Visa Research vient de publier le test de compétence pour un produit que son employeur commercialise déjà. Bazaar, publié sur arXiv le 30 juillet, place un modèle de langage dans le fauteuil du vendeur et lui demande s’il sait fixer ses prix face à des concurrents adaptatifs, pour des clients dont il ne peut pas voir les préférences. Le modèle le plus performant testé n’a conservé que 32,1 % du profit qu’un marchand doté d’une vision rétrospective parfaite aurait pu empocher. Les agents n’échouaient pas à conclure des ventes — le meilleur d’entre eux remportait la plupart des enchères auxquelles il participait. Ils échouaient à préserver leur marge — un défaut différent, aux conséquences différentes.

Ce qu’un détaillant achète en confiant sa tarification à un agent dépend duquel de ces deux défauts il possède. Le portefeuille Intelligent Commerce de Visa permet aux agents de “découvrir des produits, prendre des décisions et compléter des étapes du parcours d’achat” sur un réseau de 4,8 milliards d’identifiants de paiement. Ces rails supposent une compétence acquise ; Bazaar est la première tentative sérieuse de la noter. Une offre combinant configuration et prix constitue aussi la forme naturelle d’une décision dans l’habillement, qu’il s’agisse d’un devis de gros portant sur le tissu, le délai de livraison et la commande minimale, ou d’une démarque portant sur son ampleur et son timing. Un agent qui se trompe occasionnellement dans ces arbitrages représente un coût d’exploitation normal. Une erreur de jugement systématique dans un seul sens n’est pas un coût : c’est une subvention, et c’est la partie adverse, de l’autre côté du comptoir, qui l’encaisse.

C’est la construction de Bazaar qui rend son verdict exploitable. Vingt-quatre clients synthétiques détiennent des courbes d’utilité cachées sur trois attributs de produit, et à chaque tour le marchand focal soumet une offre scellée unique, une configuration assortie d’un prix, face à trois robots spécialisés qui ne proposent que leur propre spécialité et rivalisent uniquement sur le prix. Le marchand observe le gagnant, la configuration gagnante et le prix gagnant, et rien d’autre : ni les valeurs des clients, ni les coûts des concurrents, ni les offres perdantes. Comme les fonctions d’utilité sont de forme close, les auteurs peuvent calculer exactement ce qu’une vision rétrospective complète aurait rapporté, ce qui transforme le chiffre phare en une comparaison à un plafond plutôt qu’en simple impression. Entre les tours 31 et 40 de la partie, qui en compte quatre-vingts au total, la moitié des clients modifient silencieusement le poids qu’ils accordent à deux attributs, sans que le marchand ne reçoive la moindre indication d’un changement.

Le résultat qui compte n’est pas le classement mais ce qui le prédit. Sur l’ensemble des modèles testés, le profit total est corrélé à la marge par victoire avec un r de 0,99, et au taux de victoire avec seulement 0,88. La compétence testée est la retenue, non l’agressivité, et classer les agents selon leur fréquence de conclusion revient à les classer sur la mauvaise variable. C’est justement celle que la plupart des tableaux de bord commerciaux ont été conçus pour afficher.

Cette inversion se voit en haut du tableau. Gemini 3.1 Pro a remporté 77,9 % de ses enchères contre 67,8 % pour Claude Opus 4.6, et a pourtant terminé derrière lui en profit. Les auteurs répartissent les échecs du panel en deux catégories nommées : les Perdants, qui concèdent l’essentiel de leur regret sur des enchères que l’oracle aurait remportées, et les Sous-tarificateurs, qui “remportent la plupart des enchères qu’ils devraient remporter mais laissent systématiquement du surplus sur la table”. Le sous-tarificateur est l’échec le plus instructif, car il se lit comme un succès sur chaque indicateur qu’une équipe merchandising suit déjà.

Un sous-tarificateur n’est pas tant un mauvais négociateur qu’un négociateur lisible.

