Rentes algorithmiques d’attention : une théorie du pouvoir de marché des plateformes numériques

Données et politiques | Cambridge Core

Traduction de Algorithmic attention rents: A theory of digital platform market power par Tim O’Reilly, Ilan Strauss et Mariana Mazzucato. Publié par Cambridge University Press le 2 février 2024.

Déclaration d’importance politique

Les grandes plateformes technologiques actuelles peuvent utiliser leur pouvoir sur l’attention de milliards d’utilisateurs pour façonner les marchés auxquels elles participent à leur propre avantage, et au détriment des intérêts de leurs concurrents, de leurs utilisateurs et des entreprises qui dépendent de ce flux d’attention. Les mesures du pouvoir de marché basées uniquement sur les revenus et les bénéfices sont insuffisantes pour comprendre ces dynamiques. Afin de mieux réglementer ces gardiens de l’attention, ainsi que leurs successeurs alimentés par l’IA , nous devons exiger la divulgation régulière et cohérente des indicateurs opérationnels internes qui mesurent la manière dont ils répartissent l’attention, et développer une compréhension de base de ce qui constitue un bon comportement et de ce qui constitue un abus.

1. Introduction

Le discours politique dominant qui guide aujourd’hui la réglementation des plateformes Internet se concentre sur les données des utilisateurs et la vie privée (Albrecht, référence Albrecht2016 ; Srinivasan, référence Srinivasan2019). On dit que les plateformes abusent de leur pouvoir de marché en recueillant les données des consommateurs (ou « utilisateurs ») sans leur permission et en les utilisant pour manipuler leur comportement par le biais de la personnalisation. Zuboff (Référence Zuboff2019) appelle cela le capitalisme de surveillance.

Nous pensons au contraire qu’il serait plus productif de comprendre le pouvoir de marché des plateformes et de réglementer ses éventuels abus en mesurant la manière dont les plateformes Internet contrôlent et monétisent l’attention de leurs utilisateurs. Le caractère équitable ou inéquitable des systèmes algorithmiques par lesquels les plateformes répartissent l’attention des utilisateurs affecte non seulement les utilisateurs, mais aussi tout un écosystème de fournisseurs tiers (tels que les sites web, les créateurs de contenu ou les développeurs d’applications), ainsi que les annonceurs.

Comme l’a fait remarquer Simon (Référence Simon1971), l’abondance d’informations conduit à une rareté de l’attention. Face à l’abondance croissante d’informations, il a prédit que nous utiliserions des machines pour nous aider à mieux répartir notre temps et notre attention. Et c’est ce qui s’est produit : l’information est devenue si abondante qu’elle défie toute curation manuelle. À la place, de puissants systèmes algorithmiques propriétaires utilisent les données qu’ils collectent pour mettre en relation les utilisateurs avec les réponses, les actualités, les divertissements, les produits, les applications et les services qu’ils recherchent.

Tirole (Référence Tirole2017, chapitre 14) a fait écho à l’idée de Simon des décennies plus tard, en notant : « Nous souffrons d’un excès de choix, et non d’un manque. Notre problème actuel est de savoir comment répartir au mieux notre temps et notre attention entre cette pléthore d’activités, de transactions et de relations potentielles […] Plus les autres coûts (transport, droits de douane, cotation) diminuent, plus les coûts liés à la signalisation, à la lecture et à la sélection deviennent importants, et plus nous avons besoin de plateformes sophistiquées pour mettre en relation les acheteurs et les vendeurs. »

Chacune des plateformes Internet dominantes est, d’une manière 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. Malgré leurs différences, ces plateformes ont pris de l’importance parce que chacune d’entre elles a développé 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 possibilités pour chaque requête des utilisateurs ; les sites de commerce électronique promettent de trouver les meilleurs produits disponibles au meilleur prix ; les réseaux sociaux promettent de générer un flux unique et personnalisé de mises à jour de la part d’amis ; les services de recommandation musicale et vidéo promettent de fournir un flux correspondant aux goûts 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 électronique promettent de trouver les meilleurs produits disponibles au meilleur prix ; les réseaux sociaux promettent de générer un flux unique et personnalisé de mises à jour provenant d’amis ; les services de recommandation musicale et vidéo promettent de fournir un flux correspondant aux goûts de l’utilisateur ; les services de transport à 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, développeurs d’applications, commerçants, créateurs et même d’autres utilisateurs) de l’autre côté de ce qui est généralement un marché bilatéral ou trilatéral composé de consommateurs (« utilisateurs »), de producteurs (« fournisseurs ») et d’annonceurs : si le fournisseur fournit les informations les plus pertinentes, il sera récompensé par l’attention des consommateurs.

Dans de nombreux cas, ces marchés de mise en correspondance d’informations se sont révélés remarquablement efficaces. Des systèmes algorithmiques complexes, basés sur des données, agissent comme une sorte de « main invisible » propriétaire, utilisant d’énormes quantités d’informations sur les consommateurs, les producteurs et les annonceurs pour faire correspondre efficacement l’offre et la demande. Lorsque les algorithmes sont équitables, ils offrent aux consommateurs des services auparavant inimaginables, leur permettant de gagner du temps et d’économiser des efforts pour faire de meilleurs choix en leur fournissant des résultats extrêmement pertinents malgré un nombre écrasant d’options concurrentes. Les fournisseurs et les annonceurs trouvent de nouveaux clients et ont la possibilité de traiter avec ceux qui existent déjà. Mais ces marchés se sont avérés être des marchés où « le gagnant rafle la mise » (Wu, référence Wu2013 ; Petit, référence Petit2020), voire parfois « le gagnant rafle tout », ce qui les rend vulnérables aux abus. Une fois qu’une plateforme a établi sa position dominante, elle est en mesure d’extraire davantage de temps et d’attention de ses utilisateurs, ainsi que des rentes économiques de son marché de fournisseurs ou de ses annonceurs, en contrôlant ce flux d’attention.

Les économistes et les décideurs politiques s’inquiètent depuis longtemps du pouvoir des entreprises dominantes d’extraire des rentes économiques, et de plus en plus de recherches soutiennent que l’augmentation des rentes contribue fortement à l’accroissement des inégalités, à l’affaiblissement des écosystèmes entrepreneuriaux et à la baisse des niveaux de croissance de la productivité et d’investissement dans les économies modernes (Piketty, référence Piketty2014 ; Standing, référence Standing2016 ; Ryan-Collins et al. , Référence Ryan-Collins, Lloyd et Macfarlane2017 ; Mazzucato, Référence Mazzucato2018 ; Stiglitz, Référence Stiglitz2019 ; Christophers, Référence Christophers2020 ; Kurz, Référence Kurz2023) .

Les rentes reflètent généralement le contrôle d’un facteur de production rare. Ce contrôle permet à son détenteur de tirer des profits supérieurs au taux « normal » réalisable sur un marché concurrentiel. Ces profits ne sont pas le résultat d’améliorations productives qui font croître le gâteau économique ; ils constituent une réallocation de la valeur économique d’une partie à une autre, résultant d’une certaine forme de pouvoir sur le marché.

Cependant, toutes les rentes ne représentent pas un abus de pouvoir. Comme l’a fait remarquer Schumpeter (Référence Schumpeter2013), l’innovation, qu’elle soit protégée par des brevets, des secrets commerciaux ou simplement par une action plus rapide et plus efficace que la concurrence, offre la possibilité de recevoir une part disproportionnée des profits jusqu’à ce que l’innovation se généralise. Une entreprise qui continue d’innover peut réaliser des profits disproportionnés pendant longtemps, en particulier sur un marché en croissance.

Pendant la période d’expansion d’un nouveau cycle technologique, les leaders du marché émergent grâce à l’innovation, en résolvant de nouveaux problèmes et en créant une nouvelle valeur non seulement pour les consommateurs, mais aussi pour un riche écosystème de fournisseurs, d’intermédiaires et même de concurrents. Ces leaders du marché peuvent atteindre des niveaux étonnants de profits schumpétériens en détruisant les acteurs en place et en dominant le nouveau marché. Mais une fois que la croissance du marché 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. À ce stade, ils peuvent se tourner vers des techniques d’extraction plus traditionnelles, utilisant leur pouvoir de marché pour maintenir ou augmenter leur niveau de profits désormais habituel face à des facteurs macroéconomiques et à une concurrence qui devraient les éroder.Note de bas de page ¹

Des entreprises comme Amazon, Apple, Google et Microsoft ont été des innovateurs, et une grande partie de la valeur qu’elles ont reçue a été bien méritée en tant que retour sur leurs investissements. Mais elles sont aussi de plus en plus les bénéficiaires de rentes économiques. Mais quel est le facteur de production rare qui leur permet d’extraire ces rentes ? Et comment mesurer les rentes sur un marché où les services sont offerts gratuitement ? Cet article soutient que le facteur de production rare est l’attention des utilisateurs, et que les rentes peuvent être identifiées par des écarts par rapport à la meilleure répartition possible de l’attention dont une plateforme est capable.Note de bas de page ². Celles-ci sont représentées par ce que la littérature sur les moteurs de recherche appelle les résultats « organiques », c’est-à-dire les résultats choisis comme étant les meilleurs par les algorithmes de recherche ou de recommandation de la plateforme elle-même, avant toute distorsion intéressée.

Ces « rentes d’attention algorithmiques » sont des rentes au sens classique du terme. L’attention est un facteur de production dont l’offre est limitéeFootnote ³ et dont la valeur peut être appropriée par d’autres que ceux qui la fournissent.Footnote ⁴ En raison de sa position dominante sur un marché de l’attention donné, une plateforme est en mesure de s’approprier une part croissante du rendement de l’ « attention », notamment en fournissant des résultats de moindre qualité, en facturant un prix plus élevé que la valeur de l’attention pour ceux qui l’achètent, en obligeant les participants à l’écosystème à payer pour être visibles ou en essayant de monopoliser les marchés verticaux de produits ou de services.

En répartissant l’attention des utilisateurs, la plateforme façonne également la répartition de la valeur économique entre les parties prenantes concurrentes sur la plateforme, y compris elle-même, ses utilisateurs, son écosystème 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 limitée, mais la fenêtre étroite sur les informations abondantes fournies par l’écran, dont la conception de l’interface est contrôlée par la plateforme, l’est également. Chaque répartition de l’attention des utilisateurs peut donc entraîner un gain ou un préjudice financier pour une entreprise, un propriétaire de site web ou un créateur de contenu de l’autre côté de la plateforme. La répartition de l’attention détermine la répartition de la valeur.

Cette compréhension éloigne l’analyse de l’abus de pouvoir de marché d’une plateforme des prix. La position dominante d’une plateforme peut être mesurée par sa capacité à façonner l’attention des utilisateurs indépendamment de leurs préférences, des contributions des utilisateurs et de la pertinence des informations de son écosystème tiers.

Notre approche diffère de la vision du capitalisme de surveillance selon laquelle les algorithmes des « grandes technologies » extraient un « surplus comportemental » des utilisateurs sous forme de données excédentaires (au-delà de l’amélioration du service) pour les manipuler (Zuboff, Référence Zuboff2019). S’il est vrai que les plateformes collectent d’énormes quantités de données sur leurs utilisateurs, en tirent profit et les utilisent non seulement au bénéfice de leurs utilisateurs, mais aussi au bénéfice de leurs annonceurs, ce discours passe à côté de plusieurs aspects importants. Les données sont une matière première essentielle qui est agrégée et rendue utile par les services Internet, et la personnalisation est souvent perçue comme un avantage par les consommateurs plutôt que comme un préjudice. Il est souvent difficile de tracer une ligne claire entre les utilisations autorisées et non autorisées des données et de la personnalisation. Les données sont en fin de compte un moyen d’allouer plus efficacement l’attention, et non une fin en soi.

Dans notre cadre, c’est l’attention qui peut être extraite au-delà de ce dont la plateforme a besoin pour obtenir un rendement normal sur son capital. Et une fois que cette attention excédentaire a été extraite du consommateur, elle peut être redirigée pour extraire des rentes pécuniaires des fournisseurs ou des annonceurs, ou pour attribuer plus de valeur aux informations propres à la plateforme. Le paradigme du capitalisme de surveillance ignore le fait que les plateformes sont multilatérales, 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

L’accent que nous mettons sur les rentes d’attention non pécuniaires extraites des utilisateurs afin d’extraire des rentes pécuniaires des fournisseurs est conforme aux prévisions des modèles économiques de référence de Rochet et Tirole sur les plateformes (Rochet et Tirole, Référence Rochet et Tirole 2003, Référence Rochet et Tirole 2006). Ceux-ci prédisent qu’un monopoleur facturera aux utilisateurs des prix monétaires nuls afin de maximiser ses profits, si les effets de réseau croisés sont importants (de sorte que chaque annonceur bénéficie considérablement de chaque utilisateur supplémentaire).Note de bas de page ⁷ Notre article explique ce qui se passe ensuite : un monopoleur qui facture des prix monétaires nuls aux utilisateurs peut augmenter encore ses profits en dégradant la qualité de l’attention allouée aux les utilisateurs en dessous d’un niveau concurrentiel sans perte de revenus qui rendrait une telle stratégie non rentable (Begent et Collyer, référence 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 expérience utilisateur, afin de tirer des profits excessifs des annonceurs ou de leurs écosystèmes de producteurs. Doctorow (référence Doctorow2023) appelle cela « l’enshittification ».

Pourquoi les utilisateurs, les fournisseurs et les annonceurs ne passent-ils pas à d’autres plateformes ? Une réponse est qu’il est difficile de mettre en place ce qu’Amazon a appelé le « flywheel » (volant d’inertie), dans lequel une masse critique de contenu sélectionné par algorithme provenant des fournisseurs attire les utilisateurs, et plus d’utilisateurs attirent plus de fournisseurs, dans un cercle vertueux grâce auquel le fournisseur du marché est en mesure d’améliorer continuellement ses services. Note de bas de page ⁸ Les données jouent ici un rôle important. Plus une plateforme compte d’utilisateurs, plus elle peut collecter de données à leur sujet et plus ses résultats algorithmiques peuvent être performants. Cela signifie en pratique que les leaders du marché ont une avance suffisante sur leurs concurrents pour que, une fois leur pouvoir de marché établi, ils aient la marge de manœuvre nécessaire pour détériorer le produit d’autres manières sans perdre d’utilisateurs au profit de leurs concurrents.

Un élément essentiel de la panoplie d’outils du monopoleur consiste également à augmenter les coûts de transfert en réduisant les frictions en interne et en les augmentant en externe. Par exemple, la livraison gratuite avec Amazon Prime encourage les utilisateurs à ne pas comparer les prix, et les contrats de tarification « de la nation la plus favorisée » conclus par Amazon avec ses fournisseurs rendent peu probable la possibilité de trouver des prix plus bas ailleurs (Graham, référence Graham2023). Bien que ce ne soit pas l’objet de notre analyse, cela constitue une toile de fond pour comprendre comment une plateforme de marché peut réduire la qualité des résultats sans perdre de participants.

