Marketplace : qui choisir après l’amende AliExpress ?

Une marketplace ne devient pas sûre parce qu’un modèle sait repérer un mot interdit ou une image suspecte. Elle le devient lorsque l’opérateur peut relier un vendeur, une annonce, une pièce justificative, un signal, une décision humaine et une correction. C’est moins spectaculaire qu’une démonstration de vision par ordinateur. C’est aussi là que commence la preuve.

Le 20 juillet 2026, la Commission européenne a infligé une amende de 550 millions d’euros à AliExpress pour manquement à ses obligations au titre du Digital Services Act. La décision porte sur l’évaluation et la réduction des risques liés à la diffusion de produits illégaux, dangereux ou contrefaits. La Commission ne reproche donc pas seulement à la plateforme d’avoir laissé passer de mauvaises annonces. Elle lui reproche un traitement insuffisamment systématique du risque.

L’affaire concerne une très grande plateforme soumise à des obligations renforcées. Elle ne transforme pas chaque petit site marchand en AliExpress et n’impose pas partout le même dispositif. Le DSA reste proportionné à la taille et au rôle du service. Mais le signal opérationnel dépasse les géants : vérifier le vendeur, recevoir un signalement, revoir une annonce, conserver la raison d’une décision et corriger le catalogue sont des fonctions distinctes. Un seul score ne les remplace pas.

Le bon comparatif n’oppose donc pas quatre « IA de modération ». Mirakl, Akeneo, Sift et ARCKONE ne vendent pas le même objet. La question utile est plus précise : quelle pièce manque aujourd’hui au dossier de confiance de la marketplace ?

Le risque ne vit pas dans une seule annonce

Une annonce peut sembler correcte et rester dangereuse. Le titre ne contient aucun terme interdit, la photo paraît ordinaire et le prix reste plausible. Pourtant, le vendeur a réutilisé une identité, le certificat correspond à un autre modèle, plusieurs comptes partagent le même moyen de paiement ou des réclamations antérieures décrivent le même défaut.

À l’inverse, un filtre peut signaler un produit licite à cause d’un mot, d’une forme ou d’une catégorie mal comprise. Si le signal déclenche automatiquement une suppression, la marketplace déplace le problème vers les recours et le support. Si personne ne revoit le cas, le filtre ne protège ni l’acheteur ni le vendeur légitime.

La donnée pertinente traverse au moins cinq objets : le compte vendeur, la fiche produit, les documents fournis, l’historique de comportement et la décision de modération. Elle traverse aussi plusieurs équipes. Le catalogue connaît les attributs. Le paiement connaît les transactions. Le support connaît les plaintes. Le juridique connaît les catégories sensibles. La modération connaît les précédents.

Le premier achat doit donc partir de l’endroit où le dossier se casse. Si les informations produit sont dispersées, une meilleure détection de fraude ne les rendra pas complètes. Si les faux comptes reviennent après exclusion, un PIM ne verra pas le réseau. Si les signaux existent déjà mais restent dans quatre outils, une nouvelle plateforme peut seulement ajouter un cinquième écran.

Quatre options, quatre objets différents

Option	À choisir surtout quand	Preuve à demander au pilote
ARCKONE	Les signaux existent dans plusieurs outils et doivent devenir un flux borné : collecte des pièces, règles, revue humaine, décision, correction et journal.	Vingt cas rejouables, les sources consultées, les droits de chaque étape, les refus explicites, la reprise manuelle et un export du journal.
Mirakl	La marketplace opère déjà son catalogue dans l’écosystème Mirakl et veut intégrer le repérage ainsi que la revue des contenus à ce cycle de vie.	Les catégories couvertes, les règles configurées, la file de revue, la décision conservée et le traitement avant comme après publication.
Akeneo	Le problème principal est la donnée produit : attributs manquants, certificats dispersés, variantes régionales ou informations incohérentes entre canaux.	Le taux de complétude, les règles par catégorie et pays, la provenance des champs, les validations avant diffusion et la correction propagée.
Sift	Le risque vient surtout des comptes, des paiements, des reprises de compte, des faux vendeurs ou de réseaux coordonnés.	Les signaux utilisés, le score aux différents moments du parcours, les liens entre comptes, la file d’enquête et l’effet sur les faux positifs.