{{generate: A nautilus wearing a merchant’s apron, standing at a chalked slate leaderboard in a market stall. The column headed “WINS” is crowded with tally marks; the column headed “MARGIN” is nearly empty. The nautilus holds a piece of chalk but has not written anything. Warm stall light, quiet concentration.}}

Cette lisibilité est précisément ce qui transforme une faiblesse tarifaire en un atout pour le concurrent. Le deuxième constat de Bazaar est que les agents qui apprennent le plus vite sont aussi ceux qui révisent le plus mal : GPT-5.3 et Opus 4.5 ont gagné respectivement 46 et 40 points de pourcentage de taux de victoire avant le choc, puis se sont classés parmi les moins bons à s’adapter après celui-ci, perdant en moyenne dix-neuf points sans jamais s’en remettre. Les traces de raisonnement montrent qu’ils enregistraient les pertes en quelques tours à peine ; ce qu’ils ne parvenaient pas à faire, c’était abandonner l’hypothèse qui avait fonctionné jusque-là. “La révision, et non la détection, est le goulot d’étranglement de l’adaptation post-choc”, écrivent les auteurs. Une contrepartie qui converge vite, s’engage fermement et défend une croyance périmée peut être décrite en une seule phrase — et tout ce qui se décrit en une seule phrase peut être modélisé par le système assis en face.

Les mêmes poids de modèle ont produit deux marchands différents selon la quantité de raisonnement qui leur était accordée. GPT-5.4 sans raisonnement activé obtenait en moyenne 266 $ sur dix graines, contre 1 936 $ pour le même modèle en mode raisonnement intensif. Davantage de calcul l’a fait passer de Perdant à Sous-tarificateur, autrement dit il a appris à gagner avant d’apprendre à faire payer, et cet ordre d’acquisition devrait inquiéter quiconque signe un contrat. Un acheteur de tarification agentique achète en réalité une configuration plutôt qu’un modèle, et la fiche de benchmark du fournisseur ne présentera que la bonne configuration.

L’objection la plus solide à cette lecture est que Bazaar n’est pas un marché. Un seul modèle de langage affronte trois robots scriptés, les clients sont synthétiques, et la perturbation est un choc unique conçu par les chercheurs plutôt que la dérive continue d’une véritable saison ; les auteurs recensent eux-mêmes chacune de ces limites. Pour que l’argument développé ici s’effondre, il faudrait que les concurrents réels soient suffisamment bruyants pour que la signature de sous-tarification d’un agent marchand ne se résolve jamais en un schéma exploitable. Cette condition ne tient pas, et la conception même du benchmark montre pourquoi. Les robots ont été construits pour faire monter leur marge plus vite qu’ils ne la cèdent, précisément pour qu‘“un agent qui se contente de sous-enchérir une seule fois” ne puisse pas les exploiter. Un adversaire endurci contre l’exploitation triviale constitue un test plus rigoureux qu’un suiveur de prix classique, pas plus clément — et les agents n’ont malgré tout capté qu’un tiers à peine de ce qui était disponible.

Le débat public sur l’IA et la tarification dans ce secteur a jusqu’ici pris la direction inverse. Dans The Conversation, Aayushi Badhwar, de la RMIT, mettait en garde contre le fait que des acheteurs fixant des seuils de prix via un agent pourraient révéler aux détaillants leur propre prix de réserve, refermant ainsi une boucle de rétroaction entre outils du consommateur et algorithmes de vente au détail. Cette inquiétude est fondée, et elle couvre un côté du comptoir. Bazaar mesure l’autre côté et constate que l’agent du marchand laisse fuir du surplus dans le sens opposé, ce qui signifie que les deux parties abordent le commerce agentique avec une faille tout aussi lisible.

Le signal utile ici n’est pas la découverte, mais le dépôt. Un réseau de paiement a inscrit publiquement la réserve applicable à sa propre catégorie de produit avant même que ses marchands n’aient eu de raison de la chercher, et cette réserve est précise : le meilleur agent testé a laissé plus des deux tiers du profit disponible inexploité. Les détaillants qui intègrent des agents dans leur tarification peuvent y lire une raison d’attendre, ou un cahier des charges. La seconde lecture est la plus utile. Mesurer la marge par victoire plutôt que le taux de conclusion, tester l’agent contre un choc dont il n’a jamais été informé, et fixer ses prix en partant du principe que celui qui se trouve de l’autre côté du comptoir applique exactement le même test.