L’identification des rentes pécuniaires d’une plateforme dominante comme étant extraites via une manipulation algorithmique de l’attention permet de mieux comprendre plusieurs types de préjudices causés par les plateformes, notamment l’auto-préférence, la publicité excessive, l’exploitation des écosystèmes tiers et l’exploitation du comportement des utilisateurs en matière de clics. Une implication majeure de ce travail est la nécessité d’une plus grande transparence, afin de permettre aux régulateurs, aux investisseurs et au public de mieux observer, mesurer et, en fin de compte, réglementer les dommages potentiels découlant de la manière dont l’attention des utilisateurs est répartie.

Notre objectif principal ici est d’articuler une théorie du pouvoir de marché des plateformes et de ses abus à l’ère numérique qui servira de base à des travaux futurs. Dans un article complémentaire, « Amazon’s Algorithmic Rents » (Strauss et al., référence Strauss, O’Reilly et Mazzucato 2023), nous examinons plus en détail l’application juridique et politique de ces idées au marché tiers d’Amazon. Et dans « Behind the Clicks: Can Amazon allocate user attention as it pleases? » (Rock et al., référence Rock, Strauss, O’Reilly et Mazzucato 2023), nous présentons une approche permettant de mesurer les rentes d’attention algorithmiques sur la place de marché d’Amazon. Cette recherche s’inscrit dans le cadre d’un effort plus large visant à cartographier les rentes économiques modernes (Mazzucato et al. , référence Mazzucato, Ryan-Collins et Gouzoulis2023).

2. Une théorie des rentes sur les marchés numériques

Les économistes considèrent les prix comme le coordinateur de l’activité économique : ils sont les nerfs de la main invisible du marché. On estime que les prix répartissent de manière optimale les ressources entre des fins concurrentes lorsqu’ils reflètent les informations dynamiques (préférences et raretés) contenues dans les milliards d’interactions décentralisées quotidiennes entre l’offre et la demande. Comme le note Hayek (Référence Hayek1945, p. 1), la formation décentralisée des prix résout « le problème de l’utilisation des connaissances qui ne sont données à personne dans leur totalité ». La formation des prix dictée par le marché est supérieure à tout mécanisme centralisé de coordination de l’activité économique, car elle garantit « une utilisation plus complète des connaissances existantes » contenues dans l’économie (Hayek, Référence Hayek1945. , p. 2).

Dans la théorie néoclassique (marginaliste), il existe une information parfaite, de sorte que les prix sont optimaux car ils reflètent les évaluations subjectives de l’utilité des consommateurs.Note de bas de page ⁹ En revanche, dans la vision de Simon sur la prise de décision et dans des travaux plus récents en économie comportementale, l’information parfaite n’existe pas. Au contraire, les consommateurs et les producteurs prennent des décisions qui sont façonnées non seulement par les limites et les biais humains, mais aussi par les institutions qui façonnent l’information mise à la disposition des décideurs (Simon, Référence 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 à gérer cette abondance ont un pouvoir extraordinaire pour influencer nos décisions. Les plateformes Internet modifient le contexte institutionnel et remettent en question la vision conventionnelle de la prise de décision sur les marchés de plusieurs manières :

1. Sur les marchés complexes en termes d’information, les plateformes transfèrent une grande partie du travail de prise de décision des humains aux machines. Les moteurs de recherche Internet, les moteurs de recherche e-commerce, les flux des réseaux sociaux et autres moteurs de recommandation gérés par des algorithmes sont des exemples de ces machines.
2. Ces machines algorithmiques sont souvent utilisées pour faire correspondre l’offre et la demande de biens et services sans prix, ou dont le prix n’est pas fixé individuellement. Par exemple, dans un service gratuit financé par la publicité tel que Google Search ou Facebook, ou un service par abonnement tel que Netflix ou Spotify, les consommateurs sont mis en relation avec des fournisseurs d’informations sans tenir compte du prix comme facteur. La mise en correspondance repose plutôt sur d’autres facteurs non liés au prix pour évaluer les objectifs et les préférences du consommateur, la qualité des produits ou services proposés par les fournisseurs, et même la fiabilité et la réputation des fournisseurs eux-mêmes. Comme l’ont fait remarquer les fondateurs de Google, Larry Page et Sergey Brin (Brin, référence Brin1998), une plateforme telle que Google Search propose des classements objectifsbasés sur quelque chose d’aussi subjectif que l’optimisation de la « pertinence ». Note de bas de page ¹⁰ Tout comme les marchés décentralisés célébrés par Hayek, les plateformes opèrent leur magie allocative en traitant des signaux basés sur des millions de décisions prises par d’autres utilisateurs sur Internet et dans la vie réelle, combinés à des données, explicites et implicites, sur les préférences personnelles des utilisateurs.Note de bas de page ¹¹ La collecte d’un plus grand nombre de données est un élément essentiel du fonctionnement de ces systèmes. Mais en traitant ces données pour produire un classement par pertinence pour les recherches ou les recommandations des utilisateurs, le système algorithmique joue le rôle de la main invisible et agit soit pour préserver le processus concurrentiel, soit pour le fausser.
3. Même lorsque le prix est un facteur, comme dans le commerce électronique ou sur un marché publicitaire, les algorithmes de mise en correspondance propriétaires de la plateforme internalise et centralise le mécanisme de marché autrement décentralisé. De plus, ce marché internalisé et centralisé est opaque. Plutôt que de fournir aux consommateurs des informations explicites sur la base du classement des produits et services, un classement généré par un algorithme implique une grande partie de ces informations, l’utilisateur étant censé faire confiance au classement fourni par la plateforme. Les plateformes contrôlent la présentation des informations, et leurs interfaces conçues à l’aide d’algorithmes deviennent le contexte dans lequel s’inscrit la prise de décision des utilisateurs.

Les allocations d’attention algorithmiques complètent ainsi, et parfois supplantent, les marchés traditionnels en tant que mécanisme institutionnel clé coordonnant l’activité économique et définissant les conditions dans lesquelles les échanges ont lieu en ligne. Les systèmes algorithmiques qui en résultent désignent le gagnant parmi les différents 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 monétisation entre les parties prenantes de la plateforme (par exemple, les annonceurs et les utilisateurs).

Comme les plateformes Internet ont efficacement internalisé le mécanisme du marché, leurs allocations algorithmiques ont tendance à refléter le degré de compétitivité au sein des plateformes et entre elles. Dans un marché concurrentiel, la plateforme a tout intérêt à ce que ses algorithmes soient équitables ; une fois qu’elles ont acquis un pouvoir de marché, les plateformes sont susceptibles de procéder à des allocations qui servent leurs propres intérêts.

Les allocations d’attention impliquent des choix de conception et des compromis, car l’attention est limitée et consommable.Note de bas de page ¹² Par exemple, une plateforme qui alloue plus d’espace en haut de l’écran aux informations publicitaires peut empêcher l’utilisateur de prêter attention à des résultats organiques plus pertinents, ce qui conduit à des choix moins judicieux. Une plateforme qui fournit des informations directement en réponse à une requête plutôt que de diriger le trafic vers un site web tiers peut profiter à ses utilisateurs, même si cela réduit les avantages pour les fournisseurs tiers.

Les plateformes Internet sont dans une position unique pour explorer et optimiser ces compromis à leur propre avantage, car elles ont accès à des données en temps réel sur les participants de tous les côtés de la plateforme. Avec des millions d’utilisateurs qui répètent la même recherche ou répondant aux mêmes recommandations, la plateforme est en mesure d’effectuer des tests A/B statistiquement significatifs sur des milliers de pondérations algorithmiques et d’options de conception différentes. En 2022, Google affirme avoir mené plus de 800 000 expériences de recherche, qui ont conduit à plus de 4 000 modifications de la recherche (Google, 2023a).

2.1. Comment les limites de la cognition humaine permettent l’autorité algorithmique

Le paradigme de traitement de l’information de Simon (référence Simon et Estes 1978a, référence Simon 1995) se concentre sur la manière dont les humains prennent des décisions dans le monde réel : « compatible avec l’accès à l’information et les capacités de calcul dont disposent réellement les organismes, y compris l’homme, dans les types d’environnements dans lesquels ces organismes existent » (Simon, référence Simon 1955, p. 99).

Les capacités de calcul des humains sont limitées, tout comme leur temps.Note de bas de page ¹³ Ces limites « matérielles » aident à expliquer les comportements dans le monde réel, qui ont tendance à suivre des heuristiques, c’est-à-dire des raccourcis et des stratégies informationnels qui permettent aux humains de faire des choix raisonnables dans des environnements complexes quotidiens (Simon, Référence Simon1978b, p. 12, Simon, Référence Simon, Durlauf et Blume2017) . L’heuristique reflète le « comportement satisfaisant » de l’être humain, qui vise des résultats « suffisamment bons »,Note de bas de page ¹⁴ sur la base de nombreuses inconnues. Cela contraste avec l’hypothèse économique selon laquelle les êtres humains « optimisent » pour parvenir à la « meilleure » solution sur la base des résultats connus de chaque action. L’accent mis par Simon sur le processus de prise de décision contraste fortement avec l’accent néoclassique mis sur les résultats (d’équilibre) par des acteurs sans contrainte.

Les idées de Simon trouvent un écho dans l’économie comportementale contemporaine. Tversky et Kahneman (référence Tversky et Kahneman1974, 1981) et Kahneman (référence Kahneman2011) ont postulé que les humains ont deux modes de prise de décision : ce qu’ils ont appelé le Système 1, pour les décisions qui doivent être prises rapidement, et le Système 2, pour celles qui dépendent d’une analyse rationnelle minutieuse. Selon Kahneman (référence Kahneman 2011), 98 % des décisions humaines reposent sur le Système 1. Si ces deux systèmes sont adaptés à différents types d’activités (réponse immédiate à une menace, par exemple, ou planification à long terme), ils peuvent être utilisés de manière inappropriée. Le Système 1 est particulièrement sujet à divers biais cognitifs, tels que le biais d’ancrage, selon lequel la première information qui nous est présentée influence notre jugement sur les informations supplémentaires.

Les études sur le comportement humain réel sur les plateformes Internet confirment les prédictions du modèle « abondance d’informations/pénurie d’attention » de Simon et de l’économie comportementale. La majorité des clics ont tendance à se porter sur les premiers résultats affichés en haut à gauche de l’écran (Keane et O’Brien, Référence Keane et O’Brien 2006 ; Craswell et al., Référence Craswell, Zoeter, Taylor et Ramsey 2008), même si leur pertinence diminue dans une mesure inconnue. C’est ce qu’on appelle le biais de position (Joachims et al., Référence Joachims, Swaminathan et Schnabel 2017). Note de bas de page ¹⁵ Il s’agit d’une forme de biais d’ancrage qui a été bien documentée par les consultants en optimisation des moteurs de recherche. Par exemple, une étude réalisée en 2022 sur plus de 4 millions de pages de résultats de recherche Google a révélé que plus de 54 % des clics vont aux trois premiers résultats organiques. Seuls 0,63 % des utilisateurs cliquent sur la deuxième page des résultats (Dean, référence Dean2023). Un rapport de 2018 de la société de suivi web Jumpshot (2018), basé sur un large échantillon d’utilisateurs, a constaté le même comportement sur Amazon : les clics des utilisateurs se concentrent sur les premières lignes des résultats de produits. Dans notre propre étude, nous avons constaté que 78 % des listes de produits les plus cliquées se trouvent dans les deux premières lignes des résultats de recherche (Rock et al., Référence Rock, Strauss, O’Reilly et Mazzucato2023). Plus frappant encore, en 2022, une étude réalisée par la société de conseil en commerce électronique Feedvisor (2022) a révélé que 32 % des acheteurs choisissaient simplement d’acheter le premier produit figurant sur une page de résultats de recherche.

La proposition de valeur et le modèle économique de l’internet moderne sont donc tout à fait conformes à l’hypothèse selon laquelle les utilisateurs ne sont pas des « calculateurs hédoniques » parfaits (Robinson, référence Robinson2001). C’est pourquoi les utilisateurs peuvent tirer profit d’intermédiaires tels que Google ou Amazon. Les utilisateurs gagnent du temps lorsqu’ils cliquent sur des résultats classés par algorithme en fonction de leur position, confiants que la plateforme a fait le travail à leur place, plutôt que d’avoir à évaluer eux-mêmes les qualités intrinsèques et latentes des produits. Cette heuristique comportementale permet aux utilisateurs d’économiser énormément de temps et d’efforts cognitifs dans leur prise de décision. Suivre l’algorithme d’une plateforme peut amener l’utilisateur à faire de meilleurs choix, car cela lui garantit efficacement ce que Simon (Référence Simon1997) appelle un certain degré d’expertise dans le processus décisionnel.

L’impact de cette expertise est confirmé par le comportement réel observé chez les utilisateurs. Les clics vont vers les premiers résultats non seulement en raison du biais positionnel humain, mais aussi parce que les plateformes ont traditionnellement travaillé très dur pour faire des premiers résultats les meilleurs résultats. Google est allé jusqu’à breveter un facteur de classement qu’il a appelé « le clic long » (Lopatenko et al., Référence Lopatenko, Kim, Dornbush, Wei, Kilbourn et Lopyrev2015) . Le brevet postulait qu’un « clic court » (c’est-à-dire lorsqu’un utilisateur clique sur un résultat et revient immédiatement en arrière pour cliquer sur un autre résultat) indique une insatisfaction vis-à-vis du résultat, tandis qu’un clic long (lorsque l’utilisateur s’en va et ne revient pas) représente un succès. Avec d’innombrables autres facteurs mesurés à travers des millions de recherches, les clics longs pourraient être utilisés pour augmenter ou diminuer le classement des résultats de recherche, dans le but que le premier résultat obtienne le clic long.Note de bas de page ¹⁶ Le succès de ces systèmes est précisément la raison pour laquelle ils ont gagné la confiance des utilisateurs, et pourquoi cette confiance, une fois gagnée, peut être abusée.

La pour amener les utilisateurs à cliquer sur ses résultats algorithmiques est imparfaite, car les clics et les vues sont également influencés par l’importance relative et l’attrait des résultats dans leur ensemble (Yue et al., référence Yue, Patel et Roehrig 2010), y compris leur caractère informatif relatif (Keane et O’Brien, référence Keane et O’Brien 2006 ; Craswell et al., référence Craswell, Zoeter, Taylor et Ramsey2008). Pourtant, le pouvoir des plateformes de confiance pour attirer l’attention des utilisateurs, et par conséquent les clics ou les vues, est immense. L’attention portée à de nouvelles informations, y compris la publicité, peut conduire à une action immédiate, presque sans friction. Un achat, le visionnage d’une vidéo addictive sur TikTok, YouTube ou Facebook, un chemin vers un gouffre de consommation d’attention, tout cela n’est qu’à un clic. Dans les systèmes de recommandation de flux tels que ceux proposés par les réseaux sociaux, même les clics ne sont plus nécessaires, car les plateformes utilisent de plus en plus la lecture automatique des vidéos pour capter l’attention des utilisateurs, qui devient ainsi « opt-out » plutôt que « opt-in ».

