Traduction de Algorithmic attention rents: A theory of digital platform market power<\/a> par Tim O’Reilly, Ilan Strauss et Mariana Mazzucato. Publi\u00e9 par Cambridge University Press le 2 f\u00e9vrier 2024.<\/p>\n\n\n\n Les grandes plateformes technologiques actuelles peuvent utiliser leur pouvoir sur l’attention de milliards d’utilisateurs pour fa\u00e7onner les march\u00e9s auxquels elles participent \u00e0 leur propre avantage, et au d\u00e9triment des int\u00e9r\u00eats de leurs concurrents, de leurs utilisateurs et des entreprises qui d\u00e9pendent de ce flux d’attention. Les mesures du pouvoir de march\u00e9 bas\u00e9es uniquement sur les revenus et les b\u00e9n\u00e9fices sont insuffisantes pour comprendre ces dynamiques. Afin de mieux r\u00e9glementer ces gardiens de l’attention, ainsi que leurs successeurs aliment\u00e9s par l’IA , nous devons exiger la divulgation r\u00e9guli\u00e8re et coh\u00e9rente des indicateurs op\u00e9rationnels internes qui mesurent la mani\u00e8re dont ils r\u00e9partissent l’attention, et d\u00e9velopper une compr\u00e9hension de base de ce qui constitue un bon comportement et de ce qui constitue un abus.<\/p>\n\n\n\n Le discours politique dominant qui guide aujourd’hui la r\u00e9glementation des plateformes Internet se concentre sur les donn\u00e9es des utilisateurs et la vie priv\u00e9e (Albrecht, r\u00e9f\u00e9rence Albrecht2016 ; Srinivasan, r\u00e9f\u00e9rence Srinivasan2019). On dit que les plateformes abusent de leur pouvoir de march\u00e9 en recueillant les donn\u00e9es des consommateurs (ou \u00ab utilisateurs \u00bb) sans leur permission et en les utilisant pour manipuler leur comportement par le biais de la personnalisation. Zuboff (R\u00e9f\u00e9rence Zuboff2019) appelle cela le capitalisme de surveillance.<\/p>\n\n\n\n Nous pensons au contraire qu’il serait plus productif de comprendre le pouvoir de march\u00e9 des plateformes et de r\u00e9glementer ses \u00e9ventuels abus en mesurant la mani\u00e8re dont les plateformes Internet contr\u00f4lent et mon\u00e9tisent l’attention<\/em> de leurs utilisateurs. Le caract\u00e8re \u00e9quitable ou in\u00e9quitable des syst\u00e8mes algorithmiques par lesquels les plateformes r\u00e9partissent l’attention des utilisateurs affecte non seulement les utilisateurs, mais aussi tout un \u00e9cosyst\u00e8me de fournisseurs tiers (tels que les sites web, les cr\u00e9ateurs de contenu ou les d\u00e9veloppeurs d’applications), ainsi que les annonceurs.<\/p>\n\n\n\n Comme l’a fait remarquer Simon (R\u00e9f\u00e9rence Simon1971), l’abondance d’informations conduit \u00e0 une raret\u00e9 de l’attention. Face \u00e0 l’abondance croissante d’informations, il a pr\u00e9dit que nous utiliserions des machines pour nous aider \u00e0 mieux r\u00e9partir notre temps et notre attention. Et c’est ce qui s’est produit : l’information est devenue si abondante qu’elle d\u00e9fie toute curation manuelle. \u00c0 la place, de puissants syst\u00e8mes algorithmiques propri\u00e9taires utilisent les donn\u00e9es qu’ils collectent pour mettre en relation les utilisateurs avec les r\u00e9ponses, les actualit\u00e9s, les divertissements, les produits, les applications et les services qu’ils recherchent.<\/p>\n\n\n\n Tirole (R\u00e9f\u00e9rence Tirole2017, chapitre 14) a fait \u00e9cho \u00e0 l’id\u00e9e de Simon des d\u00e9cennies plus tard, en notant : \u00ab Nous souffrons d’un exc\u00e8s de choix, et non d’un manque. Notre probl\u00e8me actuel est de savoir comment r\u00e9partir au mieux notre temps et notre attention entre cette pl\u00e9thore d’activit\u00e9s, de transactions et de relations potentielles […] Plus les autres co\u00fbts (transport, droits de douane, cotation) diminuent, plus les co\u00fbts li\u00e9s \u00e0 la signalisation, \u00e0 la lecture et \u00e0 la s\u00e9lection deviennent importants, et plus nous avons besoin de plateformes sophistiqu\u00e9es pour mettre en relation les acheteurs et les vendeurs. \u00bb<\/p>\n\n\n\n Chacune des plateformes Internet dominantes est, d’une mani\u00e8re ou d’une autre, un gardien de l’attention, mettant en relation les demandes de milliards de consommateurs avec les contenus, les services et les produits de millions de fournisseurs. Malgr\u00e9 leurs diff\u00e9rences, ces plateformes ont pris de l’importance parce que chacune d’entre elles a d\u00e9velopp\u00e9 un moyen efficace d’attirer l’attention des utilisateurs sur les informations, les produits et les services les plus pertinents. Google et d’autres moteurs de recherche promettent de trouver les pages web les plus pertinentes parmi des millions de possibilit\u00e9s pour chaque requ\u00eate des utilisateurs ; les sites de commerce \u00e9lectronique promettent de trouver les meilleurs produits disponibles au meilleur prix ; les r\u00e9seaux sociaux promettent de g\u00e9n\u00e9rer un flux unique et personnalis\u00e9 de mises \u00e0 jour de la part d’amis ; les services de recommandation musicale et vid\u00e9o promettent de fournir un flux correspondant aux go\u00fbts de l’utilisateur ; les sites de jeux en ligne promettent de fournir des jeux en ligne gratuits ; les sites de jeux en ligne promettent de fournir des jeux en ligne gratuits ; les sites de jeux en ligne promettent de fournir des jeux en ligne gratuits ; les sites de jeux en ligne promettent de fournir des jeux en ligne gratuits ; les sites de jeux en ligne promettent de fournir des jeux en ligne gratu Les sites de commerce \u00e9lectronique promettent de trouver les meilleurs produits disponibles au meilleur prix ; les r\u00e9seaux sociaux promettent de g\u00e9n\u00e9rer un flux unique et personnalis\u00e9 de mises \u00e0 jour provenant d’amis ; les services de recommandation musicale et vid\u00e9o promettent de fournir un flux correspondant aux go\u00fbts de l’utilisateur ; les services de transport \u00e0 la demande promettent de trouver le chauffeur le plus proche. Et ainsi de suite. Et ces plateformes font une promesse correspondante aux fournisseurs de contenu, de produits ou de services (sites web, d\u00e9veloppeurs d’applications, commer\u00e7ants, cr\u00e9ateurs et m\u00eame d’autres utilisateurs) de l’autre c\u00f4t\u00e9 de ce qui est g\u00e9n\u00e9ralement un march\u00e9 bilat\u00e9ral ou trilat\u00e9ral compos\u00e9 de consommateurs (\u00ab utilisateurs \u00bb), de producteurs (\u00ab fournisseurs \u00bb) et d’annonceurs : si le fournisseur fournit les informations les plus pertinentes, il sera r\u00e9compens\u00e9 par l’attention des consommateurs.<\/p>\n\n\n\n Dans de nombreux cas, ces march\u00e9s de mise en correspondance d’informations se sont r\u00e9v\u00e9l\u00e9s remarquablement efficaces. Des syst\u00e8mes algorithmiques complexes, bas\u00e9s sur des donn\u00e9es, agissent comme une sorte de \u00ab main invisible \u00bb propri\u00e9taire, utilisant d’\u00e9normes quantit\u00e9s d’informations sur les consommateurs, les producteurs et les annonceurs pour faire correspondre efficacement l’offre et la demande. Lorsque les algorithmes sont \u00e9quitables, ils offrent aux consommateurs des services auparavant inimaginables, leur permettant de gagner du temps et d’\u00e9conomiser des efforts pour faire de meilleurs choix en leur fournissant des r\u00e9sultats extr\u00eamement pertinents malgr\u00e9 un nombre \u00e9crasant d’options concurrentes. Les fournisseurs et les annonceurs trouvent de nouveaux clients et ont la possibilit\u00e9 de traiter avec ceux qui existent d\u00e9j\u00e0. Mais ces march\u00e9s se sont av\u00e9r\u00e9s \u00eatre des march\u00e9s o\u00f9 \u00ab le gagnant rafle la mise \u00bb (Wu, r\u00e9f\u00e9rence Wu2013 ; Petit, r\u00e9f\u00e9rence Petit2020), voire parfois \u00ab le gagnant rafle tout \u00bb, ce qui les rend vuln\u00e9rables aux abus. Une fois qu’une plateforme a \u00e9tabli sa position dominante, elle est en mesure d’extraire davantage de temps et d’attention de ses utilisateurs, ainsi que des rentes \u00e9conomiques de son march\u00e9 de fournisseurs ou de ses annonceurs, en contr\u00f4lant ce flux d’attention.<\/p>\n\n\n\n Les \u00e9conomistes et les d\u00e9cideurs politiques s’inqui\u00e8tent depuis longtemps du pouvoir des entreprises dominantes d’extraire des rentes \u00e9conomiques, et de plus en plus de recherches soutiennent que l’augmentation des rentes contribue fortement \u00e0 l’accroissement des in\u00e9galit\u00e9s, \u00e0 l’affaiblissement des \u00e9cosyst\u00e8mes entrepreneuriaux et \u00e0 la baisse des niveaux de croissance de la productivit\u00e9 et d’investissement dans les \u00e9conomies modernes (Piketty, r\u00e9f\u00e9rence Piketty2014 ; Standing, r\u00e9f\u00e9rence Standing2016 ; Ryan-Collins et al. , R\u00e9f\u00e9rence Ryan-Collins, Lloyd et Macfarlane2017 ; Mazzucato, R\u00e9f\u00e9rence Mazzucato2018 ; Stiglitz, R\u00e9f\u00e9rence Stiglitz2019 ; Christophers, R\u00e9f\u00e9rence Christophers2020 ; Kurz, R\u00e9f\u00e9rence Kurz2023) .<\/p>\n\n\n\n Les rentes refl\u00e8tent g\u00e9n\u00e9ralement le contr\u00f4le d’un facteur de production rare. Ce contr\u00f4le permet \u00e0 son d\u00e9tenteur de tirer des profits sup\u00e9rieurs au taux \u00ab normal \u00bb r\u00e9alisable sur un march\u00e9 concurrentiel. Ces profits ne sont pas le r\u00e9sultat d’am\u00e9liorations productives qui font cro\u00eetre le g\u00e2teau \u00e9conomique ; ils constituent une r\u00e9allocation de la valeur \u00e9conomique d’une partie \u00e0 une autre, r\u00e9sultant d’une certaine forme de pouvoir sur le march\u00e9.<\/p>\n\n\n\n Cependant, toutes les rentes ne repr\u00e9sentent pas un abus de pouvoir. Comme l’a fait remarquer Schumpeter (R\u00e9f\u00e9rence Schumpeter2013), l’innovation, qu’elle soit prot\u00e9g\u00e9e par des brevets, des secrets commerciaux ou simplement par une action plus rapide et plus efficace que la concurrence, offre la possibilit\u00e9 de recevoir une part disproportionn\u00e9e des profits jusqu’\u00e0 ce que l’innovation se g\u00e9n\u00e9ralise. Une entreprise qui continue d’innover peut r\u00e9aliser des profits disproportionn\u00e9s pendant longtemps, en particulier sur un march\u00e9 en croissance.<\/p>\n\n\n\n Pendant la p\u00e9riode d’expansion d’un nouveau cycle technologique, les leaders du march\u00e9 \u00e9mergent gr\u00e2ce \u00e0 l’innovation, en r\u00e9solvant de nouveaux probl\u00e8mes et en cr\u00e9ant une nouvelle valeur non seulement pour les consommateurs, mais aussi pour un riche \u00e9cosyst\u00e8me de fournisseurs, d’interm\u00e9diaires et m\u00eame de concurrents. Ces leaders du march\u00e9 peuvent atteindre des niveaux \u00e9tonnants de profits schump\u00e9t\u00e9riens en d\u00e9truisant les acteurs en place et en dominant le nouveau march\u00e9. Mais une fois que la croissance du march\u00e9 dans son ensemble ralentit, ils ne peuvent plus compter sur la vague montante de nouveaux utilisateurs et sur leurs propres innovations pour maintenir ce niveau de profit. \u00c0 ce stade, ils peuvent se tourner vers des techniques d’extraction plus traditionnelles, utilisant leur pouvoir de march\u00e9 pour maintenir ou augmenter leur niveau de profits d\u00e9sormais habituel face \u00e0 des facteurs macro\u00e9conomiques et \u00e0 une concurrence qui devraient les \u00e9roder.Note de bas de page 1<\/sup><\/p>\n\n\n\n Des entreprises comme Amazon, Apple, Google et Microsoft ont \u00e9t\u00e9 des innovateurs, et une grande partie de la valeur qu’elles ont re\u00e7ue a \u00e9t\u00e9 bien m\u00e9rit\u00e9e en tant que retour sur leurs investissements. Mais elles sont aussi de plus en plus les b\u00e9n\u00e9ficiaires de rentes \u00e9conomiques. Mais quel est le facteur de production rare qui leur permet d’extraire ces rentes ? Et comment mesurer les rentes sur un march\u00e9 o\u00f9 les services sont offerts gratuitement ? Cet article soutient que le facteur de production rare est l’attention des utilisateurs, et que les rentes peuvent \u00eatre identifi\u00e9es par des \u00e9carts par rapport \u00e0 la meilleure r\u00e9partition possible de l’attention dont une plateforme est capable.Note de bas de page 2<\/sup>. Celles-ci sont repr\u00e9sent\u00e9es par ce que la litt\u00e9rature sur les moteurs de recherche appelle les r\u00e9sultats \u00ab organiques \u00bb, c’est-\u00e0-dire les r\u00e9sultats choisis comme \u00e9tant les meilleurs par les algorithmes de recherche ou de recommandation de la plateforme elle-m\u00eame, avant toute distorsion int\u00e9ress\u00e9e.<\/p>\n\n\n\n Ces \u00ab rentes d’attention algorithmiques \u00bb sont des rentes au sens classique du terme. L’attention est un facteur de production dont l’offre est limit\u00e9eFootnote 3<\/sup> et dont la valeur peut \u00eatre appropri\u00e9e par d’autres que ceux qui la fournissent.Footnote 4<\/sup> En raison de sa position dominante sur un march\u00e9 de l’attention donn\u00e9, une plateforme est en mesure de s’approprier une part croissante du rendement de l’ \u00ab attention \u00bb, notamment en fournissant des r\u00e9sultats de moindre qualit\u00e9, en facturant un prix plus \u00e9lev\u00e9 que la valeur de l’attention pour ceux qui l’ach\u00e8tent, en obligeant les participants \u00e0 l’\u00e9cosyst\u00e8me \u00e0 payer pour \u00eatre visibles ou en essayant de monopoliser les march\u00e9s verticaux de produits ou de services.<\/p>\n\n\n\n En r\u00e9partissant l’attention des utilisateurs, la plateforme fa\u00e7onne \u00e9galement la r\u00e9partition de la valeur \u00e9conomique entre les parties prenantes concurrentes sur la plateforme, y compris elle-m\u00eame, ses utilisateurs, son \u00e9cosyst\u00e8me de fournisseurs tiers et ses annonceurs. Les producteurs tiers d’une plateforme se font concurrence entre eux, et les annonceurs sont en concurrence avec ces producteurs et d’autres annonceurs pour obtenir une part fixe de l’attention des utilisateurs. Non seulement l’attention des utilisateurs est limit\u00e9e, mais la fen\u00eatre \u00e9troite sur les informations abondantes fournies par l’\u00e9cran, dont la conception de l’interface est contr\u00f4l\u00e9e par la plateforme, l’est \u00e9galement. Chaque r\u00e9partition de l’attention des utilisateurs peut donc entra\u00eener un gain ou un pr\u00e9judice financier pour une entreprise, un propri\u00e9taire de site web ou un cr\u00e9ateur de contenu de l’autre c\u00f4t\u00e9 de la plateforme. La r\u00e9partition de l’attention d\u00e9termine la r\u00e9partition de la valeur.<\/em><\/p>\n\n\n\n Cette compr\u00e9hension \u00e9loigne l’analyse de l’abus de pouvoir de march\u00e9 d’une plateforme des prix. La position dominante d’une plateforme peut \u00eatre mesur\u00e9e par sa capacit\u00e9 \u00e0 fa\u00e7onner l’attention des utilisateurs ind\u00e9pendamment de leurs pr\u00e9f\u00e9rences, des contributions des utilisateurs et de la pertinence des informations de son \u00e9cosyst\u00e8me tiers.