IA qui décide vs IA qui exécute : où mettre le curseur en pricing
.avif)
Ines Amor
Docteur en IA et Data-Science
August 21, 2026
Décider et exécuter sont deux choses différentes en pricing IA. La plupart des systèmes sérieux exécutent des actions déjà validées ou recommandent, ils ne décident pas seuls sur les cas à enjeu.
Le curseur se fixe en croisant enjeu et volume de chaque décision. Les organisations qui réussissent leurs projets IA sont celles qui ont formalisé une supervision humaine claire, pas celles qui ont le modèle le plus sophistiqué.
« Est-ce qu'on peut automatiser ça ? » n'est pas la bonne question à poser à propos d'un projet IA en pricing. Presque tout est automatisable techniquement. La vraie question est : qu'est-ce qu'on a intérêt à automatiser, et qu'est-ce qui doit rester entre les mains d'un humain qui porte la responsabilité de la décision ?
Ce guide propose un cadre simple pour fixer ce curseur (entre une IA qui exécute une action déjà validée, et une IA qui déciderait seule) et explique pourquoi tant de projets d'automatisation ambitieux finissent abandonnés faute d'avoir posé cette question à temps.
Deux verbes qu'on confond: décider et exécuter
Dans le discours commercial autour de l'IA « agentique », un mot revient sans cesse : autonomie. Un système qui agirait seul, sans intervention humaine, du diagnostic jusqu'à l'action. Séduisant sur le papier, risqué en pratique dès qu'un prix réel est en jeu.
Il faut distinguer deux verbes qu'on confond trop souvent :
- Exécuter : appliquer une action déjà validée, dans un cadre défini à l'avance (un corridor de prix approuvé, une règle d'alignement concurrentiel déjà arbitrée).
- Décider : choisir l'action à mener, sans qu'un humain n'ait validé ce cas précis avant qu'il ne produise un effet.
La plupart des systèmes de pricing sérieux se situent du côté de l'exécution ou de la recommandation, jamais de la décision autonome complète sur des cas à enjeu. Ce n'est pas une limite technologique : c'est un choix de gouvernance, et un choix qui a un impact direct sur la probabilité qu'un projet IA survive à sa première année.
Ce qui peut raisonnablement être délégué à un système
Certaines décisions de pricing se prêtent bien à une automatisation encadrée, dans un cadre de règles strict et audité :
- Les ajustements mineurs dans un corridor déjà validé, un prix qui bouge de quelques centimes pour rester aligné sur une règle de positionnement concurrentiel déjà arbitrée par un humain.
- Les alertes et la détection d'anomalies, signaler une rupture, un écart de prix suspect, une règle non respectée. Détecter n'est pas décider : le système lève la main, l'humain tranche.
- Le matching et la structuration de données, rapprocher un produit d'une référence concurrente, nettoyer un référentiel. Une tâche à fort volume, faible enjeu unitaire, où l'erreur ponctuelle a un coût limité et corrigible.
- Les recommandations sur des références à très faible enjeu, produits d'appel à marge marginale, catégories où l'écart de prix ne pèse pas sur l'image globale de l'enseigne.
Dans tous ces cas, le point commun n'est pas la simplicité technique du calcul (certains de ces calculs sont sophistiqués) mais le fait que le coût d'une erreur ponctuelle reste maîtrisable et corrigible rapidement.
Ce qui doit rester arbitré par un humain
À l'inverse, certaines décisions ne devraient jamais être déléguées entièrement à un système, quelle que soit la qualité du modèle derrière :
- Les prix des produits à forte visibilité (KVI (Key Value Items)) ceux qui construisent l'image prix perçue par le client, où une erreur se voit et se retient.
- Les exceptions, un événement local, une actualité concurrente inhabituelle, une situation que le modèle n'a jamais vue dans son historique d'entraînement.
- Les arbitrages qui touchent plusieurs services, un changement de prix qui a un impact sur la supply chain, le budget ou la relation fournisseur ne devrait pas se décider dans un silo automatisé.
- Les décisions à fort enjeu et faible volume, précisément celles où l'automatisation ferait gagner le moins de temps, pour le risque le plus élevé.
Sur ces cas, l'IA garde un rôle décisif (recommander, chiffrer un scénario, simuler un impact) mais la validation finale reste un acte humain, tracé et assumé.
des organisations « high performers » en IA (celles qui en tirent une vraie valeur mesurée) ont mis en place un processus formalisé de supervision humaine (« human in the loop »), contre seulement 23 % des autres organisations, la gouvernance, pas le modèle, fait la différence (McKinsey & Company, The State of AI in 2025, enquête juin-juillet 2025).
