Profilage et personnalisation : ciblage, tests A/B, prix, recommandations et IA
Un vendeur expérimenté apprend progressivement à connaître son client. Il remarque son budget, ses priorités, les arguments auxquels il réagit, les produits qu’il écarte et les hésitations qu’il exprime. Le commerce numérique peut accomplir quelque chose de comparable à une échelle beaucoup plus grande : historique des achats, recherches, clics, produits consultés, temps passé sur une page, appareil utilisé, localisation approximative, réactions à différentes promotions ou interactions précédentes avec le service peuvent contribuer à personnaliser ce qui sera montré ensuite.
Cette personnalisation peut rendre le commerce beaucoup plus pratique. Un magasin en ligne qui connaît notre taille évite de proposer des vêtements indisponibles dans celle-ci. Un service musical peut recommander des artistes correspondant à nos goûts. Une plateforme peut faire remonter des produits compatibles avec ce que nous possédons déjà plutôt que nous obliger à parcourir des milliers de références.
Mais la même connaissance peut servir un objectif différent. Une entreprise peut chercher non seulement ce que nous préférons, mais ce que nous sommes susceptibles d’accepter, combien nous sommes prêts à payer, quelle présentation nous convainc le mieux ou à quel moment nous sommes le plus faciles à convertir.
Le changement est considérable. Dans la vente traditionnelle, le consommateur sait généralement qu’un vendeur observe ses réactions. Dans le commerce numérique, une partie importante de cette observation peut rester invisible. L’asymétrie ne concerne donc plus uniquement la connaissance du produit : le vendeur peut connaître certains aspects du comportement du consommateur mieux que celui-ci ne comprend le système qui l’observe.
Personnaliser n’est pas manipuler
Il serait pourtant absurde de considérer toute personnalisation comme suspecte.
Face à un catalogue contenant plusieurs millions de références, montrer exactement le même ordre de produits à tout le monde serait souvent moins utile qu’une sélection adaptée. Une personne recherchant régulièrement du matériel photographique n’a pas nécessairement envie de parcourir les mêmes recommandations qu’un utilisateur intéressé principalement par la cuisine.
Un système de recommandation peut donc remplir une fonction authentiquement utile : réduire le coût de la recherche.
Une revue systématique consacrée aux systèmes de recommandation pour les courses alimentaires en ligne montre d’ailleurs que ces systèmes sont principalement conçus pour exploiter les préférences et les comportements afin de faciliter la sélection dans des catalogues importants. Les auteurs soulignent cependant que leur évaluation reste souvent centrée sur les performances du système plutôt que sur les objectifs plus larges du consommateur et que la participation explicite des utilisateurs à leur conception demeure limitée.
Cette tension résume une grande partie du problème. Un algorithme peut être extrêmement efficace pour prédire ce sur quoi nous allons cliquer sans nécessairement optimiser ce que nous aurions intérêt à choisir.
Ces deux objectifs peuvent coïncider. Ils ne sont pas identiques.
Du segment commercial au profil individuel
La personnalisation commerciale n’est pas née avec internet.
Les entreprises ont toujours segmenté leur clientèle : étudiants, familles, professionnels, retraités, petits ou gros consommateurs. Une compagnie aérienne ne propose pas les mêmes offres à un voyageur professionnel qui réserve deux jours avant le départ et à une famille qui prépare ses vacances six mois à l’avance.
Le numérique permet cependant de rendre la segmentation beaucoup plus fine.
Au lieu de classer une personne uniquement dans une grande catégorie, un système peut combiner de nombreux signaux : achats passés, produits regardés sans être achetés, fréquence d’utilisation, réaction aux promotions, montant habituellement dépensé, fidélité ou probabilité estimée de quitter le service.
Le profil obtenu n’a d’ailleurs pas besoin de ressembler à une description psychologique lisible telle que « consommateur prudent mais impulsif ». Il peut simplement être un ensemble de probabilités : probabilité de cliquer, d’acheter, de résilier, d’accepter une réduction ou de répondre à une recommandation.
Le système n’a donc pas besoin de « nous comprendre » comme le ferait un humain pour devenir commercialement très efficace.
Il suffit qu’il prédise suffisamment bien notre comportement.
Connaître une préférence peut améliorer le service
Prenons une librairie en ligne.
Après plusieurs achats d’ouvrages d’histoire contemporaine et de philosophie politique, elle recommande de nouveaux livres dans ces domaines. La personnalisation économise du temps et peut faire découvrir des ouvrages que le lecteur n’aurait pas rencontrés seul.
Le service produit ici une information pertinente à partir d’informations passées.
De même, une plateforme de vêtements peut mémoriser une taille, un supermarché rappeler des produits régulièrement achetés et un service de voyage proposer automatiquement les aéroports de départ habituels.
Le consommateur bénéficie réellement de la connaissance accumulée par le système.