<\/p>\n\n\n\n Notre approche diff\u00e8re de la vision du capitalisme de surveillance selon laquelle les algorithmes des \u00ab grandes technologies \u00bb extraient un \u00ab surplus comportemental \u00bb des utilisateurs sous forme de donn\u00e9es exc\u00e9dentaires (au-del\u00e0 de l’am\u00e9lioration du service) pour les manipuler (Zuboff, R\u00e9f\u00e9rence Zuboff2019). S’il est vrai que les plateformes collectent d’\u00e9normes quantit\u00e9s de donn\u00e9es sur leurs utilisateurs, en tirent profit et les utilisent non seulement au b\u00e9n\u00e9fice de leurs utilisateurs, mais aussi au b\u00e9n\u00e9fice de leurs annonceurs, ce discours passe \u00e0 c\u00f4t\u00e9 de plusieurs aspects importants. Les donn\u00e9es sont une mati\u00e8re premi\u00e8re essentielle qui est agr\u00e9g\u00e9e et rendue utile par les services Internet, et la personnalisation est souvent per\u00e7ue comme un avantage par les consommateurs plut\u00f4t que comme un pr\u00e9judice. Il est souvent difficile de tracer une ligne claire entre les utilisations autoris\u00e9es et non autoris\u00e9es des donn\u00e9es et de la personnalisation. Les donn\u00e9es sont en fin de compte un moyen d’allouer plus efficacement l’attention, et non une fin en soi.<\/p>\n\n\n\n Dans notre cadre, c’est l’attention qui peut \u00eatre extraite au-del\u00e0 de ce dont la plateforme a besoin pour obtenir un rendement normal sur son capital. Et une fois que cette attention exc\u00e9dentaire a \u00e9t\u00e9 extraite du consommateur, elle peut \u00eatre redirig\u00e9e pour extraire des rentes p\u00e9cuniaires des fournisseurs ou des annonceurs, ou pour attribuer plus de valeur aux informations propres \u00e0 la plateforme. Le paradigme du capitalisme de surveillance ignore le fait que les plateformes sont multilat\u00e9rales, de sorte que toute allocation ou action sous-optimale a un impact non seulement sur les utilisateurs, mais aussi sur les autres parties de la plateforme.Note de bas de page 6<\/sup><\/p>\n\n\n\n L’accent que nous mettons sur les rentes d’attention non p\u00e9cuniaires extraites des utilisateurs afin d’extraire des rentes p\u00e9cuniaires des fournisseurs est conforme aux pr\u00e9visions des mod\u00e8les \u00e9conomiques de r\u00e9f\u00e9rence de Rochet et Tirole sur les plateformes (Rochet et Tirole, R\u00e9f\u00e9rence Rochet et Tirole 2003, R\u00e9f\u00e9rence Rochet et Tirole 2006). Ceux-ci pr\u00e9disent qu’un monopoleur facturera aux utilisateurs des prix mon\u00e9taires nuls afin de maximiser ses profits, si les effets de r\u00e9seau crois\u00e9s sont importants (de sorte que chaque annonceur b\u00e9n\u00e9ficie consid\u00e9rablement de chaque utilisateur suppl\u00e9mentaire).Note de bas de page 7<\/sup> Notre article explique ce qui se passe ensuite : un monopoleur qui facture des prix mon\u00e9taires nuls aux utilisateurs peut augmenter encore ses profits en d\u00e9gradant la qualit\u00e9 de l’attention allou\u00e9e aux les utilisateurs en dessous d’un niveau concurrentiel sans perte de revenus qui rendrait une telle strat\u00e9gie non rentable (Begent et Collyer, r\u00e9f\u00e9rence Begent et Collyer2013). Sans surprise, c’est ce que l’on observe largement aujourd’hui : ces plateformes se concentrent davantage sur l’attraction des annonceurs que sur la fourniture d’une bonne exp\u00e9rience utilisateur, afin de tirer des profits excessifs des annonceurs ou de leurs \u00e9cosyst\u00e8mes de producteurs. Doctorow (r\u00e9f\u00e9rence Doctorow2023) appelle cela \u00ab l’enshittification \u00bb.<\/p>\n\n\n\n Pourquoi les utilisateurs, les fournisseurs et les annonceurs ne passent-ils pas \u00e0 d’autres plateformes ? Une r\u00e9ponse est qu’il est difficile de mettre en place ce qu’Amazon a appel\u00e9 le \u00ab flywheel \u00bb (volant d’inertie), dans lequel une masse critique de contenu s\u00e9lectionn\u00e9 par algorithme provenant des fournisseurs attire les utilisateurs, et plus d’utilisateurs attirent plus de fournisseurs, dans un cercle vertueux gr\u00e2ce auquel le fournisseur du march\u00e9 est en mesure d’am\u00e9liorer continuellement ses services. Note de bas de page 8<\/sup> Les donn\u00e9es jouent ici un r\u00f4le important. Plus une plateforme compte d’utilisateurs, plus elle peut collecter de donn\u00e9es \u00e0 leur sujet et plus ses r\u00e9sultats algorithmiques peuvent \u00eatre performants. Cela signifie en pratique que les leaders du march\u00e9 ont une avance suffisante sur leurs concurrents pour que, une fois leur pouvoir de march\u00e9 \u00e9tabli, ils aient la marge de man\u0153uvre n\u00e9cessaire pour d\u00e9t\u00e9riorer le produit d’autres mani\u00e8res sans perdre d’utilisateurs au profit de leurs concurrents.<\/p>\n\n\n\n Un \u00e9l\u00e9ment essentiel de la panoplie d’outils du monopoleur consiste \u00e9galement \u00e0 augmenter les co\u00fbts de transfert en r\u00e9duisant les frictions en interne et en les augmentant en externe. Par exemple, la livraison gratuite avec Amazon Prime encourage les utilisateurs \u00e0 ne pas comparer les prix, et les contrats de tarification \u00ab de la nation la plus favoris\u00e9e \u00bb conclus par Amazon avec ses fournisseurs rendent peu probable la possibilit\u00e9 de trouver des prix plus bas ailleurs (Graham, r\u00e9f\u00e9rence Graham2023). Bien que ce ne soit pas l’objet de notre analyse, cela constitue une toile de fond pour comprendre comment une plateforme de march\u00e9 peut r\u00e9duire la qualit\u00e9 des r\u00e9sultats sans perdre de participants.<\/p>\n\n\n\n L’identification des rentes p\u00e9cuniaires d’une plateforme dominante comme \u00e9tant extraites via une manipulation algorithmique de l’attention permet de mieux comprendre plusieurs types de pr\u00e9judices caus\u00e9s par les plateformes, notamment l’auto-pr\u00e9f\u00e9rence, la publicit\u00e9 excessive, l’exploitation des \u00e9cosyst\u00e8mes tiers et l’exploitation du comportement des utilisateurs en mati\u00e8re de clics. Une implication majeure de ce travail est la n\u00e9cessit\u00e9 d’une plus grande transparence, afin de permettre aux r\u00e9gulateurs, aux investisseurs et au public de mieux observer, mesurer et, en fin de compte, r\u00e9glementer les dommages potentiels d\u00e9coulant de la mani\u00e8re dont l’attention des utilisateurs est r\u00e9partie.<\/p>\n\n\n\n Notre objectif principal ici est d’articuler une th\u00e9orie du pouvoir de march\u00e9 des plateformes et de ses abus \u00e0 l’\u00e8re num\u00e9rique qui servira de base \u00e0 des travaux futurs. Dans un article compl\u00e9mentaire, \u00ab Amazon’s Algorithmic Rents \u00bb (Strauss et al., r\u00e9f\u00e9rence Strauss, O’Reilly et Mazzucato 2023), nous examinons plus en d\u00e9tail l’application juridique et politique de ces id\u00e9es au march\u00e9 tiers d’Amazon. Et dans \u00ab Behind the Clicks: Can Amazon allocate user attention as it pleases? \u00bb (Rock et al., r\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato 2023), nous pr\u00e9sentons une approche permettant de mesurer les rentes d’attention algorithmiques sur la place de march\u00e9 d’Amazon. Cette recherche s’inscrit dans le cadre d’un effort plus large visant \u00e0 cartographier les rentes \u00e9conomiques modernes (Mazzucato et al. , r\u00e9f\u00e9rence Mazzucato, Ryan-Collins et Gouzoulis2023).<\/p>\n\n\n\n Les \u00e9conomistes consid\u00e8rent les prix comme le coordinateur de l’activit\u00e9 \u00e9conomique : ils sont les nerfs de la main invisible du march\u00e9. On estime que les prix r\u00e9partissent de mani\u00e8re optimale les ressources entre des fins concurrentes lorsqu’ils refl\u00e8tent les informations dynamiques (pr\u00e9f\u00e9rences et raret\u00e9s) contenues dans les milliards d’interactions d\u00e9centralis\u00e9es quotidiennes entre l’offre et la demande. Comme le note Hayek (R\u00e9f\u00e9rence Hayek1945, p. 1), la formation d\u00e9centralis\u00e9e des prix r\u00e9sout \u00ab le probl\u00e8me de l’utilisation des connaissances qui ne sont donn\u00e9es \u00e0 personne dans leur totalit\u00e9 \u00bb. La formation des prix dict\u00e9e par le march\u00e9 est sup\u00e9rieure \u00e0 tout m\u00e9canisme centralis\u00e9 de coordination de l’activit\u00e9 \u00e9conomique, car elle garantit \u00ab une utilisation plus compl\u00e8te des connaissances existantes \u00bb contenues dans l’\u00e9conomie (Hayek, R\u00e9f\u00e9rence Hayek1945. , p. 2).<\/p>\n\n\n\n Dans la th\u00e9orie n\u00e9oclassique (marginaliste), il existe une information parfaite, de sorte que les prix sont optimaux car ils refl\u00e8tent les \u00e9valuations subjectives de l’utilit\u00e9 des consommateurs.Note de bas de page 9<\/sup> En revanche, dans la vision de Simon sur la prise de d\u00e9cision et dans des travaux plus r\u00e9cents en \u00e9conomie comportementale, l’information parfaite n’existe pas. Au contraire, les consommateurs et les producteurs prennent des d\u00e9cisions qui sont fa\u00e7onn\u00e9es non seulement par les limites et les biais humains, mais aussi par les institutions qui fa\u00e7onnent l’information mise \u00e0 la disposition des d\u00e9cideurs<\/em> (Simon, R\u00e9f\u00e9rence Simon1997) . Et aujourd’hui, ce qui rend l’information imparfaite, ce n’est souvent pas qu’elle soit insuffisante, mais qu’elle soit trop abondante, et les institutions qui nous aident \u00e0 g\u00e9rer cette abondance ont un pouvoir extraordinaire pour influencer nos d\u00e9cisions. Les plateformes Internet modifient le contexte institutionnel et remettent en question la vision conventionnelle de la prise de d\u00e9cision sur les march\u00e9s de plusieurs mani\u00e8res :<\/p>\n\n\n\n Les allocations d’attention algorithmiques compl\u00e8tent ainsi, et parfois supplantent, les march\u00e9s traditionnels en tant que m\u00e9canisme institutionnel cl\u00e9 coordonnant l’activit\u00e9 \u00e9conomique et d\u00e9finissant les conditions dans lesquelles les \u00e9changes ont lieu en ligne. Les syst\u00e8mes algorithmiques qui en r\u00e9sultent d\u00e9signent le gagnant parmi les diff\u00e9rents producteurs dont les informations sont en concurrence pour attirer l’attention de l’utilisateur. Ils facilitent non seulement la fourniture efficace des services d’information de la plateforme aux utilisateurs, mais aussi la mon\u00e9tisation entre les<\/em> parties prenantes de la plateforme (par exemple, les annonceurs et les utilisateurs).<\/p>\n\n\n\n Comme les plateformes Internet ont efficacement internalis\u00e9 le m\u00e9canisme du march\u00e9, leurs allocations algorithmiques ont tendance \u00e0 refl\u00e9ter le degr\u00e9 de comp\u00e9titivit\u00e9 au sein des plateformes et entre elles. Dans un march\u00e9 concurrentiel, la plateforme a tout int\u00e9r\u00eat \u00e0 ce que ses algorithmes soient \u00e9quitables ; une fois qu’elles ont acquis un pouvoir de march\u00e9, les plateformes sont susceptibles de proc\u00e9der \u00e0 des allocations qui servent leurs propres int\u00e9r\u00eats.<\/p>\n\n\n\n Les allocations d’attention impliquent des choix de conception et des compromis, car l’attention est limit\u00e9e et consommable.Note de bas de page 12<\/sup> Par exemple, une plateforme qui alloue plus d’espace en haut de l’\u00e9cran aux informations publicitaires peut emp\u00eacher l’utilisateur de pr\u00eater attention \u00e0 des r\u00e9sultats organiques plus pertinents, ce qui conduit \u00e0 des choix moins judicieux. Une plateforme qui fournit des informations directement en r\u00e9ponse \u00e0 une requ\u00eate plut\u00f4t que de diriger le trafic vers un site web tiers peut profiter \u00e0 ses utilisateurs, m\u00eame si cela r\u00e9duit les avantages pour les fournisseurs tiers.<\/p>\n\n\n\n Les plateformes Internet sont dans une position unique pour explorer et optimiser ces compromis \u00e0 leur propre avantage, car elles ont acc\u00e8s \u00e0 des donn\u00e9es en temps r\u00e9el sur les participants de tous les c\u00f4t\u00e9s de la plateforme. Avec des millions d’utilisateurs qui r\u00e9p\u00e8tent la m\u00eame recherche ou r\u00e9pondant aux m\u00eames recommandations, la plateforme est en mesure d’effectuer des tests A\/B statistiquement significatifs sur des milliers de pond\u00e9rations algorithmiques et d’options de conception diff\u00e9rentes. En 2022, Google affirme avoir men\u00e9 plus de 800 000 exp\u00e9riences de recherche, qui ont conduit \u00e0 plus de 4 000 modifications de la recherche (Google, 2023a).<\/p>\n\n\n\n Le paradigme de traitement de l’information de Simon (r\u00e9f\u00e9rence Simon et Estes 1978a, r\u00e9f\u00e9rence Simon 1995) se concentre sur la mani\u00e8re dont les humains prennent des d\u00e9cisions dans le monde r\u00e9el : \u00ab compatible avec l’acc\u00e8s \u00e0 l’information et les capacit\u00e9s de calcul dont disposent r\u00e9ellement les organismes, y compris l’homme, dans les types d’environnements dans lesquels ces organismes existent \u00bb (Simon, r\u00e9f\u00e9rence Simon 1955, p. 99).<\/p>\n\n\n\n Les capacit\u00e9s de calcul des humains sont limit\u00e9es, tout comme leur temps.Note de bas de page 13<\/sup> Ces limites \u00ab mat\u00e9rielles \u00bb aident \u00e0 expliquer les comportements dans le monde r\u00e9el, qui ont tendance \u00e0 suivre des heuristiques<\/em>, c’est-\u00e0-dire des raccourcis et des strat\u00e9gies informationnels qui permettent aux humains de faire des choix raisonnables dans des environnements complexes quotidiens (Simon, R\u00e9f\u00e9rence Simon1978b, p. 12, Simon, R\u00e9f\u00e9rence Simon, Durlauf et Blume2017) . L’heuristique refl\u00e8te le \u00ab comportement satisfaisant \u00bb de l’\u00eatre humain, qui vise des r\u00e9sultats \u00ab suffisamment bons \u00bb,Note de bas de page 14<\/sup> sur la base de nombreuses inconnues. Cela contraste avec l’hypoth\u00e8se \u00e9conomique selon laquelle les \u00eatres humains \u00ab optimisent \u00bb pour parvenir \u00e0 la \u00ab meilleure \u00bb solution sur la base des r\u00e9sultats connus de chaque action. L’accent mis par Simon sur le processus de<\/em> prise de d\u00e9cision contraste fortement avec l’accent n\u00e9oclassique mis sur les r\u00e9sultats<\/em> (d’\u00e9quilibre) par des acteurs sans contrainte.<\/p>\n\n\n\n Les id\u00e9es de Simon trouvent un \u00e9cho dans l’\u00e9conomie comportementale contemporaine. Tversky et Kahneman (r\u00e9f\u00e9rence Tversky et Kahneman1974, 1981) et Kahneman (r\u00e9f\u00e9rence Kahneman2011) ont postul\u00e9 que les humains ont deux modes de prise de d\u00e9cision : ce qu’ils ont appel\u00e9 le Syst\u00e8me 1, pour les d\u00e9cisions qui doivent \u00eatre prises rapidement, et le Syst\u00e8me 2, pour celles qui d\u00e9pendent d’une analyse rationnelle minutieuse. Selon Kahneman (r\u00e9f\u00e9rence Kahneman 2011), 98 % des d\u00e9cisions humaines reposent sur le Syst\u00e8me 1. Si ces deux syst\u00e8mes sont adapt\u00e9s \u00e0 diff\u00e9rents types d’activit\u00e9s (r\u00e9ponse imm\u00e9diate \u00e0 une menace, par exemple, ou planification \u00e0 long terme), ils peuvent \u00eatre utilis\u00e9s de mani\u00e8re inappropri\u00e9e. Le Syst\u00e8me 1 est particuli\u00e8rement sujet \u00e0 divers biais cognitifs, tels que le biais d’ancrage, selon lequel la premi\u00e8re information qui nous est pr\u00e9sent\u00e9e influence notre jugement sur les informations suppl\u00e9mentaires.