La matrice qui détermine le curseur: enjeu et volume
Un cadre simple pour trancher, ligne par ligne, ce qui peut être délégué : croiser l'enjeu de la décision (impact sur la marge, l'image prix, la relation client) avec son volume (nombre de références concernées).
| Situation | Enjeu | Volume | Curseur recommandé |
|---|---|---|---|
| Produit d'appel, marge marginale | Faible | Élevé | Exécution automatisée, audit a posteriori |
| Détection d'anomalie / alerte | Variable | Élevé | Détection auto, décision humaine |
| Recommandation tarifaire courante | Moyen | Moyen | Recommandation IA, validation rapide |
| Prix stratégique / KVI / exception | Élevé | Faible | Arbitrage humain systématique |
À lire ainsi : le curseur n'est jamais figé pour toute une catégorie de produits, il se fixe décision par décision, selon ce qu'elle engage réellement, pas selon la sophistication du modèle qui la propose.
Pourquoi tant de projets d'IA agentique échouent, pas la technologie, la gouvernance
L'argument le plus fort en faveur d'un curseur explicite n'est pas seulement le risque évité sur un prix mal fixé. C'est aussi, très concrètement, la survie du projet lui-même.
des projets d'IA agentique en entreprise devraient être abandonnés d'ici fin 2027, coûts qui dérapent, retour sur investissement flou, gouvernance et contrôle de risque insuffisants sur ce que le système est autorisé à faire seul (Gartner, communiqué de presse, 25 juin 2025).
Le motif d'échec n'est presque jamais « le modèle ne fonctionnait pas ». C'est plutôt : personne n'avait défini à l'avance ce que le système avait le droit de décider seul, et l'organisation a découvert le problème au moment où une décision automatisée a produit un effet qu'elle ne pouvait plus assumer sans y regarder de plus près. Un curseur posé dès le départ (même simple) évite ce scénario bien plus efficacement qu'un modèle plus puissant.
Ce que les clients eux-mêmes acceptent de l'IA, un signal à ne pas ignorer
Le même réflexe de prudence se retrouve côté consommateur, ce qui éclaire indirectement où placer le curseur côté retailer.
seulement des consommateurs se disent prêts à laisser une IA décider d'un achat à leur place, même dans des catégories à faible enjeu comme le soin personnel ou les produits ménagers, contre 31 % prêts à la laisser restreindre leurs choix pour les produits ménagers, et 28 % pour l'électronique grand public (Gartner, enquête menée en janvier 2026 auprès de 322 consommateurs américains, communiqué du 27 mai 2026).
Le parallèle est direct : les clients veulent que l'IA les aide à comparer, à trouver, à filtrer, pas qu'elle choisisse à leur place. En interne, sur le pricing, l'équivalent est qu'une équipe pricing veut que l'IA l'aide à analyser, simuler, recommander, pas qu'elle fixe un prix stratégique sans qu'un humain n'ait eu le dernier mot. Le même niveau de confiance mesuré, côté consommateur, se retrouve côté organisation.
Chez Booper: décider reste un acte métier, jamais une exécution automatique
GENIUS Price : un assistant qui recommande, un workflow qui valide
Le module GENIUS Price combine tarif, nomenclature, alertes, règles produit et simulations, avec un assistant « IA conversationnel » intégré. Il propose des recommandations, chiffre des scénarios, mais la validation d'un prix reste un acte métier, tracé dans un workflow de gouvernance avec des rôles et des droits définis (module GENIUS Admin), jamais une exécution automatique sans regard humain sur les décisions à enjeu.
C'est exactement le point que valide la direction pricing chez l'un de nos clients du secteur alimentaire (1 700+ magasins), à propos du déploiement Booper : « Notre enjeu n'était pas de disposer d'un nouvel outil, mais d'améliorer notre capacité à prendre des décisions tarifaires cohérentes à grande échelle. […] L'approche proposée par BOOPER nous a convaincus par sa capacité à concilier automatisation, gouvernance et maîtrise des décisions par les équipes métiers. »
Construire son propre curseur, en quatre étapes
- Cartographier les décisions, pas les outils. Lister les types de décisions de pricing (produit d'appel, KVI, promo, exception) avant de choisir ce qui s'automatise, jamais l'inverse.
