L’impact de l’intelligence artificielle sur la détection des cartels

1) Introduction : Le nouveau visage des cartels sur les marchés numériques

L'une des violations les plus graves du droit de la concurrence est la formation d'ententes illicites. Traditionnellement, les ententes illicites fonctionnaient généralement par le biais de réunions secrètes, de communications cryptées, de partage de marché et d'ententes lors des appels d'offres. La transformation numérique a profondément modifié cette situation, et ce, de deux manières : (i) les entreprises ont désormais accès à des technologies permettant de créer les conditions propices à une « conformité tacite » grâce à la tarification algorithmique , aux enchères dynamiques et aux robots de surveillance du marché; (ii) les autorités de la concurrence peuvent désormais utiliser ces mêmes technologies à des fins de détection , de contrôle et de collecte de preuves

La question qui se pose aujourd'hui est la suivante : les méthodes basées sur l'IA rendent-elles les cartels plus invisibles ou facilitent-elles leur détection ? En pratique, la réponse englobe les deux. L'IA fait émerger des schémas suspects au sein des mégadonnées, mais ne constitue pas, à elle seule, une preuve concluante. Par conséquent, pour que les résultats techniques soient considérés comme une preuve convaincante au regard de la loi n° 4054, il est indispensable d'établir un cadre juridique et méthodologique rigoureux.

2) Cadre conceptuel : Cartel, collaboration algorithmique et attribution de responsabilité

2.1. Cadre juridique du cartel (Article 4054, paragraphe 4)

L'article 4 de la loi n° 4054 les accords, actions concertées et décisions d'associations d'entreprises . La fixation des prix, le partage de marché ou de clientèle et la collusion dans les appels d'offres constituent des infractions graves typiques relevant de cette disposition. Un algorithme est un « outil » ; les résultats des systèmes conçus, configurés et exploités par l'homme sont juridiquement imputables à l'entreprise. L'argument du « c'est l'intelligence artificielle qui a fait ça » ne saurait exonérer de sa responsabilité.

2.2. Collusion algorithmique

La collaboration algorithmique se produit lorsque des concurrents adoptent un comportement coordonné en utilisant des logiciels/règles identiques ou similaires , ou produisent un comportement parallèle stable grâce à des bots qui réagissent instantanément aux signaux de prix du marché . Trois types de différenciation des risques sont observables en pratique :

Logiciel/fournisseur partagé (hub & spoke): Convergence des résultats avec des paramètres guidés par le même logiciel de tarification ou consultant.
Cycle de surveillance-réponse : Synchronisation automatique des bots qui suivent les prix des concurrents ou qui suivent le leader.
Données/ensembles de règles partagés : Convergence comportementale de modèles basés sur des règles ou de modèles d’apprentissage similaires basés sur des hyperparamètres qui se généralisent sur le marché.

2.3. La ligne de démarcation : parallélisme tacite ou coordination interdite ?

Un comportement parallèle à lui seul ne constitue pas une violation. Toutefois, si ce comportement parallèle s'appuie sur un échange d'informations , des règles convenues ou une coordination par l'intermédiaire d'un tiers, il devient une violation grave au sens de l'article 4. À l'ère de l'IA, la distinction se fait comme suit :

le résultat du modèle une convergence comportementale : un phénomène technique a été identifié.
cette convergence un effet de communication/règles/fournisseur commun , alors les motifs de violation légale sont renforcés.

3) Architecture technique de la détection des cartels utilisant l'intelligence artificielle

3.1. Mise en commun et prétraitement des données

Un pipeline d'IA efficace pour la détection des cartels nécessite des données riches et conformes à la législation :

Séries chronologiques: Prix de détail et de gros, cycles de remises, campagnes, effets de la durée de conservation.
Données des enchères: montants des enchères, calendrier, taux de réussite, réseaux d'enchères conjointes.
Comportement du marché: flux de stocks/d'offre, alignements promotionnels, indicateurs d'élasticité de la demande.
Métadonnées: Répartition par magasin/région, famille de produits, relations entre les références.

La qualité des données est assurée par des étapes telles que le nettoyage , le remplissage des valeurs manquantes , la normalisation des anomalies , l'horodatage et la standardisation des devises . L'anonymisation et les autorisations d'accès sont repensées dès le départ afin de se conformer au RGPD et de protéger les secrets commerciaux.

