Imaginez le rêve le plus fou d'une entreprise cherchant à maximiser ses profits : facturer à chaque client exactement le montant maximal qu'il est prêt à payer au moment où il souhaite acheter. Les économistes appellent cela la discrimination par les prix de premier degré, ou parfaite. Pendant la majeure partie de l'histoire, cela était structurellement impossible — un commerçant ne peut pas lire dans votre âme, estimer votre patrimoine et modifier le prix d'un litre de lait avant que vous n'arriviez à la caisse. Mais une plateforme technologique intermédiant des millions de transactions par smartphone n'a pas besoin de lire l'âme de quiconque. Elle n'a besoin que de lire ses données.

Les preuves venant des États-Unis

Une récente enquête de Consumer Reports aux États-Unis a révélé qu'Uber et Lyft facturent régulièrement à différents clients des prix radicalement différents pour la même course, demandée au même moment, depuis le même endroit. L'écart médian entre le prix le plus élevé et le plus bas était d'environ 50 %. Les plateformes nient avec véhémence pratiquer ce que les régulateurs appellent désormais la tarification de surveillance — une tarification fondée sur des données démographiques ou comportementales individuelles — et soutiennent que ces différences reflètent simplement les conditions du marché en temps réel. Le résultat fonctionnel est le même : le logiciel fixe un prix en fonction de ce qu'il pense pouvoir vous extraire à cette seconde précise.

Le terme n'est pas une rhétorique marginale. En 2024, la Federal Trade Commission américaine a ouvert une enquête formelle sur la tarification de surveillance, envoyant des demandes d'information aux grands intermédiaires afin de comprendre comment les données de navigation et personnelles alimentent des prix différenciés — un signe précoce que les régulateurs commencent tout juste à construire un vocabulaire pour ce problème.

Le code s'exporte au Kenya et au Nigeria

Cette dynamique est frappante sur les marchés occidentaux hautement réglementés, mais elle refond les fondements économiques des marchés émergents africains, où les plateformes numériques formalisent rapidement des économies historiquement informelles en s'appuyant sur de vastes réseaux de données.

Le transport avec chauffeur en est un exemple majeur. Au Kenya et au Nigeria, des géants internationaux comme Uber et Bolt ont déployé des logiciels de tarification dynamique qui déterminent à la fois le tarif du passager et la part du chauffeur. Le logiciel se présente ostensiblement comme un mécanisme impartial d'équilibrage du marché — augmentant les prix quand la demande est forte pour inciter les chauffeurs à se mettre en route, les baissant quand elle est faible — mais il optimise la liquidité et les revenus de la plateforme plutôt que la stabilité macroéconomique.

Au Nigeria, les prix de l'essence ont récemment bondi de près de 50 % en raison de perturbations de l'approvisionnement mondial et de la suppression des subventions locales. Un chauffeur de taxi humain releverait immédiatement son tarif de base pour couvrir le carburant ; un logiciel ne se soucie que de la courbe de demande. Cette tarification automatisée a laissé les chauffants nigériens avec des marges en contraction et pratiquement aucun contrôle sur leur économie unitaire, poussant l'Amalgamated Union of App-Based Transporters of Nigeria à lancer des grèves. Les travailleurs réalisent qu'ils ne sont pas des entrepreneurs indépendants négociant sur un marché — ils sont des variables dans une fonction d'optimisation. Le système est si rigide que des concurrents comme inDrive ont obtenu 150 millions de téléchargements dans le monde, en grande partie en traitant la négociation des prix comme une fonctionnalité du produit plutôt que comme un résultat automatisé, laissant chauffeurs et passagers marchander directement.

Un mégaoctet sur mesure, rien que pour vous

Le secteur des télécommunications est là où la discrimination automatisée par les prix devient étrange sur le plan philosophique. Au Kenya, Safaricom a beaucoup investi dans l'analytique prédictive pour s'orienter vers ce qu'elle appelle l'obsession client. À l'aide d'une plateforme co-développée avec Huawei, baptisée Idea-to-Cash, Safaricom associe dynamiquement ses abonnés à des offres de données et de voix hautement personnalisées. Le système analyse le comportement d'usage, les habitudes de dépense et le contexte en temps réel du client pour générer des offres « Just for You » sur mesure.

L'approche a été un grand succès pour l'entreprise. Safaricom a doublié ses taux de conversion sur les offres ciblées, réduit de 90 % le délai de mise sur le marché des nouvelles offres et considérablement diminué les réclamations client sur les forfaits data horaires. Pourtant, un mégaoctet de données est une pure commodité : il en coûte la même chose au réseau pour le livrer au client A qu'au client B.

Safaricom isole essentiellement les consommateurs dans des micro-économies individualisées en utilisant l'analytique des données pour tarifer dynamiquement les services télécoms. Si le système déduit une forte disposition à payer à partir de la consommation passée, ce client reçoit une offre différente de celle d'un étudiant très sensible aux prix. Le produit reste standard, mais le prix devient un piège comportemental. Quand chacun reçoit une remise personnalisée, le prix de référence perd tout sens — cela signifie que le logiciel a calculé exactement quelle remise perçue est nécessaire pour déclencher un achat chez un profil psychologique donné. Tout cela se déroule sur fond de la loi kényane sur la protection des données de 2019, qui restreint la prise de décision automatisée sur les données personnelles sans consentement — un cadre dont la capacité d'application, plutôt que le texte, déterminera jusqu'où pourra aller la tarification personnalisée.