Le pouvoir des plateformes en ligne de façonner l’attention rappelle l’affirmation clé de Simon selon laquelle les organisations ou les institutions (il utilisait souvent ces termes de manière interchangeable) façonnent le comportement individuel en déterminant « les environnements d’information dans lesquels les décisions sont prises » (Simon, référence Simon1997). Les institutions aident les consommateurs à prendre des décisions en établissant une division du travail dans « le processus de décision », qui est tout aussi importante que la division du travail dans les processus « d’action », affirme Simon. Il développe ces idées dans Administrative Behavior (Simon, référence Simon1997, chapitre 7), en se concentrant sur le concept d’autorité pour garantir une division efficace du travail dans la prise de décision au sein de l’organisation :

« L’autorité » peut être définie comme le pouvoir de prendre des décisions qui guident les actions d’autrui. […] Autrement dit, il met en suspens ses propres capacités critiques pour choisir entre plusieurs alternatives et utilise le critère formel de la réception d’un ordre ou d’un signal comme base de son choix.

Ce passage pourrait être interprété aujourd’hui comme s’appliquant aux recommandations algorithmiques faites par une plateforme numérique dominante à un utilisateur, tout autant qu’à une recommandation émanant d’un cadre supérieur ou d’un expert à un travailleur, comme le souligne Simon.

2.2. Comment l’autorité algorithmique permet les rentes d’attention

Les rentes d’attention se produisent lorsqu’une plateforme abuse de son autorité algorithmique et exploite son rôle d’intermédiaire de confiance pour diriger l’attention des utilisateurs (clics ou temps passé) vers des informations sous-optimales, souvent sponsorisées. Fondamentalement, ces rentes exploitent le biais positionnel des utilisateurs dans la manière dont ils cliquent ou ce qu’ils regardent, en plaçant 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’autorité du résultat algorithmique organique d’une plateforme (ce que l’on appelle le « biais de confiance ») (Keane et O’Brien, référence Keane et O’Brien 2006 ; Keane et al., référence Keane, O’Brien et Smyth 2008). Les informations peuvent être intégrées entre les résultats organiques optimaux ou, de plus en plus, les remplacer.

L’une des implications de ce pouvoir algorithmique dans l’attribution de l’attention des utilisateurs est qu’il confère à la plateforme un levier considérable sur les deux parties (fournisseurs et annonceurs) qui cherchent à accéder à l’attention des utilisateurs, la principale marchandise de la plateforme. La plateforme peut s’assurer que les résultats payants (publicitaires) et organiques se font directement concurrence pour attirer l’attention des utilisateurs (en particulier lorsqu’ils sont placés « au-dessus du pli », comme on disait à l’époque des journaux, mais qu’on pourrait aujourd’hui appeler « avant le défilement »).Note de bas de page ¹⁷ La rente d’attention est prélevée sur les utilisateurs — afin de les inciter à accorder leur attention à des contenus plus rentables pour la plateforme — afin d’extraire une rente pécuniaire du côté des fournisseurs ou des annonceurs du marché multilatéral de la plateforme dominante. Cette rente peut contribuer à créer un rendement supérieur à la rendement supérieur à la normale pour la plateforme, en particulier lorsqu’elle est combinée à d’autres frais et redevances déjà imposés à son écosystème.

Ainsi, une plus grande monétisation des utilisateurs implique un processus à double face, qui touche non seulement les utilisateurs d’une plateforme, mais aussi les entreprises tierces et les annonceurs, car la nature du contenu présenté aux utilisateurs change. Les informations provenant de certaines entreprises tierces sont reléguées au second plan par du contenu supplémentaire payant ou addictif, et le contenu relégué doit s’adapter à la nouvelle optimisation algorithmique pour survivre. Les annonceurs potentiels bénéficient d’un espace d’attention plus prioritaire et, par conséquent, d’une une plus grande incitation à faire de la publicité. Et les utilisateurs doivent consommer davantage de contenu payant. Ce qui se passe d’un côté de la plateforme a un impact sur l’autre (ou les autres) (Hovenkamp, référence Hovenkamp2020), pas nécessairement en raison d’effets de réseau, note de bas de page ¹⁸, mais en raison de l’espace fixe à l’écran (c’est-à-dire la sphère d’attention) pour lequel les côtés de la plateforme sont en concurrence.

2.3. Comment les rentes d’attention deviennent des rentes pécuniaires

Les théories contemporaines sur les plateformes se concentrent principalement sur les externalités découlant des effets de réseau. Cela permet d’expliquer pourquoi les plateformes fournissent des services gratuits aux utilisateurs, afin de générer des effets de réseau et/ou des économies d’échelle. Cela explique également les structures de prix sur les plateformes, c’est-à-dire la manière dont la charge des prix se répartit entre les deux côtés de la plateforme. Pour Rochet et Tirole (Référence Rochet et Tirole2006) , la structure de prix optimale sur les plateformes est fixée indirectement afin d’optimiser les profits totaux des deux côtés. Cela signifie que la tarification d’un côté de la plateforme doit tenir compte de l’impact qu’elle aurait sur la participation — et donc sur les profits — de l’autre côté de la plateforme.Note de bas de page ¹⁹ Cela tend à créer une structure de prix très déséquilibrée, dans laquelle les utilisateurs ne paient aucun prix monétaire pour la plateforme et la charge des prix retombe plutôt sur des entreprises tierces ou des annonceurs. Comme les annonceurs accordent une grande valeur à chaque utilisateur supplémentaire et que les utilisateurs préfèrent les services gratuits à 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

Mais cette théorie 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 monétaire et que leur attention est monétisée de l’autre côté du marché, l’augmentation des profits provient initialement de l’acquisition de nouveaux utilisateurs. Mais avec le temps, à mesure que la croissance du nombre d’utilisateurs ralentit, l’augmentation des profits provenant de la participation des utilisateurs devient fonction de la quantité de publicité. Weyl (référence Weyl2010, p. 1643) va jusqu’à considérer que « le problème de la plateforme consiste [d’abord] à choisir les taux de participation des deux côtés plutôt que les prix qui soutiennent cette allocation ». La réactivité des utilisateurs à la publicité, souvent mesurée en temps réel par la plateforme, devient essentielle pour déterminer la combinaison optimale de modèles commerciaux, de sorte que (Behringer et Filistrucchi, référence Behringer et Filistrucchi2015, p. 293) : « Sur les marchés bilatéraux, les quantités d’un côté du marché sont fonction des prix pratiqués de ce côté-là et des quantités de l’autre côté du marché. »

Il s’ensuit que les algorithmes coordonnent les côtés de la plateforme non seulement en fixant le niveau des prix, comme le note Tirole, mais aussi en contrôlant la répartition de l’attention. Si la participation des côtés est relativement fixe (en raison de la et le verrouillage par des tiers), alors l’extraction de rentes de monopole d’un côté de la plateforme nécessite d’ajuster la répartition de l’attention de l’autre ou des autres côtés, car les utilisateurs doivent consommer de plus grandes quantités de contenu plus rentable.Note de bas de page ²¹

Dans une plateforme numérique multilatérale, l’augmentation des profits ou de la rentabilité de la plateforme nécessite donc généralement de modifier le contenu informatif présenté aux utilisateurs à l’écran (Behringer et Filistrucchi, référence Behringer et Filistrucchi 2015) : les informations que les algorithmes organiques d’une plateforme optimisent (telles que les algorithmes de recommandation optimisant un engagement plus soutenu) ; et/ ou le mélange algorithmique des sorties (comme plus de publicité et moins de sorties organiques) sont des ingrédients essentiels pour qu’une plateforme augmente la monétisation des utilisateurs et tire plus de profits de son écosystème d’entreprises ou d’annonceurs. Sans modifier le type de contenu présenté aux utilisateurs, les possibilités de monétisation des utilisateurs par les entreprises tierces ou les annonceurs de la plateforme se limitent à la solution traditionnelle consistant à augmenter les prix (par exemple, pour la publicité, les abonnements ou d’autres frais).

Ces changements dans l’information peuvent avoir un impact sur la répartition de la valeur si la plateforme choisit d’accorder algorithmiquement plus d’attention au contenu payant ou autrement intéressé. Cela se fait en permanence, par des changements dans la présentation relative des résultats à l’écran, par des changements dans les systèmes de classement algorithmiques sous-jacents et, comme l’affirme la plainte du ministère américain de la Justice contre Google, par des contrôles internes qui « modifient » les résultats pour obtenir le résultat souhaité (États-Unis d’Amérique c. Google LLC,2020). Le comportement mesuré des utilisateurs fournit un flux riche de données grâce auquel la plateforme peut évaluer l’impact des changements et procéder à des ajustements supplémentaires pour atteindre ses objectifs ( « mesures opérationnelles »).

Sur les marchés traditionnels, où les biens et services sont directement échangés contre de l’argent, des prix constamment supérieurs à la « normale » sont considérés comme un signe de pouvoir de marché excessif et d’extraction de rente. Sur les marchés de l’attention, la principale expression du pouvoir de marché algorithmique est la capacité de la plateforme à orienter de manière rentable l’attention des utilisateurs et à produire des allocations d’informations qui sont, dans une large mesure, indépendantes des préférences des consommateurs, de la pertinence des informations des concurrents et des requêtes explicites de ses utilisateurs. La rente algorithmique fait partie de l’exercice plus large du pouvoir de marché d’une plateforme lorsqu’elle peut effectuer des allocations d’attention inférieures sans perdre suffisamment de ventes, d’utilisateurs ou de fournisseurs tiers pour rendre cette allocation non rentable (Begent et Collyer, référence Begent et Collyer 2013 ; Federal Trade Commission, et al. c. Amazon.Com, Inc. 2023).

Une notion fondamentale explorée dans notre recherche est qu’il existe une rente d’attention lorsqu’il y a un écart par rapport aux meilleures allocations d’attention dont la plateforme est capable, et sur la promesse desquelles la plateforme a attiré ses utilisateurs au départ. Sur un marché concurrentiel, les plateformes gagnent en fournissant les meilleurs résultats possibles aux consommateurs. Les écarts par rapport à cette norme se produisent généralement une fois que la plateforme a consolidé sa position dominante et son emprise sur l’attention des utilisateurs. Comme il est extrêmement difficile et coûteux de fournir des résultats de recherche ou de recommandation de haute qualité, les leaders du marché sont souvent bien plus performants que leurs concurrents, ce qui leur donne une marge de manœuvre supplémentaire pour détériorer leurs résultats sans perdre de clients.

Les allocations d’attention algorithmiques de la plateforme, qui associent les utilisateurs à des informations sous-optimales, peuvent créer des rentes au sens de « rendements » d’un facteur de production — ici « l’attention » (proxys par l’espace à l’écran et le temps passé par l’utilisateur) — qui est fixe en termes d’offre, largement insensible aux variations de prix, et exploitée pour le profit de la plateforme (Blaug, référence Blaug1997 ; Alchian, référence Alchian, Durlauf et Blume2017). Une plateforme augmente ses profits non pas grâce à de meilleures correspondances (améliorations de la productivité), mais grâce à des correspondances d’informations qui sont plus rentables pour elle-même, ou grâce à des frais de correspondance plus élevés.

Ce modèle d’extraction de rente en exploitant la proportion relative et la position de la publicité et des résultats organiques est exactement ce qui a été observé dans la pratique. À ses débuts, les pages de résultats de recherche Google se composaient d’une liste de dix résultats de recherche organiques (souvent appelés les « dix liens bleus ») et d’un extrait du contenu du site de destination. Ces liens organiques étaient encadrés par des publicitésNote de bas de page ²² : trois au-dessus des résultats organiques, avec des publicités supplémentaires dans une colonne à droite des résultats organiques. Les publicités étaient clairement différenciées des résultats organiques par un bloc de couleur distinct. Une série remarquable de captures d’écran enregistrées par le consultant néerlandais en moteurs de recherche Blacquière (référence Blacquière2014) — mise à jour par Marvin (référence Marvin2020) — montre comment les publicités ont envahi l’écran de recherche et sont devenues de plus en plus difficiles à distinguer des résultats de recherche organiques sur Google Search.

En 2016, la colonne de droite contenant les annonces a été complètement supprimée (Kim, référence Kim2016), et aujourd’hui, les annonces sont presque impossibles à distinguer des résultats organiques, intercalées entre ceux-ci, et une partie bien plus importante de l’espace le plus prisé en haut de la page est consacrée aux annonces. L’espace supplémentaire est occupé par le contenu propre à Google, souvent affiché sous forme de carrousel d’images, ou dans un panneau d’information que Google appelle « OneBox » (O’Reilly, référence O’Reilly2019), ou plus récemment, dans une réponse générée par l’IA à la requête de l’utilisateur.

Il est clair que les plateformes Internet sont tout à fait en droit de monétiser 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 monétisation est justifié pour récupérer les coûts et obtenir un retour sur investissement équitable, et à partir de quand cela devient-il excessif ? Quand la publicité a-t-elle de la valeur pour l’écosystème des fournisseurs et pour les utilisateurs, et quand devient-elle une source de rentes extractives ? Il n’est pas toujours facile de déterminer les réponses.

Chez Amazon, cependant, la réponse à la question de savoir si la monétisation est devenue extractive semble sans ambiguïté. Presque toutes les recommandations organiques,Note de bas de page ²³ qui ont contribué à rendre révolutionnaire le marché numérique d’Amazon, ont été remplacées par des recommandations purement payantes ou hybrides, par exemple « Tendance actuelle — Sponsorisé » ou « Très bien noté — Sponsorisé » (Kaziukėnas, Référence Kaziukėnas2021). E La société d’études de marché Marketplace Pulse estime que sur les 20 premiers produits qu’un acheteur voit lorsqu’il effectue une recherche sur Amazon, seuls 4 sont désormais des résultats organiques (Kaziukėnas, référence Kaziukėnas2022). En raison de la manière dont les résultats payants sont placés, il faut parfois faire défiler trois fenêtres de navigateur de résultats de recherche pour arriver au cinquième résultat organique (Kaziukėnas, référence Kaziukėnas2022).

Notre propre analyse de la capacité d’Amazon à répartir la valeur (c’est-à-dire les clics) entre les produits concurrents sur sa place de marché tierce grâce à l’organisation algorithmique des résultats de recherche montre qu’une fiche produit qui passe à une position suffisamment élevée en termes de « part d’attention » recevra plus de clics, indépendamment de sa pertinence ou de son prix. Une fiche produit classée parmi les 10 dernières en termes de pertinence, mais dans le centile le plus élevé en termes de « part d’attention », est aussi susceptible d’être cliquée qu’un produit parmi les 5 premiers en termes de pertinence dans une position moyenne. Cette dynamique permet à Amazon de compenser la pertinence d’un résultat de recherche par sa position à l’écran, grâce à la publicité, tout en maintenant un taux de clics élevé (Rock et al., Référence Rock, Strauss, O’Reilly et Mazzucato2023).

