Quand le data interne devient pari à un million : le scandale Google

L’arrestation de Michele Spagnuolo, ingénieur sécurité chez Google, a choqué les milieux technologique et financier, en révélant qu’il a exploité des données confidentielles sur le trafic de recherche pour réaliser plus d’un million de dollars sur Polymarket, une plateforme de paris prédictifs avec 200 000 traders actifs. Polymarket, lancée en 2020, attire plus de 200 000 traders actifs et permet aux utilisateurs de parier sur l’évolution de sujets variés, du scrutin présidentiel aux indicateurs économiques. Les procureurs fédéraux affirment que Spagnuolo, doté d’informations non publiques sur les volumes de requêtes Google, a placé de larges paris éclairés sur la plateforme, générant un profit dépassant un million de dollars avant sa démission en début 2024. Cette pratique soulève des questions sur l’adéquation des lois anti‑détournement, conçues pour les titres, avec les marchés de prédiction, et souligne la nécessité d’une mise à jour législative pour combler le vide juridique laissé par les plateformes décentralisées. Le scandale rappelle des affaires antérieures, comme celle de 2022 où un analyste fintech a été sanctionné pour avoir exploité des données de transaction client avant leur publication, illustrant la difficulté de tracer l’origine des flux d’information dans un environnement hyperconnecté où la frontière entre données internes et publiques s’estompe. En 2021, un cadre de la plateforme de trading high‑frequency Kraken a été inculpé pour avoir utilisé des données de order‑book avant publication, démontrant que le problème s’étend au-delà des géants du net. À moyen terme, Google et d’autres firmes technologiques risquent d’instaurer des contrôles d’accès aux données internes et à instaurer des audits réguliers, tandis que les législateurs envisagent d’élargir les cadres de responsabilité aux acteurs des marchés de prévision, afin de garantir l’intégrité des prévisions collectives et de prévenir de nouvelles fraudes. Cette évolution pourrait contribuer à rétablir la confiance des participants et à pousser les régulateurs à définir des normes spécifiques pour les marchés de prédiction basés on des données internes.