Résumé : La négociation automatique est un sujet qui suscite un intérêt croissant dans la recherche en IA.Les méthodes de Monte-Carlo ont quant à ellesvécu un grand essor, notamment suite à leur utilisation sur les jeux à haut facteur de branchementtel que le go.Dans cet article, nous décrivons un agent denégociation automatique, Monte-Carlo Negotiating Agent (MoCaNA) dont la stratégie d’offres’appuie sur la recherche arborescente de MonteCarlo. Nous munissons cet agent de méthodesde modélisation de la stratégie et de l’utilité adverse. MoCaNA est capable de négocier sur desdomaines de négociation continus et dans uncontexte où aucune borne n’est spécifiée. Nousconfrontons MoCaNA aux agents de l’ANAC2014 et à un RandomWalker sur des domainesde négociation différents. Il se montre capablede surpasser le RandomWalker dans un domainesans borne et la majorité des finalistes de l’ANACdans un domaine avec borne.