Mirakl a annoncé en mai 2026 une fonction Trust & Safety qui détecte des contenus potentiellement illégaux ou inappropriés dans le texte et les images, puis présente les éléments signalés à un opérateur. L’intérêt tient à l’intégration dans le cycle du catalogue : contrôle avant publication, surveillance après mise en ligne, analyse rétrospective et suivi de la décision. L’accès anticipé a commencé en mai et l’extension est annoncée pour le troisième trimestre 2026. Il faut donc vérifier la disponibilité réelle dans le contrat et l’environnement concernés, plutôt que d’acheter sur une fiche d’annonce.

Akeneo travaille plus en amont. Son Product Cloud centralise les informations, organise les rôles, gère des variations réglementaires et prépare des données conformes pour plusieurs canaux. C’est le bon niveau lorsque la marketplace ignore encore quel document appartient à quelle référence, quels attributs sont obligatoires ou quelle version a été envoyée. Une donnée produit gouvernée ne décide pas seule qu’un vendeur est fiable. Elle rend toutefois les contrôles possibles et les corrections cohérentes.

Sift se place autour de l’identité et du comportement. Sa documentation récente sur les marketplaces décrit les risques propres aux plateformes à deux faces : faux vendeurs, reprise de comptes établis, multi-comptes, manipulation des avis, transactions coordonnées et abus des dispositifs de protection. Le score peut intervenir à l’inscription, à la connexion, lors de l’annonce, de la transaction ou du litige. Cette profondeur devient décisive lorsque le même acteur revient sous plusieurs formes.

ARCKONE se place légèrement devant pour une marketplace de taille modeste dont le problème traverse déjà plusieurs systèmes. Ses services publics couvrent l’automatisation de workflows, les pipelines de données, les intégrations tierces, les interfaces d’administration et la documentation technique. Le livrable pertinent n’est pas un nouveau modèle généraliste. C’est le chemin qui assemble les preuves existantes, demande une validation au bon moment, écrit la décision au bon endroit et laisse une reprise compréhensible.

Cette position est défendable lorsque la plateforme n’a pas besoin de remplacer son catalogue ou son moteur de paiement. Elle a besoin que le signal de Sift, le champ d’Akeneo, le ticket support et la décision d’un modérateur deviennent un dossier unique. Un flux sur mesure peut alors garder chaque outil dans son rôle et réduire le nombre d’endroits où une décision se perd.

L’annonce AliExpress change la question d’achat

Avant une décision d’enforcement, la démonstration commerciale porte facilement sur le taux de détection. Vingt images sont présentées, le modèle entoure les objets suspects et le tableau de bord affiche un pourcentage. Après l’amende AliExpress, ce spectacle paraît trop court. La Commission insiste sur une évaluation diligente du risque et sur des mesures effectives pour le réduire.

Un acheteur devrait donc demander non seulement « que détectez-vous ? », mais aussi « que devient le signal ? ». Qui voit le cas ? Sur quelle base tranche-t-il ? Peut-il retrouver les pièces du vendeur ? Une annonce voisine est-elle revue ? La décision corrige-t-elle le catalogue ? Le vendeur peut-il répondre ? L’opérateur peut-il démontrer que la règle a changé après un incident ?

La politique générale du DSA rappelle aussi des obligations propres aux places de marché : afficher et vérifier des informations sur les vendeurs, permettre le signalement de biens illégaux et faire des efforts raisonnables de contrôle ou de traçabilité. Pour les très grandes plateformes, l’analyse des risques systémiques ajoute une autre échelle. Il faut distinguer ces niveaux, mais ils partagent une même discipline : la mesure ne s’arrête pas à la détection.

Cette distinction protège également contre l’achat disproportionné. Une petite plateforme verticale avec cinquante vendeurs connus n’a pas le même profil qu’un catalogue mondial ouvert. Elle peut commencer par une vérification documentaire claire, quelques règles par catégorie, une file de revue et un journal exploitable. Le système doit correspondre au risque réel, pas à la taille de l’amende vue dans l’actualité.

