Pourquoi nous ne mettons pas de copilote IA dans la négociation

Une fonctionnalité paraît évidente pour une plateforme de négociation fondée sur l'IA : écouter la conversation réelle, la transcrire, détecter le mouvement du fournisseur, puis afficher au négociateur ce qu'il devrait dire ou faire ensuite. Les suggestions pourraient être « contestez l'argument de coût », « demandez des preuves », « tenez le silence » ou « n'échangez du volume que contre du prix ». Techniquement, cette idée devient de plus en plus réalisable. Pour construire une compétence durable, nous pensons pourtant que c'est une mauvaise direction.

L'IA a une place utile avant la négociation et une autre après. Le problème commence lorsqu'elle devient un troisième participant invisible dans la conversation et qu'elle dicte des actions pendant que la pression est en train de s'exercer.

Une revue publiée en septembre 2026 par Jeanne Brett dans Current Opinion in Psychology donne à cette distinction une base de recherche particulièrement pertinente. Brett classe les interventions d'IA en négociation en pratique, coaching et feedback. Le coaching socratique ainsi que le feedback et la réflexion après la négociation semblent favoriser l'apprentissage. En revanche, un coaching explicite et interactif pendant la préparation ou pendant la négociation peut créer un risque de dépendance.

Le mécanisme proposé n'est pas la paresse. Des apprenants motivés peuvent se soumettre à l'expertise supposée de l'IA ou être surchargés par des conseils dynamiques. Cette frontière est très proche de celle que nous choisirions pour le produit.

Le jugement en direct doit rester humain

Une négociation n'est pas une suite d'objections auxquelles correspond une seule bonne réponse. Le fournisseur affirme que trois pour cent est son minimum. Faut-il contester, accepter, échanger ou suspendre ? La réponse dépend d'informations qui ne seront peut-être jamais prononcées à ce moment-là : mandat financier, valeur de projets futurs, délai de qualification d'une alternative, solidité de la BATNA, arrêt d'usine prévu, contrainte juridique ou concession déjà obtenue auparavant.

Une transcription montre ce qui a été dit. Elle ne révèle pas automatiquement la meilleure décision commerciale.

C'est un problème majeur pour un copilote en direct. Il doit recommander maintenant alors qu'une partie du contexte décisif vit ailleurs.

Imaginons qu'un acheteur passe de deux à trois pour cent lorsque le fournisseur évoque un risque de continuité. Un système qui n'observe que la conversation peut considérer cela comme une concession inutile. Pourtant, trois pour cent figurait peut-être déjà dans le mandat autorisé et le fournisseur venait d'accepter des taux horaires fixes sur le projet. Un point de pourcentage supplémentaire permettrait peut-être d'économiser moins qu'un retard de mobilisation ne coûterait.

Le comportement est visible. La qualité du jugement ne l'est pas forcément.

C'est la même limite que nous décrivons dans l'article sur l'IA dans les achats et le jugement professionnel. Le contexte commercial est réparti entre personnes, systèmes et décisions antérieures. L'IA ne voit que ce qui lui est transmis.

Une analyse peut dire avec confiance : « Vous avez bougé après l'introduction du risque de continuité sans demander de preuve. » Elle doit être plus prudente avec « vous n'auriez pas dû bouger », car cette seconde conclusion exige davantage de contexte.

Les conseils en direct se disputent l'attention avec la négociation

Même un conseil juste crée un deuxième problème. Une négociation tendue consomme déjà beaucoup d'attention. Il faut écouter, interpréter, garder le mandat en mémoire, suivre plusieurs variables, évaluer une menace, réguler sa propre réaction, choisir une réponse et l'exprimer correctement.

Ajoutons maintenant une autre tâche : lire le conseil de l'IA, l'interpréter, vérifier si elle possède assez de contexte, le comparer à son propre jugement, l'accepter ou le rejeter, puis revenir vers la contrepartie, qui a peut-être déjà continué. Le système devient un participant supplémentaire à gérer.

Brett cite explicitement la surcharge liée aux conseils dynamiques comme une voie possible vers la dépendance. Une étude distincte présentée à CHI 2026 apporte un mécanisme de soutien intéressant. Dans une expérience contrôlée de négociation locative avec 32 participants, la performance humaine diminuait lorsque le nombre de sujets à gérer simultanément augmentait et que la charge cognitive progressait. L'étude ne testait pas un copilote en direct dans une négociation fournisseur entre humains. Elle ne constitue donc pas une preuve directe contre ce type de produit. Elle montre néanmoins la sensibilité de la performance à la complexité supplémentaire.

Le même travail observe aussi qu'une visualisation non prescriptive pouvait réduire la charge dans les négociations plus complexes. La distinction est importante. Organiser l'information n'est pas la même chose que prescrire en permanence le prochain mouvement.

