Le monde juridique présente un paradoxe: jamais les démonstrations d’intelligence artificielle n’ont été aussi impressionnantes. En quelques secondes, ces systèmes rédigent des contrats, analysent la jurisprudence, synthétisent des milliers de pages ou proposent des stratégies contentieuses. Pourtant, dans les cabinets et les directions juridiques, les professionnels continuent de relire les documents, de vérifier les analyses et de reconstruire leur propre raisonnement avant de décider. L’usage est quotidien, mais rares sont ceux qui acceptent de s’y fier entièrement.
Pourquoi?
Cette question est désormais plus importante que celle de savoir quel modèle est le plus puissant ou dispose du plus grand volume de données. Si les avocats continuent de vérifier eux-mêmes chaque dossier, c’est probablement parce que nous n’avons résolu qu’une partie du problème.
En 2017, Ashish Vaswani et ses sept coauteurs ont publié Attention Is All You Need. L’architecture Transformer a ouvert la voie aux grands modèles de langage actuels et à des capacités inédites de traitement et de génération du langage. Mais cette avancée ne suffit pas à résoudre une autre question, essentielle dans les métiers où chaque décision engage une responsabilité: comment permettre à une machine de raisonner comme un professionnel expérimenté?
Du texte plausible au raisonnement fiable
En droit, une réponse plausible ne suffit pas. Une analyse peut être parfaitement rédigée tout en étant juridiquement erronée: elle peut reposer sur des faits devenus inexacts, ignorer une pièce décisive ou négliger la chronologie du dossier et les conséquences d’une relation juridique. Le défi est donc de produire un raisonnement auquel un professionnel puisse progressivement apprendre à se fier.
Pendant des décennies, les avocats se sont appuyés sur des bibliothèques de contrats, d’actes de procédure, d’avis juridiques et de rapports. Réutiliser des travaux antérieurs permettait de gagner du temps, de réduire les risques et de limiter les coûts de production. Aujourd’hui, l’intelligence artificielle peut produire des projets de documents ou des synthèses en quelques secondes. Une nouvelle question se pose: faut-il lui apprendre ce que les avocats ont fait hier, ou comment un avocat devrait raisonner aujourd’hui?
Cette réflexion nous a conduits, chez Laine, à développer l’approche Zero Legacy. Ce terme volontairement provocateur ne retire rien à la valeur des documents antérieurs comme preuves, références ou témoins des pratiques d’un cabinet et de la stratégie d’un client. Mais le moteur de la production juridique devrait désormais être la méthodologie : apprendre à la machine comment un avocat expérimenté raisonne, plutôt que reproduire ses travaux passés.
L’expertise humaine ne se limite pas au rappel de cas similaires: l’expérience se transforme progressivement en intuition, en discernement et en méthodologie. La mémoire fournit le contexte; la méthodologie guide l’action. Pourquoi demander à l’intelligence artificielle de s’appuyer uniquement sur une mémoire documentaire?
Les systèmes actuels excellent dans la recherche d’informations, mais peinent encore à reconstituer un dossier. Or, une affaire juridique est une réalité dynamique où faits, acteurs, contrats, preuves et règles de droit interagissent et évoluent. Le travail de l’avocat consiste à comprendre ces relations, à repérer les éléments manquants et à évaluer leurs conséquences juridiques pour construire un raisonnement cohérent. Une intelligence artificielle digne de confiance devra acquérir cette même compréhension.
Chez Laine, nous pensons que la prochaine génération d’IA juridique reposera sur une architecture capable de reproduire le raisonnement d’un avocat expérimenté, plutôt que sur la seule puissance des modèles ou le volume de données. Notre plateforme s’articule autour de quatre piliers: une méthodologie juridique explicite; une mémoire reconstituant la réalité d’une affaire; une intelligence propre à chaque cabinet, qui lui appartient, n’est jamais partagée et reste intégralement exportable; et une orchestration reliant ces composantes.
Notre ambition est de comprendre une affaire dans son ensemble et de suivre son évolution pour appliquer cette méthodologie. Nous pensons aussi que les méthodes internes, les positions de négociation, les préférences rédactionnelles et l’expérience d’un cabinet constituent un actif stratégique. Cette intelligence doit rester confidentielle, transférable et appartenir à ceux qui l’ont créée, sans enrichir les autres utilisateurs de la plateforme.
L’aviation offre une analogie intéressante. Les frères Wright ont appris à l’humanité à voler. Quelques années plus tard, Lawrence Sperry ouvrait la voie au pilotage automatique, permettant de confier certaines tâches à la machine. Le pilote pouvait ainsi se concentrer davantage sur la décision et la gestion de l’imprévu. Plus d’un siècle après, l’intelligence artificielle parle encore surtout de «copilotes». Le défi est désormais de construire des systèmes assez fiables pour devenir progressivement des pilotes automatiques, tout en laissant aux humains la responsabilité, la stratégie et le discernement.
Les grands modèles de langage ont changé notre manière de travailler. Ils ont probablement résolu la première moitié du problème. La prochaine révolution sera celle des systèmes auxquels les professionnels accepteront enfin de faire confiance.