Logiciels, Internet, moteurs de recherche

Dernier ajout : 30 mai.

Derniers articles

Utiliser Google pour des recherches juridiques

Une méthode de recherche fiable sur le Web

Jeudi 30 juin 2022

Lire la suite »

Cet article est à la fois un guide détaillé et un tutoriel (grâce aux nombreux exemples donnés) pour pousser à fond les performances en recherche de Google, plus particulièrement dans le domaine juridique [1]. Mis en ligne en juillet 2013, il est est régulièrement mis à jour depuis. Il a reçu plus de 40 000 visites.

Si vous êtes pressé, vous pouvez :

Sommaire

1. Comment fonctionne Google

1.1. Contenu et indexation

1.2. Les résultats de Google

2. Comment interroger Google

2.1. L'essentiel

2.2. Choisir ses mots-clés

2.3. Repérez dans les résultats les mots-clés que vous avez oubliés

2.4. Utilisez la recherche avancée pour mieux contrôler votre recherche (opérateurs booléens et filtres)

2.5. Rechercher sur une période

2.6. Ouvrir les résultats dans une nouvelle fenêtre ou un nouvel onglet

2.7. Les moteurs spécialisés de Google

2.8. Toujours rien ?

3. Cinq exemples de recherche futée ou experte dans Google

4. Pour aller plus loin

1. Comment fonctionne Google : quelques principes à retenir

1.1. Contenu et indexation

1.1.1. La plus grande base de données du Web

Google est un moteur de recherche sur le Web. C’est la plus grande base de données de pages web et de fichiers divers stockés sur le Web (PDF, Word, Excel etc.) [3].

En termes de taille de sa base de données, de richesse des fonctionnalités et surtout de pertinence des résultats, il n’a plus de rival global. Même Bing (Microsoft) a abandonné la compétition. En fait, ses principaux rivaux sont des moteurs spécialisés [4] :

  • locaux/nationaux, tel Baidu en Chine ou Yandex en Russie
  • spécialisés sur un secteur professionnel/une industrie, comme Amazon sur le commerce électronique
  • ou internes à un réseau social, comme le moteur de Facebook.

1.1.2. Tout n’est pas dans Google et tout n’est pas forcément bien référencé dans Google

Soyons clair : il y a infiniment plus de documents hors de Google que dans Google. N’utiliser que Google, c’est tentant. Mais c’est un piège.

  • Google n’indexe généralement pas les bases de données payantes et totalement fermées. En revanche, il indexe les titres d’articles payants, dès que ceux-ci sont affichés avec leur lien sur des pages gratuites ou bien un site payant si celui-ci a un fil RSS. Il peut même indexer non seulement le titre mais aussi les auteurs et les mots-clés (pas le texte intégral) lorsque l’éditeur laisse ses métadonnées disponibles librement et gratuitement pour le moissonnage OAI (exemple des articles de revues de LexisNexis, voir infra). Google indexe également les pages des sites payants dès lors qu’ils en affichent une partie gratuite (titre, chapeau, début du document ...), comme par exemple celles de Lextenso.
  • Google ne couvre pas tout le Web : ni le Web payant, ni la totalité du contenu de nombreuses bases de données gratuites [5], ni les sites qui lui interdisent l’accès à tout ou partie de leurs pages (le fameux fichier robots.txt) etc. Au total, on estime que Google n’indexe (i.e. ne reproduit le contenu et ne le place dans son index [6]), au mieux, que la moitié environ des pages web librement accessibles. Les pires estimations, sous-entendant certes une définition du Web très large puisqu’incluant le "deep web" et les darknets, donnent seulement 4% du Web comme indexé [7].
    Un exemple important de ces sites-bases de données non totalement indexés par Google sont les bases de données de Legifrance, à l’exception notable (et bien pratique ...) des textes consolidés (LEGI) et du JORF. On peut considérer que le Journal officiel Lois et décrets sur Legifrance est à 95% indexé par Google — et à 99,5% pour les textes publiés récemment. On peut également considérer que la majeure partie de la jurisprudence est également indexée — même si certaines questions fonctionneront mieux directement dans Legifrance (à fin avril 2017, Google indexait 8 800 000 documents de Legifrance, soit quasiment tout). Il faut donc selon les cas interroger Legifrance par les interfaces de recherche de chacune de ses bases de données (en savoir plus). C’est particulièrement vrai pour la jurisprudence.

NB : ne pas confondre une page web qui n’apparaît pas dans les 10, 30 ou 100 premiers résultats d’une recherche Google, avec une page web inconnue de Google/non présente dans son index. Le premier cas est très fréquent et correspond souvent — mais pas toujours — à une recherche dont on peut améliorer la formulation. Le second cas est en pratique, dans le quotidien des "researchers", plus rare et seul des tests nombreux et précis peuvent le confirmer.

Et même si un texte est parfaitement indexé par Google, et qu’on choisit bien ses mots-clés, le moteur de recherche reste fortement dépendant des commentaires en ligne sur et liens vers celui-ci. Voici un exemple des limites de Google qui donne à réfléchir. Les banques françaises sont obligées par l’article R. 511-6 du Code monétaire et financier (CMF) de faire des exercices comptables du 1er janvier au 31 décembre [8]. Pourtant, si on tape dans Google.fr : "banques" france exercice comptable date de clôture, les 10 premiers résultats — et même après — indiquent qu’il n’y a pas de spécificité des établissements de crédit. Il faut taper : exercice comptable des banques date de clôture france pour voir en 10e résultat un article de l’Agefi (mais payant donc non consultable ...) indiquer qu’en France c’est 1er janvier - 31 décembre pour les banques. Pour être honnête, avec les mêmes mots-clés, les plateformes en ligne Lexis 360 et Navis de Francis Lefebvre ne font pas mieux.

1.1.3. Google et les variantes d’un mot

Google, si vous n’êtes pas en mode Mot à mot, cherche automatiquement les variantes d’un mot. Il prend sa racine et cherche :

  • son pluriel et si possible, son féminin. Exemples : bail cherchera aussi baux
  • le verbe, les adjectifs qualificatifs et les adverbes qui lui correspondent. Exemples : embauche cherchera embaucher.

C’est ce qu’on appelle une troncature automatique ou "autostem" en anglais.

1.1.4. Google et le traitement du langage naturel version machine learning : synonymie, désambigüisation et reformulation de la question automatiques

A noter que le machine learning [9] (apprentissage statistique automatique [10]) est utilisé [11] pour toutes les requêtes [12] Google depuis juin 2016. Cet algorithme de Google est appelé RankBrain.

Comme l’explique Olivier Duffez de WebRankInfo, « RankBrain est un système basé sur le machine learning permettant à Google de mieux comprendre les requêtes des internautes. Il peut s’agir de requêtes très longues et précises (très longue traîne) ou de requêtes n’ayant jamais été faites et peu similaires à d’autres plus connues. Grâce aux nouvelles méthodes d’intelligence artificielle dont Google est devenu un des plus grands spécialistes mondiaux, RankBrain parviendrait à mieux comprendre ces requêtes difficiles » [13].

En fait, RankBrain n’est qu’une implémentation de Word2vec, l’algorithme de traitement du langage naturel (natural language processing, NLP) par machine learning non supervisé [14] développé par une équipe de Google Research (il a d’ailleurs été mis par Google en open source en 2013). En prenant en compte le contexte (les mots voisins) de chaque mot dans les documents, RankBrain/Word2vec "apprend" que certains mots, dans un contexte donné, sont similaires [15]. Word2vec transforme ces contextes en vecteurs, donc en chiffres, ce qui permet de les comparer facilement.

C’est Word2vec qui permet par exemple à Google de deviner que si vous avez tapé compétition déloyale, vous vouliez en fait écrire concurrence déloyale ou de faire une synonymie automatique entre ouvrage et livre [16].

Pour autant, le type de requête que décrit O. Duffez (longues, beaucoup de mots peu ou moyennement utilisés [17]) — et qui est le propre des recherches juridiques pointues — ne réussit pas toujours dans Google. C’est probablement autant une limite du Web gratuit [18] que celle de Word2vec.

Autre limite : il est compliqué pour les "Transformers" de s’adapter à une verticale (ici le secteur juridique). On le voit très bien quand Google (mais aussi DeepL) échoue à traduire correctement l’expression anglaise "warranty & indemnity insurance" (assurance de garantie de passif) (oui, l’application Google Translate utilise aussi le machine learning et les "Transformers" [19]) et quand Google Web Search n’ajoute pas "assurance de garantie de passif" comme synonyme à sa recherche lorsqu’on cherche sur Google.fr la même expression anglaise, et ce, même si on précise "droit français" dans la requête. En fait, c’est le "language model" qui n’est pas assez spécialisé. Ne pas oublier que Google est optimisé d’abord pour le grand public. Pas pour le professionnel.