- Noter chacune sur enjeu et volume. Utiliser la matrice ci-dessus pour classer objectivement, plutôt que de trancher au cas par cas selon l'humeur du moment.
- Documenter ce qui est délégué et à qui. Un système qui exécute doit avoir un périmètre écrit, pas seulement compris implicitement par l'équipe qui l'a paramétré.
- Auditer régulièrement, pas une fois pour toutes. Un curseur fixé en janvier peut ne plus être pertinent en septembre, un nouveau produit, une nouvelle catégorie, un changement de marché déplacent l'enjeu.
Checklist avant de déléguer une décision de pricing à un système :
- Le coût d'une erreur ponctuelle sur cette décision est-il maîtrisable et corrigible rapidement ?
- Cette décision touche-t-elle un produit à forte visibilité pour l'image prix de l'enseigne ?
- Existe-t-il un workflow de validation tracé, ou l'automatisation se fait-elle sans regard humain ?
- Le périmètre exact de ce que le système peut faire seul est-il écrit, ou seulement « compris » par l'équipe ?
- Ce curseur a-t-il été revu récemment, ou fixé une fois et jamais reconsidéré depuis ?
Envie de fixer le bon curseur pour votre pricing ? 30 minutes avec notre équipe pour cartographier vos décisions de pricing et identifier ce qui peut être délégué, en toute sécurité. → Planifions un échange.
FAQ
Vous avez encore des questions ? Voici les réponses aux questions les plus fréquentes sur ce sujet.
Exécuter consiste à appliquer une action déjà validée, dans un cadre défini à l'avance, par exemple republier un prix aligné sur un corridor déjà approuvé par un humain. Décider, c'est choisir l'action à mener sans qu'un humain n'ait validé ce cas précis avant qu'il ne produise un effet réel sur un prix affiché.
En pricing, l'article est clair: la plupart des systèmes sérieux se situent du côté de l'exécution ou de la recommandation, jamais de la décision autonome complète sur des cas à enjeu. Ce n'est pas une limite technologique, c'est un choix de gouvernance délibéré, comme le détaille notre article sur le fonctionnement d'un moteur de pricing IA et ses garde-fous.
Cette distinction conditionne directement la survie des projets: selon McKinsey, 65 % des organisations « high performers » en IA ont mis en place une supervision humaine formalisée, contre seulement 23 % des autres, la gouvernance fait la différence, pas la sophistication du modèle.
Techniquement oui, mais uniquement sur des cas à faible enjeu et fort volume: produits d'appel à marge marginale, ajustements mineurs dans un corridor déjà validé par un humain, où le coût d'une erreur ponctuelle reste maîtrisable et rapidement corrigible.
Sur les décisions à fort enjeu, prix des KVI, produits stratégiques, exceptions locales, l'article recommande de garder systématiquement une validation humaine: le coût d'une erreur y dépasse largement le gain de vitesse obtenu par l'automatisation complète, une nuance que nous détaillons dans notre article sur le pricing agentique et ses niveaux d'autonomie.
Ce curseur n'est jamais figé pour toute une catégorie de produits: il se fixe décision par décision, en croisant l'enjeu et le volume de chaque type de cas plutôt qu'en appliquant une règle unique à l'ensemble du catalogue.
Le motif d'échec, selon l'article, n'est presque jamais que le modèle ne fonctionnait pas techniquement. C'est le plus souvent une question de gouvernance: personne n'avait défini à l'avance ce que le système avait le droit de décider seul, et l'organisation découvre le problème au moment où une décision automatisée produit un effet qu'elle ne peut plus assumer.
L'ampleur du phénomène est chiffrée: Gartner prévoit que plus de 40 % des projets d'IA agentique en entreprise seront abandonnés d'ici fin 2027, en raison de coûts qui dérapent, d'un retour sur investissement flou et d'un contrôle de risque insuffisant sur ce que le système est autorisé à faire seul, des erreurs de cadrage que nous détaillons dans notre article sur les erreurs fréquentes des équipes pricing face à l'IA.
C'est exactement ce qu'un curseur explicite, posé dès le départ, permet d'éviter, l'article insiste: un cadre de gouvernance simple protège mieux un projet qu'un modèle plus puissant mal encadré.
La méthode proposée par l'article consiste à croiser deux critères pour chaque type de décision: l'enjeu (impact sur la marge, l'image prix, la relation client) et le volume (nombre de références concernées).