Une conception trop méfiante de l’autonomie pourrait paradoxalement rendre les services moins utiles en exigeant que chaque décision reparte de zéro.
La question pertinente n’est donc pas :
« le système utilise-t-il mes données pour influencer mon choix ? »
Il le fait souvent précisément pour être utile.
Il faut plutôt demander :
« dans quel objectif utilise-t-il cette connaissance et dans quelle mesure cet objectif correspond-il au mien ? »
Une recommandation n’est jamais indépendante de l’objectif qui l’optimise
Imaginons deux systèmes capables de prédire nos préférences avec la même précision.
Le premier cherche à recommander le produit qui possède la plus forte probabilité de nous satisfaire.
Le second cherche à recommander celui qui maximise la marge de l’entreprise parmi les produits que nous sommes susceptibles d’accepter.
Les recommandations peuvent parfois être identiques.
Mais leur logique ne l’est pas.
Un troisième système pourrait chercher à maximiser la probabilité de clic. Un quatrième, le montant total du panier. Un cinquième, la probabilité que nous revenions dans trois mois.
Le terme « recommandé pour vous » ne suffit donc pas à expliquer le fonctionnement d’un système.
La question importante est : optimisé pour quoi ?
Une revue de 2024 sur les systèmes de recommandation alimentaires relève précisément que les méthodes d’évaluation sont très souvent centrées sur les performances du système, tandis que les objectifs plus larges des utilisateurs sont moins systématiquement intégrés.
Cette distinction est essentielle pour comprendre l’autonomie numérique. Un algorithme peut nous connaître remarquablement bien et pourtant poursuivre un objectif qui n’est pas exactement le nôtre.
Personnaliser l’ordre plutôt que le produit
L’une des formes les plus discrètes de personnalisation consiste simplement à changer l’ordre des offres.
Le produit et son prix restent identiques. Deux consommateurs effectuant la même recherche voient néanmoins des classements différents.
Une étude menée pour la Commission européenne sur la personnalisation commerciale en ligne avait trouvé, dans les marchés examinés, beaucoup plus de personnalisation du classement que de personnalisation systématique des prix. Dans cette étude, 61 % des sites de commerce électronique visités modifiaient l’ordre des offres au moins dans certaines conditions testées, en fonction notamment du parcours d’accès ou de comportements antérieurs. Les auteurs n’avaient en revanche trouvé des différences de prix sur des produits identiques que dans 6 % des situations comparées, avec des écarts généralement faibles. Ces chiffres datent de l’étude et ne doivent pas être projetés mécaniquement sur le commerce actuel, mais ils illustrent une distinction importante : la personnalisation peut agir principalement sur ce que nous voyons plutôt que sur ce que nous payons.
Ce mécanisme peut être extrêmement utile. Faire remonter les offres correspondant le mieux à nos critères réduit la recherche.
Il devient plus problématique lorsque le consommateur croit voir les « meilleurs résultats » alors que le classement combine silencieusement ses préférences avec les intérêts commerciaux de la plateforme.
La publicité ciblée poursuit un objectif différent
Une recommandation cherche généralement à sélectionner quelque chose au sein d’un environnement que nous utilisons déjà.
La publicité ciblée consiste plutôt à choisir quel message commercial montrer à quelle personne.
Là encore, le ciblage peut avoir une utilité. Une publicité pour des chaussures de randonnée intéresse probablement davantage quelqu’un qui vient de chercher des itinéraires de montagne qu’une publicité choisie au hasard.
Du point de vue de l’annonceur, l’objectif est cependant beaucoup plus clair : augmenter la probabilité que l’exposition au message produise un comportement commercial.
La personnalisation peut porter sur plusieurs dimensions : qui reçoit le message, quel produit est montré, à quel moment, dans quel contexte et parfois avec quelle formulation.
L’existence du ciblage ne démontre toujours pas une manipulation. Une publicité pertinente reste une publicité.
Mais plus le système dispose d’informations sur les réactions passées de la personne, plus il peut apprendre quel type de message fonctionne particulièrement bien sur elle.
Cette asymétrie devient importante lorsqu’elle porte non plus seulement sur les goûts, mais sur les vulnérabilités.
Préférence et vulnérabilité ne sont pas la même chose
Supposons qu’un service sache qu’un utilisateur achète régulièrement de la nourriture pour chat.
Lui recommander une promotion sur le produit qu’il achète déjà ressemble principalement à une personnalisation de préférence.
Supposons maintenant qu’un système détecte qu’une personne consulte très fréquemment des offres de crédit après minuit, revient plusieurs fois sur des produits qu’elle n’a pas les moyens d’acheter et réagit particulièrement bien aux mensualités présentées sous forme de petits montants.
L’entreprise peut alors posséder une information d’un autre ordre : elle a identifié les conditions dans lesquelles cette personne est particulièrement susceptible d’accepter une offre coûteuse.