Word2vec : relations sémantiques dans un espace vectoriel

Après RankBrain, d’autres algorithmes ont ensuite été développés et implémentés par Google, complétant (ce n’est pas toujours très clair) [20] RankBrain : BERT en 2019 [21] puis MUM en 2021 [22]. BERT puis MUM (qui, fin mai 2021, n’était pas encore implementé dans Google Web Search [23]) améliorent la capacité de Google Web Search à interpréter correctement les requêtes longues, celles qui sont ou ressemblent de très près à de véritables questions, notamment parce qu’ils sont capables de relier entre eux des mots placés de plus en plus loin dans le texte et dont le lien entre eux est implicite. BERT puis MUM font également de mieux en mieux en matière de désambigüisation [24].

A noter également que, comme l’explique Sylvain Peyronnet, chief scientist du moteur Qwant (qui utilise largement l’index de Bing) et co-fondateur du laboratoire de recherche privé ix-labs [25], dans une interview au Journal du Net [26], il n’y a depuis longtemps plus un (le PageRank d’origine), ni deux, ni trois algorithmes qui font fonctionner le moteur de recherche de Google mais un grand nombre (peut-être 200 !) d’algorithmes [27] et ils s’influencent les uns les autres tout en étant pondérés par des critères ... et fréquemment modifiés pour améliorer les résultats ou lutter contre les spécialistes du SEO trop habiles [28]. Cela signife que, si le machine learning transforme lentement la façon dont Google opère, le ML est loin d’être le seul composant de la recherche de Google [29].

Les innovations sur Google Search sont permanentes. Ainsi, annoncée fin mai 2018 : comme l’explique Noël Nguessan (Arobase.net) [30], « Google vient de publier un document de recherche [31] qui traite d’une façon de reformuler les requêtes, puis de présenter ces requêtes à un moteur de classement. Les reformulations des requêtes et les dérivés sont déjà utilisés chez Google. C’est une autre forme de cette approche. Ce qui est nouveau, c’est qu’il s’agit d’un algorithme d’apprentissage automatique (machine learning) qui utilise l’approche d’apprentissage par renforcement ("reinforcement learning"). [...] Ce nouvel algorithme utilise un système d’apprentissage qui reformule la requête de l’utilisateur, en posant au moteur de classement de nombreuses questions, puis en choisissant les meilleures réponses parmi les multiples ensembles de réponses. »

Comme le montrent les exemples donnés en fin d’article, cette fonctionnalité ne devrait être utile qu’avec des requêtes plutôt mal formulées et où manque un mot-clé essentiel, oublié ou inconnu de l’utilisateur. Elle illustre toutefois parfaitement ce souci du moteur de recherche de deviner votre intention, de comprendre ce que vous sous-entendez et de corriger ainsi votre question.

Autrement dit, c’est là que le ver peut rentrer dans le fruit. Car si l’algorithme devine mal, ce sera de peu, et vous ne le détecterez pas. En effet, en droit, le langage est d’un telle subtilité, les nuances de sens sont telles que la probabilité que la machine se méprenne à la marge est réelle. En tout cas, tant que les corpus payants des éditeurs juridiques n’auront pas alimenté l’apprentissage automatique du moteur.

1.1.5. Google et le Knowledge Graph. Ou comment Google utilise le Web sémantique pour répondre aux questions

Comme le relève le SEO américain Bill Slawski (SEO by the Sea), Google admettait en 2014 que les réponses directes ("direct answers") conviennent mieux aux internautes qu’une liste de liens vers des pages web à consulter [32].

Aussi, et comme Slawski le montre en analysant les demandes de brevets déposées par Google [33], Google a décidé de répondre d’abord à toute question que ses algorithmes peuvent discerner dans la requête de l’internaute en utilisant des bases de savoir externes, et seulement ensuite de fournir une liste de liens. Et pour ce faire, dès qu’il détecte un élément (une information) manquant dans sa base de savoir, il va aujourd’hui jusqu’à interroger automatiquement ces bases externes pour le mettre à jour aussitôt [34].

Pour arriver à détecter et répondre à une question, le moteur de recherche web de Google s’appuie sur les relations de sens (dites "sémantiques") et normées entre ce qu’on appelle des entités nommées ("named entities" ou "objects"). Ces relations ne sont possibles que grâce aux métadonnées saisies, notamment dans Wikipedia et aux relations construites par des bénévoles dans DBpedia puis Wikidata [35].

En un mot : on passe des chaînes ("strings") aux entités nommées ("things"). Le Web de données/sémantique change discrètement la façon dont les moteurs cherchent.

C’est le Knowledge Graph de Google, lancé en 2013. Le Graph est, au début, fortement basé sur DBpedia, une version base de données, fortement structurée, orientée ontologie/web sémantique/web de données [36], au format RDF et téléchargeable de Wikipedia [37] La première mise à disposition date de 2007. Fin 2014, DBpedia est remplacée par Wikidata [38], une base de données alimentée par des bénévoles, comme Wikipedia, soutenue par Google et interrogeable par le langage SPARQL [39]. Même les professionnels du SEO s’intéressent à Wikidata.

Wikidata n’est pas la seule source de la base de connaissances de Google [40]. L’autre fondement du KG de Google est l’ontologie universelle Schema.org, placée sous l’égide du W3C [41].

Qu’est-ce que cela change pour les juristes ? Pas grand’ chose ... pour l’instant du moins. Car la complexité du droit et des relations sémantiques au sein de celui-ci est trop élevée, et le niveau de Wikipedia en droit est trop basique, pour que Google puisse répondre à une question du style « Une voix hystérique qui hurle par épisodes entre 18h et 2h du matin constitue-t-elle un trouble de voisinage sanctionnable en justice ? » [42].

Mais si Google avait accès un jour à une base de connaissances du niveau des plateformes des éditeurs juridiques et la structurait selon les règles du Web sémantique, la réponse ne serait pas la même ... [43]

1.1.6. Google et les documents très longs

Google peut aussi avoir des difficultés à faire remonter en haut du classement de ses résultats des documents très longs où l’information pertinente est noyée dans la masse. Ainsi, sur les PDF très longs (à partir de 30 à 40 pages environ), il indexera tout le document mais privilégiera très nettement dans son classement les mots-clés placés dans le titre, la balise title ou les premières pages du document. C’est particulièrement net si on ne restreint pas la recherche avec site: ou filetype:pdf Exemple : les références bibliographiques dans les fichiers PDF que constituent les trois parties des Notes de doctrine relatives aux arrêts de la CJUE et du TPI sur Curia. Contre-exemple : les références bibliographiques des revues de LexisNexis sur http://www.lexisnexis.fr/droit-document car chaque référence a sa propre page web.

NB : au-delà de 15 Mo, le robot indexeur Googlebot s’arrête [44]. Cette limite de taille de fichier est très elevée et ne concernera en pratique aucune des pages web (fichiers HTML) que vous consulterez. En revanche, sur de très gros fichiers PDF (particulièrement s’ils contiennent des images ou ont embarqué toutes leurs polices de caractères [45]) — disons au-delà de la 300e page d’un fichier PDF bourré d’images et contenant toutes ses polices de caractères. Les mots au-delà de la 300e page de cet exemple ne seront pas indexés et donc non trouvables par Google. En pratique, dans des recherches juridiques, le phénomène est plus qu’extrêmement rare. Ainsi, aucun des très longs PDF des Notes de doctrine aux arrêts de la Cour de justice de l’UE disponibles sur le site Curia — et qui pourtant dépassent chacun les 700 pages (un des trois dépasse les 2200 pages) — ne fait à ce jour (juin 2022) plus de 8 Mo.

1.1.7. Google est parfois en retard

Google peut être en retard sur les mises à jour des sites web les moins populaires ou mettre des jours ou des semaines à prendre en compte correctement un nouveau site web (voir infra), notamment parce que personne n’a encore fait de lien vers lui.

Mais il indexe presqu’immédiatement les mises à jour des sites institutionnels, universitaires, de presse, des blogs populaires et de tout autre site populaire ou fiable [46]. En tout cas dès qu’il tombe dessus. Ce qui selon nous se fait dans un délai nettement sous l’heure. Probablement sous la demie-heure — voire sous le quart d’heure pour les sites de presse.