3.2. Couches de filtrage (approche multicanal)

Détection d'anomalies: schémas indiquant des écarts par rapport aux schémas concurrentiels attendus (augmentations simultanées importantes, « rigidité » des marges, synchronisation systématique des remises, etc.).
Analyse de regroupement et de réseau : regroupements modulaires dans les réseaux graphiques basés sur les enchères interentreprises , les parcours de prix/remises similaires et les partenariats fournisseurs .
Classification supervisée: Apprentissage à partir de cas connus et de scores de risque .
Analyse de cause à effet : Diagrammes comparatifs permettant d'éliminer les explications apparemment inoffensives telles que les coûts, les taux de change, la saisonnalité et les chocs d'offre .

3.3. Seuil, gestion des faux positifs et « cercle humain »

Un seuil bas une alerte précoce mais des faux positifs ; un seuil élevé risque de passer à côté de l’alerte . Solution :

Sélection par étapes (large → étroite),
Un compromis entre les deux modèles (par exemple, anomalie + densité du réseau),
Examen par des experts/auditeurs (cercle humain) et
Parcours de décision reproductible avec journaux d'audit

3.4. Le pont vers la transformation des données probantes

Les schémas identifiés par l'IA sont transformés en un ensemble de preuves grâce à des inspections sur place , l'examen de documents et de courriels , des séances de questions-réponses , des témoignages et une confirmation économétrique . Ainsi, le doute technique est élevé au rang de preuve convaincante au sens de l'article 4 .

4) Procédure, preuves et démonstration : Évaluation juridique des résultats de l'IA

4.1. Les trois piliers du régime de preuve

Acquisition légale : Inspection sur site incluant la copie numérique, les valeurs de hachage et la chaîne de stockage ; conformité au RGPD et protection des secrets commerciaux.
Examen par des experts : architecture du modèle, données d’entraînement, taux d’erreur, explications alternatives.
Explicabilité : Traçabilité des processus décisionnels ; critères interprétables ou explications résumant les données (pondération des caractéristiques, techniques d’interprétation de type SHAP/LIME – sous forme de récit des résultats, avec des détails techniques adaptés au dossier).

4.2. Norme de preuve et contre-preuve

Un signal technique peut suffire pour le seuil de plainte/d'enquête préliminaire
Plusieurs éléments de preuve sont nécessaires pour prononcer une amende administrative et rendre une décision définitive . Lorsque la défense avance des explications apparemment anodines telles qu'un choc de la demande, une hausse des coûts, un impact réglementaire, des campagnes saisonnières ou des politiques de rotation des stocks , les résultats du modèle doivent être vérifiés à nouveau .

4.3. Secrets commerciaux et protection des données

En matière de partage de données, la segmentation des secrets commerciaux, les salles de données dédiées, l'anonymisation et les journaux d'accès sont essentiels. En cas de litige, la divulgation d'informations relatives au modèle de code proportionnalité et de nécessité ; toutefois, l'auditabilitén'est pas compromise.

5) Perspective juridique turque : processus et outils institutionnels

5.1. Flux de processus (Résumé)

Signal de plainte/rapport ou de balayage
Recherche préliminaire: Analyse de marché, étude comparative, demandes de données de base.
Enquête: Inspection sur site, analyse des données numériques, examen de la politique de codage des journaux, demande d'informations auprès de tiers.
Évaluation: Rapport technique + analyse économique + éléments de preuve en matière de communication.
Mécanismes de résolution : compromis, engagement ou décision finale.
Contrôle judiciaire: Action en annulation (procédure, preuve, proportionnalité)

5.2. Regret et réconciliation/engagement

Le remords joue un rôle essentiel dans l'accès aux preuves au sein des cartels. Les « traces » découvertes par l'IA entraînent un examen interne et une coopération active . Les mécanismes de réconciliation et d'engagement sont précieux, notamment pour garantir la pérennité des mesures de correction comportementale et des engagements en matière de gouvernance des algorithmes .

6) Architecture de conformité pratique pour les entreprises : « Gouvernance algorithmique »

Il est recommandé aux entreprises utilisant des algorithmes d'établir le schéma structurel suivant afin de se conformer au droit de la concurrence:

6.1. Politique et organisation

Politique de gestion des algorithmes : Un cadre unique combinant les dimensions de la concurrence, du RGPD, des consommateurs et des secrets commerciaux.
Comité de surveillance: Équipes juridiques, de science des données, d'audit interne et de produits.
Attribution des responsabilités: Responsable produit + interlocuteur juridique + délégué à la protection des données.

6.2. Inventaire et classification

Inventaire du modèle: Objectif, sources de données, marché cible, type de décision, niveaux d'intervention humaine.
Classes de risque: « Faible/Moyen/Élevé » (par exemple, les modèles de détermination des prix classent automatiquement les risques comme « élevés »).
Documentation relative au cycle de vie : développement, tests, mise en service, mise à jour, mise hors service.