<\/p>\n\n\n\n Les \u00e9tudes sur le comportement humain r\u00e9el sur les plateformes Internet confirment les pr\u00e9dictions du mod\u00e8le \u00ab abondance d’informations\/p\u00e9nurie d’attention \u00bb de Simon et de l’\u00e9conomie comportementale. La majorit\u00e9 des clics ont tendance \u00e0 se porter sur les premiers r\u00e9sultats affich\u00e9s en haut \u00e0 gauche de l’\u00e9cran (Keane et O’Brien, R\u00e9f\u00e9rence Keane et O’Brien 2006 ; Craswell et al., R\u00e9f\u00e9rence Craswell, Zoeter, Taylor et Ramsey 2008), m\u00eame si leur pertinence diminue dans une mesure inconnue. C’est ce qu’on appelle le biais de position (Joachims et al., R\u00e9f\u00e9rence Joachims, Swaminathan et Schnabel 2017). Note de bas de page 15<\/sup> Il s’agit d’une forme de biais d’ancrage qui a \u00e9t\u00e9 bien document\u00e9e par les consultants en optimisation des moteurs de recherche. Par exemple, une \u00e9tude r\u00e9alis\u00e9e en 2022 sur plus de 4 millions de pages de r\u00e9sultats de recherche Google a r\u00e9v\u00e9l\u00e9 que plus de 54 % des clics vont aux trois premiers r\u00e9sultats organiques. Seuls 0,63 % des utilisateurs cliquent sur la deuxi\u00e8me page des r\u00e9sultats (Dean, r\u00e9f\u00e9rence Dean2023). Un rapport de 2018 de la soci\u00e9t\u00e9 de suivi web Jumpshot (2018), bas\u00e9 sur un large \u00e9chantillon d’utilisateurs, a constat\u00e9 le m\u00eame comportement sur Amazon : les clics des utilisateurs se concentrent sur les premi\u00e8res lignes des r\u00e9sultats de produits. Dans notre propre \u00e9tude, nous avons constat\u00e9 que 78 % des listes de produits les plus cliqu\u00e9es se trouvent dans les deux premi\u00e8res lignes des r\u00e9sultats de recherche (Rock et al., R\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato2023). Plus frappant encore, en 2022, une \u00e9tude r\u00e9alis\u00e9e par la soci\u00e9t\u00e9 de conseil en commerce \u00e9lectronique Feedvisor (2022) a r\u00e9v\u00e9l\u00e9 que 32 % des acheteurs choisissaient simplement d’acheter le premier produit figurant sur une page de r\u00e9sultats de recherche.<\/p>\n\n\n\n La proposition de valeur et le mod\u00e8le \u00e9conomique de l’internet moderne sont donc tout \u00e0 fait conformes \u00e0 l’hypoth\u00e8se selon laquelle les utilisateurs ne sont pas<\/em> des \u00ab calculateurs h\u00e9doniques \u00bb parfaits (Robinson, r\u00e9f\u00e9rence Robinson2001). C’est pourquoi les utilisateurs peuvent tirer profit d’interm\u00e9diaires tels que Google ou Amazon. Les utilisateurs gagnent du temps lorsqu’ils cliquent sur des r\u00e9sultats class\u00e9s par algorithme en fonction de leur position, confiants que la plateforme a fait le travail \u00e0 leur place, plut\u00f4t que d’avoir \u00e0 \u00e9valuer eux-m\u00eames les qualit\u00e9s intrins\u00e8ques et latentes des produits. Cette heuristique comportementale permet aux utilisateurs d’\u00e9conomiser \u00e9norm\u00e9ment de temps et d’efforts cognitifs dans leur prise de d\u00e9cision. Suivre l’algorithme d’une plateforme peut amener l’utilisateur \u00e0 faire de meilleurs choix, car cela lui garantit efficacement ce que Simon (R\u00e9f\u00e9rence Simon1997) appelle un certain degr\u00e9 d’expertise dans le processus d\u00e9cisionnel.<\/p>\n\n\n\n L’impact de cette expertise est confirm\u00e9 par le comportement r\u00e9el observ\u00e9 chez les utilisateurs. Les clics vont vers les premiers r\u00e9sultats non seulement en raison du biais positionnel humain, mais aussi parce que les plateformes ont traditionnellement travaill\u00e9 tr\u00e8s dur pour faire des premiers r\u00e9sultats les meilleurs<\/em> r\u00e9sultats. Google est all\u00e9 jusqu’\u00e0 breveter un facteur de classement qu’il a appel\u00e9 \u00ab le clic long \u00bb (Lopatenko et al., R\u00e9f\u00e9rence Lopatenko, Kim, Dornbush, Wei, Kilbourn et Lopyrev2015) . Le brevet postulait qu’un \u00ab clic court \u00bb (c’est-\u00e0-dire lorsqu’un utilisateur clique sur un r\u00e9sultat et revient imm\u00e9diatement en arri\u00e8re pour cliquer sur un autre r\u00e9sultat) indique une insatisfaction vis-\u00e0-vis du r\u00e9sultat, tandis qu’un clic long (lorsque l’utilisateur s’en va et ne revient pas) repr\u00e9sente un succ\u00e8s. Avec d’innombrables autres facteurs mesur\u00e9s \u00e0 travers des millions de recherches, les clics longs pourraient \u00eatre utilis\u00e9s pour augmenter ou diminuer le classement des r\u00e9sultats de recherche, dans le but que le premier r\u00e9sultat obtienne le clic long.Note de bas de page 16<\/sup> Le succ\u00e8s de ces syst\u00e8mes est pr\u00e9cis\u00e9ment la raison pour laquelle ils ont gagn\u00e9 la confiance des utilisateurs, et pourquoi cette confiance, une fois gagn\u00e9e, peut \u00eatre abus\u00e9e.<\/p>\n\n\n\n La pour amener les utilisateurs \u00e0 cliquer sur ses r\u00e9sultats algorithmiques est imparfaite, car les clics et les vues sont \u00e9galement influenc\u00e9s par l’importance relative et l’attrait des r\u00e9sultats dans leur ensemble (Yue et al., r\u00e9f\u00e9rence Yue, Patel et Roehrig 2010), y compris leur caract\u00e8re informatif relatif (Keane et O’Brien, r\u00e9f\u00e9rence Keane et O’Brien 2006 ; Craswell et al., r\u00e9f\u00e9rence Craswell, Zoeter, Taylor et Ramsey2008). Pourtant, le pouvoir des plateformes de confiance pour attirer l’attention des utilisateurs, et par cons\u00e9quent les clics ou les vues, est immense. L’attention port\u00e9e \u00e0 de nouvelles informations, y compris la publicit\u00e9, peut conduire \u00e0 une action imm\u00e9diate, presque sans friction. Un achat, le visionnage d’une vid\u00e9o addictive sur TikTok, YouTube ou Facebook, un chemin vers un gouffre de consommation d’attention, tout cela n’est qu’\u00e0 un clic. Dans les syst\u00e8mes de recommandation de flux tels que ceux propos\u00e9s par les r\u00e9seaux sociaux, m\u00eame les clics ne sont plus n\u00e9cessaires, car les plateformes utilisent de plus en plus la lecture automatique des vid\u00e9os pour capter l’attention des utilisateurs, qui devient ainsi \u00ab opt-out \u00bb plut\u00f4t que \u00ab opt-in \u00bb.<\/p>\n\n\n\n Le pouvoir des plateformes en ligne de fa\u00e7onner l’attention rappelle l’affirmation cl\u00e9 de Simon selon laquelle les organisations ou les institutions (il utilisait souvent ces termes de mani\u00e8re interchangeable) fa\u00e7onnent le comportement individuel en d\u00e9terminant \u00ab les environnements d’information dans lesquels les d\u00e9cisions sont prises \u00bb (Simon, r\u00e9f\u00e9rence Simon1997). Les institutions aident les consommateurs \u00e0 prendre des d\u00e9cisions en \u00e9tablissant une division du travail dans \u00ab le processus de d\u00e9cision \u00bb, qui est tout aussi importante que la division du travail dans les processus \u00ab d’action \u00bb, affirme Simon. Il d\u00e9veloppe ces id\u00e9es dans Administrative Behavior<\/em> (Simon, r\u00e9f\u00e9rence Simon1997, chapitre 7), en se concentrant sur le concept d’autorit\u00e9 pour garantir une division efficace du travail dans la prise de d\u00e9cision au sein de l’organisation :<\/p>\n\n\n\n \u00ab L’autorit\u00e9 \u00bb peut \u00eatre d\u00e9finie comme le pouvoir de prendre des d\u00e9cisions qui guident les actions d’autrui. [\u2026] Autrement dit, il met en suspens ses propres capacit\u00e9s critiques pour choisir entre plusieurs alternatives et utilise le crit\u00e8re formel de la r\u00e9ception d’un ordre ou d’un signal comme base de son choix.<\/p>\n\n\n\n Ce passage pourrait \u00eatre interpr\u00e9t\u00e9 aujourd’hui comme s’appliquant aux recommandations algorithmiques faites par une plateforme num\u00e9rique dominante \u00e0 un utilisateur, tout autant qu’\u00e0 une recommandation \u00e9manant d’un cadre sup\u00e9rieur ou d’un expert \u00e0 un travailleur, comme le souligne Simon.<\/p>\n\n\n\n Les rentes d’attention se produisent lorsqu’une plateforme abuse de son autorit\u00e9 algorithmique et exploite son r\u00f4le d’interm\u00e9diaire de confiance pour diriger l’attention des utilisateurs (clics ou temps pass\u00e9) vers des informations sous-optimales, souvent sponsoris\u00e9es. Fondamentalement, ces rentes exploitent le biais positionnel des utilisateurs dans la mani\u00e8re dont ils cliquent ou ce qu’ils regardent, en pla\u00e7ant ces informations sous-optimales dans la zone d’attention principale des utilisateurs. Ce biais positionnel repose en grande partie sur les informations sous-optimales qui tentent de reproduire ou d’exploiter l’autorit\u00e9 du r\u00e9sultat algorithmique organique d’une plateforme (ce que l’on appelle le \u00ab biais de confiance \u00bb) (Keane et O’Brien, r\u00e9f\u00e9rence Keane et O’Brien 2006 ; Keane et al., r\u00e9f\u00e9rence Keane, O’Brien et Smyth 2008). Les informations peuvent \u00eatre int\u00e9gr\u00e9es entre les r\u00e9sultats organiques optimaux ou, de plus en plus, les remplacer.<\/p>\n\n\n\n L’une des implications de ce pouvoir algorithmique dans l’attribution de l’attention des utilisateurs est qu’il conf\u00e8re \u00e0 la plateforme un levier consid\u00e9rable sur les deux parties (fournisseurs et annonceurs) qui cherchent \u00e0 acc\u00e9der \u00e0 l’attention des utilisateurs, la principale marchandise de la plateforme. La plateforme peut s’assurer que les r\u00e9sultats payants (publicitaires) et organiques se font directement concurrence pour attirer l’attention des utilisateurs (en particulier lorsqu’ils sont plac\u00e9s \u00ab au-dessus du pli \u00bb, comme on disait \u00e0 l’\u00e9poque des journaux, mais qu’on pourrait aujourd’hui appeler \u00ab avant le d\u00e9filement \u00bb).Note de bas de page 17<\/sup> La rente d’attention<\/em> est pr\u00e9lev\u00e9e sur les utilisateurs \u2014 afin de les inciter \u00e0 accorder leur attention \u00e0 des contenus plus rentables pour la plateforme \u2014 afin d’extraire une rente p\u00e9cuniaire<\/em> du c\u00f4t\u00e9 des fournisseurs ou des annonceurs du march\u00e9 multilat\u00e9ral de la plateforme dominante. Cette rente peut contribuer \u00e0 cr\u00e9er un rendement sup\u00e9rieur \u00e0 la rendement sup\u00e9rieur \u00e0 la normale pour la plateforme, en particulier lorsqu’elle est combin\u00e9e \u00e0 d’autres frais et redevances d\u00e9j\u00e0 impos\u00e9s \u00e0 son \u00e9cosyst\u00e8me.<\/p>\n\n\n\n Ainsi, une plus grande mon\u00e9tisation des utilisateurs implique un processus \u00e0 double face, qui touche non seulement les utilisateurs d’une plateforme, mais aussi les entreprises tierces et les annonceurs, car la nature du contenu pr\u00e9sent\u00e9 aux utilisateurs change. Les informations provenant de certaines entreprises tierces sont rel\u00e9gu\u00e9es au second plan par du contenu suppl\u00e9mentaire payant ou addictif, et le contenu rel\u00e9gu\u00e9 doit s’adapter \u00e0 la nouvelle optimisation algorithmique pour survivre. Les annonceurs potentiels b\u00e9n\u00e9ficient d’un espace d’attention plus prioritaire et, par cons\u00e9quent, d’une une plus grande incitation \u00e0 faire de la publicit\u00e9. Et les utilisateurs doivent consommer davantage de contenu payant. Ce qui se passe d’un c\u00f4t\u00e9 de la plateforme a un impact sur l’autre (ou les autres) (Hovenkamp, r\u00e9f\u00e9rence Hovenkamp2020), pas n\u00e9cessairement en raison d’effets de r\u00e9seau, note de bas de page 18<\/sup>, mais en raison de l’espace fixe \u00e0 l’\u00e9cran (c’est-\u00e0-dire la sph\u00e8re d’attention) pour lequel les c\u00f4t\u00e9s de la plateforme sont en concurrence.<\/p>\n\n\n\n Les th\u00e9ories contemporaines sur les plateformes se concentrent principalement sur les externalit\u00e9s d\u00e9coulant des effets de r\u00e9seau. Cela permet d’expliquer pourquoi les plateformes fournissent des services gratuits aux utilisateurs, afin de g\u00e9n\u00e9rer des effets de r\u00e9seau et\/ou des \u00e9conomies d’\u00e9chelle. Cela explique \u00e9galement les structures de prix sur les plateformes, c’est-\u00e0-dire la mani\u00e8re dont la charge des prix se r\u00e9partit entre les deux c\u00f4t\u00e9s de la plateforme. Pour Rochet et Tirole (R\u00e9f\u00e9rence Rochet et Tirole2006) , la structure de prix optimale sur les plateformes est fix\u00e9e indirectement afin d’optimiser les profits totaux des deux c\u00f4t\u00e9s. Cela signifie que la tarification d’un c\u00f4t\u00e9 de la plateforme doit tenir compte de l’impact qu’elle aurait sur la participation \u2014 et donc sur les profits \u2014 de l’autre c\u00f4t\u00e9 de la plateforme.Note de bas de page 19<\/sup> Cela tend \u00e0 cr\u00e9er une structure de prix tr\u00e8s d\u00e9s\u00e9quilibr\u00e9e, dans laquelle les utilisateurs ne paient aucun prix mon\u00e9taire pour la plateforme et la charge des prix retombe plut\u00f4t sur des entreprises tierces ou des annonceurs. Comme les annonceurs accordent une grande valeur \u00e0 chaque utilisateur suppl\u00e9mentaire et que les utilisateurs pr\u00e9f\u00e8rent les services gratuits \u00e0 ceux qu’ils doivent payer directement, il est souvent plus rentable pour la plateforme de facturer indirectement les utilisateurs, par le biais de leur attention.Note de bas de page 20<\/sup><\/p>\n\n\n\n Mais cette th\u00e9orie en dit moins sur ce que font ensuite les plateformes matures, qui facturent depuis un certain temps des prix nuls (ou peu), font ensuite. Lorsque les utilisateurs ne paient aucun prix mon\u00e9taire et que leur attention est mon\u00e9tis\u00e9e de l’autre c\u00f4t\u00e9 du march\u00e9, l’augmentation des profits provient initialement de l’acquisition de nouveaux utilisateurs. Mais avec le temps, \u00e0 mesure que la croissance du nombre d’utilisateurs ralentit, l’augmentation des profits provenant de la participation des utilisateurs devient fonction de la quantit\u00e9 de publicit\u00e9. Weyl (r\u00e9f\u00e9rence Weyl2010, p. 1643) va jusqu’\u00e0 consid\u00e9rer que \u00ab le probl\u00e8me de la plateforme consiste [d’abord] \u00e0 choisir les taux de participation des deux c\u00f4t\u00e9s plut\u00f4t que les prix qui soutiennent cette allocation \u00bb. La r\u00e9activit\u00e9 des utilisateurs \u00e0 la publicit\u00e9, souvent mesur\u00e9e en temps r\u00e9el par la plateforme, devient essentielle pour d\u00e9terminer la combinaison optimale de mod\u00e8les commerciaux, de sorte que (Behringer et Filistrucchi, r\u00e9f\u00e9rence Behringer et Filistrucchi2015, p. 293) : \u00ab Sur les march\u00e9s bilat\u00e9raux, les quantit\u00e9s d’un c\u00f4t\u00e9 du march\u00e9 sont fonction des prix pratiqu\u00e9s de ce c\u00f4t\u00e9-l\u00e0 et des quantit\u00e9s de l’autre c\u00f4t\u00e9 du march\u00e9. \u00bb<\/p>\n\n\n\n Il s’ensuit que les algorithmes coordonnent les c\u00f4t\u00e9s de la plateforme non seulement en fixant le niveau des prix, comme le note Tirole, mais aussi en contr\u00f4lant la r\u00e9partition de l’attention. Si la participation des c\u00f4t\u00e9s est relativement fixe (en raison de la et le verrouillage par des tiers), alors l’extraction de rentes de monopole d’un c\u00f4t\u00e9 de la plateforme n\u00e9cessite d’ajuster la r\u00e9partition de l’attention de l’autre ou des autres c\u00f4t\u00e9s, car les utilisateurs doivent consommer de plus grandes quantit\u00e9s de contenu plus rentable.Note de bas de page 21<\/sup><\/p>\n\n\n\n Dans une plateforme num\u00e9rique multilat\u00e9rale, l’augmentation des profits ou de la rentabilit\u00e9 de la plateforme n\u00e9cessite donc g\u00e9n\u00e9ralement de modifier le contenu informatif pr\u00e9sent\u00e9 aux utilisateurs \u00e0 l’\u00e9cran (Behringer et Filistrucchi, r\u00e9f\u00e9rence Behringer et Filistrucchi 2015) : les<\/em> informations que les algorithmes organiques d’une plateforme optimisent (telles que les algorithmes de recommandation optimisant un engagement plus soutenu) ; et\/ ou le m\u00e9lange<\/em> algorithmique des sorties (comme plus de publicit\u00e9 et moins de sorties organiques) sont des ingr\u00e9dients essentiels pour qu’une plateforme augmente la mon\u00e9tisation des utilisateurs et tire plus de profits de son \u00e9cosyst\u00e8me d’entreprises ou d’annonceurs. Sans modifier le type de contenu pr\u00e9sent\u00e9 aux utilisateurs, les possibilit\u00e9s de mon\u00e9tisation des utilisateurs par les entreprises tierces ou les annonceurs de la plateforme se limitent \u00e0 la solution traditionnelle consistant \u00e0 augmenter les prix (par exemple, pour la publicit\u00e9, les abonnements ou d’autres frais).