1.1.8. Google Books, Google Scholar, Google et les catalogues de bibliothèques

Parce qu’il dépend du contenu d’Internet, Google ne couvre ni le papier ni la littérature grise — qui ne sont par définition pas en ligne.

Quoique ... Avec Google Books et surtout le partenariat de très grandes bibliothèques [47], Google indexe énormément d’ouvrages en anglais et un nombre certain en français.

Mais du fait de l’opposition des éditeurs français, le contenu en droit français est pour l’instant faible. Cela dit, ce n’est pas le cas en droit belge ni en droit européen ou international.


Google Books. La requête "droit de la propriété intellectuelle" sort des titres du groupe Lextenso, un des rares éditeurs juridiques français à être rentré dans le programme.

Google Scholar, de son côté, indexe les articles scientifiques (donc de nombreux articles juridiques) présents sur le Web sous forme de références bibliographiques ou, plus intéressant, en texte intégral gratuit. Cela dit, Google Scholar contient surtout des articles de droit international public, de droit public interne ou de droits de l’homme. Donc très peu d’articles en droit des affaires ou en droit privé. À ce titre, ses grands rivaux le Legal SSRN (racheté par Elsevier) et le très récent LawArXiv sont souvent plus intéressants.

Dans un style proche, une fonctionnalité de Google intègre les catalogues de bibliothèques dans ses résultats de recherche de livres numériques (ebooks). Pour en bénéficier, il faut activer la localisation [48]. D’après un utilisateur américain, les premiers résultats ne sont pas toujours satisfaisants, mais avec certains fournisseurs d’ebooks comme Overdrive, ça marche très bien [49].

Même sans localisation, le fait d’ajouter "bibliothèque" à une recherche Google ramène un certain nombre de pages web correspondant à des notices bibliographiques (des fiches de catalogue). Sur ce type de recherche, le catalogue de bibliothèque le plus représenté — et de loin — en droit français est celui de la BU Vauban (Lille). Mais — surprise ! — cet ajout fait aussi sortir des titres en PDF de la bibliothèque numérique Gallica de la BNF.

Quant à l’ajout du mot "livre", il permet de chercher sur les catalogues de librairies en ligne les plus connues, comme la LGDJ, la Fnac, Amazon, la librairie Dalloz, celle de LexisNexis ... Mais aussi, évidemment, Google Books car le moteur américain insère dans les résultats de l’onglet Web des résultats extraits de Google Books.

1.2. Les résultats de Google

1.2.1. Ranking : le classement par pertinence, ses avantages et ses défauts

- Les résultats sont classés par pertinence. Ce classement par pertinence s’appelle "ranking" en anglais. La "pertinence selon Google" tient compte [50] :

  • d’abord des liens pointant vers les pages web, plus précisément de leur nombre et plus encore de la qualité de ceux-ci (Google les considère comme autant de recommandations), c’est-à-dire en fait de la qualité de celles-ci (les pages vers lesquelles ils pointent) autant que de la qualité du site faisant les liens. Exemple paroxystique : un site universitaire (site de qualité quasiment par nature selon Google, voir infra) fait des liens vers des pages web du blog d’une spécialiste reconnue du sujet (site de qualité selon Google du fait des nombreux liens établis vers lui par d’autres spécialistes et par la communauté réunie autour de ce sujet, voir infra). Le PageRank (PR) de la page universitaire est très élevé, en conséquence. Mais si celle-ci, trompée ou hackée, se met à faire des liens vers des sites de commerce électronique ou des sites adeptes de théories non scientifiquement établies, son PR baissera. Quant aux sites "parasites", si leur PR bénéficieront d’une hausse de leur PR (et donc de plus de trafic, c’est ce qu’ils recherchaient), ce sera très bref, Google sachant détecter ce type de spamming.
    Il s’agit là de l’algorithme d’origine de Google, le fameux PageRank, mais modifié par rapport à celui de 1996 pour lequel l’Université de Stanford avait déposé un brevet en 1998, brevet dont la licence avait été donnée en exclusivité à Google, et qui a expiré depuis [51]. Le PageRank de 1996 a été remplacé en 2006 par un algorithme donnant des résultats similaires mais plus rapide à calculer [52]. Fréquemment mis à jour à la marge pour lutter contre la fraude aux liens ("spamdexing") et l’accroissement de la taille du Web, le PageRank a gardé néanmoins ses principes et reste une composante importante de l’ensemble des algorithmes du moteur. Un spécialiste américain du SEO a calculé à 0,128 la corrélation entre PageRank (estimé par un outil à lui nommé Domain InLink Rank) et le classement dans les pages de résultats de Google ("SERPs") [53]
  • ensuite des mots décrivant le lien hypertexte (ceux en bleu ou soulignés de blue) (et de ceux proches — c’est là l’effet de l’algorithme RankBrain décrit supra)
  • puis des mots (et leurs synonymes) de la requête contenus dans la page web :
    • ceux du titre informatique de la page (balise title), du titre réel de celle-ci (balise H1 ou H2 sinon) et du nom du fichier HTML sont les plus importants
    • Google privilégie les expressions sur les termes isolés, et les termes exacts sur les synonymes
  • de la "qualité" (selon Google) de la page :
    • le nom de domaine est important ici : les sites universitaires (avec "univ" dans leur nom de domaine en France ou .edu aux USA) et gouvernementaux (.gouv.fr en France, .gov aux Etats-Unis) sont favorisés
    • les sites personnels sont défavorisés, sauf s’ils ont leur propre nom de domaine et une forte réputation au sein de leur communauté
  • de la fraîcheur/fréquence de mise à jour de la page. Par exemple, un site personnel réputé dans une communauté, sur des requêtes Google sur lesquelles il possède des pages très pertinentes, va pourtant reculer en bas de la première page des résultats de Google s’il n’est pas mis à jour chaque semaine
  • du travail des "quality raters" cités plus haut par Sylvain Peyronnet [54]. Avant la sortie d’une nouvelle version de l’algorithme, et à l’aide d’un guide fourni par Google [55], ces personnes évaluent ses erreurs ou manques de pertinence, de manière à ce qu’ils soient corrigés (ou plus probablement à ce que la partie machine learning de l’algorithme "apprenne") avant sa "release" [56]
  • bizarrement, de la longueur de la page — à condition qu’il s’agisse d’un document écrit et surtout s’il est de nature scientifique/universitaire (nombreuses citations et notes de bas de pages). Détails, longueur, argumentation : les algorithmes de Google considèrent tout cela comme de signes de compétence et d’autorité sur le sujet traité
  • mais aussi des attentes supposées de l’utilisateur. L’utilisateur veut-il des documents simples, de niveau basique, pour non juriste, comme Droit-Finances.net ou des forums, ou bien des articles gratuits de revues juridiques et des rapports officiels ? Pour tenter de deviner les attentes non exprimées de l’utilisateur, Google utilise :
    • les termes de la question. Ainsi, taper licenciement combien je touche ou licenciement calcul indemnité donne des résultats similaires (car la synonymie automatique dûe au machine learning joue) mais en même temps différents du fait des mots employés : la seconde formulation ramène plus de sites officiels, comme Service-Public.fr, du fait de l’emploi du mot "indemnité", mais aussi un simulateur de calcul d’indemnités, du fait du mot "calcul"
    • et l’historique de nos recherches :
      • soit celui stocké dans notre compte Google, dans le cas où l’internaute est connecté à son compte Google (par exemple parce qu’il consulte sa messagerie GMail ou qu’il interroge Google sur un smartphone Android)
      • soit celui de notre navigateur web, si l’internaute vient d’utiliser Google pour poser une autre question. Voir l’exemple très parlant à propos de stades de football et de zoos donné par le spécialiste SEO Kevin Rowe au point 4. de cet article précité [57].

NB : il existe de nombreux autres facteurs de personnalisation — personnalisation supposée être à son tour un facteur de pertinence, mais pas toujours en réalité (voir infra) — de vos recherches Google. Notamment (liste non exhaustive) :

- Cette pertinence est réelle : en règle générale, il suffit de consulter les 30 premiers résultats pour trouver sa réponse et avoir balayé l’essentiel des sites. En général ...
Ce qui veut dire qu’en cas de doute, il faut aller jusqu’au 100e résultat (c’est du vécu). C’est particulièrement net sur des sites mal structurés et mal indexés par Google comme les sites syndicaux.