La matrice qui en résulte donne quatre profils: un enjeu fort et un volume faible, comme un prix stratégique ou une exception, appelle un arbitrage humain systématique; à l'inverse, un enjeu faible et un volume élevé, comme un produit d'appel, se prête à une exécution automatisée avec audit a posteriori. Entre les deux, détection d'anomalie et recommandation tarifaire courante restent proposées par le système mais validées par un humain, une articulation que nous détaillons dans notre article sur les alertes pricing et le pilotage à grande échelle.
Le curseur qui en résulte ne s'applique jamais à toute une catégorie de produits d'un bloc: il se fixe décision par décision, et l'article recommande de l'auditer régulièrement, car un arbitrage pertinent en janvier peut ne plus l'être après l'arrivée d'une nouvelle catégorie ou un changement de marché.
Non. Le module GENIUS Price combine tarif, nomenclature, alertes, règles produit et simulations, avec un assistant IA conversationnel intégré qui propose des recommandations et chiffre des scénarios, mais la validation d'un prix reste un acte métier, tracé dans un workflow de gouvernance avec des rôles et des droits définis via le module GENIUS Admin.
C'est exactement le point confirmé par la direction pricing chez l'un de nos clients du secteur alimentaire (1 700+ magasins), à propos du déploiement Booper: l'approche a convaincu par sa capacité à concilier automatisation, gouvernance et maîtrise des décisions par les équipes métiers, plutôt que par la simple mise à disposition d'un nouvel outil, une logique de copilote plutôt que d'exécution autonome que nous développons dans notre article sur l'IA pricing retail, du copilote à l'agentique.
Cette architecture reflète directement la philosophie de l'article: jamais d'exécution automatique sans regard humain sur les décisions à enjeu, quelle que soit la sophistication de l'assistant IA sous-jacent.
Très peu de consommateurs sont prêts à laisser une IA décider entièrement à leur place. Une enquête Gartner menée en janvier 2026 montre que seulement 11 % des consommateurs acceptent qu'une IA décide d'un achat, même dans des catégories à faible enjeu comme le soin personnel ou les produits ménagers.
Ils sont en revanche beaucoup plus nombreux à accepter un rôle d'assistance: 31 % acceptent qu'une IA restreigne leurs choix pour les produits ménagers, 28 % pour l'électronique grand public, un signal clair que les clients veulent être aidés à comparer et filtrer, pas remplacés dans la décision finale, une distinction que nous développons pour le pricing dans notre article sur ce qui relève vraiment de l'intelligence artificielle en pricing retail.
L'article établit un parallèle direct avec le pricing interne: une équipe pricing veut, de la même façon, que l'IA l'aide à analyser, simuler et recommander, sans fixer un prix stratégique sans qu'un humain n'ait eu le dernier mot. Le même niveau de confiance mesuré côté consommateur se retrouve côté organisation.
Pour aller plus loin sur ce dossier : IA et pricing, ce qui relève vraiment de l'intelligence artificielle (pilier), pourquoi l'IA générative se trompe sur les prix, et la qualité de la donnée comme plafond de verre de l'IA pricing. Pour déployer une gouvernance IA pricing tracée sur votre catalogue, découvrez notre solution Pricing Analytics.
Auditer une règle vérifie qu'un calcul s'est bien exécuté. Expliquer une décision reconstitue les données, la demande attendue, l'élasticité, la cannibalisation, les règles appliquées et l'arbitrage marge-volume. Selon Sage & IDC, 71 % des dirigeants financiers rejetteraient un outil IA précis à 99 % s'il ne peut pas expliquer sa réponse.
Un outil de pricing exécute fidèlement la donnée qu'on lui fournit, la qualité du résultat dépend d'abord de la qualité de la donnée en amont. Trois chantiers sont prioritaires avant tout paramétrage: un référentiel produit sans doublon, des prix et coûts synchronisés, un historique de vente continu. Inutile d'attendre une donnée parfaite pour démarrer: un point d'entrée par fichiers permet de fiabiliser progressivement.
Un premier outil sous-exploité contient une information précieuse (les causes précises de l'échec d'adoption, à diagnostiquer avant de changer) et le CHAOS Report du Standish Group rappelle que seuls 31 % des projets IT aboutissent pleinement, 50 % sont livrés avec compromis et 19 % échouent totalement. La reprise des données existantes (historique, catalogue, règles) doit être un critère explicite du cahier des charges, pas une option.