<\/p>\n\n\n\n Ces changements dans l’information peuvent avoir un impact sur la r\u00e9partition de la valeur si la plateforme choisit d’accorder algorithmiquement plus d’attention au contenu payant ou autrement int\u00e9ress\u00e9. Cela se fait en permanence, par des changements dans la pr\u00e9sentation relative des r\u00e9sultats \u00e0 l’\u00e9cran, par des changements dans les syst\u00e8mes de classement algorithmiques sous-jacents et, comme l’affirme la plainte du minist\u00e8re am\u00e9ricain de la Justice contre Google, par des contr\u00f4les internes qui \u00ab modifient \u00bb les r\u00e9sultats pour obtenir le r\u00e9sultat souhait\u00e9 (\u00c9tats-Unis d’Am\u00e9rique c. Google LLC,<\/em>2020<\/em>). Le comportement mesur\u00e9 des utilisateurs fournit un flux riche de donn\u00e9es gr\u00e2ce auquel la plateforme peut \u00e9valuer l’impact des changements et proc\u00e9der \u00e0 des ajustements suppl\u00e9mentaires pour atteindre ses objectifs ( \u00ab mesures op\u00e9rationnelles \u00bb).<\/p>\n\n\n\n Sur les march\u00e9s traditionnels, o\u00f9 les biens et services sont directement \u00e9chang\u00e9s contre de l’argent, des prix constamment sup\u00e9rieurs \u00e0 la \u00ab normale \u00bb sont consid\u00e9r\u00e9s comme un signe de pouvoir de march\u00e9 excessif et d’extraction de rente. Sur les march\u00e9s de l’attention, la principale expression du pouvoir de march\u00e9 algorithmique<\/em> est la capacit\u00e9 de la plateforme \u00e0 orienter de mani\u00e8re rentable l’attention des utilisateurs et \u00e0 produire des allocations d’informations qui sont, dans une large mesure, ind\u00e9pendantes des pr\u00e9f\u00e9rences des consommateurs, de la pertinence des informations des concurrents et des requ\u00eates explicites de ses utilisateurs.<\/em> La rente algorithmique fait partie de l’exercice plus large du pouvoir de march\u00e9 d’une plateforme lorsqu’elle peut effectuer des allocations d’attention inf\u00e9rieures sans perdre suffisamment de ventes, d’utilisateurs ou de fournisseurs tiers pour rendre cette allocation non rentable (Begent et Collyer, r\u00e9f\u00e9rence Begent et Collyer 2013 ; Federal Trade Commission, et al. c. Amazon.Com, Inc.<\/em> 2023).<\/p>\n\n\n\n Une notion fondamentale explor\u00e9e dans notre recherche est qu’il existe une rente d’attention lorsqu’il y a un \u00e9cart par rapport aux meilleures allocations d’attention dont la plateforme est capable<\/em>, et sur la promesse desquelles la plateforme a attir\u00e9 ses utilisateurs au d\u00e9part. Sur un march\u00e9 concurrentiel, les plateformes gagnent en fournissant les meilleurs r\u00e9sultats possibles aux consommateurs. Les \u00e9carts par rapport \u00e0 cette norme se produisent g\u00e9n\u00e9ralement une fois que la plateforme a consolid\u00e9 sa position dominante et son emprise sur l’attention des utilisateurs. Comme il est extr\u00eamement difficile et co\u00fbteux de fournir des r\u00e9sultats de recherche ou de recommandation de haute qualit\u00e9, les leaders du march\u00e9 sont souvent bien plus performants que leurs concurrents, ce qui leur donne une marge de man\u0153uvre suppl\u00e9mentaire pour d\u00e9t\u00e9riorer leurs r\u00e9sultats sans perdre de clients.<\/p>\n\n\n\n Les allocations d’attention algorithmiques de la plateforme, qui associent les utilisateurs \u00e0 des informations sous-optimales, peuvent cr\u00e9er des rentes au sens de \u00ab rendements \u00bb d’un facteur de production \u2014 ici \u00ab l’attention \u00bb (proxys par l’espace \u00e0 l’\u00e9cran et le temps pass\u00e9 par l’utilisateur) \u2014 qui est fixe en termes d’offre, largement insensible aux variations de prix, et exploit\u00e9e pour le profit de la plateforme (Blaug, r\u00e9f\u00e9rence Blaug1997 ; Alchian, r\u00e9f\u00e9rence Alchian, Durlauf et Blume2017). Une plateforme augmente ses profits non pas gr\u00e2ce \u00e0 de meilleures correspondances (am\u00e9liorations de la productivit\u00e9), mais gr\u00e2ce \u00e0 des correspondances d’informations qui sont plus rentables pour elle-m\u00eame, ou gr\u00e2ce \u00e0 des frais de correspondance plus \u00e9lev\u00e9s.<\/p>\n\n\n\n Ce mod\u00e8le d’extraction de rente en exploitant la proportion relative et la position de la publicit\u00e9 et des r\u00e9sultats organiques est exactement ce qui a \u00e9t\u00e9 observ\u00e9 dans la pratique. \u00c0 ses d\u00e9buts, les pages de r\u00e9sultats de recherche Google se composaient d’une liste de dix r\u00e9sultats de recherche organiques (souvent appel\u00e9s les \u00ab dix liens bleus \u00bb) et d’un extrait du contenu du site de destination. Ces liens organiques \u00e9taient encadr\u00e9s par des publicit\u00e9sNote de bas de page 22<\/sup> : trois au-dessus des r\u00e9sultats organiques, avec des publicit\u00e9s suppl\u00e9mentaires dans une colonne \u00e0 droite des r\u00e9sultats organiques. Les publicit\u00e9s \u00e9taient clairement diff\u00e9renci\u00e9es des r\u00e9sultats organiques par un bloc de couleur distinct. Une s\u00e9rie remarquable de captures d’\u00e9cran enregistr\u00e9es par le consultant n\u00e9erlandais en moteurs de recherche Blacqui\u00e8re (r\u00e9f\u00e9rence Blacqui\u00e8re2014) \u2014 mise \u00e0 jour par Marvin (r\u00e9f\u00e9rence Marvin2020) \u2014 montre comment les publicit\u00e9s ont envahi l’\u00e9cran de recherche et sont devenues de plus en plus difficiles \u00e0 distinguer des r\u00e9sultats de recherche organiques sur Google Search.<\/p>\n\n\n\n En 2016, la colonne de droite contenant les annonces a \u00e9t\u00e9 compl\u00e8tement supprim\u00e9e (Kim, r\u00e9f\u00e9rence Kim2016), et aujourd’hui, les annonces sont presque impossibles \u00e0 distinguer des r\u00e9sultats organiques, intercal\u00e9es entre ceux-ci, et une partie bien plus importante de l’espace le plus pris\u00e9 en haut de la page est consacr\u00e9e aux annonces. L’espace suppl\u00e9mentaire est occup\u00e9 par le contenu propre \u00e0 Google, souvent affich\u00e9 sous forme de carrousel d’images, ou dans un panneau d’information que Google appelle \u00ab OneBox \u00bb (O’Reilly, r\u00e9f\u00e9rence O’Reilly2019), ou plus r\u00e9cemment, dans une r\u00e9ponse g\u00e9n\u00e9r\u00e9e par l’IA \u00e0 la requ\u00eate de l’utilisateur.<\/p>\n\n\n\n Il est clair que les plateformes Internet sont tout \u00e0 fait en droit de mon\u00e9tiser leurs offres. Lorsque les services sont gratuits pour les utilisateurs, quelqu’un doit payer la facture. La question est toutefois de savoir quel niveau de mon\u00e9tisation est justifi\u00e9 pour r\u00e9cup\u00e9rer les co\u00fbts et obtenir un retour sur investissement \u00e9quitable, et \u00e0 partir de quand cela devient-il excessif ? Quand la publicit\u00e9 a-t-elle de la valeur pour l’\u00e9cosyst\u00e8me des fournisseurs et pour les utilisateurs, et quand devient-elle une source de rentes extractives ? Il n’est pas toujours facile de d\u00e9terminer les r\u00e9ponses.<\/p>\n\n\n\n Chez Amazon, cependant, la r\u00e9ponse \u00e0 la question de savoir si la mon\u00e9tisation est devenue extractive semble sans ambigu\u00eft\u00e9. Presque toutes les recommandations organiques,Note de bas de page 23<\/sup> qui ont contribu\u00e9 \u00e0 rendre r\u00e9volutionnaire le march\u00e9 num\u00e9rique d’Amazon, ont \u00e9t\u00e9 remplac\u00e9es par des recommandations purement payantes ou hybrides, par exemple \u00ab Tendance actuelle \u2014 Sponsoris\u00e9 \u00bb ou \u00ab Tr\u00e8s bien not\u00e9 \u2014 Sponsoris\u00e9 \u00bb (Kaziuk\u0117nas, R\u00e9f\u00e9rence Kaziuk\u0117nas2021). E La soci\u00e9t\u00e9 d’\u00e9tudes de march\u00e9 Marketplace Pulse estime que sur les 20 premiers produits qu’un acheteur voit lorsqu’il effectue une recherche sur Amazon, seuls 4 sont d\u00e9sormais des r\u00e9sultats organiques (Kaziuk\u0117nas, r\u00e9f\u00e9rence Kaziuk\u0117nas2022). En raison de la mani\u00e8re dont les r\u00e9sultats payants sont plac\u00e9s, il faut parfois faire d\u00e9filer trois fen\u00eatres de navigateur de r\u00e9sultats de recherche pour arriver au cinqui\u00e8me r\u00e9sultat organique (Kaziuk\u0117nas, r\u00e9f\u00e9rence Kaziuk\u0117nas2022).<\/p>\n\n\n\n Notre propre analyse de la capacit\u00e9 d’Amazon \u00e0 r\u00e9partir la valeur (c’est-\u00e0-dire les clics) entre les produits concurrents sur sa place de march\u00e9 tierce gr\u00e2ce \u00e0 l’organisation algorithmique des r\u00e9sultats de recherche montre qu’une fiche produit qui passe \u00e0 une position suffisamment \u00e9lev\u00e9e en termes de \u00ab part d’attention \u00bb recevra plus de clics, ind\u00e9pendamment de sa pertinence ou de son prix. Une fiche produit class\u00e9e parmi les 10 derni\u00e8res en termes de pertinence, mais dans le centile le plus \u00e9lev\u00e9 en termes de \u00ab part d’attention \u00bb, est aussi susceptible d’\u00eatre cliqu\u00e9e qu’un produit parmi les 5 premiers en termes de pertinence dans une position moyenne. Cette dynamique permet \u00e0 Amazon de compenser la pertinence d’un r\u00e9sultat de recherche par sa position \u00e0 l’\u00e9cran, gr\u00e2ce \u00e0 la publicit\u00e9, tout en maintenant un taux de clics \u00e9lev\u00e9 (Rock et al., R\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato2023).<\/p>\n\n\n\n Les utilisateurs peuvent \u00eatre l\u00e9s\u00e9s lorsqu’une plateforme remplace les r\u00e9sultats organiques par de la publicit\u00e9, car ils peuvent voir moins d’options pertinentes et \u00eatre d\u00e9tourn\u00e9s des meilleurs produits ou des prix les plus bas. Les r\u00e9sultats organiques et la publicit\u00e9 visent tous deux \u00e0 \u00eatre cliqu\u00e9s ou consult\u00e9s, mais le classement des premiers est optimis\u00e9 pour la pertinence intrins\u00e8que parmi toutes les sources d’information \u00e9ligibles, tandis que la seconde est optimis\u00e9e directement pour les clics parmi les entreprises qui ench\u00e9rissent pour attirer l’attention des utilisateurs.<\/em> Si les publicit\u00e9s les plus pertinentes peuvent \u00eatre aussi utiles aux consommateurs que les r\u00e9sultats organiques, afficher davantage de publicit\u00e9s signifie puiser plus profond\u00e9ment dans l’inventaire des publicit\u00e9s et potentiellement afficher des publicit\u00e9s moins pertinentes et moins utiles.<\/p>\n\n\n\n Les pr\u00e9judices caus\u00e9s aux fournisseurs du march\u00e9 Amazon par le remplacement du contenu organique par des publicit\u00e9s sont beaucoup plus imm\u00e9diats. Dans un monde o\u00f9 le principal avantage des gardiens pour les consommateurs est l’acc\u00e8s algorithmique \u00e0 un riche \u00e9cosyst\u00e8me de fournisseurs, et o\u00f9 leur avantage pour les fournisseurs est l’acc\u00e8s algorithmique \u00e0 un vaste march\u00e9 d’utilisateurs finaux, les r\u00e9sultats de recherche organiques sont la monnaie du royaume et l’\u00e9quit\u00e9 est essentielle. Les r\u00e9sultats payants qui remplacent (plut\u00f4t que de compl\u00e9ter) les r\u00e9sultats organiques \u00e9quivalent \u00e0 une monnaie d\u00e9pr\u00e9ci\u00e9e. Lorsque la publicit\u00e9 remplace les r\u00e9sultats de recherche organiques, l’\u00e9cosyst\u00e8me des fournisseurs doit d\u00e9sormais payer pour la visibilit\u00e9 qu’il obtenait auparavant gr\u00e2ce \u00e0 la qualit\u00e9 de ses produits et \u00e0 sa r\u00e9putation.<\/p>\n\n\n\n \u00c0 mesure que la publicit\u00e9 occupe une place de plus en plus importante \u00e0 l’\u00e9cran, elle est devenue un obstacle \u00e0 l’entr\u00e9eFootnote 24<\/sup> pour les commer\u00e7ants qui souhaitent vendre sur Amazon, une taxe qui s’ajoute aux frais de r\u00e9f\u00e9rence et d’ex\u00e9cution (Morrison, r\u00e9f\u00e9rence Morrison2021). \u00ab Il y a moins de r\u00e9sultats de recherche organiques sur la page du march\u00e9 Amazon, ce qui signifie de plus en plus que la seule fa\u00e7on d’appara\u00eetre sur la page est d’acheter sa place \u00bb, a d\u00e9clar\u00e9 Jason Goldberg, directeur de la strat\u00e9gie commerciale chez Publicis, une grande agence de publicit\u00e9 (Palmer, r\u00e9f\u00e9rence Palmer2021).Note de bas de page 25<\/sup> Selon Quartile (2018), une importante plateforme publicitaire aliment\u00e9e par l’IA, Amazon est d\u00e9sormais une plateforme \u00ab payante \u00bb pour obtenir les meilleures positions \u00e0 l’\u00e9cran. Les trois quarts des vendeurs sur Amazon \u00ab choisissent \u00bb d\u00e9sormais de faire de la publicit\u00e9 (Mileva, r\u00e9f\u00e9rence Mileva2022). Pour les petits et moyens vendeurs, ce chiffre atteint 79 % (Jungle Scout, 2022).<\/p>\n\n\n\n Il ne s’agit pas ici de publicit\u00e9 telle que celle propos\u00e9e par Google, Facebook ou les m\u00e9dias traditionnels, qui surfent sur la vague de l’attention port\u00e9e \u00e0 l’information ou au divertissement, mais d’une sorte de concurrence \u00e0 la Hunger Games<\/em> entre commer\u00e7ants pour capter les achats de personnes qui sont d\u00e9j\u00e0 \u00e0 la recherche d’un produit.<\/em> Il s’agit d’un transfert \u00e0 somme nulle d’attention et de valeur entre les<\/em> vendeurs (Gornyi, r\u00e9f\u00e9rence Gornyi2023), qui augmente simultan\u00e9ment les revenus d’Amazon sans pour autant \u00ab n\u00e9cessairement augmenter le volume des ventes \u00bb (Kaziuk\u0117nas, r\u00e9f\u00e9rence Kaziuk\u0117nas2021). L’attention accrue port\u00e9e \u00e0 un vendeur se fait n\u00e9cessairement au d\u00e9triment d’un autre.<\/p>\n\n\n\n De plus, contrairement \u00e0 la publicit\u00e9 dans les m\u00e9dias traditionnels, ces publicit\u00e9s apparaissent dans l’interface de d\u00e9cision , avec une apparence presque identique \u00e0 celle des choix de produits recommand\u00e9s de mani\u00e8re organique. La majorit\u00e9 des publicit\u00e9s sur la place de march\u00e9 Amazon ne font que reproduire les listes organiques et apparaissent sur la m\u00eame page, souvent \u00e0 c\u00f4t\u00e9 de celles-ci, sans offrir d’informations suppl\u00e9mentaires aux consommateurs. Et comme les publicit\u00e9s et les listes organiques se disputent l’attention des utilisateurs sur le m\u00eame \u00e9cran de r\u00e9sultats de recherche, Amazon exploite le biais de positionnement des utilisateurs et place la publicit\u00e9 plut\u00f4t que le r\u00e9sultat organique dans la position la plus susceptible d’\u00eatre cliqu\u00e9e, , extrayant ainsi des frais au fournisseur sans apporter de valeur ajout\u00e9e.Note de bas de page 26<\/sup>Ce comportement illustre parfaitement ce que nous entendons lorsque nous affirmons qu’Amazon utilise les rentes d’attention extraites des utilisateurs pour extraire les rentes p\u00e9cuniaires correspondantes de son \u00e9cosyst\u00e8me de fournisseurs.