- Parfois, cette pertinence a de graves défauts :

  • même si l’algorithme initial a énormément évolué, Google, pour ramener une page web bien en évidence dans ses premiers résultats — disons les 10 premiers — reste fortement tributaire de l’existence et du nombre de liens hypertextes vers la page en question et des mots utilisés dans ces liens. Ce qui signifie qu’un document peu connu, ancien ou à la popularité éclipsée par un document plus récent ou plus important ne remontera pas dans les 10 premiers résultats. On ne le « verra pas ». Parfois, si on n’utilise pas un filtre (filetype:pdf ou site :, pour citer les plus efficaces en droit), Google ne sera même pas capable de ramener le document dans ses 100 premiers résultats. Exemple : fin novembre 2018, je cherche la décision (concurrence) de la Commission européenne IV/26.699 Chiquita du 17 décembre 1975 (JOCE L 95 du 9 avril 1976, p. 1-20.). On a un nom de partie, le sujet, la date et le type de document. Et il est publié au Journal officiel européen qui lui-même est entièrement publié gratuitement sur le Web. Il ne devrait donc pas y avoir de problème. Oui mais, c’est une décision ancienne (1975). A l’époque, pas d’Internet, donc pas de liens hypertexte. Et par la suite, après l’invention du Web, très peu de gens ont fait des liens vers elle, car la célèbre décision de la Cour de justice des Communautés européenne sur cette affaire a éclipsé la décision qui en fut à l’origine. Beaucoup plus de liens ont été créés vers l’arrêt Chiquita que vers la décision Chiquita. Donc, si on tape décision Commission Chiquita 17 décembre 1975, eh bien, on ne trouve pas la décision sur le site officiel EUR-Lex, même en allant au 100e résultat (on la trouve certes en 5e position sur le site non officiel Adminet, mais sans garantie d’absence d’erreur et sans image PDF du JOCE d’origine). Le premier résultat est l’inévitable arrêt de la Cour du 14 février 1978 Bananes Chiquita sur EUR-Lex, objet de très nombreux liens comportant le mot "Chiquita". Au final, j’ai trouvé la décision par le moteur de recherche interne d’EUR-Lex, avec le PDF du JO
  • la personnalisation des résultats de Google, selon les deux études scientifiques les plus récentes sur le sujet (2013 et 2019), masque 12 à 20% des résultats pertinents [59]. Une recherche entièrement dépersonnalisée permet de trouver ces 20%, mais en pratique, une dépersonnalisation totale est impossible : au minimum, les résultats seront personnalisés en fonction de la localisation (langue + pays).
    Il faut toutefois relativiser. Déjà, comme mentionné plus haut, on ne parle que de 12 à 20% des résultats pertinents. Selon CNBC, qui a visité les labos de Google, « actuellement, il y a très peu de personnalisation de la recherche et ce qui existe est centré sur la localisation d’un utilisateur ou les termes et les choix de résultats d’une recherche précédente.
    Après beaucoup d’efforts pour tester la personnalisation, Google a trouvé qu’il améliore rarement réellement les résultats de recherche.
    En ne personnalisant pas [on dira plutôt moins que les autres] les résultats de recherche, Google a été en mesure d’échapper à beaucoup de critiques que Facebook et Twitter ont reçues pour avoir créé des “bulles de filtres”, où les gens ne voient que les informations qu’ils étaient déjà prédisposés à croire ou à aimer.
    NB : Le produit vidéo de Google, YouTube, n’a pas été en mesure d’éviter cette critique, en particulier dans la façon dont il recommande des vidéos connexes. Les deux algorithmes sont totalement distincts et ne sont pas créés ou entretenus par la même équipe. » [60]
  • la volonté de fournir des réponses plus que des documents amène Google à tenter de répondre à la place des sites web, avec les "featured snippets" (extraits optimisés) [61], ce qui n’a le plus souvent aucun intérêt pour les professionnels de l’information et du droit, qui recherchent inversement détails, nuances et exhaustivité
  • pire, interprétant les attentes des utilisateurs, voulant à tout prix leur donner une *réponse* — et non des interrogations ou d’autres pistes — et leur mâcher le travail, Google suppose que ses utilisateurs n’ont pas besoin de la totalité des résultats disponibles dans son index et, depuis octobre 2017, ne permet plus d’interroger directement les différentes versions "locales" (i.e. nationales) de son moteur [62]. Cette attitude du moteur peut également être due à son refus de laisser consultants en référencement (SEO) et autres abuser de son index. Au final, comme l’écrit Carole Tisserand-Barthole sur le blog de FLA Consultants, « quelle que soit la requête, Google, Bing et les autres n’affichent pas l’intégralité des pages correspondants à la requête. Ils opèrent une sélection des pages présentes dans leurs index » [63]. Selon le spécialiste de l’OSINT Henk Van Ess, Google limite généralement le nombre total de résultats réellement affichables à 500 [64]. Par exemple, pour reprendre un des exemples de recherches cités supra, licenciement calcul indemnité n’affichait le 27 février 2018 sur Google.fr que 210 résultats sur les 375 000 théoriques annoncés et, si on pensait à faire sauter la limitation pour similitude [65], 560 résultats.
    Les deux principaux moyens de forcer le moteur à fournir plus de résultats ou des résultats vraiment différents sont [66] :
    • d’abord, de préciser, de taper exactement, d’ex-pli-ci-ter ce qu’on cherche. Exemple : si vous cherchez une bibliographie d’un auteur, ne vous contentez pas de taper le nom de l’auteur. Ajoutez bibliographie. Et comme le TAL à la sauce ML de Google ne fait pas bien la synonymie sur ce terme, essayez aussi avec publications
    • d’affiner la recherche en utilisant un filtre comme site: ou filetype:pdf (voir infra). Mais même dans ce cas, Google ne fournira pas tous les résultats. Ainsi, licenciement calcul indemnité site:legifrance.gouv.fr annonçait 31 500 résultats mais n’en affichait réellement que 530.


Les 5 premiers critères de pertinence pour Google selon l’étude SEO Factors 2016. Source image : SEO Factors

1.2.2. La pollution des résultats par le spamdexing

Cependant les résultats de Google sont de temps à autre — ça vient par vagues — pollués par les résultats de sites publicitaires quasiment vides de contenu juridique, comme les sites faisant de la publicité pour des livres de droit du licenciement destinés aux particuliers. C’est ce qu’on appelle du "spamdexing" [67]. Une fois les sites spammeurs identifiés, Google les "bannit" de son index, mais le problème revient de temps à autre. Par exemple, fin décembre 2017, sur des questions de nuisances sonores (troubles de voisinage), j’ai vu le site gralon.net, dont les articles sont très vagues, à la limite de l’insignifiant, mais bourrés de publicités, réapparaître sur mon radar.

Le spamdexing de Google a toutefois beaucoup reculé depuis 2014 du fait de l’implémentation de l’algorithme RankBrain avec ses capacités de traitement du langage naturel (NLP) (voir A. le contenu de Google supra).

Ce qu’on trouve en revanche, ce sont des sites payants du type cours-de-droit.net dont le référencement (SEO) très efficace les positionne souvent dans les cinq premiers résultats de Google, alors même que seule l’introduction des dissertations qu’ils vendent est disponible gratuitement [68].

1.2.3. La fraîcheur des résultats

Les résultats sont en général très "frais" :

  • Google indexe très régulièrement les sites importants (exemples : Assemblée nationale, Sénat, etc.)
  • Google privilégie les sites à mise à jour très fréquente, tels les sites de presse (lemonde.fr, liberation.fr, etc.) et les blogs, en les réindexant de une à une dizaine de fois par jour. Google s’adapte à la fréquence de mise à jour du site
  • néanmoins et de manière logique vu sa préférence pour les liens hypertextes et pour les sites à mise à jour fréquente, Google peut avoir quelques jours de retard sur certaines rubriques peu consultées de sites très vastes et jusqu’à une semaine de retard — en général, plutôt quelques jours — sur l’actualité des sites web les moins importants, qui eux-mêmes sont rarement mis à jour. De même, Google peut mettre jusqu’à plusieurs semaines pour indexer correctement un nouveau site web, c’est-à-dire indexer la totalité de ses pages et les faire monter en tête des résultats sur les questions pertinentes [69].

2. Comment interroger Google

Vous êtes super pressé ? En 1 mn, lisez ce billet de Jérôme Bondu (Inter- Ligere) qui présente un tableau rapide des opérateurs et filtres de recherche de Google : Utilisation des opérateurs de recherche dans Google (5 octobre 2019).

