Collusion dans les appels d'offres : ce que l'IA peut voir dans les offres perdantes

Un appel d'offres se termine avec quatre propositions. Un fournisseur gagne, le prix respecte le budget et le dossier paraît concurrentiel. À l'échelle de cette seule procédure, rien ne semble forcément anormal.

C'est précisément ce qui rend la collusion difficile à détecter. Des entreprises peuvent convenir de l'identité du gagnant, déposer volontairement des offres trop élevées, s'abstenir sur certains marchés ou faire tourner les attributions tout en donnant l'apparence d'une vraie concurrence. L'acheteur voit un événement ; le schéma suspect n'apparaît peut-être qu'en comparant de nombreux marchés, fournisseurs et pouvoirs adjudicateurs.

Le 8 septembre 2026, la Competition and Markets Authority britannique a plaidé pour une réponse beaucoup plus fondée sur les données. Les ordres de grandeur sont importants : les marchés publics britanniques représentent environ 400 milliards de livres par an, les ententes peuvent augmenter les prix de 20 % ou davantage et la CMA estime un impact annuel possible d'environ un à plus de trois milliards de livres selon ses hypothèses. Pour les achats, l'enseignement le plus intéressant porte pourtant sur les données nécessaires pour détecter ces comportements.

L'offre gagnante ne montre qu'une partie de la concurrence

L'attention des acheteurs se porte naturellement sur le gagnant. Le prix est-il compétitif, l'offre respecte-t-elle la spécification et l'attribution est-elle défendable ? Pour rechercher des schémas de collusion, les offres perdantes peuvent être tout aussi importantes parce que le signal est souvent relationnel.

Trois fournisseurs peuvent répondre régulièrement ensemble. L'un gagne pendant que les deux autres proposent des prix plus élevés, puis le gagnant change au marché suivant. Des raisons parfaitement légitimes peuvent expliquer cela, comme la capacité, la géographie ou les coûts. Mais des rotations, écarts de prix ou comportements de participation qui se répètent de façon difficile à expliquer peuvent mériter une analyse spécialisée.

Un seul appel d'offres ne prouve rien. L'information apparaît lorsqu'on compare les données des offres dans le temps et entre plusieurs acheteurs, d'où l'importance accordée par la CMA aux offres perdantes et à leur conservation dans un format cohérent et exploitable par machine.

L'IA change l'échelle du dépistage

Historiquement, beaucoup d'enquêtes sur les cartels commencent par un lanceur d'alerte, une plainte ou des preuves découvertes une fois qu'un soupçon existe déjà. L'analyse des données ouvre une autre voie : rechercher des répétitions suspectes dans un volume de marchés qu'aucun acheteur ne pourrait comparer manuellement.

L'outil BRIT de la CMA combine expertise en matière de cartels et science des données. Il est testé avec plusieurs organismes publics, notamment les ministères britanniques de l'Éducation, du Travail et de la Justice, et la CMA indique que ces pilotes ont commencé à produire des pistes pour l'application du droit de la concurrence.

C'est une utilisation intéressante de l'IA dans les achats parce que le système n'essaie pas de remplacer le jugement sur un marché particulier. Il étend la visibilité à des milliers d'observations et signale où une attention humaine spécialisée peut être justifiée.

Un schéma suspect n'est pas une preuve de culpabilité

Cette limite doit rester nette. Des offres proches, des groupes de fournisseurs récurrents ou une rotation des gagnants peuvent avoir des explications innocentes. Un outil de dépistage n'établit pas une collusion simplement parce qu'il relève une anomalie.

BRIT sert à détecter des schémas suspects et à générer des pistes. L'enquête, les preuves, l'analyse juridique et les garanties procédurales viennent ensuite. Les achats doivent appliquer la même discipline : une anomalie justifie de préserver l'information et d'utiliser la voie juridique ou concurrence appropriée, pas d'accuser le fournisseur lors de la réunion suivante.

La CMA avertit explicitement les acheteurs publics de ne pas discuter d'un soupçon de collusion avec les fournisseurs, car les alerter peut compliquer une enquête. Cette frontière devrait être intégrée au processus interne avant même qu'une alerte apparaisse.

Le vrai goulot d'étranglement peut être la donnée

L'argument le plus fort de la CMA est presque banal : une analyse sophistiquée ne sert à rien sans les bonnes données. Au Royaume-Uni, les offres perdantes ne sont pas collectées systématiquement dans un format central, cohérent et exploitable par machine, ce qui limite le dépistage à grande échelle.

Les entreprises privées connaissent le même problème. L'historique des appels d'offres est dispersé entre plateformes, courriels, feuilles de calcul et dossiers locaux ; les noms des fournisseurs ne sont pas harmonisés et certains outils conservent le classement final sans les détails des offres non retenues.

L'architecture de données devient ainsi une capacité achats. Ce qui n'est pas correctement conservé aujourd'hui ne pourra pas être analysé demain pour rechercher un schéma.

La visibilité entre acheteurs change ce qui devient observable

Un acheteur voit A perdre face à B sans rien remarquer. Un autre voit A perdre face à C, puis un troisième voit B perdre face à C. Chaque observation peut être normale. Un ensemble plus large peut cependant faire apparaître des participations répétées, des rotations de gagnants ou des relations de prix qui méritent un examen expert.

C'est l'une des raisons pour lesquelles des données centralisées ou interopérables ont une valeur qui dépasse l'analyse des dépenses. Elles rendent possibles des questions auxquelles un seul dossier ne peut pas répondre.

Elles illustrent aussi le problème plus large abordé dans notre article sur l'IA et le jugement professionnel dans les achats : un système peut faire apparaître un schéma qui mérite l'attention sans décider de ce qu'il signifie. Le professionnel doit connaître la limite de l'évidence avant d'agir.

La discipline achats reste nécessaire lorsque la détection s'améliore

Même si le dépistage devient plus automatisé, les acheteurs doivent toujours reconnaître les signaux de risque, conserver les dossiers correctement, protéger la concurrence et savoir quand impliquer des spécialistes juridiques ou concurrence. Ils doivent aussi éviter l'erreur inverse : considérer qu'un tableau de bord sans alerte prouve que le marché est concurrentiel.

Voice2Evolve n'est pas un outil de détection des cartels. Le lien avec la conversation vient plus tard, lorsqu'un professionnel doit questionner un comportement inhabituel sans accuser, escalader une préoccupation en interne ou éviter de transformer une alerte statistique en conclusion non étayée.

L'IA peut rendre des schémas cachés plus visibles. Elle ne transforme pas un signal statistique en preuve et ne retire pas aux achats la responsabilité de le traiter correctement.

Les offres perdantes comptent parce que la collusion est conçue pour se cacher dans une concurrence apparemment normale. Parfois, l'information qui explique réellement le marché se trouve précisément dans les propositions que l'on croyait devenues inutiles après l'attribution.

Sources

• UK Competition and Markets Authority (8 septembre 2026). Rigged bids, real costs: a case for urgent action on bid rigging in UK public procurement.
• Sarah Cardell, CMA (8 septembre 2026). Rigged bids, real costs: the case for tackling bid rigging in public procurement.