<\/p>\n\n\n\n Gr\u00e2ce \u00e0 cette concurrence \u00e0 somme nulle, Amazon a favoris\u00e9 \u00e0 la fois une augmentation des prix publicitaires et une baisse du retour sur investissement publicitaire (Jungle Scout, 2022 ; Soper, r\u00e9f\u00e9rence Soper2023), ce qui a entra\u00een\u00e9 un transfert de rente des entreprises tierces vers la plateforme elle-m\u00eame. En 2022, la publicit\u00e9 \u00e9tait devenue une activit\u00e9 tr\u00e8s rentable pour Amazon, repr\u00e9sentant 37,7 milliards de dollars (Amazon.com, 2022, p. 67).Note de bas de page 27<\/sup>Dans le m\u00eame temps, le co\u00fbt moyen par clic sur les publicit\u00e9s Amazon a doubl\u00e9 par rapport \u00e0 1,2 en 2021 (Business of Apps, 2022). Selon Adbadger, le co\u00fbt moyen des d\u00e9penses \u00e9tait de 30 %, ce qui signifie qu’il faut d\u00e9sormais d\u00e9penser 30 cents en publicit\u00e9 pour g\u00e9n\u00e9rer 1 dollar de ventes (The Badger, 2023).<\/p>\n\n\n\n Il est int\u00e9ressant de noter que, alors que TikTok commence \u00e0 lancer un d\u00e9fi \u00e0 Amazon dans le domaine du commerce \u00e9lectronique, il s’appuie sur de nouvelles formes d’attention algorithmique pour attirer et engager les utilisateurs. Comme pour son produit de flux social, il utilise des cascades virales d’attention des utilisateurs pour faire remonter les contenus populaires. Dans le cas du commerce \u00e9lectronique, il s’agit de la d\u00e9couverte de ce qu’on appelle des \u00ab dupes \u00bb, des produits moins chers qui ont les m\u00eames caract\u00e9ristiques, voire meilleures, que les produits de marque plus co\u00fbteux (Barinka, r\u00e9f\u00e9rence Barinka2023). En d’autres termes, TikTok d\u00e9montre une fois de plus que la recherche de nouveaux signaux fournissant de meilleurs r\u00e9sultats algorithmiques organiques offre un avantage concurrentiel pour acqu\u00e9rir et fid\u00e9liser les utilisateurs, et que les rentes algorithmiques ne sont g\u00e9n\u00e9ralement extraites par les plateformes qu’une fois qu’elles ont consolid\u00e9 leur position dominante.<\/p>\n\n\n\n La distorsion des meilleurs r\u00e9sultats choisis par l’algorithme est \u00e9galement observable dans les syst\u00e8mes de r\u00e9seaux sociaux. Facebook, X (anciennement Twitter) et Instagram ont tous commenc\u00e9 par proposer aux utilisateurs un flux unique de contenus provenant d’autres utilisateurs qu’ils avaient choisi de suivre, qu’il s’agisse d’amis, de c\u00e9l\u00e9brit\u00e9s ou de sources d’information. Pendant la p\u00e9riode de croissance, lorsque l’acquisition d’utilisateurs est l’objectif primordial, ces plateformes alignent leurs s\u00e9lections algorithmiques sur cette promesse faite aux utilisateurs.<\/p>\n\n\n\n \u00c0 ce stade pr\u00e9coce, le tri des publications dans le flux se fait g\u00e9n\u00e9ralement par ordre chronologique inverse (de la plus r\u00e9cente \u00e0 la plus ancienne) ou via un graphe social (\u00e0 partir des amis). Plus tard, d’autres arrangements possibles sont essay\u00e9s, comme le tri par publications ayant suscit\u00e9 le plus d’engagement. Finalement, le tri est enti\u00e8rement confi\u00e9 aux recommandations algorithmiques. Au d\u00e9but, les utilisateurs disposent d’un certain contr\u00f4le, qui leur permet de revenir, par exemple, \u00e0 un tri chronologique, ou de privil\u00e9gier les publications de ceux qu’ils ont marqu\u00e9s comme amis ou de ceux qu’ils ont choisi de suivre. Au fil du temps, ces expressions des pr\u00e9f\u00e9rences des utilisateurs deviennent plus difficiles \u00e0 trouver ou disparaissent compl\u00e8tement. Parall\u00e8lement, la charge publicitaire augmente, ce qui rend \u00e9galement plus difficile de trouver et d’appr\u00e9cier les publications pour lesquelles l’utilisateur s’est initialement inscrit. De plus, des \u00ab dark patterns \u00bb, tels que le passage automatique de l’utilisateur \u00e0 un fil d’actualit\u00e9s de vid\u00e9os recommand\u00e9es (par exemple, les bobines Instagram) d\u00e8s qu’il a fini de regarder une vid\u00e9o publi\u00e9e par un ami, sont \u00e9galement utilis\u00e9s pour aider \u00e0 passer outre les pr\u00e9f\u00e9rences de l’utilisateur . \u00c0 partir de l\u00e0, il est facile de se laisser entra\u00eener \u00e0 fa\u00e7onner le contenu affich\u00e9 de mani\u00e8re \u00e0 attirer davantage l’attention des utilisateurs en leur montrant tout contenu susceptible de susciter le plus d’engagement.<\/p>\n\n\n\n Bien que nous n’ayons pas men\u00e9 de recherches empiriques pour mesurer les rentes d’attention algorithmiques dans les m\u00e9dias sociaux, nous pensons que la notion de rentes d’attention algorithmiques offre des pistes fructueuses pour approfondir la recherche et l’analyse des m\u00e9dias sociaux et d’autres syst\u00e8mes de recommandation, ainsi que pour les syst\u00e8mes de recherche .<\/p>\n\n\n\n Si ce sont les pr\u00e9judices caus\u00e9s aux consommateurs ou aux concurrents qui sont les plus susceptibles d’attirer l’attention des r\u00e9gulateurs, bon nombre des pr\u00e9judices caus\u00e9s par les rentes d’attention algorithmiques peuvent peser plus lourdement sur le c\u00f4t\u00e9 offre de l’\u00e9cosyst\u00e8me d’une plateforme.<\/p>\n\n\n\n Thompson (r\u00e9f\u00e9rence Thompson2014, r\u00e9f\u00e9rence Thompson2023) note que pour fournir des r\u00e9sultats class\u00e9s ou des recommandations \u00e0 ses utilisateurs, une plateforme doit agr\u00e9ger des informations, en regroupant et en num\u00e9risant l’offre, et en la transformant en produit de base. Cette agr\u00e9gation r\u00e9duit le pouvoir des fournisseurs de la plateforme et les rend d\u00e9pendants de l’\u00e9quit\u00e9 des classements algorithmiques fournis par la plateforme.Note de bas de page 28<\/sup> Ce sont ces fournisseurs, et pas seulement les consommateurs, qui sont l\u00e9s\u00e9s lorsque la r\u00e9partition de l’information est fauss\u00e9e par rapport \u00e0 son niveau concurrentiel optimal.<\/p>\n\n\n\n Pour comprendre pourquoi il est important de d\u00e9finir clairement le r\u00f4le de la plateforme en tant qu’interm\u00e9diaire et agr\u00e9gateur, il est important d’adopter une vision \u00e9cosyst\u00e9mique de l’investissement total dans la cr\u00e9ation de valeur, plut\u00f4t que d’attribuer toute la cr\u00e9ation de valeur \u00e0 la plateforme. Toute notion d’\u00e9quit\u00e9 d\u00e9pend de cette vision \u00e9cosyst\u00e9mique : sans sites web, Google Search n’aurait aucune utilit\u00e9 ; sans commer\u00e7ants, il n’y aurait pas Amazon ; sans d\u00e9veloppeurs d’applications, il n’y aurait pas d’App Stores ; sans utilisateurs cr\u00e9ant du contenu et le consommant, il n’y aurait pas de m\u00e9dias sociaux. Lorsque les fournisseurs sont l\u00e9s\u00e9s, les utilisateurs le sont \u00e9galement \u00e0 long terme.<\/p>\n\n\n\n Ces \u00e9cosyst\u00e8mes de cr\u00e9ateurs de valeur d\u00e9pendent des algorithmes de la plateforme pour ce que l’industrie appelle \u00ab l’attention m\u00e9rit\u00e9e \u00bb.Note de bas de page 29<\/sup> Lorsque la plateforme exempte son propre contenu ou ses propres services concurrents de ses propres algorithmes, ou lorsqu’elle remplace les r\u00e9sultats organiques par des r\u00e9sultats payants, l’\u00e9cosyst\u00e8me subit une perte d’incitation et de r\u00e9compense pour continuer \u00e0 produire de la valeur. \u00c0 terme, cette perte de valeur affecte \u00e0 la fois les utilisateurs et la plateforme elle-m\u00eame, car tout le cercle vertueux de la cr\u00e9ation, de l’agr\u00e9gation et de la curation s’effondre. Ce qui a \u00e9t\u00e9 gagn\u00e9 est appropri\u00e9 par la plateforme.<\/p>\n\n\n\n Les annonceurs peuvent \u00e9galement apporter de la valeur aux consommateurs, en particulier lorsque les publicit\u00e9s sont bien cibl\u00e9es en fonction de leurs int\u00e9r\u00eats. Cette valeur peut \u00e9galement \u00eatre d\u00e9tourn\u00e9e de mani\u00e8re algorithmique par la plateforme. La publicit\u00e9 cibl\u00e9e transforme l’attention en produit de base, personnalis\u00e9e en fonction des donn\u00e9es d\u00e9mographiques, de la localisation et des int\u00e9r\u00eats, pour \u00eatre vendue aux ench\u00e8res \u00e0 grande \u00e9chelle et associ\u00e9e de mani\u00e8re algorithmique des milliards de fois par jour au contenu consult\u00e9 par les consommateurs. Les annonceurs ench\u00e9rissent pour attirer cette attention, mais ce qu’ils obtiennent peut ne pas correspondre \u00e0 ce pour quoi ils paient si la plateforme place des publicit\u00e9s \u00e0 proximit\u00e9 de contenus inappropri\u00e9s qui nuisent \u00e0 l’image de marque (Internet Advertising Bureau, 2020), place des publicit\u00e9s display (que les annonceurs paient en fonction du nombre d’impressions [c’est-\u00e0-dire l’inclusion dans les pages affich\u00e9es] plut\u00f4t que du nombre de clics) \u00e0 des emplacements bien en dessous du d\u00e9filement o\u00f9 elles ont peu de chances d’\u00eatre vues par les utilisateurs, ou ne contr\u00f4le pas correctement les probl\u00e8mes tels que la fraude au clic, le visionnage par des robots plut\u00f4t que par des humains, la lecture automatique de vid\u00e9os qui ne sont pas r\u00e9ellement choisies par l’utilisateur, etc. Hwang (r\u00e9f\u00e9rence Hwang2020) qualifie ce probl\u00e8me de qualit\u00e9 publicitaire de \u00ab crise de l’attention subprime \u00bb. Note de bas de page 30<\/sup><\/p>\n\n\n\n Une r\u00e9compense \u00e9quitable pour la valeur cr\u00e9\u00e9e est un cadre utile pour \u00e9valuer les pr\u00e9judices caus\u00e9s par les allocations algorithmiques. Lorsqu’on examine les allocations algorithmiques de l’attention, il est utile de se demander qui gagne, qui perd et qui d\u00e9cide. Note de bas de page 31<\/sup>. Cela peut \u00eatre un calcul complexe. Les exemples tir\u00e9s de Google Search, Amazon Marketplace et des flux des r\u00e9seaux sociaux, que nous explorons ci-dessous, montrent l’\u00e9ventail des questions qui peuvent \u00eatre explor\u00e9es \u00e0 l’aide de l’analyse des rentes d’attention algorithmiques dans les entreprises bas\u00e9es sur la publicit\u00e9.<\/p>\n\n\n\n Google d\u00e9ploie des efforts consid\u00e9rables pour trouver les publicit\u00e9s les plus pertinentes (Google, 2023b).Note de bas de page 32<\/sup> Dans le syst\u00e8me publicitaire au paiement par clic (PPC) utilis\u00e9 dans Google Search (\u00ab Adwords \u00bb), l’entreprise est fortement incit\u00e9e \u00e0 trouver les publicit\u00e9s les plus susceptibles d’attirer des clics. Dans les formats publicitaires display (paiement par vue), dans lesquels Google est un acteur gr\u00e2ce \u00e0 son placement algorithmique de publicit\u00e9s sur des sites web tiers et \u00e0 son contr\u00f4le des \u00e9changes publicitaires dans lesquels les publicit\u00e9s sont achet\u00e9es et vendues de mani\u00e8re algorithmique, les incitations de Google sont moins clairement align\u00e9es sur celles de ses annonceurs.<\/p>\n\n\n\n M\u00eame dans le syst\u00e8me PPC d’Adwords, cependant, l’ensemble des r\u00e9sultats possibles provient de ceux qui sont dispos\u00e9s et capables de payer. Cela favorise fortement certaines entreprises par rapport \u00e0 d’autres. On en trouve un bon exemple dans une recherche telle que \u00ab acheter des pneus neufs \u00bb. Dans les conceptions actuelles, les publicit\u00e9s occupent les meilleures positions \u00e0 l’\u00e9cran, et ces publicit\u00e9s proviennent g\u00e9n\u00e9ralement de grandes cha\u00eenes nationales et de vendeurs en ligne (O’Reilly, r\u00e9f\u00e9rence O’Reilly2022). Les commer\u00e7ants locaux sont affich\u00e9s sur une carte tout en bas de la page, ce qui n\u00e9cessite de faire d\u00e9filer la page pour les voir. La carte fournit des listes d’entreprises non r\u00e9mun\u00e9r\u00e9es qui permettent aux utilisateurs d’en savoir plus sur chacun des commer\u00e7ants, notamment leurs heures d’ouverture, leur adresse et leur num\u00e9ro de t\u00e9l\u00e9phone. Cela est utile tant pour les utilisateurs que pour les commer\u00e7ants, m\u00eame si cela ne prend pas la forme d’un lien web traditionnel. Mais ces informations sont beaucoup plus difficiles \u00e0 trouver aujourd’hui qu’il y a dix ans. Cela impose un co\u00fbt en temps aux utilisateurs et une p\u00e9nalit\u00e9 en termes de visibilit\u00e9 aux fournisseurs, qui doivent d\u00e9sormais faire de la publicit\u00e9 pour attirer l’attention qu’ils avaient auparavant gagn\u00e9e gr\u00e2ce \u00e0 des signaux tels que la qualit\u00e9 et un emplacement pratique pour l’utilisateur.<\/p>\n\n\n\n Notez le pouvoir de fa\u00e7onnage du march\u00e9<\/em> qui s’exerce ici. Alors que les consommateurs s’appuient de plus en plus sur les moteurs de recherche pour trouver des produits, Google d\u00e9cide essentiellement que ceux qui sont les plus dispos\u00e9s et les plus aptes \u00e0 payer m\u00e9ritent davantage l’attention des consommateurs que ceux que des facteurs de pertinence tels que l’emplacement ou la r\u00e9putation sugg\u00e8rent. Cet exemple met en \u00e9vidence la responsabilit\u00e9 des plateformes de r\u00e9fl\u00e9chir profond\u00e9ment aux cons\u00e9quences de la r\u00e9partition de leur attention. En bref, les compromis ne sont pas toujours \u00e9vidents, et l’\u00e9valuation des pr\u00e9judices caus\u00e9s \u00e0 l’une ou l’autre partie n\u00e9cessite une analyse minutieuse.<\/p>\n\n\n\n Bien que salu\u00e9e par les actionnaires et les analystes comme un triomphe de la strat\u00e9gie commerciale, g\u00e9n\u00e9rant d’\u00e9normes profits pour l’entreprise, l’activit\u00e9 publicitaire d’Amazon Marketplace semble offrir peu d’avantages aux utilisateurs ou aux fournisseurs (qui, dans le cas du march\u00e9 tiers d’Amazon, sont \u00e9galement ses annonceurs). Les utilisateurs voient moins de r\u00e9sultats que les algorithmes d’Amazon ont calcul\u00e9s comme correspondant id\u00e9alement \u00e0 leur recherche, et voient \u00e0 la place des publicit\u00e9s, dont la pertinence est souvent moindre.<\/p>\n\n\n\n Dans Rock et al. (r\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato 2023), nous avons compar\u00e9 le classement organique d’un r\u00e9sultat de recherche avec le classement publicitaire du m\u00eame r\u00e9sultat.Note de bas de page 33<\/sup> Nous avons constat\u00e9 qu’en moyenne, une publicit\u00e9 augmentait la visibilit\u00e9 d’un produit potentiellement inf\u00e9rieur (selon les algorithmes d’Amazon) de 5 \u00e0 50 positions, avec une augmentation m\u00e9diane de 17 positions. Nous avons \u00e9galement constat\u00e9 qu’il est plus important pour les annonces sponsoris\u00e9es que pour les annonces organiques d’occuper des positions \u00e9lev\u00e9es sur l’\u00e9cran, ce qui sugg\u00e8re que les utilisateurs ne trouvent pas les produits les plus pertinents dans les premi\u00e8res places du classement.<\/p>\n\n\n\n La publicit\u00e9 peut pr\u00e9senter certains avantages pour les commer\u00e7ants qui cherchent \u00e0 accro\u00eetre la visibilit\u00e9 de nouveaux produits de haute qualit\u00e9 (qui peuvent avoir moins d’avis et moins d’historique de clics et d’achats), mais dans l’ensemble, l’activit\u00e9 publicitaire d’Amazon semble simplement constituer une taxe suppl\u00e9mentaire impos\u00e9e aux commer\u00e7ants plut\u00f4t que de leur apporter une valeur ajout\u00e9e. Elle augmente leurs co\u00fbts d’exploitation, qui peuvent \u00eatre r\u00e9percut\u00e9s sur les consommateurs sous la forme de prix plus \u00e9lev\u00e9s. Nous avons constat\u00e9 que les produits les plus cliqu\u00e9s sont environ 17 % plus chers que les produits organiques (16,5) et un tiers moins pertinents (classement organique de 4 contre 3).