Vous voulez une "cheat sheet" exhaustive ? Lisez ce billet de Joshua Hardwick, qui travaille chez ahrefs, un éditeur d’applications pour le référencement et le marketing de sites web : Google Search Operators : The Complete List (42 Advanced Operators), ahrefs blog, 22 mai 2018.

Vous avez du temps, vous voulez comprendre et vous voulez savoir quels opérateurs sont les plus efficaces en recherche juridique ? Lisez ce qui suit.

2.1. L’essentiel

  • laisser un espace revient à utiliser l’opérateur logique ET implicite. Autrement dit : chaque fois que vous tapez un mot de plus, vous ajoutez un critère, une condition à votre recherche. Exemple : responsabilité pénale du dirigeant trouvera moins de résultats que responsabilité
  • cherchez à utiliser des expressions plutôt que des suites de mots. Google "accroche" mieux là dessus (voir explication détaillée infra).

2.2. Choisir ses mots-clés

Prenez 30 secondes pour réfléchir aux mots-clés que vous allez utiliser. Car, même avec Google, cela peut faire la différence entre trouver et ne pas trouver.

Voici les "trucs" essentiels pour choisir ses mots-clés :

  • ne vous laissez pas influencer par les suggestions de Google [70]
  • pensez aux synonymes et quasi-synonymes. Voir aussi infra l’opérateur (tilde).
    Exemple : bail, baux, loyer, loyers, location. Un synonyme, ça peut être aussi un numéro d’article de Code, particulièrement en droit fiscal avec le CGI. Exemple (en recherche de jurisprudence) : 1240, 1382 et faute sont des quasi-synonymes de responsabilité civile
  • si vous cherchez la version officielle d’un texte, d’un arrêt ou d’un rapport, utilisez  :
    • les termes juridiques officiels, c’est-à-dire ceux utilisés dans les codes et les lois (notamment dans les titres des lois).
      Exemple : redressement et liquidation judiciaires
    • la date complète.
      Exemple : 25 janvier 1985
    • ou éventuellement le numéro.
      Exemple : 85-98 (ce qui évite de trouver aussi la loi n° 85-99 sur les administrateurs judiciaires)
  • si en revanche vous cherchez des commentaires ou de la doctrine (pour autant qu’il y en ait gratuits sur le Web sur votre sujet) :
    • utilisez les noms juridiques usuels.
      Exemples : procédures collectives ou redressement judiciaire ou liquidation judiciaire ou difficultés des entreprises en difficulté ou défaillances d’entreprises (pas faillite, qui n’est plus le terme juridique approprié)
    • si vous cherchez des commentaires sur une réforme ancienne, précisez l’année.
      Exemple : 1985 (réforme des procédures collectives)
  • si vous cherchez de l’actualité non juridique ou des articles de presse, utilisez les termes économiques et/ou les expressions du langage courant.
    Exemple : faillite, faillites, fermetures d’entreprises, plans sociaux
  • plus généralement, si vous êtes compétent sur le(s) domaine(s) juridique(s) concerné(s) par votre recherche, tapez les mots et expressions qui devraient se trouver dans les documents que vous recherchez, et surtout dans leur titre et leurs premiers paragraphes. Autrement dit : essayez de deviner comment les titres de documents sur le sujet sont écrits. Cette technique de recherche, selon l’expert et consultant en intelligence économique (IE) Pierre-Yves Debliquy, est même plus importante que la maîtrise des opérateurs de Google [71]
    En revanche, si vous n’êtes pas spécialiste de ce domaine et a fortiori si vous n’êtes pas juriste ou étudiant en droit, évitez d’utiliser cette dernière technique.


Ne vous laissez pas influencer par les suggestions de Google. Par exemple, ici, l’expression "responsabilité civile contractuelle" ne fait pas partie du vocabulaire des juristes : on parle simplement de "responsabilité contractuelle"

2.3. Repérez dans les résultats les mots-clés que vous avez oubliés :

  • dans les extraits qui composent les résultats de Google, si des mots vous semblent pertinents, réutilisez les dans votre question
  • dans les documents qui répondent le mieux à votre question, repérez les mots qui font partie de votre sujet mais que vous avez oubliés pour modifier votre question.

C’est un "truc" capital : modifier sa question initiale, oui, mais avec des mots qui marchent.

2.4. Utilisez la recherche avancée pour mieux contrôler votre recherche (opérateurs booléens et filtres

Deux possibilités :

  • utilisez la page Recherche avancée de Google. Et alors pas besoin de savoir comment écrire les opérateurs et filtres de Google
  • ou — mieux — apprenez les opérateurs et filtres de Google et utilisez-les sur la page d’accueil du moteur. Mais il faut alors connaître les noms des opérateurs et des champs/filtres et leur syntaxe.

Vous pourrez alors utiliser les opérateurs de recherche ET (AND ou espace), OU (OR), SAUF (-), expression (" ") et de proximité (AROUND). On les appelle opérateurs booléens ou opérateurs logiques.

NB : pour une liste complète des opérateurs de recherche de Google (Google ne les documente plus), voir The Full List of 21 Google Search Operators sur le site d’Irina Shamaeva.

Rappel : en allant sur la page Recherche avancée, vous n’aurez pas à mémoriser leur syntaxe. Toutefois, sur cette page, les opérateurs de proximité comme AROUND ne sont pas proposés.

Le haut de la page Recherche avancée de Google Search
Le haut de la page Recherche avancée de Google Search

Les opérateurs de recherche permettent de "pousser le moteur dans ses retranchements". Exemples : on veut des documents relativement simples et à jour pour créer une EURL :
créer OR création eurl OR "entreprise unipersonnelle" (on peut aussi ajouter : filetype:pdf).

Voici maintenant des précisions, à propos des opérateurs logiques dans Google, qui ont leur importance.

2.4.1. [AND] : le ET implicite, l’expression implicite et le mode Mot à mot

Rappel : tout espace non placé entre des guillemets est pour Google un ET logique. Mais parfois aussi une incitation à interpréter la requête comme une expression : dans ce cas, si cette tendance de Google à tout transformer en expression vous gêne, utilisez le mode Mot à mot (en anglais Verbatim) (Outils > Tous les résultats > Mot à mot : disponible par défaut sur ordinateur, sous smartphone il faut afficher la page en "version ordinateur") [72] ou écrivez en majuscules le AND [73].


Le mode Mot à mot de Google une fois activé

2.4.2. OR : prévoir les synonymes : ne pas abuser

Attention : Google ne "comprend" pas les parenthèses [74] et le OR ne joue que sur les mots immédiatement adjacents à lui. Ce qui implique de mettre les mots d’une expression entre guillemets (contrairement à ce qui est recommandé plus haut pour les cas "normaux") si la notion faut partie d’une suite de synonymes. De plus, le premier mot qui commence une suite de OR est le plus important pour l’algorithme [75].

Il faut toutefois bien comprendre que multiplier les synonymes (reliés par OR) n’apporte pas grand’ chose en terme de pertinence des résultats. Un synonyme voire deux (pas plus, soit trois mots ou expressions maximum) aide lorsqu’on est dans du vocabulaire juridique un peu spécialisé et/ou peu présent sur le Web, mais le plus efficace en dehors de ces cas reste :

Voici un bon exemple à la fois du peu d’intérêt d’utiliser le OR, et en même temps de son intérêt en droit si on veut un maximum de fiabilité et creuser à fond la recherche : comparez les 100 premiers résultats de "responsabilité civile" accident automobile et "responsabilité civile" OR 1382 OR 1240 accident automobile. Seuls une petite dizaine de résultats diffèrent, la plupart (mais pas tous ...) sans intérêt majeur. Toutefois, certains résultats sortis seulement avec le OR peuvent venir de sites particulièrement fiables et avoir de la valeur si on ne veut rien rater. L’exemple utilisé ici est très net : Accident de la circulation et responsabilité civile des parents, Dalloz Etudiant est en effet le seul résultat venant d’un éditeur juridique et le seul à citer de la jurisprudence ...

2.4.3. SAUF : exclure des mots des résultats : en dernier recours

Uilisez l’opérateur - (SAUF) [78] pour exclure des termes qui faussent les résultats/les "polluent" : le - (moins) fonctionne. La règle générale d’utilisation de l’opérateur SAUF s’applique : on n’utilise le SAUF qu’en dernier recours.

NB : le - peut être utilisé devant un opérateur, même si en pratique, c’est rarement utile.