La frontière n’est évidemment pas toujours aussi nette.
Mais elle permet de distinguer deux usages de la connaissance comportementale :
mieux comprendre ce que la personne veut et mieux comprendre comment obtenir son accord.
Un système commercial peut faire les deux simultanément.
C’est précisément pourquoi le profilage soulève un problème d’autonomie plus profond qu’une simple publicité générique.
Nous ne savons pas nécessairement ce que le système sait de nous
Un vendeur en face à face possède une connaissance limitée par la conversation.
Une plateforme peut inférer certaines caractéristiques à partir de comportements dont nous n’imaginons pas toujours la valeur prédictive.
Nous savons que notre historique d’achat indique ce que nous avons acheté. Nous pensons moins spontanément que le moment de l’achat, le temps passé avant de cliquer, le nombre de visites précédentes ou notre réaction aux promotions peuvent également alimenter des modèles.
Cela ne signifie pas que les plateformes possèdent une sorte de portrait psychologique parfait.
Les prédictions algorithmiques comportent des erreurs. Les comportements sont ambigus : consulter plusieurs fois un produit peut indiquer un fort intérêt, une hésitation importante ou simplement une comparaison méthodique.
Il faut donc éviter l’image inversement mythologique d’une entreprise capable de lire avec précision nos pensées.
Le pouvoir vient moins d’une connaissance parfaite que de la possibilité de tester des prédictions sur des millions d’interactions et de conserver celles qui améliorent statistiquement les résultats.
Les tests A/B permettent d’apprendre ce qui fonctionne
Une boutique physique peut essayer une nouvelle présentation et observer les ventes.
Un service numérique peut comparer plusieurs versions simultanément.
Une partie des utilisateurs voit un bouton bleu, une autre une formulation différente ; certains reçoivent une réduction de 10 %, d’autres la livraison gratuite. L’entreprise mesure ensuite les comportements.
C’est le principe général du test A/B.
L’outil n’a rien de suspect en lui-même. Il est indispensable à de nombreuses améliorations numériques : identifier une interface plus compréhensible, réduire les erreurs, déterminer quelle fonction aide réellement les utilisateurs.
Mais l’objectif mesuré détermine ce qui sera sélectionné.
Si le critère principal est le taux de conversion, une interface qui produit davantage d’achats sera favorisée même si une partie de cette augmentation vient d’une compréhension moins bonne ou d’une pression accrue.
Un système peut ainsi découvrir empiriquement des moyens d’influencer le comportement sans que les concepteurs aient préalablement formulé une théorie psychologique précise.
L’entreprise n’a pas besoin de savoir *pourquoi* une formulation fonctionne pour constater qu’elle augmente les ventes.
De l’expérimentation générale à la personnalisation individuelle
Les tests A/B traditionnels cherchent souvent la présentation qui fonctionne le mieux en moyenne.
La personnalisation permet d’aller plus loin : la meilleure présentation peut dépendre du profil.
Un groupe réagit mieux à une remise en pourcentage.
Un autre à une réduction en euros.
Certains répondent davantage à la gratuité de la livraison.
D’autres à une offre premium.
À mesure que les modèles deviennent plus performants, l’optimisation peut donc évoluer d’une question générale :
« quelle présentation vend le mieux ? »
vers :
« quelle présentation a la plus forte probabilité de convaincre cette personne ou ce type de personne maintenant ? »
Cette évolution ne transforme pas automatiquement le commerce en manipulation. Adapter un argument au destinataire est exactement ce que faisait déjà un bon vendeur.
La différence réside dans l’échelle, l’opacité et la capacité de mener des expériences permanentes.
Les recommandations algorithmiques peuvent aussi accroître l’autonomie
Les systèmes automatisés ne réduisent pas nécessairement la maîtrise du choix.
Une série d’expériences publiée en 2024 sur les recommandations algorithmiques montre au contraire que donner aux utilisateurs davantage de contrôle sur le nombre ou la diversité des recommandations pouvait augmenter leur acceptation de celles-ci. Dans ces expériences, permettre un choix plus actif parmi plusieurs recommandations améliorait notamment l’acceptation du conseil algorithmique.
Ce résultat est intéressant parce qu’il montre qu’efficacité commerciale et autonomie ne sont pas nécessairement opposées.
Une interface peut aider davantage lorsqu’elle permet à l’utilisateur de préciser ses objectifs, d’ajuster ses critères ou d’explorer d’autres options.
La personnalisation la plus respectueuse de l’autonomie n’est donc peut-être pas celle qui devine silencieusement tout ce que nous voulons, mais celle qui nous permet de comprendre et de modifier les critères sur lesquels elle repose.
L’algorithme peut enfermer progressivement la représentation de nos préférences
Un autre problème apparaît lorsque le système apprend exclusivement à partir de nos comportements passés.