6.3. Points de contrôle du modèle de données

Hygiène des données : filtres excluant les données des concurrents ; un « seuil de surveillance » pour les prix publics ; une liste noire des variables sensibles.
Contraintes du modèle : Règles limitant la « réponse directe au comportement du concurrent » ; suppression du seuil qui déclenche le suivi du leader
Simulations comportementales : Tests de stress anticollision (réduction de la vitesse de réaction au mouvement de l'adversaire, diminution de la persistance de l'égalisation) au lieu des tests A/B
Journalisation: Entrées/sorties, versions des règles, journaux de remplacement, flux d'avertissement/de confirmation.

6.4. Conditions relatives au fournisseur et au contrat

Avec le fournisseur de logiciels :
- "Désactivez par défaut les paramètres du « Facilitateur de synchronisation/coordination »
- Accès aux journaux de paramètres et de mises à jour,
- Audit indépendant et analyse forensique des droits d'auteur,
- Garanties de conformité au droit de la concurrence et obligations d'indemnisation.

6.5. Anneau humain et mécanisme d'arrêt

Seuil d'approbation : Les hausses de prix importantes ou l'égalisation des prix entre concurrents ne seront pas mises en œuvre sans approbation humaine
Interrupteur d'arrêt d'urgence: En cas de suspicion d'erreur de coordination, le modèle revient automatiquement en mode sans échec (paramètres statiques).
Formation : Modules de compétition/algorithmes pour les équipes produit et données ; simulations de cas

7) Lignes directrices sur l'utilisation de l'IA du point de vue des autorités

7.1. Assurance méthodologique

Approche multimodale: Combinaison de densité de réseau + anomalie + tests statistiques.
Filtres causaux : une couche qui exclut automatiquement les explications inoffensives telles que les coûts, les taxes, les changements réglementaires et les chocs monétaires.
Calibrage du seuil: Différentes sensibilités selon le marché et le produit.
Répétabilité: Exigence d'obtenir le même résultat avec les mêmes données d'entrée ; protocoles de validation indépendants.

7.2. Transparence procédurale

la lettre de signalement(anonymisée),
Explication suffisante du droit à la défense ,
figurant dans le texte de décision doit être rédigé de manière simple et vérifiable.

8) Scénarios d'application spécifiques aux appels d'offres et au commerce de détail

8.1. Marchés publics

Modèle 1 : Alternance des gagnants — les entreprises soumettent à tour de rôle les offres les plus basses, les marges se stabilisant au-dessus des limites « naturelles ».
Modèle 2 : Offres complémentaires — certaines entreprises participent à l’appel d’offres mais se font remarquer par des offres élevées qui ne sont pas concurrentielles.
Approche IA : Graphique de réseau montrant la densité des candidatures conjointes, la distribution des écarts d’offres et les seuils de marge selon le type de projet.

8.2. Marchés de détail/en ligne

Modèle 1 : Suivi du leader — synchronisation automatique avec les changements instantanés du joueur principal.
Modèle 2 : Marge rigide — la marge reste synchronisée et stable malgré les fluctuations des coûts.
Approche IA : données de panel décomposées en demande et en coûts ; synchronisation des prix avec le calendrier promotionnel.

9) De la preuve au verdict : structure de l’affaire et stratégies de défense

9.1. Aspects administratifs

Éléments de preuve: Résultats du modèle + courriel/message + notes d'inspection sur place + déclarations de tiers + confirmation économétrique.
Proportionnalité : Il convient d'être prudent dans la pondération du montant de l'amende et de la durée de l'infraction s'il existe un risque de faux positifs dans le modèle
Compromis/engagement: Correction rapide du marché grâce à des engagements en matière de gouvernance des algorithmes.

9.2. Défense de tentative

Explications simples : effet du taux de change, promotion saisonnière, erreur de données.
Objections de procédure: irrégularités dans l'obtention du rapport, violation de la confidentialité, impossibilité de divulguer le rapport.
Plan de correction: Modification des paramètres, couche de supervision, audit par un tiers.

10) Équilibrer la loi sur la protection des données personnelles (KVKK) et les secrets commerciaux

Dans les projets d'IA, le recours aux données personnelles doit être réduit au minimum ; l'anonymisation ou le pseudonymisation des données doivent être privilégiés . Les politiques de limitation des finalités , de minimisation des données , de durée de conservation , d'autorisation d'accès et de destruction des données doivent être clairement définies. La mise en place de salles de données dédiées aux secrets commerciaux , de rapports anonymisés , de journaux d'accès et d'obligations contractuelles de confidentialité est indispensable.

#cartel, Loi n° 4054, services juridiques, blog, avocat à Istanbul, article, droit de la concurrence, autorité de la concurrence, droit turc, intelligence artificielle

Titre du blog unique