2.4.4. Les opérateurs de proximité : avec modération

2.4.4.1. AROUND

Signalé en 2010, probablement apparu 5 ou 6 ans auparavant, mais non documenté par Google, l’opérateur de proximité AROUND(n) (où n est un nombre de mots qu’on fixera en pratique à 2 ou 5 [79]) est efficace en anglais et, alors qu’il ne l’était pas, est devenu efficace en français en 2017 [80]. Les mots de la recherche doivent alors être situés à n mots les uns des autres et dans n’importe quel ordre.

Toutefois, avant d’utiliser cet opérateur, il est recommandé de saisir sa requête sans, car, le 2e terme peut être au-delà de n mots du premier et pourtant être pertinent (c’est vrai surtout si le mode Mot à mot n’est pas activé, autrement dit, si la synonymie automatique de Google est en fonction).

Exemple d’utilisation de AROUND mais aussi de ses limites : comparez télévision "abus de position dominante" et télévision AROUND(5) "abus de position dominante" : la 1ère formulation trouve des pages non trouvées par l’emploi d’AROUND, tout en amenant des résultats non pertinents (notamment lié à la synonymie télévision = TV), parfois dès le 10e résultat. La 2e formulation, avec AROUND, permet d’amener des résultats complémentaires.

Un article à la fois récent et (presque) exhaustif sur AROUND est celui (encore une fois) d’Irina Shamaeva : Asterisk * vs. AROUND(X) on Google (Boolean Strings, 22 octobre 2021) [81].

NB 1 : si AROUND ne fonctionne pas (ça peut être le cas sur certains serveurs européenns), il faut le compléter par le truc découvert par Henk Van Ess qui consiste à encader les deux mots de guillemets (quand bien même, donc, il ne s’agit pas d’expressions) afin que AROUND fonctionne correctement : "mot1" AROUND(n) "mot2".

NB 2 : même si on n’utilise pas les guillemets, AROUND désactive toute interprétation de la requête, comme dans Outils > Mot à mot. Cela signifie notamment que la synonymie automatique ne marche pas. Donc faites attention, choisissez bien vos mots/expressions.

2.4.4.2. L’étoile remplace un ou des mot(s) : inutile

L’opérateur * ("wildcard") est censé remplacer un (au moins) ou plusieurs mots, je constate son efficacité dans une certaine mesure mais je n’arrive pas à la prouver par A + B.

De toute façon, la bonne expression (sans guillemets, en général) pourra être tout aussi efficace, voire plus. Disons qu’au minimum, elle obtiendra des résultats différents (donc complémentaires) [82].

* peut dans une ceraine mesure faire office d’opérateur de proximité (avec respect cette fois de l’ordre des mots) en multipliant les étoiles. Voir Asterisk * vs. AROUND(X) on Google.

2.4.4.3. Les guillemets : expression : efficace

Chercher par expression (ou proximité d’1 mot) rend les résultats plus précis/moins nombreux et dans certains cas, évite les résultats hors sujet. Hors de l’interface Recherche avancée, utilisez les classiques guillemets (" "). Important : pour que les guillemets soient pris en compte à 100% par Google, il est nécessaire de passer en mode Mot à mot (Outils > Tous les résultats > Mot à mot) [83].

L’utilisation des guillemets est devenue plus souvent nécessaire, face à l’élargissement des recherches pratiqué par Google [84]. Toutefois, ne l’utilisez qu’après avoir testé l’expression sans guillemets, pour les raisons exposées ci-après.

N’abusez pas des guillemets. On dit souvent dans les cours de recherche sur bases de données ou sur le web qu’encadrer une expression avec des guillemets garantit des résultats moins nombreux et pertinents. Mon expérience, c’est qu’en réalité, les guillemets sur Google n’améliorent souvent pas grand’ chose voire parfois empêchent de trouver les principaux sites web sur un sujet. D’ailleurs Google ne les recommande pas trop fort. Cela dit, c’est vrai que si on veut vraiment *tous* les sites sur une expression, alors il faut utiliser le moteur à la fois *avec* les guillemets mais *aussi sans*, car, du moins si l’on s’en tient aux 30 premiers résultats, certains sites pertinents apparaissent uniquement avec les guillemets et d’autres uniquement sans [85]. En effet, l’algorithme de Google détecte souvent tout seul l’expression et la privilégie dans le classement des résultats. De surcroît, mettre les guillemets, en pratique, réduit souvent — mais pas toujours — un peu la pertinence par rapport à sans les guillemets car ceux-ci éliminent des résultats où l’expression n’est pas totalement identique, voire certaines pages où pourtant celle-ci apparaît clairement ...

2.4.5. Ordre des mots : utile

Si votre requête comporte au moins 7 ou 8 mots-clés, mettre en premier le mot le plus important de votre question : il aura alors un poids plus important que les autres dans les résultats, en faisant par exemple remonter dans les premières réponses les pages web où ce mot est dans le titre de la page.

Ce point — non précisé dans l’aide officielle de Google et la plupart des guides de recherche en ligne — peut avoir un effet sur le tri des résultats par Google, en amenant dans les 10 ou 20 premières réponses une page web jusque là "perdue" au delà des trente premières réponses

2.4.6. Langue des résultats : parfois nécessaire

Choisir la langue des résultats. Pas toujours intéressant : la langue des mots-clés utilisés conditionne souvent celle des résultats et donc le droit national en cause.

Mais pas toujours, comme l’explique le journaliste geek Martin Brinkmann sur son site d’actualité IT Ghacks [86]. La solution est alors :

  • soit on accepte de rester connecté à son compte Google (ce que je ne recommande pas, voir infra) et on va alors dans les paramètres de votre compte Google (pas ceux de Google Search, qui ne règlent que le pays, pas la langue) : se connecter > Mon compte > Préférences de compte > Langue
  • soit (recommandé), on utilise alors le champ Langue de la version avancée de Google Search, bien pratique dans un cas comme ça.

Google Recherche avancée : choisir la langue
Google Recherche avancée : choisir la langue

2.4.7. Limiter les résultats à un pays : pas mal, sans plus

imiter les résultats à la France (sites français et non francophones) permet d’éviter à 95% les résultats provenant de sites québécois, belges et d’Afrique du Nord (Maroc, Tunisie, Algérie) et donc de se restreindre au droit français. Voilà une fonctionnalité intéressante, mais devenue moins utile depuis que Google a progressé dans la reconnaissance de la nationalité de l’internaute.

Elle n’est d’ailleurs plus disponible que dans l’interface Recherche avancée (champ "région"). Elle peut encore servir à trouver des résultats de droit canadien ou belge quand on interroge Google depuis la France

2.4.8. filetype:suffixe (format de fichier) : très efficace

Choisir le format de fichier : Rich Text Format .rtf, Word .doc, Acrobat .pdf, Excel .xls, .PowerPoint .ppt, Access .mdb. Restreindre la recherche aux fichiers PDF permet de ne trouver que des documents sérieux et fiables (mais pas systématiquement pertinents, car ce n’est pas le but direct de cette fonctionnalité).

En effet, très souvent, les documents officiels (textes juridiques, rapports, livres blancs) et les articles de revues scientifiques sont au format PDF tandis que les sites perso, ceux tournés vers le marketing et les forums utilisent uniquement le HTML. Hors de l’interface Recherche avancée (autrement dit à partir de la page d’accueil de Gogle), écrivez filetype:[type_de_fichier] à la fin de votre requête.

Exemple : rapport open data justice filetype:pdf

2.4.9. site: : très efficace

Le filtre site: restreint la recherche à un site. Plus précisément à son nom de domaine (exemple : conseilconstitutionnel.fr est le nom de domaine du site web du Conseil constitutionnel). Ca marche aussi sur les sous-domaines.

Ainsi utilisé, Google est presque toujours plus efficace que le moteur interne du site, sauf sur des documents extrêmement récents, peu connus ou "enfouis" dans le site. Ce mode de recherche est particulièrement utile sur les plus vastes sites juridiques : le site du Premier ministre, les deux sites parlementaires (Assemblée nationale, Sénat), Europa, EUR-Lex. Hors de l’interface Recherche avancée, écrivez site:[domaine] Le "domaine" ici peut comprendre un sous-domaine.

Exemple : site:justice.gouv.fr (ici, le nom de domaine est gouv.fr, et justice un sous-domaine).

2.4.10. inurl: : efficace

Voilà un truc de recherche utile pour fouiller une rubrique ou sous-rubrique d’un site web très vaste.

Exigez la présence d’un terme dans l’adresse web (URL) : dans Google (non avancé) écrivez : inurl:[chaîne_de_caractères] Précisions : derrière inurl: on doit mettre la chaîne de caractère *complète* présente *entre deux barres obliques* dans l’URL. Et rien d’autre.