<\/p>\n\n\n\n Pourquoi les vendeurs tol\u00e8rent-ils ce comportement ? Comme l’indique la r\u00e9cente plainte d\u00e9pos\u00e9e par la Commission f\u00e9d\u00e9rale du commerce des \u00c9tats-Unis contre Amazon (Graham, R\u00e9f\u00e9rence Graham2023),Note de bas de page 34<\/sup>, l’entreprise a utilis\u00e9 des exigences contractuelles pour augmenter les co\u00fbts de changement et emp\u00eacher les vendeurs de proposer des prix plus bas sur des march\u00e9s concurrents, voire sur leurs propres sites. D’autres techniques consistent \u00e0 punir les vendeurs qui n’ach\u00e8tent pas de services tels que la logistique et la publicit\u00e9 aupr\u00e8s d’Amazon en les condamnant \u00e0 une invisibilit\u00e9 algorithmique virtuelle. Nous explorons ce sujet plus en d\u00e9tail dans l’article compl\u00e9mentaire \u00ab Amazon’s Algorithmic Rents \u00bb (Strauss et al., r\u00e9f\u00e9rence Strauss, O’Reilly et Mazzucato2023) .<\/p>\n\n\n\n Pourquoi les utilisateurs l’acceptent-ils ? Il est fort possible qu’ils ne l’acceptent pas, mais qu’ils ne soient pas suffisamment nombreux pour influencer le calcul d’Amazon concernant la rentabilit\u00e9 globale de sa strat\u00e9gie. Selon Stone (r\u00e9f\u00e9rence Stone2021), \u00ab lorsque les publicit\u00e9s sponsoris\u00e9es \u00e9taient mises en avant, on observait une l\u00e9g\u00e8re baisse statistiquement d\u00e9tectable \u00e0 court terme du nombre de clients qui finissaient par effectuer un achat… Mais alors qu’il [Bezos] a mis en garde contre le risque d’ali\u00e9ner les clients en diffusant trop de publicit\u00e9s, il a choisi d’aller de l’avant avec d\u00e9termination, affirmant que les cons\u00e9quences n\u00e9fastes \u00e0 long terme devraient \u00eatre d’une ampleur invraisemblable pour l’emporter sur les gains potentiels et les opportunit\u00e9s d’investissement qui pourraient en r\u00e9sulter. \u00bb<\/p>\n\n\n\n Les dommages caus\u00e9s \u00e0 Amazon peuvent \u00eatre une descente progressive ou une chute soudaine. \u00c0 partir de quand les dommages caus\u00e9s \u00e0 la marque et \u00e0 la r\u00e9putation s’accumulent-ils au point que les consommateurs commencent \u00e0 moins faire confiance \u00e0 Amazon, \u00e0 moins acheter sur Amazon et \u00e0 faire l’effort d’essayer d’autres alternatives ? Si Amazon subit des co\u00fbts lents et progressifs du fait de ses activit\u00e9s, il y a plus d’espoir qu’elle change son comportementFootnote 35<\/sup> que si elle ne subit aucun co\u00fbt, \u00e0 moins que les r\u00e9gulateurs ne les lui imposent.<\/p>\n\n\n\n Il est plus difficile d’\u00e9valuer l’optimalit\u00e9 des plateformes de r\u00e9seaux sociaux, qui peuvent \u00eatre utilis\u00e9es \u00e0 des fins utilitaires ou de divertissement, que celle des plateformes utilitaires telles que les moteurs de recherche ou le commerce \u00e9lectronique. Si l’utilisateur cherche simplement \u00e0 se divertir, un flux algorithmique optimis\u00e9 pour l’engagement peut sans doute correspondre \u00e0 ce qu’il souhaite, comme le d\u00e9montre le succ\u00e8s de TikTok. Et surtout lorsqu’elles sont bas\u00e9es sur des donn\u00e9es personnalis\u00e9es, les publicit\u00e9s peuvent \u00eatre tr\u00e8s pertinentes et apporter une valeur ajout\u00e9e aux consommateurs. Mais si un engagement plus important et un temps pass\u00e9 plus long sur un site de r\u00e9seau social peuvent, \u00e0 premi\u00e8re vue, \u00eatre consid\u00e9r\u00e9s comme un signe que les utilisateurs y trouvent plus de valeur, il existe \u00e9galement des inconv\u00e9nients, \u00e0 commencer par un comportement addictif, et lorsque l’engagement est motiv\u00e9 par des publications alimentant la col\u00e8re, le doute de soi, la d\u00e9sinformation ou la controverse.<\/p>\n\n\n\n Les recommandations des r\u00e9seaux sociaux, qui contiennent des publicit\u00e9s directement dans le fil d’actualit\u00e9, incitent les plateformes \u00e0 attirer l’attention des utilisateurs en augmentant leur engagement. Plus le temps pass\u00e9 sur la plateforme est long, plus la surface publicitaire est importante. Ainsi, les consommateurs peuvent voir une proportion plus \u00e9lev\u00e9e d’histoires optimis\u00e9es pour des formes \u00ab n\u00e9fastes \u00bb d’engagement, notamment celles qui sont controvers\u00e9es, provocantes, contiennent des informations erron\u00e9es ou sont autrement pr\u00e9judiciables aux consommateurs. Comme le note Stray (r\u00e9f\u00e9rence Stray2021) , \u00e0 long terme, les entreprises ont int\u00e9r\u00eat \u00e0 g\u00e9rer un \u00ab bon \u00bb engagement afin que les utilisateurs ne les quittent pas, mais \u00e0 court terme, elles peuvent tirer profit m\u00eame d’un \u00ab mauvais \u00bb engagement.<\/p>\n\n\n\n Les annonceurs sont \u00e9galement l\u00e9s\u00e9s lorsque leurs publicit\u00e9s sont associ\u00e9es par algorithme \u00e0 des contenus inappropri\u00e9s (Internet Advertising Bureau, 2020). Seule la plateforme en tire profit, c’est pourquoi nous consid\u00e9rons que ces syst\u00e8mes sont m\u00fbrs pour la rente d’attention. Des recherches suppl\u00e9mentaires sont n\u00e9cessaires.<\/p>\n\n\n\n Les plateformes actuelles sont des environnements riches en donn\u00e9es, o\u00f9 les pr\u00e9judices peuvent \u00eatre mesur\u00e9s et estim\u00e9s directement. Les organismes de r\u00e9glementation antitrust comprennent d\u00e9sormais des \u00e9quipes charg\u00e9es des donn\u00e9es (Hunt, r\u00e9f\u00e9rence Hunt2022), mais ils restent entrav\u00e9s par le fait que les plateformes ne fournissent pas r\u00e9guli\u00e8rement d’informations sur leur fonctionnement et leurs donn\u00e9es (section 5.2).<\/p>\n\n\n\n Mesurer dans quelle mesure les annonces sponsoris\u00e9es ont remplac\u00e9 les r\u00e9sultats de recherche organiques est un moyen de comprendre si ces plateformes abusent ou non de leur pouvoir de march\u00e9. Nous partons du principe que si, comme les plateformes l’ont promis et d\u00e9montr\u00e9, leurs algorithmes visent \u00e0 r\u00e9partir au mieux l’attention, l’\u00e9cart entre les r\u00e9sultats organiques et les r\u00e9sultats payants fournit des preuves de rentes et de pr\u00e9judices. En utilisant cette approche, la pr\u00e9sence de rentes d’attention algorithmiques peut \u00eatre d\u00e9duite comme suit :<\/p>\n\n\n\n La plupart des donn\u00e9es utilis\u00e9es pour ces \u00e9valuations proviennent d’une litt\u00e9rature abondante publi\u00e9e par la communaut\u00e9 du r\u00e9f\u00e9rencement naturel, les consultants en marketing sur les r\u00e9seaux sociaux, les consultants en commerce \u00e9lectronique, etc. Ces donn\u00e9es permettent de mieux comprendre les facteurs qui d\u00e9terminent les classements algorithmiques et les recommandations. Les plateformes elles-m\u00eames donnent des indices int\u00e9ressants dans leurs annonces, leurs articles de blog, leurs pr\u00e9sentations lors de conf\u00e9rences et leurs lettres annuelles aux actionnaires (O’Reilly et al. , r\u00e9f\u00e9rence O’Reilly, Strauss et Mazzucato2023a). En outre, il existe de nombreuses \u00e9tudes ponctuelles r\u00e9alis\u00e9es par des universitaires, des consultants, des soci\u00e9t\u00e9s de donn\u00e9es sur les march\u00e9s ou la publicit\u00e9 et, parfois, des r\u00e9gulateurs. Ces \u00e9tudes consistent g\u00e9n\u00e9ralement en une analyse statistique d’un instantan\u00e9 des donn\u00e9es extraites du web \u00e0 un moment donn\u00e9. Par exemple, d’apr\u00e8s une \u00e9tude portant sur 1,4 milliard de recherches effectu\u00e9es par 28 millions de citoyens britanniques (Goodwin, R\u00e9f\u00e9rence Goodwin2012), nous savons qu’en 2011, 94 % des clics sur Google \u00e9taient organiques et que seulement 6 % concernaient des publicit\u00e9s. Mais nous n’avons aucune id\u00e9e du ratio dans diff\u00e9rents pays, de ce qu’il est aujourd’hui, ni de la fa\u00e7on dont il a \u00e9volu\u00e9 au fil des ans, Google ayant mis \u00e0 jour ses algorithmes et la conception de ses \u00e9crans.<\/p>\n\n\n\n Bien que les informations issues d’\u00e9tudes comme celle-ci soient utiles, elles mettent en \u00e9vidence une lacune flagrante dans l’appareil r\u00e9glementaire : l’absence de obligation pour les plateformes de divulguer r\u00e9guli\u00e8rement les indicateurs op\u00e9rationnels qui guident r\u00e9ellement la conception de leurs algorithmes, mesurent leurs r\u00e9sultats et, en fin de compte, contr\u00f4lent la mon\u00e9tisation de l’attention des utilisateurs.<\/p>\n\n\n\n La th\u00e9orie des rentes algorithmiques et les donn\u00e9es disponibles dans des \u00e9tudes telles que celle que nous avons men\u00e9e sugg\u00e8rent quelques interventions r\u00e9glementaires relativement simples.<\/p>\n\n\n\n Pour les syst\u00e8mes algorithmiques bas\u00e9s sur la recherche<\/em>, y compris les boutiques d’applications et le commerce \u00e9lectronique, les r\u00e9gulateurs pourraient imposer les exigences suivantes :<\/p>\n\n\n\n Pour les syst\u00e8mes algorithmiques bas\u00e9s sur les flux<\/em>, tels que TikTok, Twitter et Instagram :<\/p>\n\n\n\n Cependant, ces interventions pr\u00e9sentent plusieurs d\u00e9fauts :<\/p>\n\n\n\n Le probl\u00e8me plus fondamental auquel les r\u00e9gulateurs doivent s’attaquer est que les m\u00e9canismes par lesquels les plateformes mesurent et g\u00e8rent l’attention des utilisateurs sont mal compris. Une r\u00e9glementation efficace d\u00e9pend d’une meilleure divulgation des informations.<\/p>\n\n\n\n Les plateformes elles-m\u00eames collectent de nombreux indicateurs de performance d\u00e9taill\u00e9s afin d’\u00e9valuer et de g\u00e9rer les performances de leurs propres syst\u00e8mes visant \u00e0 attirer l’attention des utilisateurs. Elles connaissent le nombre d’utilisateurs, le temps que ceux-ci passent sur chacun des services de la plateforme, la mani\u00e8re dont ils sont mon\u00e9tis\u00e9s, ainsi que l’impact des nouveaux services et designs sur leur utilisation et leur mon\u00e9tisation. Elles connaissent le volume publicitaire. Elles connaissent le ratio entre les clics organiques et les clics publicitaires. Elles savent combien de trafic est envoy\u00e9 vers des sites externes, par segment de march\u00e9. Elles connaissent le volume brut de marchandises d’une place de march\u00e9 ou d’une boutique d’applications, et elles savent quel pourcentage elles per\u00e7oivent en frais. Et elles savent comment chacune de ces mesures se compare aux p\u00e9riodes pr\u00e9c\u00e9dentes \u2014 et comment ces changements r\u00e9sultent des mises \u00e0 jour de la conception de leur interface et de leurs algorithmes \u2014 tout comme elles connaissent leurs co\u00fbts de personnel, leurs co\u00fbts d’\u00e9quipement, leurs revenus et leurs b\u00e9n\u00e9fices. Mais seules les mesures financi\u00e8res sont communiqu\u00e9es de mani\u00e8re r\u00e9guli\u00e8re et coh\u00e9rente, et ces rapports financiers sont presque totalement d\u00e9connect\u00e9s des mesures op\u00e9rationnelles qui sont utilis\u00e9es pour g\u00e9rer une grande partie de l’activit\u00e9 (O’Reilly et al., r\u00e9f\u00e9rence O’Reilly, Strauss et Mazzucato 2023a).<\/p>\n\n\n\n L’absence de divulgation des mesures op\u00e9rationnelles pour la partie gratuite des agr\u00e9gateurs Internet constitue une lacune flagrante dans le dispositif r\u00e9glementaire. Les co\u00fbts, les revenus, les b\u00e9n\u00e9fices et autres indicateurs financiers peuvent suffire pour comprendre une entreprise bas\u00e9e sur des intrants et des extrants tangibles, mais ils ne sont pas adapt\u00e9s aux entreprises de l’information dont les actifs et les activit\u00e9s sont en grande partie intangibles et dont le pouvoir de march\u00e9 s’exerce par la fourniture de services gratuits aux consommateurs (Mazzucato et al., r\u00e9f\u00e9rence Mazzucato, Strauss et Ryan-Collins2023).<\/p>\n\n\n\n Compte tenu de la taille des grandes entreprises Internet, ces indicateurs doivent \u00eatre fortement d\u00e9sagr\u00e9g\u00e9s, tant sur le plan g\u00e9ographique que sur le plan des produits. \u00c0 elle seule, la soci\u00e9t\u00e9 m\u00e8re de Google, Alphabet, propose plus de neuf produits gratuits \u00e0 plus d’un milliard d’utilisateurs, mais elle ne d\u00e9clare qu’une seule activit\u00e9 principale : la \u00ab publicit\u00e9 \u00bb. Le lien entre ses revenus et les produits et services gratuits sous-jacents est totalement opaque. Meta divulgue \u00e9galement peu d’informations d\u00e9sagr\u00e9g\u00e9es sur des produits tels que Facebook, Instagram, WhatsApp et Messenger, qui comptent chacun des milliards d’utilisateurs. Ce sch\u00e9ma se r\u00e9p\u00e8te dans tout le secteur.<\/p>\n\n\n\n M\u00eame les produits qui sont directement mon\u00e9tis\u00e9s ne doivent souvent pas \u00eatre ventil\u00e9s en d\u00e9tail, en raison de r\u00e8gles obsol\u00e8tes en mati\u00e8re d’information sectorielle. La r\u00e9glementation am\u00e9ricaine sur les valeurs mobili\u00e8res exige des entreprises qu’elles ventilent les d\u00e9tails financiers de toute activit\u00e9 commerciale (ou \u00ab segment ) repr\u00e9sentant plus de 10 % du chiffre d’affaires ou du b\u00e9n\u00e9fice, mais dans la pratique, elles laissent \u00e0 la direction le soin de d\u00e9cider quels segments sont d\u00e9clar\u00e9s. Cela a permis \u00e0 Amazon de cacher pendant des ann\u00e9es la croissance et la rentabilit\u00e9 remarquables de son activit\u00e9 Amazon Web Services, et \u00e0 Apple de pr\u00e9tendre, en r\u00e9ponse \u00e0 un proc\u00e8s intent\u00e9 par Epic Games, qu’elle ne connaissait pas r\u00e9ellement la rentabilit\u00e9 de son App Store (Mazzucato et al., r\u00e9f\u00e9rence Mazzucato, Strauss et Ryan-Collins2023) . Mais surtout, cela leur permet de dissimuler le fonctionnement de la partie gratuite des produits qui sous-tendent leur \u00e9norme pouvoir de march\u00e9.<\/p>\n\n\n\n La premi\u00e8re \u00e9tape la plus importante consiste \u00e0 comprendre tout ce qui est laiss\u00e9 de c\u00f4t\u00e9 lorsque le pouvoir de march\u00e9 est mesur\u00e9 uniquement en termes financiers. Nous vivons dans une \u00e9conomie de l’attention. Un produit comme Google Maps, qui compte plus d’un milliard d’utilisateurs, g\u00e9n\u00e8re des revenus insignifiants par rapport au total d’Alphabet (peut-\u00eatre 289 milliards), mais il est incontestablement l’acteur le plus puissant de son segment concurrentiel, offrant des produits gratuits qui limitent la croissance et les opportunit\u00e9s des petites entreprises de cartographie comme ESRI ou Garmin, dont les mod\u00e8les commerciaux sont plus traditionnels . Les r\u00e8gles de reporting sectoriel devraient \u00eatre d\u00e9clench\u00e9es par le nombre d’utilisateurs actifs d’un produit, et pas seulement par sa contribution au chiffre d’affaires ou au b\u00e9n\u00e9fice de l’entreprise.<\/p>\n\n\n\n La compr\u00e9hension des indicateurs op\u00e9rationnels \u00e0 d\u00e9clarer pour les produits et services gratuits en est encore \u00e0 ses balbutiements. Contrairement aux indicateurs financiers requis pour l’aspect financier des entreprises, qui trouvent leur origine dans des syst\u00e8mes comptables remontant au XIIIe si\u00e8cle, les indicateurs utilis\u00e9s pour r\u00e9gir les entreprises algorithmiques ne datent, au mieux, que de quelques d\u00e9cennies. N\u00e9anmoins, nous devons nous lancer.