Les utilisateurs peuvent être lésés lorsqu’une plateforme remplace les résultats organiques par de la publicité, car ils peuvent voir moins d’options pertinentes et être détournés des meilleurs produits ou des prix les plus bas. Les résultats organiques et la publicité visent tous deux à être cliqués ou consultés, mais le classement des premiers est optimisé pour la pertinence intrinsèque parmi toutes les sources d’information éligibles, tandis que la seconde est optimisée directement pour les clics parmi les entreprises qui enchérissent pour attirer l’attention des utilisateurs. Si les publicités les plus pertinentes peuvent être aussi utiles aux consommateurs que les résultats organiques, afficher davantage de publicités signifie puiser plus profondément dans l’inventaire des publicités et potentiellement afficher des publicités moins pertinentes et moins utiles.

Les préjudices causés aux fournisseurs du marché Amazon par le remplacement du contenu organique par des publicités sont beaucoup plus immédiats. Dans un monde où le principal avantage des gardiens pour les consommateurs est l’accès algorithmique à un riche écosystème de fournisseurs, et où leur avantage pour les fournisseurs est l’accès algorithmique à un vaste marché d’utilisateurs finaux, les résultats de recherche organiques sont la monnaie du royaume et l’équité est essentielle. Les résultats payants qui remplacent (plutôt que de compléter) les résultats organiques équivalent à une monnaie dépréciée. Lorsque la publicité remplace les résultats de recherche organiques, l’écosystème des fournisseurs doit désormais payer pour la visibilité qu’il obtenait auparavant grâce à la qualité de ses produits et à sa réputation.

À mesure que la publicité occupe une place de plus en plus importante à l’écran, elle est devenue un obstacle à l’entréeFootnote ²⁴ pour les commerçants qui souhaitent vendre sur Amazon, une taxe qui s’ajoute aux frais de référence et d’exécution (Morrison, référence Morrison2021). « Il y a moins de résultats de recherche organiques sur la page du marché Amazon, ce qui signifie de plus en plus que la seule façon d’apparaître sur la page est d’acheter sa place », a déclaré Jason Goldberg, directeur de la stratégie commerciale chez Publicis, une grande agence de publicité (Palmer, référence Palmer2021).Note de bas de page ²⁵ Selon Quartile (2018), une importante plateforme publicitaire alimentée par l’IA, Amazon est désormais une plateforme « payante » pour obtenir les meilleures positions à l’écran. Les trois quarts des vendeurs sur Amazon « choisissent » désormais de faire de la publicité (Mileva, référence Mileva2022). Pour les petits et moyens vendeurs, ce chiffre atteint 79 % (Jungle Scout, 2022).

Il ne s’agit pas ici de publicité telle que celle proposée par Google, Facebook ou les médias traditionnels, qui surfent sur la vague de l’attention portée à l’information ou au divertissement, mais d’une sorte de concurrence à la Hunger Games entre commerçants pour capter les achats de personnes qui sont déjà à la recherche d’un produit. Il s’agit d’un transfert à somme nulle d’attention et de valeur entre les vendeurs (Gornyi, référence Gornyi2023), qui augmente simultanément les revenus d’Amazon sans pour autant « nécessairement augmenter le volume des ventes » (Kaziukėnas, référence Kaziukėnas2021). L’attention accrue portée à un vendeur se fait nécessairement au détriment d’un autre.

De plus, contrairement à la publicité dans les médias traditionnels, ces publicités apparaissent dans l’interface de décision , avec une apparence presque identique à celle des choix de produits recommandés de manière organique. La majorité des publicités sur la place de marché Amazon ne font que reproduire les listes organiques et apparaissent sur la même page, souvent à côté de celles-ci, sans offrir d’informations supplémentaires aux consommateurs. Et comme les publicités et les listes organiques se disputent l’attention des utilisateurs sur le même écran de résultats de recherche, Amazon exploite le biais de positionnement des utilisateurs et place la publicité plutôt que le résultat organique dans la position la plus susceptible d’être cliquée, , extrayant ainsi des frais au fournisseur sans apporter de valeur ajoutée.Note de bas de page ²⁶Ce comportement illustre parfaitement ce que nous entendons lorsque nous affirmons qu’Amazon utilise les rentes d’attention extraites des utilisateurs pour extraire les rentes pécuniaires correspondantes de son écosystème de fournisseurs.

Grâce à cette concurrence à somme nulle, Amazon a favorisé à la fois une augmentation des prix publicitaires et une baisse du retour sur investissement publicitaire (Jungle Scout, 2022 ; Soper, référence Soper2023), ce qui a entraîné un transfert de rente des entreprises tierces vers la plateforme elle-même. En 2022, la publicité était devenue une activité très rentable pour Amazon, représentant 37,7 milliards de dollars (Amazon.com, 2022, p. 67).Note de bas de page ²⁷Dans le même temps, le coût moyen par clic sur les publicités Amazon a doublé par rapport à 1,2 en 2021 (Business of Apps, 2022). Selon Adbadger, le coût moyen des dépenses était de 30 %, ce qui signifie qu’il faut désormais dépenser 30 cents en publicité pour générer 1 dollar de ventes (The Badger, 2023).

Il est intéressant de noter que, alors que TikTok commence à lancer un défi à Amazon dans le domaine du commerce électronique, 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 électronique, il s’agit de la découverte de ce qu’on appelle des « dupes », des produits moins chers qui ont les mêmes caractéristiques, voire meilleures, que les produits de marque plus coûteux (Barinka, référence Barinka2023). En d’autres termes, TikTok démontre une fois de plus que la recherche de nouveaux signaux fournissant de meilleurs résultats algorithmiques organiques offre un avantage concurrentiel pour acquérir et fidéliser les utilisateurs, et que les rentes algorithmiques ne sont généralement extraites par les plateformes qu’une fois qu’elles ont consolidé leur position dominante.

La distorsion des meilleurs résultats choisis par l’algorithme est également observable dans les systèmes de réseaux sociaux. Facebook, X (anciennement Twitter) et Instagram ont tous commencé 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 célébrités ou de sources d’information. Pendant la période de croissance, lorsque l’acquisition d’utilisateurs est l’objectif primordial, ces plateformes alignent leurs sélections algorithmiques sur cette promesse faite aux utilisateurs.

À ce stade précoce, le tri des publications dans le flux se fait généralement par ordre chronologique inverse (de la plus récente à la plus ancienne) ou via un graphe social (à partir des amis). Plus tard, d’autres arrangements possibles sont essayés, comme le tri par publications ayant suscité le plus d’engagement. Finalement, le tri est entièrement confié aux recommandations algorithmiques. Au début, les utilisateurs disposent d’un certain contrôle, qui leur permet de revenir, par exemple, à un tri chronologique, ou de privilégier les publications de ceux qu’ils ont marqués comme amis ou de ceux qu’ils ont choisi de suivre. Au fil du temps, ces expressions des préférences des utilisateurs deviennent plus difficiles à trouver ou disparaissent complètement. Parallèlement, la charge publicitaire augmente, ce qui rend également plus difficile de trouver et d’apprécier les publications pour lesquelles l’utilisateur s’est initialement inscrit. De plus, des « dark patterns », tels que le passage automatique de l’utilisateur à un fil d’actualités de vidéos recommandées (par exemple, les bobines Instagram) dès qu’il a fini de regarder une vidéo publiée par un ami, sont également utilisés pour aider à passer outre les préférences de l’utilisateur . À partir de là, il est facile de se laisser entraîner à façonner le contenu affiché de manière à attirer davantage l’attention des utilisateurs en leur montrant tout contenu susceptible de susciter le plus d’engagement.

Bien que nous n’ayons pas mené de recherches empiriques pour mesurer les rentes d’attention algorithmiques dans les médias sociaux, nous pensons que la notion de rentes d’attention algorithmiques offre des pistes fructueuses pour approfondir la recherche et l’analyse des médias sociaux et d’autres systèmes de recommandation, ainsi que pour les systèmes de recherche .

3. Préjudices causés par les rentes algorithmiques

Si ce sont les préjudices causés aux consommateurs ou aux concurrents qui sont les plus susceptibles d’attirer l’attention des régulateurs, bon nombre des préjudices causés par les rentes d’attention algorithmiques peuvent peser plus lourdement sur le côté offre de l’écosystème d’une plateforme.

Thompson (référence Thompson2014, référence Thompson2023) note que pour fournir des résultats classés ou des recommandations à ses utilisateurs, une plateforme doit agréger des informations, en regroupant et en numérisant l’offre, et en la transformant en produit de base. Cette agrégation réduit le pouvoir des fournisseurs de la plateforme et les rend dépendants de l’équité des classements algorithmiques fournis par la plateforme.Note de bas de page ²⁸ Ce sont ces fournisseurs, et pas seulement les consommateurs, qui sont lésés lorsque la répartition de l’information est faussée par rapport à son niveau concurrentiel optimal.

Pour comprendre pourquoi il est important de définir clairement le rôle de la plateforme en tant qu’intermédiaire et agrégateur, il est important d’adopter une vision écosystémique de l’investissement total dans la création de valeur, plutôt que d’attribuer toute la création de valeur à la plateforme. Toute notion d’équité dépend de cette vision écosystémique : sans sites web, Google Search n’aurait aucune utilité ; sans commerçants, il n’y aurait pas Amazon ; sans développeurs d’applications, il n’y aurait pas d’App Stores ; sans utilisateurs créant du contenu et le consommant, il n’y aurait pas de médias sociaux. Lorsque les fournisseurs sont lésés, les utilisateurs le sont également à long terme.

Ces écosystèmes de créateurs de valeur dépendent des algorithmes de la plateforme pour ce que l’industrie appelle « l’attention méritée ».Note de bas de page ²⁹ Lorsque la plateforme exempte son propre contenu ou ses propres services concurrents de ses propres algorithmes, ou lorsqu’elle remplace les résultats organiques par des résultats payants, l’écosystème subit une perte d’incitation et de récompense pour continuer à produire de la valeur. À terme, cette perte de valeur affecte à la fois les utilisateurs et la plateforme elle-même, car tout le cercle vertueux de la création, de l’agrégation et de la curation s’effondre. Ce qui a été gagné est approprié par la plateforme.

Les annonceurs peuvent également apporter de la valeur aux consommateurs, en particulier lorsque les publicités sont bien ciblées en fonction de leurs intérêts. Cette valeur peut également être détournée de manière algorithmique par la plateforme. La publicité ciblée transforme l’attention en produit de base, personnalisée en fonction des données démographiques, de la localisation et des intérêts, pour être vendue aux enchères à grande échelle et associée de manière algorithmique des milliards de fois par jour au contenu consulté par les consommateurs. Les annonceurs enchérissent pour attirer cette attention, mais ce qu’ils obtiennent peut ne pas correspondre à ce pour quoi ils paient si la plateforme place des publicités à proximité de contenus inappropriés qui nuisent à l’image de marque (Internet Advertising Bureau, 2020), place des publicités display (que les annonceurs paient en fonction du nombre d’impressions [c’est-à-dire l’inclusion dans les pages affichées] plutôt que du nombre de clics) à des emplacements bien en dessous du défilement où elles ont peu de chances d’être vues par les utilisateurs, ou ne contrôle pas correctement les problèmes tels que la fraude au clic, le visionnage par des robots plutôt que par des humains, la lecture automatique de vidéos qui ne sont pas réellement choisies par l’utilisateur, etc. Hwang (référence Hwang2020) qualifie ce problème de qualité publicitaire de « crise de l’attention subprime ». Note de bas de page ³⁰

Une récompense équitable pour la valeur créée est un cadre utile pour évaluer les préjudices causés 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 décide. Note de bas de page ³¹. Cela peut être un calcul complexe. Les exemples tirés de Google Search, Amazon Marketplace et des flux des réseaux sociaux, que nous explorons ci-dessous, montrent l’éventail des questions qui peuvent être explorées à l’aide de l’analyse des rentes d’attention algorithmiques dans les entreprises basées sur la publicité.

3.1. Google Search : le pouvoir de Google Search de façonner le marché grâce à l’allocation de l’attention

Google déploie des efforts considérables pour trouver les publicités les plus pertinentes (Google, 2023b).Note de bas de page ³² Dans le système publicitaire au paiement par clic (PPC) utilisé dans Google Search (« Adwords »), l’entreprise est fortement incitée à trouver les publicités les plus susceptibles d’attirer des clics. Dans les formats publicitaires display (paiement par vue), dans lesquels Google est un acteur grâce à son placement algorithmique de publicités sur des sites web tiers et à son contrôle des échanges publicitaires dans lesquels les publicités sont achetées et vendues de manière algorithmique, les incitations de Google sont moins clairement alignées sur celles de ses annonceurs.

Même dans le système PPC d’Adwords, cependant, l’ensemble des résultats possibles provient de ceux qui sont disposés et capables de payer. Cela favorise fortement certaines entreprises par rapport à d’autres. On en trouve un bon exemple dans une recherche telle que « acheter des pneus neufs ». Dans les conceptions actuelles, les publicités occupent les meilleures positions à l’écran, et ces publicités proviennent généralement de grandes chaînes nationales et de vendeurs en ligne (O’Reilly, référence O’Reilly2022). Les commerçants locaux sont affichés sur une carte tout en bas de la page, ce qui nécessite de faire défiler la page pour les voir. La carte fournit des listes d’entreprises non rémunérées qui permettent aux utilisateurs d’en savoir plus sur chacun des commerçants, notamment leurs heures d’ouverture, leur adresse et leur numéro de téléphone. Cela est utile tant pour les utilisateurs que pour les commerçants, même si cela ne prend pas la forme d’un lien web traditionnel. Mais ces informations sont beaucoup plus difficiles à trouver aujourd’hui qu’il y a dix ans. Cela impose un coût en temps aux utilisateurs et une pénalité en termes de visibilité aux fournisseurs, qui doivent désormais faire de la publicité pour attirer l’attention qu’ils avaient auparavant gagnée grâce à des signaux tels que la qualité et un emplacement pratique pour l’utilisateur.

Notez le pouvoir de façonnage du marché qui s’exerce ici. Alors que les consommateurs s’appuient de plus en plus sur les moteurs de recherche pour trouver des produits, Google décide essentiellement que ceux qui sont les plus disposés et les plus aptes à payer méritent davantage l’attention des consommateurs que ceux que des facteurs de pertinence tels que l’emplacement ou la réputation suggèrent. Cet exemple met en évidence la responsabilité des plateformes de réfléchir profondément aux conséquences de la répartition de leur attention. En bref, les compromis ne sont pas toujours évidents, et l’évaluation des préjudices causés à l’une ou l’autre partie nécessite une analyse minutieuse.