Quelqu’un qui achète plusieurs romans policiers reçoit davantage de romans policiers. Comme il voit davantage ces ouvrages, il en achète encore davantage.
Le système possède de bonnes raisons statistiques de conclure que cette recommandation fonctionne.
Mais il risque aussi de réduire l’exploration.
Une préférence passée devient progressivement une prédiction, puis la prédiction détermine ce qui est visible, et ce qui devient visible alimente à son tour les nouveaux comportements.
Cette boucle ne signifie pas que les systèmes de recommandation enferment nécessairement les utilisateurs dans une bulle commerciale. Beaucoup introduisent volontairement de la diversité ou de l’exploration.
Elle rappelle simplement que prédire ce que nous avons aimé n’est pas exactement la même chose que nous aider à découvrir ce que nous pourrions aimer.
Une personnalisation trop parfaite du passé peut appauvrir le futur.
La tarification dynamique n’est pas la tarification personnalisée
Une confusion fréquente doit être clarifiée.
Un hôtel peut augmenter ses tarifs parce qu’un festival remplit toute la ville. Une compagnie aérienne peut modifier ses prix selon la date, la demande ou le nombre de sièges encore disponibles.
Il s’agit de tarification dynamique lorsque le prix change selon les conditions du marché ou de la transaction sans être déterminé par le profil individuel de la personne.
La tarification personnalisée apparaît lorsque les informations propres au consommateur ou à une catégorie très fine de consommateurs contribuent à déterminer le prix qui lui est proposé.
La distinction est importante.
Deux personnes consultant la même chambre à trois semaines d’intervalle peuvent recevoir des prix différents sans aucune personnalisation.
En revanche, si deux consommateurs au même moment reçoivent des prix différents parce qu’un modèle estime qu’ils n’ont pas la même disposition à payer, nous entrons dans une logique différente.
Le droit européen distingue explicitement ces deux situations. Lorsque le prix est personnalisé sur la base d’une décision automatisée, le consommateur doit, dans les situations couvertes, être informé de cette personnalisation. Cette obligation ne vise pas la simple tarification dynamique réagissant à la demande lorsqu’elle ne repose pas sur un profilage individuel.
Le prix personnalisé n’est pas nécessairement plus élevé
L’intuition immédiate est simple : si une entreprise connaît notre disposition à payer, elle nous fera payer davantage.
La réalité économique est plus intéressante.
Une grande étude de Jean-Pierre Dubé et Sanjog Misra a utilisé des expériences de prix randomisées dans une entreprise numérique pour modéliser et tester une tarification personnalisée fondée sur l’apprentissage automatique. La personnalisation augmentait les profits de l’entreprise par rapport au meilleur prix uniforme. Le surplus total des consommateurs diminuait, mais plus de 60 % des consommateurs bénéficiaient individuellement d’un prix plus bas dans le scénario de personnalisation.
Ce résultat mérite d’être pris au sérieux parce qu’il empêche deux conclusions simplistes.
Premièrement, la personnalisation peut effectivement transférer une partie du surplus vers l’entreprise.
Deuxièmement, elle ne consiste pas nécessairement à augmenter le prix de tout le monde. Pour certains clients, l’entreprise a intérêt à proposer une réduction qu’elle n’accorderait pas sous un prix uniforme, précisément parce qu’elle pense que ces clients n’achèteraient pas autrement.
Le jugement économique dépend donc de la distribution des gains et des pertes, pas seulement de l’existence de prix différents.
Le cas Tinder montre comment cela peut fonctionner
La Commission européenne fournit un exemple particulièrement pédagogique.
À la suite d’un dialogue avec les autorités européennes de protection des consommateurs, Tinder s’est engagé à mieux informer les utilisateurs sur certaines réductions personnalisées de ses services premium.
Le système pouvait identifier, à partir du comportement, des utilisateurs peu susceptibles d’acheter au prix standard et leur proposer des réductions personnalisées. Les autorités avaient notamment demandé que les consommateurs soient clairement informés de cette personnalisation et de certains critères utilisés.
Cet exemple inverse l’image du client « puni parce qu’il peut payer ».
La personnalisation peut aussi conduire à :
« cette personne ne semble pas prête à payer 20 euros ; proposons-lui 12 euros ».
Pour celui qui reçoit 12 euros, la personnalisation est avantageuse.
Pour un autre utilisateur qui paie 20 euros, apprendre que d’autres ont reçu exactement le même service moins cher peut susciter un fort sentiment d’injustice.
Nous retrouvons ainsi une distinction classique entre efficacité économique, distribution et équité perçue.
« Même produit, même prix » n’est pas une règle économique universelle
Nous acceptons déjà de nombreuses formes de discrimination tarifaire.
Un tarif étudiant est inférieur au tarif adulte. Une carte de fidélité donne accès à certaines promotions. Un billet acheté six mois à l’avance peut coûter moins cher.
