Cette thèse comporte quatre chapitres portant sur l’impact de l’émergence des algorithmes d’Intelligence Artificielle sur la structure des marchés, et ses implications en termes de régulation. Elle s’appuie sur l’étude de modèles d’organisation industrielle et de classe d’algorithme d’apprentissage par renforcement. Le chapitre 1 propose une formalisation des effets de réseau propres à l’IA. Les technologies d’IA reposent sur des effets de réseau de données, plus une firme capte des données, plus elle améliore la qualité prédictive et l’expérience utilisateur, lui permettant d’avoir accès à plus de données. Dans un cadre vertical, un fournisseur en amont et deux firmes en aval (Hotelling) négocient des licences à tarification binôme. Ce chapitre démontre que le fournisseur profite des effets de réseau sur le marché aval pour renforcer son pouvoir de négociation. De plus, les trois entreprises ont une préférence pour la redevance unitaire qui permet de relâcher la pression concurrentielle en aval. Cependant, cette structure de licence réduit le surplus des consommateurs et le surplus total en aval comparé à la licence de type ad valorem, signe d’inefficience et d’un besoin de garde-fous pour protéger les consommateurs. Les chapitres 2 et 3 présentent les nouveaux enjeux du marché de la publicité en ligne avec l’introduction d’une technologie d’amélioration de la confidentialité. Cependant, cette technologie étant développée et mise en place par une firme dominante pose des problèmes de concurrence. Notre modèle montre que contrairement aux inquiétudes de l’Autorité de la concurrence britannique, la firme dominante aura intérêt à octroyer une licence d’une technologie non-restreinte pour un revenu suffisamment élevé grâce aux données de première partie. Cependant, ce choix est motivé par la possibilité de fixer des redevances plus élevées à une frange concurrentielle plus nombreuse. Ces résultats posent de nouvelles inquiétudes sur la santé concurrentielle de ce marché. Le chapitre 4, à la frontière entre économie et computer science, pose un modèle théorique pour étudier l’impact d’un système de recommandation sur la collusion algorithmique. Ce modèle couplé à des simulations d’algorithmes d’apprentissage par renforcement montre qu’un système de recommandation de qualité réduit le capacité de collusion des algorithmes de prix. Au vu des classes d’algorithmes étudiées dans la littérature, les algorithmes capables de discriminer par les prix semblent moins aptes à colluder efficacement que les algorithmes de prix uniforme.