<\/p>\n\n\n\n Tous les indicateurs devraient \u00eatre communiqu\u00e9s chaque trimestre, avec plus de d\u00e9tails chaque ann\u00e9e, dans le cadre des obligations d’information financi\u00e8re existantes impos\u00e9es aux entreprises cot\u00e9es en bourse. Et comme une vue historique serait utile, dans la mesure du possible, l’introduction d’une telle communication devrait n\u00e9cessiter un retour en arri\u00e8re d’au moins plusieurs ann\u00e9es, et id\u00e9alement beaucoup plus longtemps. Comme indiqu\u00e9 ci-dessus, les indicateurs devraient \u00e9galement \u00eatre ventil\u00e9s par produit, avec une obligation de d\u00e9claration pour tout produit comptant plus de 100 millions d’utilisateurs mensuels. Ils devraient \u00e9galement \u00eatre ventil\u00e9s par pays et par type d’appareil (ordinateur de bureau ou mobile).<\/p>\n\n\n\n Voici quelques-uns des indicateurs qui seraient utiles pour examiner les rentes d’attention mon\u00e9tis\u00e9es par la publicit\u00e9 :<\/p>\n\n\n\n Id\u00e9alement, les r\u00e9gulateurs, en collaboration avec les acteurs coop\u00e9ratifs du secteur, d\u00e9finiraient des indicateurs \u00e0 d\u00e9clarer sur la base de ceux qui sont r\u00e9ellement utilis\u00e9s par les plateformes elles-m\u00eames<\/em> pour g\u00e9rer la recherche, les m\u00e9dias sociaux, le commerce \u00e9lectronique et d’autres moteurs algorithmiques de pertinence et de recommandation. Ces indicateurs devraient ensuite \u00eatre normalis\u00e9s et rendus obligatoires. Certains indicateurs peuvent l\u00e9gitimement \u00eatre consid\u00e9r\u00e9s comme des secrets commerciaux, mais beaucoup sont communs \u00e0 la plupart, voire \u00e0 la totalit\u00e9, des entreprises Internet du m\u00eame type.<\/p>\n\n\n\n Il convient \u00e9galement de noter que les indicateurs op\u00e9rationnels des grands acteurs technologiques sont une cible mouvante, constamment mise \u00e0 jour \u00e0 mesure que les plateformes continuent d’innover. C’est donc \u00e9galement l’occasion de mettre \u00e0 jour le processus de normalisation par lequel les indicateurs \u00e0 d\u00e9clarer sont , en imposant la communication actualis\u00e9e et en temps utile de tout changement significatif dans les indicateurs op\u00e9rationnels.<\/p>\n\n\n\n Les plateformes affirmeront, avec une certaine justification, que la divulgation nuira \u00e0 leurs activit\u00e9s, car elle permettra \u00e0 des tiers de manipuler plus facilement leurs syst\u00e8mes. Mais cela s’apparente \u00e0 l’ancienne approche de la cybers\u00e9curit\u00e9, qui consistait \u00e0 \u00ab s\u00e9curiser par l’obscurit\u00e9 \u00bb. Nous avons appris qu’il vaut mieux trouver et corriger les vuln\u00e9rabilit\u00e9s que les cacher.<\/p>\n\n\n\n Cela est particuli\u00e8rement important \u00e0 l’heure o\u00f9 nous entrons dans l’\u00e8re des grands mod\u00e8les linguistiques (LLM) et de l’IA g\u00e9n\u00e9rative, la prochaine g\u00e9n\u00e9ration de machines de gestion de l’attention pr\u00e9dite par Herbert Simon. On ne peut pas r\u00e9glementer ce que l’on ne comprend pas (O’Reilly, r\u00e9f\u00e9rence O’Reilly2023). Il ne suffit pas de se fier aux assurances des acteurs puissants qui affirment faire de leur mieux. Des indicateurs r\u00e9guliers et communicables permettront aux investisseurs, au public, aux r\u00e9gulateurs et aux plateformes elles-m\u00eames de mieux comprendre et exploiter des march\u00e9s v\u00e9ritablement libres qui, comme le croyaient les \u00e9conomistes classiques tels qu’Adam Smith et David Ricardo, ne sont pas des march\u00e9s exempts d’intervention gouvernementale, mais des march\u00e9s exempts de rentes (Mazzucato, r\u00e9f\u00e9rence Mazzucato2018).<\/p>\n\n\n\n Bien que cet article se concentre sur l’\u00e9tat actuel des rentes d’attention algorithmiques, nous sommes loin d’en avoir fini avec l’\u00e9volution du contexte institutionnel de la prise de d\u00e9cision humaine en ligne. Les LLM actuels ne fournissent pas de choix class\u00e9s, mais des r\u00e9ponses. Ils n’envoient pas (\u00e0 l’heure actuelle) de trafic ou d’autres compensations vers des contenus, des sites ou des applications tiers, et ne d\u00e9pendent pas non plus des clics et des vues. Ils n’ont pas (encore) de mod\u00e8le \u00e9conomique bas\u00e9 sur la publicit\u00e9. Pourtant, ils sont tout \u00e0 fait coh\u00e9rents avec l’id\u00e9e centrale de cet article, car ils d\u00e9pendent de l’acceptation par les utilisateurs de la p\u00e9n\u00e9tration croissante de l’autorit\u00e9 algorithmique (Choudhury et Shamszare, r\u00e9f\u00e9rence Choudhury et Shamszare2023), non seulement dans la prise de d\u00e9cision quotidienne, mais aussi, de plus en plus, dans la pens\u00e9e quotidienne.<\/p>\n\n\n\n L’attention et les heuristiques conservatrices de la cognition aident \u00e0 expliquer en grande partie la trajectoire actuelle des LLM d’aujourd’hui et d’autres syst\u00e8mes d’IA \u00ab pionniers \u00bb. Newell et Simon (r\u00e9f\u00e9rence Newell et Simon1975) consid\u00e9raient que l’intelligence humaine et l’intelligence artificielle \u00e9taient inextricablement li\u00e9es \u00e0 l’utilisation du contexte et de la s\u00e9lectivit\u00e9 pour cr\u00e9er des solutions plus efficaces, guid\u00e9es et approximatives, tant pour les humains que pour les machines.Note de bas de page 40<\/sup><\/p>\n\n\n\n \u00c0 mesure que les plateformes \u00e9voluent, l’IA pourrait non seulement guider et remplacer la prise de d\u00e9cision humaine, mais aussi la pens\u00e9e humaine (cognition). Les LLM peuvent utiliser les informations existantes en cr\u00e9ant des r\u00e9sultats nouveaux ou r\u00e9sum\u00e9s \u00e0 partir de ces informations, et non en les classant. \u00c0 mesure que l’IA s’am\u00e9liore, ces r\u00e9sultats pourraient devenir de plus en plus originaux, transcendant peut-\u00eatre leurs entr\u00e9es et cr\u00e9ant de nouvelles connaissances et de nouvelles possibilit\u00e9s. Mais m\u00eame aujourd’hui :<\/p>\n\n\n\n Malgr\u00e9, et peut-\u00eatre en raison de toutes ces diff\u00e9rences entre les algorithmes actuels de recherche, de recommandation et de flux et les LLM, la n\u00e9cessit\u00e9 d’une divulgation est primordiale. Comme leurs pr\u00e9d\u00e9cesseurs, ces syst\u00e8mes LLM internalisent et centralisent un vaste march\u00e9 de connaissances et d’exp\u00e9riences humaines. Tels qu’ils sont actuellement mis en \u0153uvre, les syst\u00e8mes d’IA ne pr\u00eatent aucune attention ni ne r\u00e9mun\u00e8rent les fournisseurs de contenu utilis\u00e9s pour former le mod\u00e8le. Comme dans les syst\u00e8mes actuels, les contributions humaines sont consid\u00e9r\u00e9es comme des mati\u00e8res premi\u00e8res pouvant \u00eatre appropri\u00e9es par le d\u00e9veloppeur du syst\u00e8me. Si l’histoire est une r\u00e9f\u00e9rence, le contr\u00f4le de ces mati\u00e8res premi\u00e8res par les plateformes d’IA de pointe conduira \u00e0 terme \u00e0 la recherche d’un mod\u00e8le commercial permettant l’extraction de rentes de monopole.<\/p>\n\n\n\n En repensant \u00e0 ce que nous savons aujourd’hui des plateformes actuelles, nous ne pouvons que regretter l’absence d’un r\u00e9gime de divulgation qui nous aurait permis de conna\u00eetre l’\u00e9tat de ces syst\u00e8mes lorsque leurs cr\u00e9ateurs se concentraient sur le service \u00e0 leurs utilisateurs et aux autres partenaires de l’\u00e9cosyst\u00e8me, et nous aurait ainsi indiqu\u00e9 quand et comment ils ont commenc\u00e9 \u00e0 s’\u00e9carter de cette voie pour extraire des rentes \u00e9conomiques \u00e0 leur propre profit. Tout comme leurs pr\u00e9d\u00e9cesseurs, ces syst\u00e8mes d’IA de pointe sont g\u00e9r\u00e9s par des indicateurs dont les d\u00e9tails ne sont connus que de leurs cr\u00e9ateurs et ne sont divulgu\u00e9s au monde ext\u00e9rieur que par le biais de g\u00e9n\u00e9ralit\u00e9s et de donn\u00e9es sporadiques, souvent int\u00e9ress\u00e9es. Le moment est venu d’\u00e9tablir des r\u00e8gles pour la divulgation des indicateurs de fonctionnement des syst\u00e8mes d’IA de pointe (O’Reilly, r\u00e9f\u00e9rence O’Reilly2023).<\/p>\n\n\n\n Nous n’en sommes encore qu’aux pr\u00e9mices de l’\u00e9conomie de l’attention, et l’innovation doit pouvoir s’\u00e9panouir. Mais cela rend d’autant plus n\u00e9cessaire la transparence et la mise en place de cadres de r\u00e9f\u00e9rence qui permettront aux r\u00e9gulateurs de mesurer si les syst\u00e8mes d’allocation de l’attention, y compris les syst\u00e8mes d’IA de pointe, s’am\u00e9liorent ou se d\u00e9t\u00e9riorent au fil du temps. Une plus grande visibilit\u00e9 publique sur le fonctionnement de ces plateformes, associ\u00e9e \u00e0 une \u00e9laboration de politiques plus \u00e9clair\u00e9e, peut conduire \u00e0 un meilleur comportement de la part de ceux qui poss\u00e8dent et g\u00e8rent ces syst\u00e8mes, \u00e0 des \u00e9cosyst\u00e8mes de cr\u00e9ation de valeur plus \u00e9quilibr\u00e9s et \u00e0 une utilisation optimale des connaissances dans la soci\u00e9t\u00e9.<\/p>\n\n\n\n Toutes les donn\u00e9es secondaires utilis\u00e9es dans cet article ont \u00e9t\u00e9 cit\u00e9es et sont disponibles \u00e0 la demande de leurs auteurs. Contactez rufus.rock.21@ucl.ac.uk<\/a> pour les donn\u00e9es cit\u00e9es dans Rock et al. (R\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato2023).<\/p>\n\n\n\n Les auteurs remercient Jennifer Pahlka, Bill Janeway, Greg Linden, Betsy Masiello et Derek Slater pour leurs commentaires utiles. Toutes les erreurs sont les leurs.<\/p>\n\n\n\n R\u00e9daction \u2013 version originale : M.M., T.O., I.S. ; R\u00e9daction \u2013 r\u00e9vision et \u00e9dition : M.M., T.O., I.S.<\/p>\n\n\n\n Cette recherche a \u00e9t\u00e9 soutenue par le r\u00e9seau Omidyar.<\/p>\n\n\n\n Il n’existe aucun conflit d’int\u00e9r\u00eats susceptible d’influencer de mani\u00e8re indue les opinions exprim\u00e9es dans cet article.<\/p>\n\n\n\n Cet article a \u00e9t\u00e9 publi\u00e9 sous forme de document de travail (O’Reilly et al., R\u00e9f\u00e9rence O’Reilly, Strauss et Mazzucato2023b).<\/p>\n\n\n\n 1<\/sup> Pour des preuves concernant ce cycle pour Google et Search, voir \u00c9tats-Unis d’Am\u00e9rique c.<\/em> Google LLC (2020).<\/p>\n\n\n\n 2<\/sup> Pour \u00eatre clair, il n’existe pas de r\u00e9sultat unique qui soit le meilleur pour tous les utilisateurs, c’est pourquoi Google, par exemple, proposait traditionnellement 10 r\u00e9sultats parmi lesquels l’utilisateur pouvait choisir. Mais ce que nous observons aujourd’hui, c’est une r\u00e9duction de l’\u00e9ventail des options propos\u00e9es aux utilisateurs, la plateforme faisant davantage de choix \u00e0 leur place, souvent dict\u00e9s par des consid\u00e9rations commerciales et non par l’int\u00e9r\u00eat des utilisateurs.<\/p>\n\n\n\n 3<\/sup> Invariant par rapport aux variations de prix (courbe d’offre verticale), pour un aper\u00e7u, voir : Alchian (r\u00e9f\u00e9rence Alchian, Durlauf et Blume2017) et Mazzucato (r\u00e9f\u00e9rence Mazzucato2018).<\/p>\n\n\n\n 4<\/sup> Les rentes peuvent simplement refl\u00e9ter les rendements obtenus par un facteur (Alchian, r\u00e9f\u00e9rence Alchian, Durlauf et Blume 2017). Mais les rentes peuvent \u00e9galement refl\u00e9ter un \u00e9cart entre la contribution d’un facteur \u00e0 la production et ce qu’il re\u00e7oit en retour. Voir, par exemple, Samuelson et Nordhaus (r\u00e9f\u00e9rence Samuelson et Nordhaus 2010) qui montrent l’\u00e9cart entre le salaire et le produit marginal de chaque travailleur. Pour une discussion sur la rente n\u00e9oclassique en tant qu’\u00ab exc\u00e9dent par rapport au co\u00fbt d’opportunit\u00e9 \u00bb et son lien avec les th\u00e9ories du profit, voir Blaug (r\u00e9f\u00e9rence Blaug 1997, p. 439).<\/p>\n\n\n\n 5<\/sup> Voir, par exemple, Ricks et McCrosky (r\u00e9f\u00e9rence Ricks et McCrosky2022) sur l’inefficacit\u00e9 des contr\u00f4les des pr\u00e9f\u00e9rences des utilisateurs de YouTube.<\/p>\n\n\n\n 6<\/sup> Hovenkamp (r\u00e9f\u00e9rence Hovenkamp2020, p. 1961) note que \u00ab l’\u00e9valuation du pouvoir sur les plateformes bilat\u00e9rales n\u00e9cessite de prendre en compte les r\u00e9actions qui se produisent du c\u00f4t\u00e9 oppos\u00e9 \u00bb.<\/p>\n\n\n\n 7<\/sup> Rochet et Tirole (r\u00e9f\u00e9rence Rochet et Tirole 2006) notent qu’\u00ab un facteur qui favorise un prix \u00e9lev\u00e9 d’un c\u00f4t\u00e9, dans la mesure o\u00f9 il augmente la marge de la plateforme de ce c\u00f4t\u00e9, tend \u00e9galement \u00e0 exiger un prix bas de l’autre c\u00f4t\u00e9, car il devient plus rentable d’attirer des membres de cet autre c\u00f4t\u00e9 \u00bb.<\/p>\n\n\n\n 8<\/sup> Dans Wilkes (r\u00e9f\u00e9rence Wilkes2012), Jeff Wilkes, cadre chez Amazon, explique dans une pr\u00e9sentation interne au personnel d’Amazon comment Jeff Bezos a eu cette id\u00e9e pour la premi\u00e8re fois. Il existe d\u00e9sormais une litt\u00e9rature abondante sur le management qui explique ce concept.<\/p>\n\n\n\n 9<\/sup> Foley (r\u00e9f\u00e9rence Foley2008, p. 160) note que dans la th\u00e9orie \u00e9conomique n\u00e9oclassique, \u00ab la quantit\u00e9 des diff\u00e9rentes marchandises disponibles pour la soci\u00e9t\u00e9 doit \u00eatre consid\u00e9r\u00e9e comme donn\u00e9e, de sorte que leur raret\u00e9 relative puisse d\u00e9terminer leur utilit\u00e9 marginale et donc leur prix \u00bb. Les prix du march\u00e9 sont alors \u00ab exactement analogues aux ratios d’utilit\u00e9s marginales qu’un individu \u00e9galise en effectuant une allocation rationnelle des ressources \u00bb. Foley poursuit (r\u00e9f\u00e9rence Foley2008, p. 171) : \u00ab L’id\u00e9e que le but de l’activit\u00e9 \u00e9conomique est la satisfaction des consommateurs individuels est profond\u00e9ment ancr\u00e9e dans la structure de la pens\u00e9e marginaliste, qui consid\u00e8re l’\u00e9valuation subjective de l’utilit\u00e9 comme le facteur r\u00e9gulateur du prix et de la valeur \u00bb.<\/p>\n\n\n\n 10<\/sup> Au c\u0153ur du PageRank, l’algorithme de qualit\u00e9 de recherche d\u00e9velopp\u00e9 par les fondateurs de Google, Larry Page et Sergey Brin, lorsqu’ils \u00e9taient \u00e9tudiants dipl\u00f4m\u00e9s \u00e0 Stanford, se trouvait la conviction que, bien que \u00ab l’importance d’une page Web soit une question intrins\u00e8quement subjective<\/em> \u00bb, un algorithme pouvait les classer \u00ab objectivement et m\u00e9caniquement<\/em> \u00bb en \u00ab mesurant efficacement l’int\u00e9r\u00eat et l’attention que leur portent les humains<\/em> \u00bb (Brin, r\u00e9f\u00e9rence Brin1998) .<\/p>\n\n\n\n 11<\/sup> Pour un aper\u00e7u de ce processus chez Amazon, voir Sorokina et Cantu-Paz (R\u00e9f\u00e9rence Sorokina et Cantu-Paz2016). Bien que les algorithmes d\u00e9crits dans l’article aient sans doute \u00e9t\u00e9 mis \u00e0 jour depuis sa r\u00e9daction, celui-ci offre un aper\u00e7u inestimable du processus d’apprentissage algorithmique.<\/p>\n\n\n\n 12<\/sup> Kahneman (r\u00e9f\u00e9rence Kahneman2011) note que \u00ab l’expression souvent utilis\u00e9e \u00ab faire attention \u00bb est appropri\u00e9e : vous disposez d’un budget d’attention limit\u00e9 que vous pouvez allouer \u00e0 des activit\u00e9s, et si vous essayez de d\u00e9passer votre budget, vous \u00e9chouerez \u00bb. L’Autorit\u00e9 de la concurrence et des march\u00e9s CMA (2022) d\u00e9crit comment les architectures de choix en ligne peuvent nuire aux utilisateurs.<\/p>\n\n\n\n 13<\/sup> Simon (r\u00e9f\u00e9rence Simon1978b, p. 12) note que \u00ab la ressource rare est la capacit\u00e9 de calcul, c’est-\u00e0-dire l’esprit \u00bb.