Cette thèse étudie les problèmes liés à l’asymétrie d’information dans les marchés numériques. Elle vise à comprendre le comportement des agents économiques lorsque les outils de réputation standard, tels que les évaluations des consommateurs, peuvent être insuffisants. Le premier chapitre examine l’impact des préoccupations de "fin de jeu” sur l’efficacité des systèmes de réputation dans les marchés numériques. En utilisant des données d’Airbnb, le chapitre analyse les d´décisions d’effort des hôtes anticipant leur départ en raison de la non-conformité à une réglementation de location à court terme dans la ville de Los Angeles. Avec une approche de Différence-en-Différences et une Etude d’Evènement, nous comparons comment les notes liées à l’effort d’un hôte ont changé, par rapport aux notes sur l’emplacement de son logement, après l’annonce de la réglementation et pendant sa mise en œuvre. Les résultats révèlent une diminution statistiquement significative des notes liées à l’effort, soulignant les limites des systèmes de réputation pour aborder l’aléa moral dans un jeu fini. Les deuxième et troisième chapitres de cette thèse étudient le comportement des entreprises et des travailleurs sur une plateforme commerciale de travail à la tâche caractérisée par l’anonymat et des interactions limitées entre employeurs et employés. Le deuxième chapitre fournit des aperçus descriptifs sur la manière dont les plateformes de travail à la tâche sont utilisées pour externaliser des tâches liées à l’IA. L’étude commence par fournir du contexte sur la plateforme étudiée et dévoile une demande croissante pour des micro-tâches liées au travail de données. Le chapitre examine également comment les entreprises assurent la qualité d’exécution des tâches grâce à la sélection des travailleurs, à la fixation des salaires et à la surveillance.Un cadre de régression permet d’identifier les facteurs spécifiques qui distinguent la demande de travail de données des autres tâches. Le plus grand ciblage de la demande vers des groupes prédéfinis de contributeurs basés sur l’expérience ou la localisation géographique, ainsi qu’une probabilité de rejet plus élevée pour les t ˆaches d’annotation de données, soulignent l’importance de la qualité d’exécution pour les entreprises externalisant dans ce domaine. Le dernier chapitre explore un problème Principal-Agent, affectant la qualité d’exécution des tâches d’annotation de données sur les plateformes de micro-tâches.Ce problème ne peut pas être adéquatement traité avec une approche de forme réduite. Il découle de la surveillance peu fréquente de la qualité du travail par les entreprises, favorisant l’aléa moral chez les travailleurs. Un modèle structurel évalue l’ équilibre de l’offre et de la demande d’effort, révélant que les métriques reposant sur l’observation du rejet des tâches sous-estiment la qualité. L’ étude propose une correction plus précise basée sur le taux de surveillance propre à l’entreprise et simule des régimes d’incitations contrefactuels. Les exercices de simulation révèlent qu’une pénalité salariale pour les travailleurs ayant des tâches rejetées pourrait induire un effort plus élevé et nécessiter moins de surveillance.Une approche alternative, bien que plus coûteuse pour la plateforme, pour encourager l’effort, implique de fournir des subventions pour les efforts de surveillance des entreprises.