Exemple : si on veut chercher sur les décisions "merger" de la DG Concurrence et que leur adresse est ec.europa.eu/competition/mergers/cases/decisions/xxxxxxxx.pdf, on écrira donc : inurl:competition inurl:mergers. inurl:comp ou inurl:merg ne marcheraient pas

2.4.11. intitle: : efficace, mais à utiliser avec modération

Restreindre la recherche au "titre" (la balise HTML title, plus précisément) des pages web avec le champ intitle:[un_seul_mot] ou — encore plus efficace — allintitle:[tous_les_mots_qui_suivent].

A utiliser pour trier, pour ramener les pages les plus centrées sur la question lorsque la requête "normale" produit beaucoup trop de positifs. Mais, collègues bibliothécaires documentalistes, attention : le champ TITRE d’une base de données classique ou d’un catalogue n’a rien à voir avec le filtre title:. Ce dernier n’obéit à aucune norme et, marqué par les exigences du marketing, de la communication et du référencement web, manque singulièrement de rigueur.

2.4.12. inanchor: : inefficace

Le filtre inanchor: (mots dans les liens hypertextes renvoyant vers la page résultat) et son frère allinanchor : sont très peu efficaces en droit français.

Exemple : comparez allinanchor:télévision "abus de position dominante" avec télévision "abus de position dominante". Dès le 3e résultat, la requête utilisant allinanchor: perd sa pertinence On peut oublier inanchor : sans problème.

Toutefois, selon le test de Joshua Hardwick dans sa "full list" de 2018 précitée, inanchor et allinanchor ne marchent pas parfaitement.

2.4.13. Affichez 50 résultats

Si vous êtes connecté (non recommandé) à votre compte Google, réglez le nombre de résultats par page à 30 voire 50 (au-delà, en général, très peu de résultats sont pertinents [87]). Ca permet de consulter plus facilement et plus rapidement les résultats pertinents.

Mais cela implique d’être connecté à votre compte Google, ce qui personnalise (i.e. biaise) les résultats en fonction de votre historique de recherche que Google a mémorisé.

2.4.14. Empêchez Google d’interpréter votre requête

Empêchez le plus possible Google d’interpréter votre requête (sauf par la langue du système d’exploitation de votre ordinateur) en choisissant dans Outils de recherche > Tous les résultats > Mot à mot [88], sans oublier de vous déconnecter de votre compte Google [89], d’indiquer à Google de ne pas non plus mémoriser votre historique de recherche lorsque vous n’êtes *pas*, cette fois-ci, connecté à votre compte Google ... et de vider vos cookies et l’historique de navigation de votre navigateur web avant de lancer une recherche, voire de lancer dans votre navigateur une session de navigation privée [90]

2.5. Rechercher sur une période

Restreignez si nécessaire les résultats à une période de temps. C’est très utile quand on cherche des articles de presse. Ou lorsqu’on veut se situer avant ou après une réforme législative ou une jurisprudence marquante.

Attention toutefois : quand vous utilisez cette fonction, Google n’affiche pas les documents pour lesquels il n’est pas arrivé à déterminer une date. Autrement dit, vous perdez certains résultats potentiellement pertinents [91].

Pour utiliser cette fonctionnalité, deux possibilités :

  • passer par l’interface simple de Google et cliquer sur Outils de recherche > Date indifférente > Période personnalisée. NB : cette recherche par période-ci est disponible sur la version mobile de Google Search depuis début 2018 mais elle ne permet pas de spécifier une période personnalisée
  • depuis avril 2019, la recherche par période est possible directement dans l’interface simple en utilisant les filtres/champs before : et after : (notez bien : tout en minuscules et tout collé, y compris les deux points). Après before : ou after :, il faut ajouter année-mois-date au format aaaa-mm-jj ou aaaa/mm/jj ou juste l’année (qui sera alors transcrite en 1er janvier de l’année pour before : et 31 décembre pour after :). Exemples : [EHPAD before:2016], [EHPAD after:2015-12-28] [92]. Les deux champs période peuvent être combinés. Malheureusement, dans le même temps, Google, a supprimé le tri par date sauf dans son onglet Actualités.

Autrefois déficiente, comme Béatrice Foenix-Riou l’avait démontré dans la revue Netsources, la recherche par date dans Google est pertinente dans 95% des cas. Cf cet exemple de recherche conçu exprès pour détecter une erreur.

2.6. Ouvrir les résultats dans une nouvelle fenêtre ou un nouvel onglet

Ouvrez les résultats dans une nouvelle fenêtre ou un nouvel onglet, de manière à garder sous la main la liste des résultats. Pour cela : faites un clic droit sur le lien qui vous intéresse, puis un clic gauche sur "Ouvrir dans une nouvelle fenêtre/onglet".

2.7. Les moteurs spécialisés de Google

S’il n’y a pas de résultat intéressant dans l’onglet Web de Google, regardez :

2.8. Toujours rien ?

Pour creuser sur Google, voyez Pour aller plus loin à la fin de cet article.

Mais souvenez-vous : comme expliqué supra (voir 1.1.2.), tout n’est pas sur le Web/dans Google. Loin de là. Il y a aussi les bases de données payantes, les journaux, les ouvrages disponibles dans les bibliothèques et centres de documentation (à commencer par votre bibliothèque municipale), les bibliothécaires documentalistes, votre mémoire, votre capacité de raisonnement/votre logique à vous, vos collègues et relations professionnelles (par téléphone, email etc.) ...

3. Cinq exemples de recherche futée ou experte dans Google

1er exemple

Ici, nous allons chercher des articles en matière de cookies parus dans la revue Expertises, une revue de droit de l’informatique et d’Internet [93].

Cette revue a un site web (expertises.info) et les sommaires y sont présents en accès gratuit. Ce qui signifie que Google indexe les titres de ces articles.

Voici comment interroger rapidement les sommaires de la revue Expertises sur le site de la revue :
- 1. réfléchissez aux mots-clés à utiliser pour votre recherche : les juristes s’expriment en général en bon français. C’est ce que j’appelle "l’étape zéro" dans une méthode de recherche
Ici, un dictionnaire de traduction peut être utile — le Larousse anglais-français par exemple — mais il faudra le compléter par le site de la CNIL. Cookie en français se dit donc mouchard ou traceur
- 2. déconnectez-vous de votre compte Google (si vous en avez un). En effet, Google biaise ses résultats en fonction de vos recherches passées
- 3. allez sur la page d’accueil de Google en français
- 4. tapez les mots-clés en reliant les synonymes par OR (en majuscules) : cookies OR mouchards OR traceurs
- 5. limitez la recherche au site www.expertises.info (NB : Google ne prend en compte que des noms de domaine, pas des pages profondes) en tapant : site:expertises.info
- 6. votre recherche doit ressembler à ceci : cookies OR traceurs OR mouchards site:expertises.info
- 7. lancez la recherche
- 8. lisez les résultats. Regardez bien les caractères verts : ils vous indiquent le site d’où vient chaque résultat. Si c’est un site universitaire (univ-) ou officiel (.gouv.fr), c’est un gage de qualité
- 9. pour ceux qui vous intéressent : clic droit > Ouvrir le lien dans un nouvel onglet. Comme ça, vous ne perdez pas votre liste de résultats et votre recherche.

2e exemple

Vous devez réunir des documents sur le travail le dimanche.

Suivez les étapes 1 à 9 supra.

Cela devrait donner ceci : "travail le dimanche" OR "travail du dimanche" OR "travail dominical" OR "dérogation au repos dominical" OR 3132

Complétez ces résultats avec des documents en PDF : "travail le dimanche" OR "travail du dimanche" OR "travail dominical" OR "dérogation au repos dominical" OR 3132 filetype:pdf

NB : l’efficacité de la synonymie automatique de Google est telle que travail le dimanche tout court suffit presque. Surtout avec filetype:pdf.

3e exemple

C’est l’employeur qui préside le comité d’entreprise. Peut-il y venir accompagné de trois collaborateurs au lieu de deux comme le prévoit le Code du travail ?

Vérifier d’abord l’article pertinent du Code. C’est le L. 2325-1. Il faut vérifier les termes qu’il emploie, qui sont très certainement ceux qu’emploieront des commentaires bien juridiques. Le truc consiste à ne pas reprendre le mot "deux" car ici c’est "trois" que l’on cherche.
Taper dans Google :
comité d’entreprise employeur trois collaborateurs

La première réponse est la bonne. Elle vient d’une page en libre accès du Lamy Droit du comité d’entreprise disponible sur le site WK-RH.