3.2. Amazon Marketplace : la publicité comme rente extractive

Bien que saluée par les actionnaires et les analystes comme un triomphe de la stratégie commerciale, générant d’énormes profits pour l’entreprise, l’activité publicitaire d’Amazon Marketplace semble offrir peu d’avantages aux utilisateurs ou aux fournisseurs (qui, dans le cas du marché tiers d’Amazon, sont également ses annonceurs). Les utilisateurs voient moins de résultats que les algorithmes d’Amazon ont calculés comme correspondant idéalement à leur recherche, et voient à la place des publicités, dont la pertinence est souvent moindre.

Dans Rock et al. (référence Rock, Strauss, O’Reilly et Mazzucato 2023), nous avons comparé le classement organique d’un résultat de recherche avec le classement publicitaire du même résultat.Note de bas de page ³³ Nous avons constaté qu’en moyenne, une publicité augmentait la visibilité d’un produit potentiellement inférieur (selon les algorithmes d’Amazon) de 5 à 50 positions, avec une augmentation médiane de 17 positions. Nous avons également constaté qu’il est plus important pour les annonces sponsorisées que pour les annonces organiques d’occuper des positions élevées sur l’écran, ce qui suggère que les utilisateurs ne trouvent pas les produits les plus pertinents dans les premières places du classement.

La publicité peut présenter certains avantages pour les commerçants qui cherchent à accroître la visibilité de nouveaux produits de haute qualité (qui peuvent avoir moins d’avis et moins d’historique de clics et d’achats), mais dans l’ensemble, l’activité publicitaire d’Amazon semble simplement constituer une taxe supplémentaire imposée aux commerçants plutôt que de leur apporter une valeur ajoutée. Elle augmente leurs coûts d’exploitation, qui peuvent être répercutés sur les consommateurs sous la forme de prix plus élevés. Nous avons constaté que les produits les plus cliqués sont environ 17 % plus chers que les produits organiques (16,5) et un tiers moins pertinents (classement organique de 4 contre 3).

Pourquoi les vendeurs tolèrent-ils ce comportement ? Comme l’indique la récente plainte déposée par la Commission fédérale du commerce des États-Unis contre Amazon (Graham, Référence Graham2023),Note de bas de page ³⁴, l’entreprise a utilisé des exigences contractuelles pour augmenter les coûts de changement et empêcher les vendeurs de proposer des prix plus bas sur des marchés concurrents, voire sur leurs propres sites. D’autres techniques consistent à punir les vendeurs qui n’achètent pas de services tels que la logistique et la publicité auprès d’Amazon en les condamnant à une invisibilité algorithmique virtuelle. Nous explorons ce sujet plus en détail dans l’article complémentaire « Amazon’s Algorithmic Rents » (Strauss et al., référence Strauss, O’Reilly et Mazzucato2023) .

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 rentabilité globale de sa stratégie. Selon Stone (référence Stone2021), « lorsque les publicités sponsorisées étaient mises en avant, on observait une légère baisse statistiquement détectable à 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’aliéner les clients en diffusant trop de publicités, il a choisi d’aller de l’avant avec détermination, affirmant que les conséquences néfastes à long terme devraient être d’une ampleur invraisemblable pour l’emporter sur les gains potentiels et les opportunités d’investissement qui pourraient en résulter. »

Les dommages causés à Amazon peuvent être une descente progressive ou une chute soudaine. À partir de quand les dommages causés à la marque et à la réputation s’accumulent-ils au point que les consommateurs commencent à moins faire confiance à Amazon, à moins acheter sur Amazon et à faire l’effort d’essayer d’autres alternatives ? Si Amazon subit des coûts lents et progressifs du fait de ses activités, il y a plus d’espoir qu’elle change son comportementFootnote ³⁵ que si elle ne subit aucun coût, à moins que les régulateurs ne les lui imposent.

3.3. Réseaux sociaux : l’engagement est une arme à double tranchant

Il est plus difficile d’évaluer l’optimalité des plateformes de réseaux sociaux, qui peuvent être utilisées à des fins utilitaires ou de divertissement, que celle des plateformes utilitaires telles que les moteurs de recherche ou le commerce électronique. Si l’utilisateur cherche simplement à se divertir, un flux algorithmique optimisé pour l’engagement peut sans doute correspondre à ce qu’il souhaite, comme le démontre le succès de TikTok. Et surtout lorsqu’elles sont basées sur des données personnalisées, les publicités peuvent être très pertinentes et apporter une valeur ajoutée aux consommateurs. Mais si un engagement plus important et un temps passé plus long sur un site de réseau social peuvent, à première vue, être considérés comme un signe que les utilisateurs y trouvent plus de valeur, il existe également des inconvénients, à commencer par un comportement addictif, et lorsque l’engagement est motivé par des publications alimentant la colère, le doute de soi, la désinformation ou la controverse.

Les recommandations des réseaux sociaux, qui contiennent des publicités directement dans le fil d’actualité, incitent les plateformes à attirer l’attention des utilisateurs en augmentant leur engagement. Plus le temps passé sur la plateforme est long, plus la surface publicitaire est importante. Ainsi, les consommateurs peuvent voir une proportion plus élevée d’histoires optimisées pour des formes « néfastes » d’engagement, notamment celles qui sont controversées, provocantes, contiennent des informations erronées ou sont autrement préjudiciables aux consommateurs. Comme le note Stray (référence Stray2021) , à long terme, les entreprises ont intérêt à gérer un « bon » engagement afin que les utilisateurs ne les quittent pas, mais à court terme, elles peuvent tirer profit même d’un « mauvais » engagement.

Les annonceurs sont également lésés lorsque leurs publicités sont associées par algorithme à des contenus inappropriés (Internet Advertising Bureau, 2020). Seule la plateforme en tire profit, c’est pourquoi nous considérons que ces systèmes sont mûrs pour la rente d’attention. Des recherches supplémentaires sont nécessaires.

4. Mesurer les rentes d’attention algorithmiques

Les plateformes actuelles sont des environnements riches en données, où les préjudices peuvent être mesurés et estimés directement. Les organismes de réglementation antitrust comprennent désormais des équipes chargées des données (Hunt, référence Hunt2022), mais ils restent entravés par le fait que les plateformes ne fournissent pas régulièrement d’informations sur leur fonctionnement et leurs données (section 5.2).

Mesurer dans quelle mesure les annonces sponsorisées ont remplacé les résultats de recherche organiques est un moyen de comprendre si ces plateformes abusent ou non de leur pouvoir de marché. Nous partons du principe que si, comme les plateformes l’ont promis et démontré, leurs algorithmes visent à répartir au mieux l’attention, l’écart entre les résultats organiques et les résultats payants fournit des preuves de rentes et de préjudices. En utilisant cette approche, la présence de rentes d’attention algorithmiques peut être déduite comme suit :

1. Comparer le classement organique d’un produit avec son classement payant afin de déterminer dans quelle mesure la plateforme privilégie des résultats que son algorithme organique juge inférieurs. Par exemple, sur Amazon, les résultats publicitaires payants classent souvent un produit plus haut, parfois beaucoup plus haut, que le classement organique du même produit et que d’autres produits mieux classés organiquement (Rock et al., Référence Rock, Strauss, O’Reilly et Mazzucato 2023).
2. Examiner si les publicités apportent des informations supplémentaires aux consommateurs. Par exemple, sur Amazon, la liste organique d’un produit et une liste payante (publicité) identique pour le même produit apparaissent souvent côte à côte. Cette duplication réduit la variété. Aucune nouvelle information n’est fournie. Au contraire, les nouvelles informations nettes sont supprimées.
3. Comparer la qualité des résultats algorithmiques organiques d’une plateforme dominante avec les allocations organiques proposées par d’autres plateformes moins dominantes qui sont confrontées à des pressions concurrentielles. Par exemple, il est possible de comparer les résultats de recherche de produits d’Amazon sur sa place de marché avec ceux de Google Shopping, ou les résultats de Google Travel avec ceux d’un site tel que TripAdvisor. Cela implique une évaluation de la qualité relative des résultats organiques, ce qui peut être une tâche très complexe et nécessitant beaucoup de données.
4. Examiner si les informations (y compris la qualité des informations) qu’une entreprise ou un consommateur pourrait raisonnablement s’attendre à trouver sur un marché concurrentiel sont disponibles (Areeda et Hovenkamp, référence Areeda et Hovenkamp 2023). Note de bas de page ³⁶ Par exemple, sur un marché concurrentiel, un consommateur s’attendrait à trouver le prix total (et unitaire) d’un bien ou d’un service affiché pour faciliter les comparaisons d’achats. Pourtant, cette information est souvent cachée en ligne. Airbnb, par exemple, n’a commencé que récemment à afficher les prix totaux des hébergements (y compris les frais de nettoyage) (Airbnb, 2022). La pratique dite du « drip pricing » (Fletcher, référence Fletcher2012), qui consiste à ne montrer initialement qu’une partie du prix au consommateur, est très répandue, mais peut être plus courante sur les plateformes ayant un pouvoir de marché plus important.Note de bas de page ³⁷Dans un autre exemple, des entreprises telles que Yelp et TripAdvisor se sont plaintes que les annonces de Google Travel ne font pas les mêmes efforts que ces petites plateformes pour filtrer les avis indésirables, ce qui reflète le pouvoir de marché supplémentaire de Google (Hawkins, référence Hawkins2018).Note de bas de page ³⁸ Les informations dégradées pourraient également concerner la qualité des résultats publicitaires (et des divulgations) qu’un annonceur pourrait raisonnablement attendre de la plateforme. Le ministère américain de la Justice a fait valoir dans son procès contre Google en 2023 que celui-ci avait dégradé la qualité des publicités dans les résultats de recherche en modifiant son système de correspondance des mots clés. Cela reflète le monopole de Google sur « quand et où » une publicité apparaît (États-Unis d’Amérique c. Google LLC, 2020, p. 6) .
5. Examiner si les publicités ont augmenté (et si la production organique a diminué) au-delà du niveau raisonnablement nécessaire pour que la plateforme obtienne un rendement concurrentiel sur le capital investi. Il est toujours difficile d’estimer un niveau de rendement raisonnable, en particulier dans un nouveau secteur où les normes ne sont pas encore largement établies et où les effets de réseau créent des niveaux élevés de concentration. Cependant, un aperçu historique des indicateurs financiers et opérationnels de la plateforme peut fournir certaines perspectives. Par exemple, si le bénéfice par utilisateur (ou par recherche, par session ou autre mesure pertinente du service fourni) continue d’augmenter une fois que la croissance du nombre d’utilisateurs s’est stabilisée, sans réduction démontrée des coûts ou avantages proportionnés pour l’écosystème, cela suggérerait une augmentation de la monétisation au-delà du niveau précédemment considéré comme suffisant pour fournir le service. Cette croissance de la monétisation devrait être lié au niveau global des marges bénéficiaires ou à la croissance des bénéfices de la plateforme pour être considéré comme abusif ou supérieur à la normale. Note de bas de page ³⁹La publicité doit être examinée en combinaison avec les autres frais et prix facturés par une plateforme afin d’évaluer son caractère raisonnable. Par exemple, Apple justifie la commission de 30 % qu’elle facture pour les achats sur son App Store en la reliant à divers investissements et avantages pour les utilisateurs, tels que la confidentialité et la qualité (Epic Games c. Apple Inc., 2021). Cependant, Apple facture aux développeurs d’applications la visibilité sur son App Store en réservant les meilleurs emplacements d’affichage et de résultats pour la publicité. Ces deux frais combinés (publicité et commission) sont nettement supérieurs à 30 % (Kuriata, référence Kuriata 2022). Les informations financières divulguées par l’entreprise, qui classent ces deux sources de revenus dans des catégories différentes, contribuent à masquer le coût total pour les développeurs d’applications.

La plupart des données utilisées pour ces évaluations proviennent d’une littérature abondante publiée par la communauté du référencement naturel, les consultants en marketing sur les réseaux sociaux, les consultants en commerce électronique, etc. Ces données permettent de mieux comprendre les facteurs qui déterminent les classements algorithmiques et les recommandations. Les plateformes elles-mêmes donnent des indices intéressants dans leurs annonces, leurs articles de blog, leurs présentations lors de conférences et leurs lettres annuelles aux actionnaires (O’Reilly et al. , référence O’Reilly, Strauss et Mazzucato2023a). En outre, il existe de nombreuses études ponctuelles réalisées par des universitaires, des consultants, des sociétés de données sur les marchés ou la publicité et, parfois, des régulateurs. Ces études consistent généralement en une analyse statistique d’un instantané des données extraites du web à un moment donné. Par exemple, d’après une étude portant sur 1,4 milliard de recherches effectuées par 28 millions de citoyens britanniques (Goodwin, Référence Goodwin2012), nous savons qu’en 2011, 94 % des clics sur Google étaient organiques et que seulement 6 % concernaient des publicités. Mais nous n’avons aucune idée du ratio dans différents pays, de ce qu’il est aujourd’hui, ni de la façon dont il a évolué au fil des ans, Google ayant mis à jour ses algorithmes et la conception de ses écrans.

Bien que les informations issues d’études comme celle-ci soient utiles, elles mettent en évidence une lacune flagrante dans l’appareil réglementaire : l’absence de obligation pour les plateformes de divulguer régulièrement les indicateurs opérationnels qui guident réellement la conception de leurs algorithmes, mesurent leurs résultats et, en fin de compte, contrôlent la monétisation de l’attention des utilisateurs.

5. Quelques interventions réglementaires possibles

La théorie des rentes algorithmiques et les données disponibles dans des études telles que celle que nous avons menée suggèrent quelques interventions réglementaires relativement simples.

5.1. Réglementation des résultats et des préférences algorithmiques

Pour les systèmes algorithmiques basés sur la recherche, y compris les boutiques d’applications et le commerce électronique, les régulateurs pourraient imposer les exigences suivantes :

1. Un pourcentage des positions à l’écran recevant la plus grande part d’attention pourrait être réservé aux résultats organiques.
2. Lorsque les publicités reproduisent les résultats organiques et ne fournissent aucune information supplémentaire (comme sur la place de marché Amazon), la réglementation pourrait exiger que le résultat organique apparaisse en premier, à la position la plus susceptible d’être cliquée.
3. Lorsqu’il existe une correspondance exacte avec la requête d’un utilisateur (comme dans le cas d’une recherche d’un produit par nom de marque sur Amazon), le résultat organique correspondant exactement doit être le premier résultat.