Nous ne considérons donc pas automatiquement toute différence de prix comme injuste.
Ce qui change avec la personnalisation algorithmique est souvent l’opacité du critère.
« Tarif moins de 26 ans » est compréhensible.
« Votre prix est celui que notre modèle a calculé à partir de votre comportement » l’est beaucoup moins.
Cette opacité peut modifier la perception d’équité. Des travaux expérimentaux récents sur la tarification personnalisée retrouvent justement de fortes réactions liées à la justice distributive et procédurale : le jugement dépend non seulement du prix obtenu, mais de la manière dont la différence a été produite.
Le problème n’est donc pas uniquement « combien ai-je payé ? », mais également « pourquoi moi ? »
Savoir que l’on est profilé peut modifier notre propre comportement
Une conséquence particulièrement intéressante apparaît lorsque les consommateurs comprennent que leurs données peuvent influencer les prix.
Si un système utilise nos comportements pour estimer notre disposition à payer, nous pouvons commencer à modifier stratégiquement ces comportements.
Une expérience publiée en 2024 a étudié ce phénomène. Lorsque les participants savaient qu’un modèle statistique pouvait déterminer un prix à partir d’informations les concernant, ils pouvaient tenter de manipuler leurs réponses afin d’obtenir une meilleure offre. Les résultats montrent également que la compréhension du lien entre les données fournies et le contexte de tarification influençait leurs choix en matière de confidentialité.
La personnalisation peut donc produire un jeu stratégique étrange :
l’entreprise essaie d’inférer notre disposition à payer ;
le consommateur essaie de masquer sa disposition à payer ;
l’entreprise essaie ensuite de distinguer le véritable signal de la stratégie de dissimulation.
Le commerce devient alors moins transparent pour tout le monde.
Le profilage peut utiliser des données apparemment éloignées de l’achat
Ce phénomène soulève une autre difficulté : une donnée peut avoir une utilité prédictive dans un contexte très différent de celui dans lequel elle a été produite.
Un comportement observé dans un service peut aider statistiquement à prévoir une réaction dans un autre.
Pour le consommateur, ce lien peut être totalement inattendu.
La personne n’a alors pas seulement du mal à comprendre quelles données sont utilisées ; elle peut ne pas imaginer ce qu’elles permettent d’inférer.
Cela renforce la valeur de la transparence, mais en révèle aussi les limites.
Afficher une longue liste de variables ne suffit pas nécessairement à permettre une compréhension véritable. Il faut également expliquer les grandes finalités : recommandation, ciblage, prévention de fraude, tarification ou autre décision.
Le ciblage des vulnérabilités constitue une frontière plus préoccupante
Les préoccupations deviennent beaucoup plus sérieuses lorsqu’un système ne se contente plus d’identifier une préférence ou une sensibilité au prix mais détecte une vulnérabilité.
Une personne peut traverser une période de détresse financière, de solitude, d’urgence ou de forte impulsivité.
Un système suffisamment riche en données pourrait, au moins dans certains contextes, identifier des comportements corrélés à ces états sans que l’utilisateur en ait conscience.
La tentation commerciale est évidente : présenter une offre au moment où la probabilité d’acceptation est maximale.
Mais maximiser la probabilité d’un « oui » ne signifie pas que ce moment soit celui où la personne prend sa meilleure décision.
La distinction est fondamentale :
une préférence stable indique ce que nous voulons ; une vulnérabilité momentanée peut indiquer le moment où nous résistons le moins.
Confondre les deux transformerait la personnalisation en outil d’exploitation.
Toutes les vulnérabilités ne sont pas évidentes
Il faut néanmoins éviter une vision excessivement simple où l’entreprise saurait précisément qu’une personne est « vulnérable ».
Les modèles fonctionnent souvent par corrélations probabilistes.
Ils peuvent constater qu’un certain profil réagit davantage à une promotion à certaines heures ou après certaines séquences d’utilisation sans pouvoir expliquer pourquoi.
La vulnérabilité peut donc être exploitée sans être explicitement nommée comme telle.
Un processus d’optimisation peut simplement apprendre :
« montrer cette offre à ce groupe dans cette situation augmente la conversion de 8 % ».
Cette possibilité renforce l’importance du choix de la métrique d’optimisation. Un système entraîné uniquement à maximiser la conversion n’a aucune raison intrinsèque de distinguer une décision bien réfléchie d’une décision prise dans un moment de faiblesse.
L’IA augmente surtout la capacité de combiner et d’adapter
L’intelligence artificielle ne crée pas entièrement ces problèmes.
Segmentation, scoring, recommandation et personnalisation existaient bien avant les modèles actuels.
L’IA améliore surtout la capacité à combiner de grandes quantités de données, détecter des régularités complexes et adapter les contenus à grande échelle.