Votre batterie est faible, donc votre taux d'intérêt est élevé

Nulle part cette alchimie numérique n'est plus visible que dans le prêt numérique africain. Au cours de la dernière décennie, des plateformes comme M-Shwari, Tala et Branch ont été pionnières du prêt sans garantie aux populations non bancarisées, en remplaçant les bureaux de crédit traditionnels par des données alternatives issues du téléphone mobile.

La thèse initiale était simple et brillante : sans antécédents de crédit formels, un programme peut ingérer des milliers de points de données d'un téléphone — historiques de transactions d'argent mobile, diversité du répertoire de contacts, modes de messagerie, et même habitudes de mobilité basées sur les relais — pour construire un modèle prédictif de notation de crédit. Les avantages sont indéniables. Cette technologie a favorisé une inclusion financière massive et élargi l'accès financier formel au Kenya. Une étude de la Harvard Business School a constaté que les emprunteurs marginaux approuvés aléatoirement par Tala ont connu des améliorations significatives de leur bien-être financier, surtout lorsqu'ils utilisaient le capital pour de petites entreprises.

Mais le coût de cet accès automatisé est astronomique, et le logiciel est impitoyablement efficace pour tarifer le risque. Parce que les coûts administratifs sont pratiquement nuls, les prêteurs numériques peuvent accorder rentablement de micro-prêts à des millions de personnes. Mais comme les taux de défaut sont élevés, le système compense en facturant ce qui revient à une prime de pauvreté — apprenant exactement quel taux d'intérêt exorbitant un emprunteur désespéré tolérera pour obtenir une liquidité à court terme. Cela crée une spirale infernale dans laquelle les emprunteurs contractent des prêts sur une application pour rembourser les intérêts massifs d'une autre. D'ici 2025, les emprunteurs étaient en défaut sur 83,1 % des prêts numériques inférieurs à 1 000 KES (8 $), illustrant la difficulté de recouvrer les petits prêts auprès des ménages à faibles revenus. La Banque centrale du Kenya (CBK) a fini par devoir intervenir avec le Business Laws Amendment Act pour réglementer le secteur, imposer la transparence et empêcher les prêteurs d'extraire toute la richesse du bas de la pyramide — dans le cadre d'un régime de licence plus large de la CBK qui a placé les fournisseurs de crédit numérique sous la supervision de la banque centrale à partir de 2022.

Vous recommander des choses que vous ne saviez pas ne pas pouvoir vous offrir

Il n'y a pas que le transport, le crédit et les télécoms. Les grandes plateformes technologiques du continent déploient discrètement des logiciels prédictifs pour façonner la réalité des consommateurs. Jumia, le géant pan-africain du e-commerce, s'appuie fortement sur des systèmes de recommandation personnalisés qui analysent le comportement de navigation, l'historique d'achat et les préférences des utilisateurs pour adapter les suggestions de produits sur des marchés comme Lagos, au Nigeria.

Sur un marché occidental, un programme suggérant une paire de chaussures relève simplement du marketing ciblé. Sur un marché émergent marqué par de graves disparités socio-économiques, des niveaux variables de littératie numérique et des déficits de confiance, un programme dictant les produits qu'un utilisateur voit construit de fait un jardin clos. Le logiciel apprend ce que l'utilisateur peut s'offrir et masque le reste de l'économie, convertissant l'inégalité structurelle en une expérience numérique parfaitement optimisée et sans friction.

L'aboutissement de l'extraction parfaite

Les milieux technologiques tendent à considérer ce déploiement logiciel comme un bien absolu. Les avantages sont réels : sous la pluie à Nairobi, être mis en relation avec un chauffeur grâce à une hausse de prix vaut sans doute mieux que rester bloqué ; avoir besoin de stocks pour un étal de fruits, un prêt à un taux annuel de 150 % approuvé par un ordinateur en trois secondes vaut mieux que de traiter avec les usuriers locaux. Les gains d'efficacité sont spectaculaires.

Le problème, c'est l'aboutissement. Les modèles prédictifs déployés par des plateformes motivées par le profit ne sont pas conçus pour distribuer des biens sociaux mais pour extraire un surplus économique. La tarification de surveillance et le placement automatisé de produits prospèrent dans des environnements marqués par des défaillances de marché et des asymétries d'information. Sur un marché parfaitement concurrentiel, un opérateur télécom facturant davantage les gros consommateurs de données les inciterait simplement à changer d'opérateur. Mais les marchés numériques africains sont rarement parfaitement concurrentiels — ils sont dominés par des oligopoles technologiques comme Safaricom dans les télécoms kényans, Uber et Bolt dans la mobilité, et de grandes banques dans le crédit numérique.

Quand ces entreprises dominantes déploient leurs logiciels propriétaires, le programme cesse d'être un outil de découverte du marché et devient un outil d'extraction maximale. Les consommateurs n'ont aucune visibilité sur les références du marché, tandis que les plateformes ont une visibilité parfaite sur le portefeuille et le désespoir de l'acheteur. À terme, la notion de prix juste et standard disparaît entièrement. Les consommateurs ne participent plus à une économie plus large mais sont piégés dans une simulation sur mesure, générée algorithmiquement, conçue pour vider leurs poches avec le maximum d'efficacité mathématique. Le plus fou, comme le note le rapport original, c'est que le logiciel les convaincra qu'ils bénéficient d'une remise. L'issue dépendra largement de la capacité des régulateurs — s'appuyant sur des outils comme la loi kényane de 2019 et la loi nigériane de 2023 sur la protection des données, ainsi que sur les précédents de l'enquête de la FTC sur la tarification de surveillance — à imposer la transparence à des systèmes dont tout l'avantage repose sur le maintien de l'opacité.

Source : TechCabal, par Kenn Abuya, journaliste senior et responsable du Startups Desk.