Pour les systèmes algorithmiques basés sur les flux, tels que TikTok, Twitter et Instagram :

1. Les plateformes pourraient être tenues de proposer des préférences « persistantes » aux utilisateurs, plutôt que de leur demander de réaffirmer sans cesse leurs souhaits (par exemple, sur Instagram, l’utilisateur peut choisir de ne voir que les publications des personnes qu’il suit ou qu’il a marquées comme favorites, mais le flux revient presque immédiatement aux préférences algorithmiques de la plateforme propres préférences algorithmiques en matière de flux). En général, lorsque les utilisateurs choisissent de ne pas adopter un nouveau comportement proposé par les plateformes, cette préférence devrait être permanente.
2. Les modèles qui détournent l’attention, tels que la lecture automatique des vidéos, pourraient nécessiter une expression explicite de la préférence.

Cependant, ces interventions présentent plusieurs défauts :

1. Le comportement des plateformes est une cible mouvante, avec de nouvelles fonctionnalités, des mises à jour constantes des algorithmes et des changements de conception.
2. Les interventions réglementaires sont susceptibles d’être contrées par les plateformes, tout comme celles-ci contrarient les tentatives des utilisateurs et des acteurs du marché de « manipuler » leurs algorithmes.
3. Des réglementations trop spécifiques pourraient involontairement étouffer des innovations légitimes qui profiteraient non seulement aux plateformes, mais aussi à leurs utilisateurs et aux acteurs du marché.

Le problème plus fondamental auquel les régulateurs doivent s’attaquer est que les mécanismes par lesquels les plateformes mesurent et gèrent l’attention des utilisateurs sont mal compris. Une réglementation efficace dépend d’une meilleure divulgation des informations.

5.2. La nécessité d’une divulgation régulière et obligatoire des indicateurs de performance

Les plateformes elles-mêmes collectent de nombreux indicateurs de performance détaillés afin d’évaluer et de gérer les performances de leurs propres systèmes visant à 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 manière dont ils sont monétisés, ainsi que l’impact des nouveaux services et designs sur leur utilisation et leur monétisation. Elles connaissent le volume publicitaire. Elles connaissent le ratio entre les clics organiques et les clics publicitaires. Elles savent combien de trafic est envoyé vers des sites externes, par segment de marché. Elles connaissent le volume brut de marchandises d’une place de marché ou d’une boutique d’applications, et elles savent quel pourcentage elles perçoivent en frais. Et elles savent comment chacune de ces mesures se compare aux périodes précédentes — et comment ces changements résultent des mises à jour de la conception de leur interface et de leurs algorithmes — tout comme elles connaissent leurs coûts de personnel, leurs coûts d’équipement, leurs revenus et leurs bénéfices. Mais seules les mesures financières sont communiquées de manière régulière et cohérente, et ces rapports financiers sont presque totalement déconnectés des mesures opérationnelles qui sont utilisées pour gérer une grande partie de l’activité (O’Reilly et al., référence O’Reilly, Strauss et Mazzucato 2023a).

L’absence de divulgation des mesures opérationnelles pour la partie gratuite des agrégateurs Internet constitue une lacune flagrante dans le dispositif réglementaire. Les coûts, les revenus, les bénéfices et autres indicateurs financiers peuvent suffire pour comprendre une entreprise basée sur des intrants et des extrants tangibles, mais ils ne sont pas adaptés aux entreprises de l’information dont les actifs et les activités sont en grande partie intangibles et dont le pouvoir de marché s’exerce par la fourniture de services gratuits aux consommateurs (Mazzucato et al., référence Mazzucato, Strauss et Ryan-Collins2023).

Compte tenu de la taille des grandes entreprises Internet, ces indicateurs doivent être fortement désagrégés, tant sur le plan géographique que sur le plan des produits. À elle seule, la société mère de Google, Alphabet, propose plus de neuf produits gratuits à plus d’un milliard d’utilisateurs, mais elle ne déclare qu’une seule activité principale : la « publicité ». Le lien entre ses revenus et les produits et services gratuits sous-jacents est totalement opaque. Meta divulgue également peu d’informations désagrégées sur des produits tels que Facebook, Instagram, WhatsApp et Messenger, qui comptent chacun des milliards d’utilisateurs. Ce schéma se répète dans tout le secteur.

Même les produits qui sont directement monétisés ne doivent souvent pas être ventilés en détail, en raison de règles obsolètes en matière d’information sectorielle. La réglementation américaine sur les valeurs mobilières exige des entreprises qu’elles ventilent les détails financiers de toute activité commerciale (ou « segment ) représentant plus de 10 % du chiffre d’affaires ou du bénéfice, mais dans la pratique, elles laissent à la direction le soin de décider quels segments sont déclarés. Cela a permis à Amazon de cacher pendant des années la croissance et la rentabilité remarquables de son activité Amazon Web Services, et à Apple de prétendre, en réponse à un procès intenté par Epic Games, qu’elle ne connaissait pas réellement la rentabilité de son App Store (Mazzucato et al., référence Mazzucato, Strauss et Ryan-Collins2023) . Mais surtout, cela leur permet de dissimuler le fonctionnement de la partie gratuite des produits qui sous-tendent leur énorme pouvoir de marché.

La première étape la plus importante consiste à comprendre tout ce qui est laissé de côté lorsque le pouvoir de marché est mesuré uniquement en termes financiers. Nous vivons dans une économie de l’attention. Un produit comme Google Maps, qui compte plus d’un milliard d’utilisateurs, génère des revenus insignifiants par rapport au total d’Alphabet (peut-être 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 opportunités des petites entreprises de cartographie comme ESRI ou Garmin, dont les modèles commerciaux sont plus traditionnels . Les règles de reporting sectoriel devraient être déclenchées par le nombre d’utilisateurs actifs d’un produit, et pas seulement par sa contribution au chiffre d’affaires ou au bénéfice de l’entreprise.

5.3. Quelques indicateurs opérationnels recommandés

La compréhension des indicateurs opérationnels à déclarer pour les produits et services gratuits en est encore à ses balbutiements. Contrairement aux indicateurs financiers requis pour l’aspect financier des entreprises, qui trouvent leur origine dans des systèmes comptables remontant au XIIIe siècle, les indicateurs utilisés pour régir les entreprises algorithmiques ne datent, au mieux, que de quelques décennies. Néanmoins, nous devons nous lancer.

Tous les indicateurs devraient être communiqués chaque trimestre, avec plus de détails chaque année, dans le cadre des obligations d’information financière existantes imposées aux entreprises cotées en bourse. Et comme une vue historique serait utile, dans la mesure du possible, l’introduction d’une telle communication devrait nécessiter un retour en arrière d’au moins plusieurs années, et idéalement beaucoup plus longtemps. Comme indiqué ci-dessus, les indicateurs devraient également être ventilés par produit, avec une obligation de déclaration pour tout produit comptant plus de 100 millions d’utilisateurs mensuels. Ils devraient également être ventilés par pays et par type d’appareil (ordinateur de bureau ou mobile).

Voici quelques-uns des indicateurs qui seraient utiles pour examiner les rentes d’attention monétisées par la publicité :

1. Charge publicitaire. Étant donné que toutes les pages ne contiennent pas le même nombre de publicités (sur Google, par exemple, de nombreuses pages de résultats de recherche sont non commerciales et ne contiennent aucune publicité), la charge publicitaire devrait être déclarée par décile ou selon un autre cadre qui met en évidence la concentration des publicités sur les pages les plus monétisées.
2. Ratio entre les clics organiques et les clics publicitaires. Là encore, par décile ou selon un autre format pondéré.
3. Taux de clics moyen du premier résultat organique. Proportion d’utilisateurs qui visitent la page et cliquent sur le premier résultat organique.
4. Taux de clics moyen de la première publicité. Proportion d’utilisateurs qui visitent la page et cliquent sur la première publicité.
5. Quantité de trafic redirigé vers des sites tiers. Ce chiffre doit être ventilé par segment de marché, tel que l’actualité, le divertissement, le commerce, les voyages, la recherche locale, etc.
6. Volume de trafic redirigé vers les autres produits et services de l’entreprise. Ce chiffre peut être détaillé en fonction de la source du trafic. Par exemple, il serait utile de savoir combien d’utilisateurs accèdent à Google Search depuis Chrome sur des appareils Apple par rapport à Chrome sur Android, par rapport à d’autres navigateurs tels que Firefox.
7. Volume brut de marchandises (pour les plateformes de commerce électronique). Sans cette information, il est impossible de déterminer le pourcentage de toutes les redevances prélevées sur les participants tiers au marché.
8. Revenus bruts provenant des redevances, y compris la publicité des participants au marché (pour les plateformes de commerce électronique et les boutiques d’applications).
9. Un récit de monétisation explique la relation entre ces différents indicateurs décrivant le côté gratuit de leur plateforme et leur monétisation sur d’autres côtés de la plateforme.

Idéalement, les régulateurs, en collaboration avec les acteurs coopératifs du secteur, définiraient des indicateurs à déclarer sur la base de ceux qui sont réellement utilisés par les plateformes elles-mêmes pour gérer la recherche, les médias sociaux, le commerce électronique et d’autres moteurs algorithmiques de pertinence et de recommandation. Ces indicateurs devraient ensuite être normalisés et rendus obligatoires. Certains indicateurs peuvent légitimement être considérés comme des secrets commerciaux, mais beaucoup sont communs à la plupart, voire à la totalité, des entreprises Internet du même type.

Il convient également de noter que les indicateurs opérationnels des grands acteurs technologiques sont une cible mouvante, constamment mise à jour à mesure que les plateformes continuent d’innover. C’est donc également l’occasion de mettre à jour le processus de normalisation par lequel les indicateurs à déclarer sont , en imposant la communication actualisée et en temps utile de tout changement significatif dans les indicateurs opérationnels.

Les plateformes affirmeront, avec une certaine justification, que la divulgation nuira à leurs activités, car elle permettra à des tiers de manipuler plus facilement leurs systèmes. Mais cela s’apparente à l’ancienne approche de la cybersécurité, qui consistait à « sécuriser par l’obscurité ». Nous avons appris qu’il vaut mieux trouver et corriger les vulnérabilités que les cacher.

Cela est particulièrement important à l’heure où nous entrons dans l’ère des grands modèles linguistiques (LLM) et de l’IA générative, la prochaine génération de machines de gestion de l’attention prédite par Herbert Simon. On ne peut pas réglementer ce que l’on ne comprend pas (O’Reilly, référence O’Reilly2023). Il ne suffit pas de se fier aux assurances des acteurs puissants qui affirment faire de leur mieux. Des indicateurs réguliers et communicables permettront aux investisseurs, au public, aux régulateurs et aux plateformes elles-mêmes de mieux comprendre et exploiter des marchés véritablement libres qui, comme le croyaient les économistes classiques tels qu’Adam Smith et David Ricardo, ne sont pas des marchés exempts d’intervention gouvernementale, mais des marchés exempts de rentes (Mazzucato, référence Mazzucato2018).

6. Conclusion : IA et attention

Bien que cet article se concentre sur l’état actuel des rentes d’attention algorithmiques, nous sommes loin d’en avoir fini avec l’évolution du contexte institutionnel de la prise de décision humaine en ligne. Les LLM actuels ne fournissent pas de choix classés, mais des réponses. Ils n’envoient pas (à l’heure actuelle) de trafic ou d’autres compensations vers des contenus, des sites ou des applications tiers, et ne dépendent pas non plus des clics et des vues. Ils n’ont pas (encore) de modèle économique basé sur la publicité. Pourtant, ils sont tout à fait cohérents avec l’idée centrale de cet article, car ils dépendent de l’acceptation par les utilisateurs de la pénétration croissante de l’autorité algorithmique (Choudhury et Shamszare, référence Choudhury et Shamszare2023), non seulement dans la prise de décision quotidienne, mais aussi, de plus en plus, dans la pensée quotidienne.

L’attention et les heuristiques conservatrices de la cognition aident à expliquer en grande partie la trajectoire actuelle des LLM d’aujourd’hui et d’autres systèmes d’IA « pionniers ». Newell et Simon (référence Newell et Simon1975) considéraient que l’intelligence humaine et l’intelligence artificielle étaient inextricablement liées à l’utilisation du contexte et de la sélectivité pour créer des solutions plus efficaces, guidées et approximatives, tant pour les humains que pour les machines.Note de bas de page ⁴⁰

À mesure que les plateformes évoluent, l’IA pourrait non seulement guider et remplacer la prise de décision humaine, mais aussi la pensée humaine (cognition). Les LLM peuvent utiliser les informations existantes en créant des résultats nouveaux ou résumés à partir de ces informations, et non en les classant. À mesure que l’IA s’améliore, ces résultats pourraient devenir de plus en plus originaux, transcendant peut-être leurs entrées et créant de nouvelles connaissances et de nouvelles possibilités. Mais même aujourd’hui :

1. Le modèle peut faire économiser aux utilisateurs d’énormes coûts cognitifs et beaucoup de temps. Il exige peu d’attention de la part des utilisateurs et améliore ainsi le gain de temps net offert aux utilisateurs par les plateformes et services de productivité existants. Mais en même temps, il exige une confiance encore plus grande de la part des utilisateurs dans la fiabilité et l’équité du modèle et de la plateforme qui le fournit.
2. Le modèle produit un service probabiliste pour ses utilisateurs. Pour ce faire, il consomme des informations dans un processus de production (« apprentissage ») afin de produire des résultats qui peuvent varier à chaque fois. De la même manière, un orchestre s’entraîne pour acquérir des compétences, puis chaque représentation peut varier en fonction de l’occasion. Il est donc encore plus difficile de mesurer les mauvais comportements de l’extérieur, ce qui rend encore plus urgente la nécessité de divulgations préventives.
3. Si la première génération de LLM n’était pas mise à jour en temps réel grâce à l’interaction avec les utilisateurs, les fournisseurs et les annonceurs, cela est en passe de changer. Les premières instanciations des applications web actuelles étaient également des captures relativement statiques d’un moment donné, et ce n’est qu’avec les progrès technologiques qu’elles ont commencé à être mises à jour rapidement. Mais même aujourd’hui, ces modèles dépendent du contenu créé par les humains, c’est-à-dire du vaste corpus de connaissances et de créativité humaines sur lequel ils ont été formés.

Malgré, et peut-être en raison de toutes ces différences entre les algorithmes actuels de recherche, de recommandation et de flux et les LLM, la nécessité d’une divulgation est primordiale. Comme leurs prédécesseurs, ces systèmes LLM internalisent et centralisent un vaste marché de connaissances et d’expériences humaines. Tels qu’ils sont actuellement mis en œuvre, les systèmes d’IA ne prêtent aucune attention ni ne rémunèrent les fournisseurs de contenu utilisés pour former le modèle. Comme dans les systèmes actuels, les contributions humaines sont considérées comme des matières premières pouvant être appropriées par le développeur du système. Si l’histoire est une référence, le contrôle de ces matières premières par les plateformes d’IA de pointe conduira à terme à la recherche d’un modèle commercial permettant l’extraction de rentes de monopole.

