Dans les entreprises, l’écart entre la date où les entreprises engagent leurs dépenses et la date où elles sont payées entraîne un besoin en fonds de roulement à l’origine de problèmes dont la sévérité va de la perte de contrat au dépôt de bilan. Dans le contexte actuel, le recours à l’emprunt pour éviter ces situations est hélas complexe pour les PME, les banques refusant de prêter lorsqu’elles estiment que le risque est trop important. Une possibilité est alors de recourir au factoring, et de faire financer ses créances. Dans cette thèse, nous proposons une place de marché de factoring intelligente, basée sur des travaux de négociation automatique et de mechanism design: nous proposons d’analyser théoriquement et expérimentalement les problématiques liées aux agents curieux cherchant à inférer les informations privées des autres agents, entraînant des surcoûts de leur point vue comme de celui de la plate-forme. Nous proposons également de concevoir un protocole de négociation qui s’oppose à de tels comportements, donnant aux agents une incitation à ne négocier que lorsqu’ils souhaitent vraiment obtenir un bien. Nous proposons ensuite un agent de négociation automatique. Pour la conception de la stratégie de notre agent, nous proposons d’exploiter les méthodes de Monte Carlo Tree Search, qui ont récemment fait leur preuve dans l’IA pour les jeux. Notre agent est capable d’apprendre de son partenaire bien que ce ne soit pas son objectif premier, afin de trouver un accord qui lui soit favorable. Il s’appuie pour cela sur des technique de modélisation d’adversaire impliquant des méthodes d’apprentissage tels que l’apprentissage bayésien et la régression de processus gaussiens.