<\/p>\n\n\n\n 14<\/sup> Pour Sen (r\u00e9f\u00e9rence Sen, Durlauf et Blume2017), la satisfaction est \u00ab un niveau cible de r\u00e9ussite \u00bb, mais peut \u00eatre interpr\u00e9t\u00e9e comme une optimisation.<\/p>\n\n\n\n 15<\/sup> Pour l’autre mod\u00e8le th\u00e9orique principal des clics, le mod\u00e8le en cascade, voir Craswell et al. (r\u00e9f\u00e9rence Craswell, Zoeter, Taylor et Ramsey2008). Pour une critique, voir Wang et al. (r\u00e9f\u00e9rence Wang, Golbandi, Bendersky, Metzler et Najork2018).<\/p>\n\n\n\n 16<\/sup> Peut-\u00eatre en raison de l’attention port\u00e9e par les r\u00e9gulateurs aux pr\u00e9judices li\u00e9s \u00e0 la collecte des donn\u00e9es de parcours de navigation des utilisateurs, Google nie que ces donn\u00e9es aient \u00e9t\u00e9 utilis\u00e9es comme facteur de classement officiel. Quoi qu’il en soit, l’entreprise note d\u00e9sormais que les am\u00e9liorations apport\u00e9es \u00e0 l’analyse de texte int\u00e9gral gr\u00e2ce \u00e0 l’IA rendent les donn\u00e9es de parcours de navigation des utilisateurs moins importantes. Voir Goodwin (r\u00e9f\u00e9rence Goodwin2023).<\/p>\n\n\n\n 17<\/sup> Petrescu (r\u00e9f\u00e9rence Petrescu2014) note que \u00ab nous avons constat\u00e9 qu’en moyenne, la pr\u00e9sence de publicit\u00e9s sur une page de r\u00e9sultats de recherche entra\u00eenait une baisse de 30 % du CTR organique de la premi\u00e8re position , passant de 25,7 % en l’absence de publicit\u00e9s \u00e0 17,9 % lorsque des publicit\u00e9s sont affich\u00e9es \u00bb. Cet effet est probablement encore plus significatif aujourd’hui, alors que les publicit\u00e9s sont devenues beaucoup plus visibles, occupant les positions les plus susceptibles d’attirer l’attention et \u00e9tant moins clairement identifi\u00e9es comme telles.<\/p>\n\n\n\n 18<\/sup> Sur le m\u00eame site ou sur plusieurs plateformes.<\/p>\n\n\n\n 19<\/sup> Bien qu’ils ne prennent en compte que les effets de r\u00e9seau indirects, plut\u00f4t que les effets de r\u00e9seau internes.<\/p>\n\n\n\n 20<\/sup> Rochet et Tirole (r\u00e9f\u00e9rence Rochet et Tirole 2006) notent qu’\u00ab un facteur qui favorise un prix \u00e9lev\u00e9 d’un c\u00f4t\u00e9, dans la mesure o\u00f9 il augmente la marge de la plateforme de ce c\u00f4t\u00e9, tend \u00e9galement \u00e0 entra\u00eener un prix bas de l’autre c\u00f4t\u00e9, car il devient plus rentable d’attirer des membres de cet autre c\u00f4t\u00e9 \u00bb. La dynamique est similaire \u00e0 celle d’un mod\u00e8le de goulot d’\u00e9tranglement concurrentiel, comme l’expliquent Jullien et al. ( r\u00e9f\u00e9rence Jullien, Pavan, Rysman, Ho, Horta\u00e7su et Lizzeri2021). Les utilisateurs d’un c\u00f4t\u00e9 du march\u00e9 s’engagent principalement avec une seule plateforme (\u00ab single-home \u00bb), tandis que les utilisateurs de l’autre c\u00f4t\u00e9 utilisent plusieurs plateformes (\u00ab multi-home \u00bb). Une fois qu’une plateforme a r\u00e9ussi \u00e0 attirer le c\u00f4t\u00e9 \u00ab single-home \u00bb, elle dispose d’un plus grand pouvoir de march\u00e9 lorsqu’elle traite avec le c\u00f4t\u00e9 multi-home, et c’est g\u00e9n\u00e9ralement l\u00e0 qu’elle cherche \u00e0 mon\u00e9tiser ou \u00e0 r\u00e9aliser des profits. Les annonceurs (multi-home) placent des publicit\u00e9s sur plusieurs moteurs de recherche, mais les utilisateurs utilisent g\u00e9n\u00e9ralement un seul moteur de recherche (single-home) pour la plupart de leurs requ\u00eates.<\/p>\n\n\n\n 21<\/sup> Pour Newman (R\u00e9f\u00e9rence Newman2015) , \u00ab les clients de produits \u00e0 prix z\u00e9ro paient pour ces produits, principalement en \u00e9changeant leur attention, leurs informations, ou les deux \u00bb. Pour une discussion critique, voir Strandburg (r\u00e9f\u00e9rence Strandburg2013).<\/p>\n\n\n\n 22<\/sup> Sur les pages qui int\u00e9ressent les annonceurs \u2014 un grand pourcentage des pages de r\u00e9sultats de recherche Google ne contiennent aucune publicit\u00e9.<\/p>\n\n\n\n 23<\/sup> \u00ab Les clients qui ont achet\u00e9 cet article ont \u00e9galement achet\u00e9 \u00bb, \u00ab Les clients qui ont consult\u00e9 cet article ont \u00e9galement consult\u00e9 \u00bb, \u00ab Souvent achet\u00e9s ensemble \u00bb.<\/p>\n\n\n\n 24<\/sup> Pour Petit et Teece (r\u00e9f\u00e9rence Petit et Teece2020), \u00ab une fois qu’ils ont conduit les partenaires de l’\u00e9cosyst\u00e8me \u00e0 un r\u00e9sultat d’adoption solide et stable, les leaders de la plateforme pourraient \u00eatre tent\u00e9s de modifier les r\u00e8gles contractuelles ou technologiques \u00e0 leur avantage \u00bb.<\/p>\n\n\n\n 25<\/sup> De plus, (bien qu’Amazon le nie) \u00e9tant donn\u00e9 que le volume des ventes d’un produit est l’un des facteurs de classement organique d’Amazon, l’absence de publicit\u00e9 peut \u00e9galement faire baisser le classement organique (Mitchell, r\u00e9f\u00e9rence Mitchell2023).<\/p>\n\n\n\n 26<\/sup> Dans Rock et al. (r\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato2023), nous constatons que 95 % des trois publicit\u00e9s les plus cliqu\u00e9es sont simplement des duplicatas de listes de produits.<\/p>\n\n\n\n 27<\/sup> Pour replacer cette information dans son contexte, il faut savoir qu’Amazon rend compte de l’ensemble de ses activit\u00e9s de commerce \u00e9lectronique de deux mani\u00e8res diff\u00e9rentes. Dans son mod\u00e8le \u00ab first party \u00bb (premi\u00e8re partie) d’origine, elle ach\u00e8te des stocks \u00e0 ses fournisseurs \u00e0 prix r\u00e9duit et les revend aux consommateurs, tirant profit de la diff\u00e9rence entre le co\u00fbt et le prix de vente, moins ses propres co\u00fbts d’exploitation, y compris l’entreposage, la pr\u00e9paration des commandes et la livraison, tout comme les autres d\u00e9taillants. Dans son \u00ab march\u00e9 tiers \u00bb, les fournisseurs paient des frais pour que leurs produits soient r\u00e9f\u00e9renc\u00e9s sur Amazon, ainsi que des frais suppl\u00e9mentaires pour l’entreposage et la pr\u00e9paration des commandes (un total de 117,7 milliards de dollars en 2022), mais continuent \u00e0 supporter le risque li\u00e9 aux stocks. \u00c0 partir de 2014, la publicit\u00e9 a \u00e9t\u00e9 ajout\u00e9e comme nouveau secteur d’activit\u00e9. La publicit\u00e9 n’est pas comptabilis\u00e9e comme un revenu provenant des services aux vendeurs tiers, mais comme une activit\u00e9 distincte. Cependant, la plupart des observateurs attribuent la grande majorit\u00e9 des revenus publicitaires d’Amazon \u00e0 la place de march\u00e9 tierce, car Amazon a remplac\u00e9 les recommandations organiques et les r\u00e9sultats de recherche par des r\u00e9sultats publicitaires payants. Lors de conversations priv\u00e9es avec l’un des auteurs, le mieux que les initi\u00e9s d’Amazon pouvaient dire des autres sources de publicit\u00e9, telles que Amazon Prime TV, \u00e9tait qu’elles \u00e9taient \u00ab modestes, mais en pleine croissance \u00bb.<\/p>\n\n\n\n 28<\/sup> La \u00ab th\u00e9orie de l’agr\u00e9gation \u00bb de Thompson fait la distinction entre ce qu’il appelle les agr\u00e9gateurs, qui collectent et g\u00e8rent les informations et l’acc\u00e8s \u00e0 un march\u00e9, et les v\u00e9ritables plateformes, qui fournissent des capacit\u00e9s servant de base \u00e0 des tiers. Par exemple, l’App Store d’Apple pour iPhone est un agr\u00e9gateur, tandis que son syst\u00e8me d’exploitation iOS est une plateforme. Le march\u00e9 du commerce \u00e9lectronique d’Amazon est un agr\u00e9gateur, mais Amazon Web Services est une plateforme. Fulfillment by Amazon, la suite de services d’Amazon destin\u00e9e aux commer\u00e7ants tiers, peut \u00e9galement \u00eatre consid\u00e9r\u00e9e comme une plateforme, mais le march\u00e9 lui-m\u00eame est un agr\u00e9gateur. Google Maps est une plateforme, tandis que la recherche Google est un agr\u00e9gateur. Bien que cette distinction soit extr\u00eamement utile, le terme \u00ab plateforme \u00bb est si largement utilis\u00e9 dans la litt\u00e9rature que nous l’avons adopt\u00e9 ici.<\/p>\n\n\n\n 29<\/sup> Hugonenc (r\u00e9f\u00e9rence Hugonenc2022) note que \u00ab l’attention gagn\u00e9e est beaucoup plus efficace pour obtenir des r\u00e9sultats que l’attention acquise de force. Lorsque les consommateurs regardent volontairement une publicit\u00e9, l’impact sur les indicateurs de la marque est nettement plus important que lorsque la publicit\u00e9 leur est impos\u00e9e, quelle que soit la dur\u00e9e pendant laquelle ils la regardent \u00bb.<\/p>\n\n\n\n 30<\/sup> Il existe de nombreux types de rentes algorithmiques qui peuvent \u00eatre extraites des annonceurs et qui ne sont pas des rentes d’attention, mais purement et simplement des revenus obtenus gr\u00e2ce \u00e0 une manipulation d\u00e9loyale des algorithmes d’une plateforme. Par exemple, selon la plainte d\u00e9pos\u00e9e en 2023 par le minist\u00e8re am\u00e9ricain de la Justice contre Google, la soci\u00e9t\u00e9 a \u00ab con\u00e7u ses algorithmes d’ench\u00e8res publicitaires de mani\u00e8re \u00e0 inclure des variables ajustables connues en interne sous le nom de \u00ab boutons de tarification \u00bb ; Google ajuste ensuite ces variables pour augmenter les prix pay\u00e9s par les annonceurs \u00bb. La proc\u00e9dure de divulgation men\u00e9e pendant le proc\u00e8s a permis de d\u00e9couvrir des courriels compromettants montrant que Google utilisait ces boutons de tarification pour compenser le manque \u00e0 gagner dans ses pr\u00e9visions de revenus d\u00fb \u00e0 une baisse du volume de recherche. Voir la pi\u00e8ce \u00e0 conviction UPX0522 : (\u00c9tats-Unis d’Am\u00e9rique c.<\/em> Google LLC, 2020) .<\/p>\n\n\n\n 31<\/sup> C’est \u00e9galement le cadre adopt\u00e9 en \u00e9conomie environnementale (voir Boyce, r\u00e9f\u00e9rence Boyce, Laurent et Zwickl2022).<\/p>\n\n\n\n 32<\/sup> Son ench\u00e8res publicitaires tient compte de diverses mesures de la qualit\u00e9 des publicit\u00e9s avant d’autoriser la participation, m\u00eame si elle admet que la qualit\u00e9 des publicit\u00e9s n’est en r\u00e9alit\u00e9 pas prise en compte dans les ench\u00e8res. Au lieu de cela, un faible score de qualit\u00e9 publicitaire peut signifier qu’un annonceur est purement et simplement interdit, ou qu’il doit payer plus cher pour remporter l’ench\u00e8re (voir Google, 2023b).<\/p>\n\n\n\n 33<\/sup> Il convient de noter que dans certains syst\u00e8mes, tels que les r\u00e9sultats de recherche Google, la position ordinale est facile \u00e0 d\u00e9terminer. Sur Amazon, qui utilise un format de grille pour les r\u00e9sultats, l’ordinalit\u00e9 est plus complexe. Elle peut \u00eatre lue de gauche \u00e0 droite et de haut en bas, mais il peut \u00eatre plus productif de d\u00e9velopper un mod\u00e8le pond\u00e9r\u00e9 en fonction de l’attention des emplacements les plus susceptibles d’\u00eatre vus et cliqu\u00e9s par l’utilisateur, en partant du principe qu’Amazon a fait une estimation similaire de la valeur relative de chaque emplacement. C’est l’approche que nous adoptons dans Rock et al. (R\u00e9f\u00e9rence Rock, Strauss, O’Reilly et Mazzucato2023) , pour les produits qui ont une liste identique.<\/p>\n\n\n\n 34<\/sup> Le texte int\u00e9gral de la plainte peut \u00eatre consult\u00e9 dans Federal Trade Commission, et al. v. Amazon.Com, Inc.<\/em> (2023).<\/p>\n\n\n\n 35<\/sup> D\u00e9crivant les recherches sur les effets \u00e0 long terme et \u00e0 court terme d’une publicit\u00e9 excessive chez Google, Hohnhold et al. (r\u00e9f\u00e9rence Hohnhold, O’Brien et Tang 2015) notent que \u00ab la r\u00e9duction de la charge publicitaire mobile a fortement am\u00e9lior\u00e9 l’exp\u00e9rience utilisateur, mais a entra\u00een\u00e9 une baisse substantielle des revenus \u00e0 court terme… l’impact \u00e0 long terme sur les revenus s’est av\u00e9r\u00e9 neutre. Ainsi, gr\u00e2ce \u00e0 l’am\u00e9lioration de la satisfaction des utilisateurs, ce changement a \u00e9t\u00e9 globalement positif tant pour l’entreprise que pour les utilisateurs. \u00bb<\/p>\n\n\n\n 36<\/sup> Accords relatifs \u00e0 la publicit\u00e9 et \u00e0 la diffusion d’informations sur les produits.<\/p>\n\n\n\n 37<\/sup> Afin de r\u00e9glementer ce comportement, la FTC envisage d’exiger des plateformes qu’elles affichent des \u00ab prix tout compris \u00bb (Commission f\u00e9d\u00e9rale du commerce des \u00c9tats-Unis, 2022 ; FTC, 2023) . La CMA et le minist\u00e8re britannique des Affaires et du Commerce ont formul\u00e9 des recommandations similaires (Hollinrake, r\u00e9f\u00e9rence Hollinrake2023).<\/p>\n\n\n\n 38<\/sup> Une r\u00e9glementation plus stricte des faux avis est \u00e0 l’\u00e9tude au Royaume-Uni (Hollinrake, r\u00e9f\u00e9rence Hollinrake2023 ; Commission f\u00e9d\u00e9rale du commerce des \u00c9tats-Unis, 2023) et aux \u00c9tats-Unis.<\/p>\n\n\n\n 39<\/sup> Pour l’exploitation dans le droit europ\u00e9en, voir Whish et Bailey (r\u00e9f\u00e9rence Whish et Bailey2021, pp. 201-202).<\/p>\n\n\n\n 40<\/sup> Newell et Simon (r\u00e9f\u00e9rence Newell et Simon1975, p. 13) notent que \u00ab la t\u00e2che du renseignement consiste donc \u00e0 \u00e9viter la menace omnipr\u00e9sente d’une explosion exponentielle des recherches \u00bb.<\/p>\n\n\n\n Albrecht, JP (2016) Comment le RGPD va changer le monde. European Data Protection Law Review 2(3), 287-289. CrossRef<\/a>Google Scholar<\/a><\/p>\n\n\n\n Alchian, AA (2017) Rent. In Durlauf, S and Blume, LE (eds.), The New Palgrave Dictionary of Economics. London: Palgrave Macmillan UK, pp. 1\u20136.Google Scholar<\/a><\/p>\n\n\n\n Areeda, P et Hovenkamp, H (2023) Antitrust Law: An Analysis of Antitrust Principles and their Application. New York : Wolters Kluwer.
\n\n\n\nD\u00e9claration d’importance politique<\/h2>\n\n\n\n
1. Introduction<\/h2>\n\n\n\n
2. Une th\u00e9orie des rentes sur les march\u00e9s num\u00e9riques<\/h2>\n\n\n\n
\n
2.1. Comment les limites de la cognition humaine permettent l’autorit\u00e9 algorithmique<\/h3>\n\n\n\n
2.2. Comment l’autorit\u00e9 algorithmique permet les rentes d’attention<\/h3>\n\n\n\n
2.3. Comment les rentes d’attention deviennent des rentes p\u00e9cuniaires<\/h3>\n\n\n\n
3. Pr\u00e9judices caus\u00e9s par les rentes algorithmiques<\/h2>\n\n\n\n
3.1. Google Search : le pouvoir de Google Search de fa\u00e7onner le march\u00e9 gr\u00e2ce \u00e0 l’allocation de l’attention<\/h3>\n\n\n\n
3.2. Amazon Marketplace : la publicit\u00e9 comme rente extractive<\/h3>\n\n\n\n
3.3. R\u00e9seaux sociaux : l’engagement est une arme \u00e0 double tranchant<\/h3>\n\n\n\n
4. Mesurer les rentes d’attention algorithmiques<\/h2>\n\n\n\n
\n
5. Quelques interventions r\u00e9glementaires possibles<\/h2>\n\n\n\n
5.1. R\u00e9glementation des r\u00e9sultats et des pr\u00e9f\u00e9rences algorithmiques<\/h3>\n\n\n\n
\n
\n
\n
5.2. La n\u00e9cessit\u00e9 d’une divulgation r\u00e9guli\u00e8re et obligatoire des indicateurs de performance<\/h3>\n\n\n\n
5.3. Quelques indicateurs op\u00e9rationnels recommand\u00e9s<\/h3>\n\n\n\n
\n
6. Conclusion : IA et attention<\/h2>\n\n\n\n
\n
D\u00e9claration de disponibilit\u00e9 des donn\u00e9es<\/h2>\n\n\n\n
Remerciements<\/h2>\n\n\n\n
Contribution des auteurs<\/h2>\n\n\n\n
D\u00e9claration de financement<\/h2>\n\n\n\n
Conflit d’int\u00e9r\u00eats<\/h2>\n\n\n\n
D\u00e9claration de provenance<\/h2>\n\n\n\n
Notes<\/h2>\n\n\n\n
R\u00e9f\u00e9rences<\/h2>\n\n\n\n