En repensant à ce que nous savons aujourd’hui des plateformes actuelles, nous ne pouvons que regretter l’absence d’un régime de divulgation qui nous aurait permis de connaître l’état de ces systèmes lorsque leurs créateurs se concentraient sur le service à leurs utilisateurs et aux autres partenaires de l’écosystème, et nous aurait ainsi indiqué quand et comment ils ont commencé à s’écarter de cette voie pour extraire des rentes économiques à leur propre profit. Tout comme leurs prédécesseurs, ces systèmes d’IA de pointe sont gérés par des indicateurs dont les détails ne sont connus que de leurs créateurs et ne sont divulgués au monde extérieur que par le biais de généralités et de données sporadiques, souvent intéressées. Le moment est venu d’établir des règles pour la divulgation des indicateurs de fonctionnement des systèmes d’IA de pointe (O’Reilly, référence O’Reilly2023).

Nous n’en sommes encore qu’aux prémices de l’économie de l’attention, et l’innovation doit pouvoir s’épanouir. Mais cela rend d’autant plus nécessaire la transparence et la mise en place de cadres de référence qui permettront aux régulateurs de mesurer si les systèmes d’allocation de l’attention, y compris les systèmes d’IA de pointe, s’améliorent ou se détériorent au fil du temps. Une plus grande visibilité publique sur le fonctionnement de ces plateformes, associée à une élaboration de politiques plus éclairée, peut conduire à un meilleur comportement de la part de ceux qui possèdent et gèrent ces systèmes, à des écosystèmes de création de valeur plus équilibrés et à une utilisation optimale des connaissances dans la société.

Déclaration de disponibilité des données

Toutes les données secondaires utilisées dans cet article ont été citées et sont disponibles à la demande de leurs auteurs. Contactez rufus.rock.21@ucl.ac.uk pour les données citées dans Rock et al. (Référence Rock, Strauss, O’Reilly et Mazzucato2023).

Remerciements

Les auteurs remercient Jennifer Pahlka, Bill Janeway, Greg Linden, Betsy Masiello et Derek Slater pour leurs commentaires utiles. Toutes les erreurs sont les leurs.

Contribution des auteurs

Rédaction – version originale : M.M., T.O., I.S. ; Rédaction – révision et édition : M.M., T.O., I.S.

Déclaration de financement

Cette recherche a été soutenue par le réseau Omidyar.

Conflit d’intérêts

Il n’existe aucun conflit d’intérêts susceptible d’influencer de manière indue les opinions exprimées dans cet article.

Déclaration de provenance

Cet article a été publié sous forme de document de travail (O’Reilly et al., Référence O’Reilly, Strauss et Mazzucato2023b).

Notes

¹ Pour des preuves concernant ce cycle pour Google et Search, voir États-Unis d’Amérique c. Google LLC (2020).

² Pour être clair, il n’existe pas de résultat unique qui soit le meilleur pour tous les utilisateurs, c’est pourquoi Google, par exemple, proposait traditionnellement 10 résultats parmi lesquels l’utilisateur pouvait choisir. Mais ce que nous observons aujourd’hui, c’est une réduction de l’éventail des options proposées aux utilisateurs, la plateforme faisant davantage de choix à leur place, souvent dictés par des considérations commerciales et non par l’intérêt des utilisateurs.

³ Invariant par rapport aux variations de prix (courbe d’offre verticale), pour un aperçu, voir : Alchian (référence Alchian, Durlauf et Blume2017) et Mazzucato (référence Mazzucato2018).

⁴ Les rentes peuvent simplement refléter les rendements obtenus par un facteur (Alchian, référence Alchian, Durlauf et Blume 2017). Mais les rentes peuvent également refléter un écart entre la contribution d’un facteur à la production et ce qu’il reçoit en retour. Voir, par exemple, Samuelson et Nordhaus (référence Samuelson et Nordhaus 2010) qui montrent l’écart entre le salaire et le produit marginal de chaque travailleur. Pour une discussion sur la rente néoclassique en tant qu’« excédent par rapport au coût d’opportunité » et son lien avec les théories du profit, voir Blaug (référence Blaug 1997, p. 439).

⁵ Voir, par exemple, Ricks et McCrosky (référence Ricks et McCrosky2022) sur l’inefficacité des contrôles des préférences des utilisateurs de YouTube.

⁶ Hovenkamp (référence Hovenkamp2020, p. 1961) note que « l’évaluation du pouvoir sur les plateformes bilatérales nécessite de prendre en compte les réactions qui se produisent du côté opposé ».

⁷ Rochet et Tirole (référence Rochet et Tirole 2006) notent qu’« un facteur qui favorise un prix élevé d’un côté, dans la mesure où il augmente la marge de la plateforme de ce côté, tend également à exiger un prix bas de l’autre côté, car il devient plus rentable d’attirer des membres de cet autre côté ».

⁸ Dans Wilkes (référence Wilkes2012), Jeff Wilkes, cadre chez Amazon, explique dans une présentation interne au personnel d’Amazon comment Jeff Bezos a eu cette idée pour la première fois. Il existe désormais une littérature abondante sur le management qui explique ce concept.

⁹ Foley (référence Foley2008, p. 160) note que dans la théorie économique néoclassique, « la quantité des différentes marchandises disponibles pour la société doit être considérée comme donnée, de sorte que leur rareté relative puisse déterminer leur utilité marginale et donc leur prix ». Les prix du marché sont alors « exactement analogues aux ratios d’utilités marginales qu’un individu égalise en effectuant une allocation rationnelle des ressources ». Foley poursuit (référence Foley2008, p. 171) : « L’idée que le but de l’activité économique est la satisfaction des consommateurs individuels est profondément ancrée dans la structure de la pensée marginaliste, qui considère l’évaluation subjective de l’utilité comme le facteur régulateur du prix et de la valeur ».

¹⁰ Au cœur du PageRank, l’algorithme de qualité de recherche développé par les fondateurs de Google, Larry Page et Sergey Brin, lorsqu’ils étaient étudiants diplômés à Stanford, se trouvait la conviction que, bien que « l’importance d’une page Web soit une question intrinsèquement subjective », un algorithme pouvait les classer « objectivement et mécaniquement » en « mesurant efficacement l’intérêt et l’attention que leur portent les humains » (Brin, référence Brin1998) .

¹¹ Pour un aperçu de ce processus chez Amazon, voir Sorokina et Cantu-Paz (Référence Sorokina et Cantu-Paz2016). Bien que les algorithmes décrits dans l’article aient sans doute été mis à jour depuis sa rédaction, celui-ci offre un aperçu inestimable du processus d’apprentissage algorithmique.

¹² Kahneman (référence Kahneman2011) note que « l’expression souvent utilisée « faire attention » est appropriée : vous disposez d’un budget d’attention limité que vous pouvez allouer à des activités, et si vous essayez de dépasser votre budget, vous échouerez ». L’Autorité de la concurrence et des marchés CMA (2022) décrit comment les architectures de choix en ligne peuvent nuire aux utilisateurs.

¹³ Simon (référence Simon1978b, p. 12) note que « la ressource rare est la capacité de calcul, c’est-à-dire l’esprit ».

¹⁴ Pour Sen (référence Sen, Durlauf et Blume2017), la satisfaction est « un niveau cible de réussite », mais peut être interprétée comme une optimisation.

¹⁵ Pour l’autre modèle théorique principal des clics, le modèle en cascade, voir Craswell et al. (référence Craswell, Zoeter, Taylor et Ramsey2008). Pour une critique, voir Wang et al. (référence Wang, Golbandi, Bendersky, Metzler et Najork2018).

¹⁶ Peut-être en raison de l’attention portée par les régulateurs aux préjudices liés à la collecte des données de parcours de navigation des utilisateurs, Google nie que ces données aient été utilisées comme facteur de classement officiel. Quoi qu’il en soit, l’entreprise note désormais que les améliorations apportées à l’analyse de texte intégral grâce à l’IA rendent les données de parcours de navigation des utilisateurs moins importantes. Voir Goodwin (référence Goodwin2023).

¹⁷ Petrescu (référence Petrescu2014) note que « nous avons constaté qu’en moyenne, la présence de publicités sur une page de résultats de recherche entraînait une baisse de 30 % du CTR organique de la première position , passant de 25,7 % en l’absence de publicités à 17,9 % lorsque des publicités sont affichées ». Cet effet est probablement encore plus significatif aujourd’hui, alors que les publicités sont devenues beaucoup plus visibles, occupant les positions les plus susceptibles d’attirer l’attention et étant moins clairement identifiées comme telles.

¹⁸ Sur le même site ou sur plusieurs plateformes.

¹⁹ Bien qu’ils ne prennent en compte que les effets de réseau indirects, plutôt que les effets de réseau internes.

²⁰ Rochet et Tirole (référence Rochet et Tirole 2006) notent qu’« un facteur qui favorise un prix élevé d’un côté, dans la mesure où il augmente la marge de la plateforme de ce côté, tend également à entraîner un prix bas de l’autre côté, car il devient plus rentable d’attirer des membres de cet autre côté ». La dynamique est similaire à celle d’un modèle de goulot d’étranglement concurrentiel, comme l’expliquent Jullien et al. ( référence Jullien, Pavan, Rysman, Ho, Hortaçsu et Lizzeri2021). Les utilisateurs d’un côté du marché s’engagent principalement avec une seule plateforme (« single-home »), tandis que les utilisateurs de l’autre côté utilisent plusieurs plateformes (« multi-home »). Une fois qu’une plateforme a réussi à attirer le côté « single-home », elle dispose d’un plus grand pouvoir de marché lorsqu’elle traite avec le côté multi-home, et c’est généralement là qu’elle cherche à monétiser ou à réaliser des profits. Les annonceurs (multi-home) placent des publicités sur plusieurs moteurs de recherche, mais les utilisateurs utilisent généralement un seul moteur de recherche (single-home) pour la plupart de leurs requêtes.

²¹ Pour Newman (Référence Newman2015) , « les clients de produits à prix zéro paient pour ces produits, principalement en échangeant leur attention, leurs informations, ou les deux ». Pour une discussion critique, voir Strandburg (référence Strandburg2013).

²² Sur les pages qui intéressent les annonceurs — un grand pourcentage des pages de résultats de recherche Google ne contiennent aucune publicité.

²³ « Les clients qui ont acheté cet article ont également acheté », « Les clients qui ont consulté cet article ont également consulté », « Souvent achetés ensemble ».

²⁴ Pour Petit et Teece (référence Petit et Teece2020), « une fois qu’ils ont conduit les partenaires de l’écosystème à un résultat d’adoption solide et stable, les leaders de la plateforme pourraient être tentés de modifier les règles contractuelles ou technologiques à leur avantage ».

²⁵ De plus, (bien qu’Amazon le nie) étant donné que le volume des ventes d’un produit est l’un des facteurs de classement organique d’Amazon, l’absence de publicité peut également faire baisser le classement organique (Mitchell, référence Mitchell2023).

²⁶ Dans Rock et al. (référence Rock, Strauss, O’Reilly et Mazzucato2023), nous constatons que 95 % des trois publicités les plus cliquées sont simplement des duplicatas de listes de produits.

²⁷ Pour replacer cette information dans son contexte, il faut savoir qu’Amazon rend compte de l’ensemble de ses activités de commerce électronique de deux manières différentes. Dans son modèle « first party » (première partie) d’origine, elle achète des stocks à ses fournisseurs à prix réduit et les revend aux consommateurs, tirant profit de la différence entre le coût et le prix de vente, moins ses propres coûts d’exploitation, y compris l’entreposage, la préparation des commandes et la livraison, tout comme les autres détaillants. Dans son « marché tiers », les fournisseurs paient des frais pour que leurs produits soient référencés sur Amazon, ainsi que des frais supplémentaires pour l’entreposage et la préparation des commandes (un total de 117,7 milliards de dollars en 2022), mais continuent à supporter le risque lié aux stocks. À partir de 2014, la publicité a été ajoutée comme nouveau secteur d’activité. La publicité n’est pas comptabilisée comme un revenu provenant des services aux vendeurs tiers, mais comme une activité distincte. Cependant, la plupart des observateurs attribuent la grande majorité des revenus publicitaires d’Amazon à la place de marché tierce, car Amazon a remplacé les recommandations organiques et les résultats de recherche par des résultats publicitaires payants. Lors de conversations privées avec l’un des auteurs, le mieux que les initiés d’Amazon pouvaient dire des autres sources de publicité, telles que Amazon Prime TV, était qu’elles étaient « modestes, mais en pleine croissance ».

²⁸ La « théorie de l’agrégation » de Thompson fait la distinction entre ce qu’il appelle les agrégateurs, qui collectent et gèrent les informations et l’accès à un marché, et les véritables plateformes, qui fournissent des capacités servant de base à des tiers. Par exemple, l’App Store d’Apple pour iPhone est un agrégateur, tandis que son système d’exploitation iOS est une plateforme. Le marché du commerce électronique d’Amazon est un agrégateur, mais Amazon Web Services est une plateforme. Fulfillment by Amazon, la suite de services d’Amazon destinée aux commerçants tiers, peut également être considérée comme une plateforme, mais le marché lui-même est un agrégateur. Google Maps est une plateforme, tandis que la recherche Google est un agrégateur. Bien que cette distinction soit extrêmement utile, le terme « plateforme » est si largement utilisé dans la littérature que nous l’avons adopté ici.

²⁹ Hugonenc (référence Hugonenc2022) note que « l’attention gagnée est beaucoup plus efficace pour obtenir des résultats que l’attention acquise de force. Lorsque les consommateurs regardent volontairement une publicité, l’impact sur les indicateurs de la marque est nettement plus important que lorsque la publicité leur est imposée, quelle que soit la durée pendant laquelle ils la regardent ».

³⁰ Il existe de nombreux types de rentes algorithmiques qui peuvent être extraites des annonceurs et qui ne sont pas des rentes d’attention, mais purement et simplement des revenus obtenus grâce à une manipulation déloyale des algorithmes d’une plateforme. Par exemple, selon la plainte déposée en 2023 par le ministère américain de la Justice contre Google, la société a « conçu ses algorithmes d’enchères publicitaires de manière à inclure des variables ajustables connues en interne sous le nom de « boutons de tarification » ; Google ajuste ensuite ces variables pour augmenter les prix payés par les annonceurs ». La procédure de divulgation menée pendant le procès a permis de découvrir des courriels compromettants montrant que Google utilisait ces boutons de tarification pour compenser le manque à gagner dans ses prévisions de revenus dû à une baisse du volume de recherche. Voir la pièce à conviction UPX0522 : (États-Unis d’Amérique c. Google LLC, 2020) .

³¹ C’est également le cadre adopté en économie environnementale (voir Boyce, référence Boyce, Laurent et Zwickl2022).

³² Son enchères publicitaires tient compte de diverses mesures de la qualité des publicités avant d’autoriser la participation, même si elle admet que la qualité des publicités n’est en réalité pas prise en compte dans les enchères. Au lieu de cela, un faible score de qualité publicitaire peut signifier qu’un annonceur est purement et simplement interdit, ou qu’il doit payer plus cher pour remporter l’enchère (voir Google, 2023b).