Les systèmes de recommandation modernes utilisent déjà l’apprentissage automatique pour exploiter historiques, séquences d’achat et comportements. Une revue récente de la littérature sur l’IA et les recommandations en commerce électronique souligne notamment le rôle central du data mining et de l’analyse des séquences comportementales dans la personnalisation.
Les systèmes génératifs ajoutent progressivement une autre possibilité : produire non seulement la sélection de l’offre, mais aussi la formulation du message.
Un assistant commercial peut adapter le niveau de détail, les arguments ou l’ordre des informations à la conversation.
Nous retrouvons alors le vendeur adaptatif de la fiche précédente, mais sous une forme automatisée capable d’agir simultanément avec un nombre immense de consommateurs.
Le commerce conversationnel brouille encore la frontière du conseil
Cette évolution est particulièrement intéressante avec les assistants conversationnels.
Un catalogue classique présente des produits.
Un assistant peut demander :
« quel est votre budget ? »
« quelle utilisation prévoyez-vous ? »
« qu’est-ce qui compte le plus pour vous ? »
Il peut ensuite filtrer les offres et expliquer les différences.
Dans sa meilleure version, ce système peut améliorer fortement la décision : il transforme un catalogue illisible en dialogue et aide l’utilisateur à expliciter ses critères.
Mais une question apparaît immédiatement :
pour qui travaille l’assistant ?
Un agent véritablement contrôlé par le consommateur pourrait rechercher l’offre la mieux adaptée parmi plusieurs vendeurs.
L’assistant d’une entreprise peut, lui, être conçu pour recommander uniquement ses propres produits ou optimiser la conversion.
La même interface conversationnelle peut donc ressembler à un conseiller personnel tout en restant un instrument commercial du vendeur.
Cette distinction devra probablement devenir de plus en plus importante.
Une recommandation personnalisée peut masquer l’alternative absente
Lorsque quelqu’un nous recommande trois produits sur mille, il ne nous influence pas seulement par ce qu’il montre.
Il nous influence également par ce qu’il ne montre pas.
La personnalisation rend cette absence particulièrement difficile à percevoir.
Si chacun voit une vitrine différente, il devient plus compliqué de savoir quelles alternatives étaient disponibles pour les autres utilisateurs ou selon quels critères elles ont été écartées.
Cela ne signifie pas qu’un système devrait afficher tout son catalogue.
La question est plutôt de conserver des moyens de reprendre le contrôle : modifier le tri, désactiver certains critères de personnalisation, rechercher explicitement une autre catégorie, comparer avec un service extérieur.
Une personnalisation compatible avec l’autonomie devrait idéalement permettre au consommateur de sortir ponctuellement de son propre profil.
Cas pratique — Le voyage personnalisé
Une personne cherche un hôtel pour trois nuits à Rome.
La plateforme sait qu’elle réserve généralement des établissements de catégorie moyenne, qu’elle privilégie les notes élevées, qu’elle clique souvent sur les offres avec annulation gratuite et qu’elle abandonne fréquemment lorsque le prix dépasse 180 euros la nuit.
La personnalisation peut utiliser ces informations de plusieurs manières.
Première version : la plateforme place en tête les hôtels bien notés, avec annulation gratuite, entre 120 et 170 euros. Le système évite à l’utilisateur des dizaines de résultats manifestement inadaptés.
Deuxième version : parmi les établissements compatibles, elle favorise ceux qui versent une commission plus importante sans rendre ce critère compréhensible.
Troisième version : le système estime que cet utilisateur a une probabilité élevée d’accepter 175 euros mais faible à 185 euros et adapte une promotion pour atteindre précisément cette zone.
Quatrième version : après plusieurs visites infructueuses, la plateforme détecte une urgence croissante et accentue les messages de rareté afin de provoquer la réservation.
Dans les quatre scénarios, les mêmes données améliorent la prédiction.
Ce qui change est l’objectif auquel cette prédiction est mise au service.
La technologie n’indique donc pas, à elle seule, si la personnalisation augmente ou réduit l’autonomie.
Le droit européen impose au moins une information sur certains prix personnalisés
Le cadre européen reconnaît explicitement le cas de la tarification personnalisée.
Lorsqu’un professionnel propose un prix personnalisé sur la base d’une décision automatisée dans les situations couvertes par la directive sur les droits des consommateurs, il doit informer le consommateur que le prix a été personnalisé de cette manière. Cette obligation se distingue de la simple tarification dynamique fondée sur les conditions du marché.
Cette transparence ne résout évidemment pas toutes les questions.
Savoir « ce prix est personnalisé » ne nous indique pas nécessairement si nous bénéficions d’une remise ou si nous aurions obtenu mieux sous un autre profil.
Mais l’information rétablit au moins un élément essentiel : nous savons que le nombre affiché ne constitue pas nécessairement un prix commun à tous les consommateurs placés au même moment devant la même offre.
