à la fois les transporteurs et les courtiers, avec plus de 10 000 transporteurs et Uber Freight déjà présents sur la plateforme
  • Question ouverte : l’approche profondeur d’abord, focalisée sur un ICP d’un seul côté, ou l’approche largeur d’abord, où les deux côtés existent déjà avant d’évoluer vers un règlement agent-to-agent, atteint-elle plus vite le Stage 4 ?

Principes clés pour les fondateurs qui construisent une dark marketplace

• 1. Commencer par un wedge qui maximise à la fois l’engagement et la proximité

  • S’il faut n’en choisir qu’un, pencher du côté de l’engagement — ajouter plus tard de la capture de données ambient est bien plus difficile que d’étendre le produit vers la transaction
  • Voice AI, capture de conversations, outils intégrés au workflow sont de meilleurs wedges que les dashboards ou l’analytics — ils génèrent les données comportementales nécessaires à l’abstraction du jugement

• 2. Concevoir la capture du jugement par utilisateur, pas des préférences agrégées

  • L’avantage d’une dark marketplace est que l’agent de chaque utilisateur est différent, car entraîné sur les comportements, le contexte et les edge cases propres à cet utilisateur
  • Construire dès le départ une mémoire structurée, la recherche de contexte par utilisateur et des boucles de feedback — pas comme des fonctionnalités à ajouter plus tard, mais comme l’architecture elle-même
  • Les défis du fine-tuning par utilisateur (latence, coût, artefacts négatifs liés à la taille de la fenêtre de contexte) sont réels, mais des approches comme les couches mémoire, le RAG et les adaptateurs efficaces en paramètres constituent précisément la bonne boîte à outils

• 3. Viser des marchés verticaux B2B avec achats récurrents et offre fragmentée

  • Distribution alimentaire, fret, matériaux de construction, fournitures dentaires, médicaments spécialisés, pièces automobiles : des marchés verticaux hétérogènes où les acheteurs prennent des dizaines de décisions par semaine et où l’offre est suffisamment fragmentée pour justifier l’intermédiation
  • Les marchés où le ROI de l’abstraction du jugement est le plus élevé : assez de volume de décisions pour apprendre vite, une complexité de l’offre capable de créer une vraie valeur, et suffisamment de comportements répétés pour faire croître les coûts de changement
  • La leçon des marketplaces B2B de la dernière décennie : si vous ne comprenez pas pourquoi des courtiers et des distributeurs existent dans ce vertical, vous risquez fortement de mal comprendre leur rôle de service ou leurs points de levier

• 4. Planifier le parcours du Stage 1 au Stage 4

  • Ne construisez pas un agent autonome dès le premier jour — vous perdrez la confiance avant même de l’avoir gagnée
  • Capturer les préférences explicites, obtenir le droit d’inférer les comportements, prouver que vous pouvez gérer le jugement contextuel, puis seulement opérer de manière autonome
  • Chaque étape est un exercice de construction de la confiance avec la base d’utilisateurs ; sauter des étapes entraîne dérive du jugement, overrides manuels et churn

• 5. Le moat, ce n’est pas l’UI, c’est la mémoire

  • Dans une dark marketplace, l’interface est remplaçable, mais la connaissance accumulée de la façon dont cet acheteur prend ses décisions — tolérance à la substitution, préférences de timing, appétence au risque, relations fournisseurs — constitue le coût de changement
  • Il faut investir dans cette mémoire comme dans une infrastructure, et les concurrents poursuivront eux aussi cette même stratégie

La main invisible, revisitée

• Le détail le plus marquant dans Project Deal n’était ni le nombre de transactions ni les montants, mais ce qui s’est produit avec les modèles faibles — les participants représentés par une IA moins performante ont obtenu de moins bons résultats, mais comme ils ne voyaient que les résultats et non le processus, ils ne s’en rendaient absolument pas compte
• Voilà la tension centrale de la dark marketplace : lorsque la transaction devient dark, la qualité du jugement de l’agent devient essentielle ; un bon agent réduit les coûts, évite les ruptures de stock et gère élégamment les exceptions, tandis qu’un agent moyen commet des erreurs silencieuses qui se composent avec le temps, sans que l’utilisateur puisse voir la différence avant que le dommage n’apparaisse
• C’est pourquoi l’abstraction du jugement est à la fois le moat, le produit et le risque
• La métaphore de la "main invisible" d’Adam Smith n’explique pas une efficacité universelle du marché, mais le fait que les choix intéressés des acteurs du marché peuvent collectivement bénéficier à la société — si la "main" du marché est invisible, c’est parce qu’elle est définie par des choix enfouis dans la tête de milliards d’acheteurs et de vendeurs
• Lorsque le jugement de l’acheteur est abstrait hors de sa tête et de son intuition vers une IA qui agit de façon persistante, autonome et à une échelle qu’aucun humain ne peut gérer, la marketplace ne disparaît pas ; elle devient dark