³³ Il convient de noter que dans certains systèmes, tels que les résultats de recherche Google, la position ordinale est facile à déterminer. Sur Amazon, qui utilise un format de grille pour les résultats, l’ordinalité est plus complexe. Elle peut être lue de gauche à droite et de haut en bas, mais il peut être plus productif de développer un modèle pondéré en fonction de l’attention des emplacements les plus susceptibles d’être vus et cliqués 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. (Référence Rock, Strauss, O’Reilly et Mazzucato2023) , pour les produits qui ont une liste identique.

³⁴ Le texte intégral de la plainte peut être consulté dans Federal Trade Commission, et al. v. Amazon.Com, Inc. (2023).

³⁵ Décrivant les recherches sur les effets à long terme et à court terme d’une publicité excessive chez Google, Hohnhold et al. (référence Hohnhold, O’Brien et Tang 2015) notent que « la réduction de la charge publicitaire mobile a fortement amélioré l’expérience utilisateur, mais a entraîné une baisse substantielle des revenus à court terme… l’impact à long terme sur les revenus s’est avéré neutre. Ainsi, grâce à l’amélioration de la satisfaction des utilisateurs, ce changement a été globalement positif tant pour l’entreprise que pour les utilisateurs. »

³⁶ Accords relatifs à la publicité et à la diffusion d’informations sur les produits.

³⁷ Afin de réglementer ce comportement, la FTC envisage d’exiger des plateformes qu’elles affichent des « prix tout compris » (Commission fédérale du commerce des États-Unis, 2022 ; FTC, 2023) . La CMA et le ministère britannique des Affaires et du Commerce ont formulé des recommandations similaires (Hollinrake, référence Hollinrake2023).

³⁸ Une réglementation plus stricte des faux avis est à l’étude au Royaume-Uni (Hollinrake, référence Hollinrake2023 ; Commission fédérale du commerce des États-Unis, 2023) et aux États-Unis.

³⁹ Pour l’exploitation dans le droit européen, voir Whish et Bailey (référence Whish et Bailey2021, pp. 201-202).

⁴⁰ Newell et Simon (référence Newell et Simon1975, p. 13) notent que « la tâche du renseignement consiste donc à éviter la menace omniprésente d’une explosion exponentielle des recherches ».

Références

Albrecht, JP (2016) Comment le RGPD va changer le monde. European Data Protection Law Review 2(3), 287-289. CrossRef Google Scholar

Alchian, AA (2017) Rent. In Durlauf, S and Blume, LE (eds.), The New Palgrave Dictionary of Economics. London: Palgrave Macmillan UK, pp. 1–6.Google Scholar

Areeda, P et Hovenkamp, H (2023) Antitrust Law: An Analysis of Antitrust Principles and their Application. New York : Wolters Kluwer.Google Scholar

Begent, C et Collyer, K (2013) Table ronde de l’OCDE sur le rôle et la mesure de la qualité dans l’analyse de la concurrence (contribution du Royaume-Uni). Competititon Law Journal 12, 452.Google Scholar

Behringer, S et Filistrucchi, L (2015) Areeda–Turner dans les marchés bifaces. Review of Industrial Organization 46(3), 287–306. CrossRef Google Scholar

Blaug, M (1997) Economic Theory in Retrospect, 5e éd. Cambridge : Cambridge University Press.CrossRef Google Scholar

Boyce, JK (2022) Économie politique de l’environnement : rétrospective et perspectives. Dans Laurent, É et Zwickl, K (éd.), The Routledge Handbook of the Political Economy of the Environment. Londres : Routledge.Google Scholar

Brin, S (1998) Le classement des citations PageRank : mettre de l’ordre dans le web. Actes de l’ASIS 98, 161–172.Google Scholar

Choudhury, A et Shamszare, H (2023) Étude de l’impact de la confiance des utilisateurs sur l’adoption et l’utilisation de ChatGPT : analyse d’enquête. Journal of Medical Internet Research 25, e47184.CrossRef Google Scholar PubMed

Christophers, B (2020) Capitalisme rentier : à qui appartient l’économie et qui la finance ? Londres : Wiley.Google Scholar

Craswell, N, Zoeter, O, Taylor, M et Ramsey, B (2008) Comparaison expérimentale des modèles de biais de position de clic. Dans Actes de la conférence internationale 2008 sur la recherche Web et l’exploration de données. WSDM ’08. New York : Association for Computing Machinery, pp. 87-94. Google Scholar

Foley, DK (2008) Adam’s Fallacy: A Guide to Economic Theology. Cambridge : Belknap Harvard.CrossRef Google Scholar

Hayek, FA (1945) The use of knowledge in society. The American Economic Review 35(4), 519–530. Google Scholar

Hovenkamp, H (2020) Antitrust and platform monopoly. Yale Law Journal 130(8), 1952–2051.Google Scholar

Hwang, T (2020) Subprime Attention Crisis: Advertising and the Time Bomb at the Heart of the Internet. New York : FSG Originals. Google Scholar

Joachims, T, Swaminathan, A et Schnabel, T (2017) Apprentissage impartial du classement avec un retour d’information biaisé. Dans les actes de la dixième conférence internationale ACM sur la recherche sur le Web et l’exploration de données. New York : ACM, pp. 781-789.CrossRef Google Scholar

Jullien, B, Pavan, A et Rysman, M (2021) Chapitre 7 : Marchés bilatéraux, tarification et effets de réseau. Dans Ho, K, Hortaçsu, A et Lizzeri, A (éd.), Handbook of Industrial Organization, Vol. 4. Amsterdam : Elsevier, pp. 485–592.Google Scholar

Jumpshot (2018) La situation concurrentielle des places de marché du commerce électronique : rapport sur les données du deuxième trimestre 2018. Jumpshot.Google Scholar

Kahneman, D (2011) Thinking, Fast and Slow. New York : Farrar, Straus and Giroux.Google Scholar

Keane, MT et O’Brien, M (2006) Modélisation de la recherche de listes de résultats sur le World Wide Web : le rôle des topologies de pertinence et du biais de confiance. Actes de la réunion annuelle de la Cognitive Science Society 28, 1–6.Google Scholar

Keane, MT, O’Brien, M et Smyth, B (2008) Les gens ont-ils des préjugés dans leur utilisation des moteurs de recherche ? Communications de l’ACM 51(2), 49–52.CrossRef Google Scholar

Lopatenko, A, Kim, H-J, Dornbush, S, Wei, L, Kilbourn, TP et Lopyrev, M (2015) Classement des résultats de recherche sur la base de requêtes similaires. Brevet américain. Google LLC. Disponible à l’adresse https://patents.google.com/patent/US9009146B1/en. (consulté le 26 janvier 2024)Google Scholar

Mazzucato, M (2018) The Value of Everything: Making and Taking in the Global Economy. Paris : Hachette UK.Google Scholar

Mazzucato, M, Ryan-Collins, J et Gouzoulis, G (2023) Cartographie des rentes économiques modernes : The good, the bad, and the grey areas. Cambridge Journal of Economics 47(3), 507–534.CrossRef Google Scholar

Mazzucato, M, Strauss, I, O’Reilly T et Ryan-Collins, J (2023) Regulating big tech: The role of enhanced disclosures. Oxford Review of Economic Policy 39(1), 47–69.CrossRef Google Scholar

Newell, A et Simon, HA (1975) L’informatique comme enquête empirique : symboles et recherche. Conférences ACM Turing Award.CrossRef Google Scholar

Newman, JM (2015) Antitrust in zero-Price markets: Foundations. University of Pennsylvania Law Review 164(1), 149–206.Google Scholar

Petit, N (2020) Big Tech and the Digital Economy: The Moligopoly Scenario. Oxford : Oxford University Press.CrossRef Google Scholar

Piketty, T (2014) Le Capital au XXIe siècle (trad. par Arthur Goldhammer). Cambridge MA : Belknap Press.CrossRef Google Scholar

Robinson, J (2001) L’économie de la concurrence imparfaite. Londres : Palgrave.Google Scholar

Rochet, J-C et Tirole, J (2003) La concurrence entre plateformes sur les marchés bifaces. Journal of the European Economic Association 1(4), 990–1029. CrossRef Google Scholar

Rochet, J-C et Tirole, J (2006) Two-sided markets: A progress report. The Rand Journal of Economics 37(3), 645.CrossRef Google Scholar

Ryan-Collins, J, Lloyd, T et Macfarlane, L (2017) Rethinking the Economics of Land and Housing. Londres : New Economics Foundation. Google Scholar

Samuelson, PA et Nordhaus, WD (2010) Économie, 19e édition. McGraw-Hill Irwin.Google Scholar

Sen, A (2017) Comportement rationnel. Dans Durlauf, S et Blume, LE (éd.), The New Palgrave Dictionary of Economics. Londres : Palgrave Macmillan UK, pp. 1-14.Google Scholar

Simon, HA (1955) A behavioral model of rational choice. The Quarterly Journal of Economics 69(1), 99.CrossRef Google Scholar

Simon, HA (1971) Designing organizations for an information-rich world. Computers, Communications, and the Public Interest 72, 37.Google Scholar

Simon, HA (1978a) Information-processing theory of human problem solving. In Estes, WK (ed.), Handbook of Learning and Cognitive Processes. Mahwah, NJ : Lawrence Erlbaum Associates, pp. 271–295.Google Scholar

Simon, HA (1978b) Rationality as process and as product of thought. The American Economic Review 68(2), 1–16.Google Scholar

Simon, HA (1995) La théorie du traitement de l’information de l’esprit. The American Psychologist 50.7.CrossRef Google Scholar

Simon, HA (1997) Comportement administratif : une étude des processus décisionnels dans les organisations administratives, 4e éd. Glencoe, IL : Free Press. Google Scholar

Simon, HA (2017) Rationalité limitée. Dans Durlauf, S et Blume, LE (éd.), The New Palgrave Dictionary of Economics. Londres : Palgrave Macmillan UK, pp. 1–4.Google Scholar

Sorokina, D et Cantu-Paz, E (2016) Amazon Search: The joy of ranking products. Dans Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval. New York : ACM, pp. 459-460.CrossRef Google Scholar

Srinivasan, D (2019) The antitrust case against Facebook: A Monopolist’s journey towards pervasive surveillance in spite of consumers’ preference for privacy. Berkeley Business Law Journal 16(1), 39-101.Google Scholar

Standing, G (2016) The Precariat: The New Dangerous Class. Londres : Bloomsbury Academic.Google Scholar

Stiglitz, JE (2019) People, Power, and Profits: Progressive Capitalism for an Age of Discontent. Londres : Penguin UK.Google Scholar

Stone, B (2021) Amazon Unbound. New York : Simon and Schuster.Google Scholar

Strandburg, KJ (2013) Free fall: The online market’s consumer preference disconnect the frontiers of consumer protection. University of Chicago Legal Forum 2013, 95–172.Google Scholar

Tversky (1981) Le cadrage des décisions et la psychologie du choix. Science 211(4481), 453–458.CrossRef Google Scholar

Tversky, A et Kahneman, D (1974) Jugement en situation d’incertitude : Heuristiques et biais. Science 185(4157), 1124–1131.CrossRef Google Scholar PubMed

Wang, X, Golbandi, N, Bendersky, M, Metzler, D et Najork, M (2018) Estimation du biais de position pour un apprentissage impartial du classement dans la recherche personnelle. Dans Actes de la onzième conférence internationale ACM sur la recherche Web et l’exploration de données. WSDM ’18. New York : Association for Computing Machinery, pp. 610-618.CrossRef Google Scholar

Weyl, EG (2010) Une théorie des prix des plateformes multilatérales. American Economic Review 100(4), 1642-1672.CrossRef Google Scholar

Whish, R et Bailey, D (2021) Droit de la concurrence, 10e édition. Oxford : Oxford University Press.CrossRef Google Scholar

Yue, Y, Patel, R et Roehrig, H (2010) Au-delà du biais de position : examen de l’attractivité des résultats comme source de biais de présentation dans les données de clics. Dans ACM : Actes de la 19e Conférence internationale sur le World Wide Web. New York : ACM, pp. 1011-1018.CrossRef Google Scholar

Zuboff, S (2019) L’ère du capitalisme de surveillance : la lutte pour un avenir humain à la nouvelle frontière du pouvoir. Londres : Profile Books.Google Scholar

Rentes algorithmiques d’attention : une théorie du pouvoir de marché des plateformes numériques

Données et politiques | Cambridge Core

Déclaration d’importance politique

1. Introduction

2. Une théorie des rentes sur les marchés numériques

2.1. Comment les limites de la cognition humaine permettent l’autorité algorithmique

2.2. Comment l’autorité algorithmique permet les rentes d’attention

2.3. Comment les rentes d’attention deviennent des rentes pécuniaires

3. Préjudices causés par les rentes algorithmiques

3.1. Google Search : le pouvoir de Google Search de façonner le marché grâce à l’allocation de l’attention

3.2. Amazon Marketplace : la publicité comme rente extractive

3.3. Réseaux sociaux : l’engagement est une arme à double tranchant

4. Mesurer les rentes d’attention algorithmiques

5. Quelques interventions réglementaires possibles

5.1. Réglementation des résultats et des préférences algorithmiques

5.2. La nécessité d’une divulgation régulière et obligatoire des indicateurs de performance

5.3. Quelques indicateurs opérationnels recommandés

6. Conclusion : IA et attention

Déclaration de disponibilité des données

Remerciements

Contribution des auteurs

Déclaration de financement

Conflit d’intérêts

Déclaration de provenance

Notes

Références

J’aime ça :

Qu'en pensez vous ?Annuler la réponse.

Données et politiques | Cambridge Core

Déclaration d’importance politique

1. Introduction

2. Une théorie des rentes sur les marchés numériques

2.1. Comment les limites de la cognition humaine permettent l’autorité algorithmique

2.2. Comment l’autorité algorithmique permet les rentes d’attention

2.3. Comment les rentes d’attention deviennent des rentes pécuniaires

3. Préjudices causés par les rentes algorithmiques

3.1. Google Search : le pouvoir de Google Search de façonner le marché grâce à l’allocation de l’attention

3.2. Amazon Marketplace : la publicité comme rente extractive

3.3. Réseaux sociaux : l’engagement est une arme à double tranchant

4. Mesurer les rentes d’attention algorithmiques

5. Quelques interventions réglementaires possibles

5.1. Réglementation des résultats et des préférences algorithmiques

5.2. La nécessité d’une divulgation régulière et obligatoire des indicateurs de performance

5.3. Quelques indicateurs opérationnels recommandés

6. Conclusion : IA et attention

Déclaration de disponibilité des données

Remerciements

Contribution des auteurs

Déclaration de financement

Conflit d’intérêts

Déclaration de provenance

Notes

Références

Partager :

J’aime ça :

Qu'en pensez vous ?Annuler la réponse.