La protection des données ajoute par ailleurs ses propres obligations concernant le profilage et certaines décisions automatisées. Selon les cas, le RGPD impose notamment information, base juridique et garanties particulières pour certaines décisions exclusivement automatisées ayant des effets juridiques ou significatifs.
La rubrique n’a pas besoin d’en faire un cours juridique. Il suffit de comprendre que le législateur considère lui-même que la personnalisation peut modifier suffisamment la relation commerciale pour exiger une transparence spécifique.
La transparence seule ne garantit pas l’autonomie
Une difficulté subsiste pourtant.
Un message peut annoncer :
« Certains résultats sont personnalisés en fonction de votre activité. »
Le consommateur est désormais informé.
Mais sait-il quelle importance cette personnalisation possède ? Quels résultats auraient été visibles sans elle ? Quelles informations ont été utilisées ? Les produits recommandés sont-ils ceux qui correspondent le mieux à ses intérêts ou ceux que la plateforme souhaite davantage vendre ?
Une étude de la Commission européenne avait montré que des informations plus explicites pouvaient améliorer la capacité des participants à repérer certains classements personnalisés, mais l’effet était beaucoup moins clair pour d’autres pratiques comme la tarification personnalisée ou la publicité ciblée.
La transparence est donc nécessaire mais pas magique.
Une information incompréhensible peut satisfaire formellement une obligation sans rétablir réellement la capacité de décision.
Donner du contrôle peut parfois mieux fonctionner que cacher la personnalisation
Une approche plus prometteuse consiste à associer transparence et contrôle.
Pourquoi cet article m’est-il recommandé ?
Puis-je modifier mes préférences ?
Puis-je choisir un classement non personnalisé ?
Puis-je demander davantage de diversité ?
Puis-je corriger une inférence erronée ?
Ces mécanismes transforment la personnalisation d’un système qui agit sur l’utilisateur en un système qui travaille davantage avec lui.
Les expériences de Fink, Newman et Haran vont dans ce sens : offrir davantage d’autonomie sur les recommandations pouvait augmenter leur acceptation plutôt que la diminuer.
Cette observation est importante pour sortir d’une opposition trop simple entre efficacité et liberté.
Un système peut être plus utile précisément parce que le consommateur comprend mieux comment le guider.
Le profil peut être faux
Toute personnalisation comporte enfin une limite souvent oubliée : le modèle peut se tromper.
Nous achetons un cadeau pour quelqu’un d’autre et recevons ensuite des recommandations qui ne nous correspondent pas.
Nous consultons un produit par curiosité et l’algorithme interprète cette visite comme un intérêt durable.
Nous partageons un compte avec plusieurs personnes.
Nos préférences changent.
Un système très personnalisé peut alors devenir moins utile qu’un système général parce qu’il insiste sur une représentation ancienne ou erronée.
Cette erreur a également une dimension commerciale : une personne peut être traitée comme ayant une forte disposition à payer, une préférence particulière ou une probabilité élevée de résiliation alors que l’inférence est mauvaise.
La possibilité de corriger ou de dépasser le profil devient donc un élément important de l’autonomie.
Comment reprendre de la distance face à une offre personnalisée ?
Il serait irréaliste d’essayer de comprendre chaque algorithme avant d’acheter.
Quelques stratégies suffisent souvent pour les décisions importantes.
La première consiste à sortir temporairement de l’environnement personnalisé : comparer avec un autre site, utiliser un comparateur ou rechercher directement un produit précis.
La deuxième consiste à revenir à ses critères avant de regarder les recommandations. Le système peut suggérer vingt excellentes options ; elles ne deviennent pertinentes que si elles répondent au problème que nous cherchons réellement à résoudre.
La troisième consiste à vérifier ce qui a été personnalisé lorsque cette information est accessible : classement, publicité, remise ou prix.
Enfin, lorsqu’une recommandation semble extraordinairement adaptée, il peut être utile de se rappeler une distinction simple : un système peut très bien prédire ce que je vais choisir sans savoir ce que j’aurais intérêt à choisir.
La prédiction du comportement et la qualité du conseil sont deux problèmes différents.
Ne pas fantasmer une intelligence commerciale omnisciente
La personnalisation peut facilement alimenter une vision paranoïaque du commerce numérique : les plateformes sauraient exactement qui nous sommes, ce que nous ressentons et comment nous manipuler individuellement.
Les données disponibles ne justifient pas une image aussi forte.
Les modèles commettent des erreurs. Les consommateurs restent imprévisibles. De nombreuses recommandations sont médiocres. Les systèmes utilisent souvent des variables assez ordinaires comme historique d’achat, produits consultés ou préférences de personnes similaires.
Même les techniques de tarification personnalisée n’ont pas produit une généralisation évidente du « prix différent pour chacun » dans les études de terrain européennes disponibles ; l’étude de la Commission avait notamment observé beaucoup plus systématiquement une personnalisation des classements que des prix.
