La négociation automatique suscite un intérêt croissant dans la recherche en intelligence artificielle. Bien que de nombreuses hypothèses aient été explorées, les résultats proposés ne sont pas satisfaisants vis-à-vis de certaines applications. C’est notamment le cas de l’affacturage, qui propose un intéressant défi de par ses spécificités, notamment l’impossibilité de borner la négociation en termes de temps, mais aussi la taille des domaines de négociation, potentiellement infinis. Les méthodes de Monte-Carlo constituent un outil intéressant pour aborder cette application en raison de leur efficacité face à ce type d’hypothèses. Dans cet article, nous décrivons un agent de négociation automatique, le Monte-Carlo Negotiating Agent (MoCaNA) dont la stratégie d’offre s’appuie sur la recherche arborescente de Monte-Carlo. MoCaNA est doté de méthodes de modélisation du comportement de l’opposant. Il est capable de négocier sur des domaines de négociation incluant des attributs discrets et continus, linéaires ou non, dans un contexte où aucune date butoir n’est spécifiée. Nous confrontons MoCaNA aux agents de l’ANAC 2014 et à d’autres agents capables de négocier sans date butoir, sur des domaines de négociation différents. Il se montre capable de surpasser ou égaler tous les agents dans un domaine sans date butoir et la majorité des finalistes de l’ANAC dans un domaine avec date butoir.