La question n'est donc pas de bannir toute technologie de la négociation. Elle est de savoir si l'outil rend la situation plus lisible ou s'il commence à remplacer le jugement de la personne.

La dépendance reste un problème même si le deal s'améliore

Supposons que le copilote fonctionne parfaitement. L'acheteur obtient un meilleur résultat parce que l'IA fournit la bonne question, rappelle de ne pas remplir le silence et signale une concession prématurée. Le résultat commercial immédiat peut s'améliorer, mais la question d'apprentissage devient plus difficile : si le système intervient précisément dans les moments difficiles, l'utilisateur reçoit moins de répétitions du jugement que l'entreprise attend de lui.

Performance assistée par IA et développement de compétence ne sont donc pas nécessairement le même objectif. Un GPS peut améliorer le trajet d'aujourd'hui sans apprendre la ville au conducteur. Un copilote de négociation peut améliorer la réponse d'aujourd'hui sans rendre l'acheteur capable de la produire seul demain.

C'est pourquoi la revue de Brett est si utile. Les mécanismes d'apprentissage prometteurs laissent la personne réfléchir : coaching socratique, pratique, feedback, réflexion. Le risque de dépendance apparaît lorsque le conseil explicite se rapproche de l'exécution de la tâche.

La recherche reste jeune et Brett appelle à davantage d'études sur ces mécanismes. Elle ne prouve pas que toute aide en direct nuit à l'apprentissage, mais elle oblige à poser une meilleure question que « pouvons-nous le construire ? ».

Avant la négociation, l'IA a le temps de contester le raisonnement

Avant l'échange, le temps fonctionne autrement. L'acheteur peut fournir un briefing structuré, faire séparer faits et hypothèses, demander à l'IA d'attaquer la logique, identifier les informations manquantes et construire le meilleur cas crédible du fournisseur. Il peut vérifier une affirmation, consulter la finance, découvrir que l'alternative supposée nécessite neuf mois de qualification et rejeter un mauvais conseil sans perdre le fil d'une conversation réelle.

C'est là que ChatGPT peut être réellement utile. Notre article sur l'entraînement à la négociation avec ChatGPT développe cette fonction de préparation. L'IA doit améliorer la carte mentale du négociateur, pas fabriquer un script auquel il doit obéir. La négociation reste sa responsabilité.

Après la négociation, l'IA peut analyser sans interrompre la performance

Après la conversation, la pression temporelle disparaît. Un système peut alors examiner la transcription, le briefing initial et le contexte complémentaire que l'organisation est autorisée à fournir. Il peut identifier les moments où la conversation a changé, les hypothèses qui ont résisté, les écarts par rapport à la stratégie et les passages qui méritent d'être retravaillés.

C'est un meilleur endroit pour une analyse forensique que le milieu d'une phrase. Il faut aussi séparer observation comportementale et jugement commercial. « Vous avez offert un mouvement avant d'établir ce que le fournisseur donnerait en échange » est une observation fondée sur la conversation. « Vous auriez dû refuser l'offre » peut exiger des informations absentes de la transcription.

Dans les simulations Voice2Evolve, cette distinction est déjà importante : l'analyse dispose du scénario, de la conversation et du contexte d'entraînement connu. Voice2Evolve ne capture et n'analyse pas aujourd'hui les négociations réelles avec des fournisseurs. Si cette frontière évoluait à l'avenir, la direction que nous envisagerions serait une analyse après la conversation, comparée au briefing initial et au contexte connu. Ce ne serait pas un canal IA caché indiquant au négociateur quoi dire pendant la vraie négociation. C'est une frontière de produit assumée, pas une fonctionnalité manquante.

La boucle de développement n'est pas un copilote

La boucle que nous privilégions est simple : préparer le dossier, entraîner la conversation, laisser la décision en direct à la personne, puis analyser ce qui s'est passé et décider quoi entraîner ensuite. L'IA est très présente autour de la négociation, mais elle ne devient pas le négociateur.

Afficher la phrase parfaite au moment parfait est plus spectaculaire. Pour construire une capacité durable, la frontière plus discrète peut être plus précieuse.

Si l'objectif est seulement d'optimiser la prochaine réponse, l'aide en direct est séduisante. Si l'objectif est de développer des acheteurs capables d'agir sous pression sans voix dans l'oreille, la frontière compte. L'IA doit rendre le négociateur meilleur, pas devenir le négociateur.

Sources

• Brett, J. M. (7 septembre 2026). AI and negotiation: Facilitating learning or fostering dependency?. Current Opinion in Psychology, 73, 102437.
• Parmar, M., & Silpasuwanchai, C. (13 avril 2026). From Overload to Convergence: Supporting Multi-Issue Human-AI Negotiation with Bayesian Visualization. CHI '26.