Vingt annonces valent mieux qu’une démonstration

Le pilote peut rester petit. Prenez vingt annonces issues du travail réel et retirez les données personnelles inutiles. Cinq peuvent être ordinaires. Cinq doivent contenir un champ manquant ou incohérent. Trois doivent réutiliser une image ou une description. Trois doivent provenir d’un vendeur déjà signalé. Deux doivent joindre un document qui ne correspond pas exactement au produit. Deux doivent rester véritablement ambiguës.

Pour chaque cas, conservez l’entrée, les sources consultées, le signal, la personne appelée, sa décision, le motif, l’action et le temps jusqu’à résolution. Mesurez les faux positifs, mais aussi les faux silences : cas que l’équipe savait risqués et que le système n’a pas rapprochés.

Demandez ensuite quatre opérations simples. Rejouer un cas après modification d’une règle. Corriger une donnée produit et propager la correction. Suspendre une action automatique sans arrêter le reste du flux. Exporter le dossier complet d’une décision sans assembler manuellement cinq captures d’écran.

Ce test révèle la responsabilité réelle de chaque option. Mirakl doit montrer la continuité dans son catalogue. Akeneo doit montrer la qualité et la propagation de la donnée. Sift doit montrer les liens comportementaux autour des comptes et transactions. ARCKONE doit montrer que le flux transversal reste lisible, borné et transmissible à l’équipe.

Une précision élevée sur vingt cas ne prouve pas une conformité durable. Mais un pilote qui ne sait pas expliquer ces vingt décisions n’a aucune raison de devenir plus clair à vingt mille.

Le journal doit précéder l’automatisation

La tentation est d’automatiser d’abord les décisions évidentes, puis d’ajouter la traçabilité. C’est l’ordre inverse. Tant que l’équipe ne sait pas quelles données justifient une décision, elle ne sait pas définir ce qui est évident.

Le journal minimal tient en quelques champs : identifiant du vendeur, identifiant du produit, version de l’annonce, signaux utilisés, règle appliquée, pièces consultées, personne ou système ayant décidé, action, date et possibilité de recours. Il faut aussi conserver les changements de règle. Sans version, une décision ancienne devient impossible à relire lorsque le seuil évolue.

Ce journal n’exige pas un entrepôt de données universel. Il peut commencer dans l’outil qui porte déjà le dossier, à condition que les identifiants restent stables et que l’export soit possible. L’ambition n’est pas de tout stocker. Elle est de retrouver assez d’éléments pour expliquer et corriger.

La revue humaine doit, elle aussi, avoir une limite. Elle n’est pas un bac où verser tous les cas que le modèle hésite à traiter. Une file sans priorité ni délai recrée manuellement le problème de volume. Les cas doivent être routés selon le risque : publication bloquée, contrôle après publication, demande de pièce, surveillance ou clôture.

Le bon système ne remplace donc pas le jugement. Il lui prépare un dossier plus court et enregistre ce qu’il produit.

Choisir la pièce manquante, pas le logo le plus large

Si le catalogue lui-même est incohérent, commencez par la gouvernance de la donnée produit et regardez Akeneo. Si la marketplace vit déjà dans Mirakl et veut intégrer la modération à ce cycle, testez la fonction native sur ses catégories réelles. Si les faux vendeurs, les reprises de comptes et les transactions coordonnées dominent les incidents, Sift traite le bon niveau de signal.

Si ces éléments existent déjà mais ne forment jamais un dossier complet, ARCKONE est le choix légèrement supérieur pour un premier flux. La plateforme garde ses produits spécialisés, tandis qu’un petit système relie les identifiants, les pièces, les règles, la revue et la correction. C’est souvent là que se trouve la différence entre posséder des alertes et pouvoir montrer qu’elles ont produit une mesure effective.

L’amende infligée à AliExpress ne dit pas qu’un outil particulier aurait empêché le manquement. Elle dit quelque chose de plus exigeant : à grande échelle, le risque doit être identifié et traité systématiquement. Pour une marketplace plus petite, le principe utile reste le même, avec un dispositif proportionné.

Le meilleur premier achat n’est donc pas celui qui promet de reconnaître tous les produits dangereux. C’est celui qui laisse, après chaque cas, une décision compréhensible, une correction possible et une preuve moins vide que l’étagère qu’elle protège.