Le risque réel ne nécessite cependant aucune omniscience.
Une entreprise n’a pas besoin de prédire parfaitement nos décisions. Une amélioration statistique modeste de la probabilité d’achat, répétée sur des millions de transactions, peut déjà avoir une grande valeur commerciale.
Le problème central est l’asymétrie d’apprentissage
La personnalisation modifie donc progressivement la relation commerciale.
Le consommateur apprend sur le produit.
Mais l’entreprise apprend également sur le consommateur.
Elle peut mesurer ses réactions, comparer plusieurs présentations et réutiliser les informations acquises lors des interactions suivantes.
Cette asymétrie n’est pas nécessairement injuste. Elle permet aussi de fournir un meilleur service.
Elle devient préoccupante lorsque le système utilise cette connaissance pour rendre la persuasion de plus en plus efficace tandis que le consommateur comprend de moins en moins pourquoi il voit précisément cette offre, ce prix ou ce message.
La personnalisation pose ainsi une question plus profonde que celle de la confidentialité :
qui apprend quoi sur qui, et qui peut utiliser cet apprentissage dans la prochaine décision ?
À retenir
Le profilage et la personnalisation permettent d’adapter une offre, un classement, une publicité, une recommandation ou parfois un prix à partir d’informations concernant le consommateur.
Ces pratiques peuvent augmenter l’autonomie lorsqu’elles réduisent la quantité d’informations inutiles, facilitent la découverte de produits pertinents ou permettent au consommateur de préciser ses propres objectifs. La personnalisation n’est donc pas en elle-même une manipulation.
Le problème apparaît lorsque la connaissance accumulée sert davantage à prédire comment obtenir l’accord qu’à comprendre ce qui correspond réellement aux intérêts de la personne.
Les systèmes de recommandation illustrent cette tension : être capable de prédire ce sur quoi quelqu’un cliquera n’est pas équivalent à savoir ce qu’il devrait choisir. Les travaux récents montrent d’ailleurs qu’accorder davantage de contrôle aux utilisateurs peut améliorer leur acceptation des recommandations.
La tarification personnalisée mérite également une analyse nuancée. Une importante expérience de terrain montre qu’elle peut accroître les profits et réduire le surplus total des consommateurs tout en abaissant individuellement le prix de plus de 60 % d’entre eux. Il serait donc faux de la réduire à « détecter les personnes riches pour leur faire payer plus cher ».
La frontière la plus préoccupante apparaît lorsque les données permettent d’identifier des moments de vulnérabilité, une faible résistance ou une disposition particulière à accepter une offre, puis d’optimiser l’intervention commerciale précisément autour de ces situations.
L’IA amplifie surtout cette capacité à apprendre, tester et adapter à grande échelle. Elle ne crée pas le principe : un vendeur humain cherchait déjà à comprendre son client. Elle permet cependant que cette adaptation soit permanente, invisible et appliquée simultanément à des millions de personnes.
Une décision commerciale autonome n’exige donc pas que toute personnalisation disparaisse. Elle exige davantage de visibilité et de contrôle sur la manière dont cette personnalisation structure l’espace des choix.
La question la plus utile n’est finalement pas :
« cet algorithme me connaît-il ? »
mais :
« ce qu’il sait de moi est-il utilisé pour mieux servir mes objectifs, pour mieux servir ceux du vendeur — ou pour faire les deux, et dans quelle proportion ? »
Pour aller plus loin
Jean-Pierre Dubé et Sanjog Misra, “Personalized Pricing and Consumer Welfare” : expérience et modélisation de terrain particulièrement importantes pour comprendre pourquoi la tarification personnalisée peut simultanément accroître les profits, réduire le surplus agrégé des consommateurs et bénéficier individuellement à une majorité d’entre eux.
Laura Jansen et collaborateurs, “Online Grocery Shopping Recommender Systems: Common Approaches and Practices” : revue systématique utile pour comprendre les objectifs, données et limites des systèmes de recommandation commerciaux contemporains.
Lior Fink, Leorre Newman et Uriel Haran, “Let Me Decide: Increasing User Autonomy Increases Recommendation Acceptance” : série d’expériences montrant que davantage de contrôle accordé à l’utilisateur peut renforcer plutôt que diminuer l’acceptation des recommandations algorithmiques.
Commission européenne, étude sur la segmentation des marchés en ligne par personnalisation des prix et des offres : étude utile pour distinguer personnalisation du classement, publicité ciblée et personnalisation du prix.
Directive (UE) 2019/2161 et lignes directrices sur la directive relative aux droits des consommateurs : cadre européen prévoyant notamment l’information du consommateur lorsque le prix est personnalisé sur la base d’une prise de décision automatisée dans les situations couvertes.