4e exemple

Chercher des documents de tout type sur la position dominante sur le site de la Commission européenne.

position dominante site:ec.europa.eu inurl:competition filetype:pdf

5e exemple

Trouver la bibliographie complète de Peter Tomka, juge à la Cour internationale de Justice (CIJ/ICJ) de la Haye.

Pour arriver à coup sûr sur une liste quasi-exhaustive des publications de P. Tomka, il faut :

  • être précis et choisir le bon mot. Ici, ce n’est pas bibliographie mais publications
  • deviner dans quel type de document cette bibliographie devrait se trouver et quel sera le format de fichier de ce documents. Ici, en fait, nous cherchons des biographies, mais d’une certaine longueur et à caractère officiel, donc au format PDF. En effet, souvent, à la fin d’une biographie se trouve la liste des publications :
    Peter Tomka publications filetype:pdf.

Ce qui donne en premier résultat la biographie en PDF du juge sur le site de la CIJ et , en bas de cette biographie, on trouve une véritable liste des publications de P. Tomka – qui plus est probablement exhaustive ou presque.

4. Pour aller plus loin

- Un peu ancien : 25 astuces pour la recherche sur Google, par Thomas Coëffé, Le Blog du Modérateur 23 juillet 2013.

- A compléter par une excellente "cheat sheet" encore plus opérationnelle, mais toutefois orienté référencement (SEO) et non recherche ni juridique : Google Search Operators : The Complete List (42 Advanced Operators), par Joshua Hardwick, ahrefs blog, 22 mai 2018.

- Passion OSINT : comment tout trouver sur le web ou presque, par Marie Dollé, In Bed With Tech, 25 octobre 2020.

- Des aides et tutoriels venant de Google :

- Selected Google Commands, par Karen Blakeman, mis à jour en janvier 2018 [94]

- Blog de FLA Consultants : mettez vous à jour avec leurs tout derniers billets sur Google.

- Le blog d’Irina Shamaeva, une des meilleures spécialistes mondiales en "executive search" [95], Boolean Strings : interrogez le avec le mot-clé Google.

- Une utilisation très pointue et avancée de Google est celle qu’en font les spécialistes de l’ "open source investigation techniques" (OSINT) et de la cybersécurité. Voir notamment ce fil Twitter par par Cyber Detective : Get the most out of a Google Search : Tools, extensions, automation methods, 17 décembre 2021 [96].

- Utilisez d’autres moteurs, principalement Bing (le concurrent de chez Microsoft [97]) et Exalead (pour les sites français et francophones) [98], voire StartPage (ex-Ixquick) [99] et les métamoteurs de recherche de personnes. Pour information, DuckDuckGo, dont on parle beaucoup, respecte certes votre vie privée, mais ses performances sont très limitées sur les pages web en langue française. Quant à Qwant, les résultats de ce moteur franco-allemand proviennent d’abord de Bing [100] et de Wikipedia. Toutefois, tout comme DuckDuckGo, il ne garde aucune trace de vos recherches, et ses résultats en langue française sont bien meilleurs que ceux de DuckDuckGo.

- Voyez nos articles Utiliser Google à 100%, surtout la bibliographie à la fin parce qu’il commence à dater (2006), et Recherche sur Internet : une méthode (un peu) simplifiée et quelques "philosophies", notamment la méthode des "autorités". Allez (entre autres) voir ailleurs sur le Web (annuaires thématiques de sites (voir la méthode préconisée par Béatrice Foenix-Riou pour les annuaires et pages de liens [101]), Legifrance, Servicepublic.fr, bases de données payantes, Isidore, Cairn, Revues.org, Theses.fr etc.), réfléchissez une deuxième fois à vos mots-clés ou passez à un autre media (prenez votre téléphone ou votre logiciel de messagerie, par exemple, pour appeler un collègue ou demander conseil à un expert) ...

Emmanuel Barthe
documentaliste juridique, veilleur, webmestre, formateur à la recherche en ligne


Legifrance et les autres n’ont pas de fil RSS ? Gênant mais contournable

Créer un flux RSS pour un site web qui n’en possède pas

Les services de création de fils RSS recommandés

Samedi 4 juin 2022

Lire la suite »

Les sites officiels et le RSS

Certains (doit on dire beaucoup ?) se plaignent que ne figurent toujours pas de flux RSS sur beaucoup de sites publics — et non des moindres, comme Legifrance (à part le sommaire par e-mail du JORF, mais l’e-mail est hors concours dans cet article :-) ou la Cour de cassation [102] ou encore les Bulletins officiels (BO).

Seuls les sites éloignés de France ou au minimum de son administration semblent avoir plus de liberté pour créer des fonctions de veille par le RSS. Exemples :

On a plus généralement l’impression que les sites publics ont interdiction de créer des fonctionnalités de veille — même basiques comme les alertes e-mail, les newsletters et les fil RSS [103]. Alors que le grand public et les associations — et pas seulement les professionnels — en ont besoin. Et la diffusion du droit ne s’en porterait pas plus mal ...

Pour les plus pressés et ceux que la technique effraie, ils peuvent récupérer des fils déjà créés grâce aux services précités. Mais ils sont très rares. Un exemple : les circulaires, un service créé par Guillaume Adréani, ex-responsable de la documentation du Défenseur des droits, grâce au service Feed43 : circulaire.legifrance.gouv.fr.

Certains services en ligne permettent de contourner ce manque : ce sont des services de création de fils RSS. Ils créent des flux RSS à partir de quasiment n’importe quelle page web.

Les services de création de fils RSS recommandés

Voici les services de création de fils RSS recommandés et utilisés par la communauté des veilleurs français.

Attention : les services à modèle d’affaire "freemiums" (version très limitée gratuite, payant pour avoir plus) sont généralement plus pérennes que les purement gratuits [104].

- Basiques :

  • Politepol : version gratuite limitée à 20 fils et des versions payantes. Sans inscription, le fil ne dure que 14 jours. Par le développeur biélorusse Alexandr Nesterenko. C’est un des favoris de Christophe Deschamps
  • Feedfry. Là aussi, un des favoris de Ch. Deschamps
  • Feed43, un service russe assez technique mais puissant : expressions régulières acceptées, création d’un nombre illimité de flux, avec une mise à jour toutes les six heures. Version payante avec mise à jour toutes les heures. Serge Courrier a publié un remarquable tutoriel détaillé sur Feed43 : Transformer une page d’actualités en fil RSS ? Un tutoriel complet avec Feed43 (mai 2018)
  • Fivefilters Feed Creator : limité à 10 résultats par fil. On peut acheter le logiciel pour l’installer sur son propre serveur à partir de 20 euros
  • Deltafeed. Une version gratuite limitée à 15 fils et des versions payantes. Deltafeed est le travail d’un développeur Allemand
  • Exileed permet de créer des fils RSS pour les seuls réseaux sociaux suivants : Vkontakte (le développeur d’Exileed est lui aussi russe), Google+, Twitter, Instagram, Facebook, Youtube, Tumblr, Periscope et d’autres. Site HS à décembre 2021 [105].

- Plus "industriels", avec essai gratuit :

  • Feed43 : voir supra. Clairement, il faut le classer ici aussi, vu la puissance de ses fonctionnalités
  • FetchRSS (ajouté, cf les commentaires infra) : la version gratuite étant très limitée [106], c’est fondamentalement un service payant. Très simple d’utilisation, il offre en option un délimiteur (pour créer un fil RSS ne fonctionnant qu’à partir des modifications d’une partie de la page suivie) et gère les grands réseaux sociaux : Facebook, Twitter, YouTube, SoundCloud, Instagram et les deux grands sites marchands que sont Amazon et eBay
  • dernier arrivé : Inoreader (probablement le meilleur lecteur professionnel de flux RSS pour veilleur) permettait déjà depuis 2015 de créer des fils RSS à partir du contenu de son Inoreader. En avril 2020, ses développeurs lui ont ajouté une fonctionnalité clé, appelée Web feeds : celle de convertir les modifications de quasiment n’importe quelle page web en flux RSS. Voir le mode d’emploi publié par Christophe Deschamps sur son blog Outils froids [107].

Gratuit et open source mais très technique/geek :

  • RSS-proxy. A installer soi-même sur son serveur.

Attention, les grands réseaux sociaux ont supprimé leurs fils RSS natifs, il faut donc passer par les solutions alternatives recommandées par la communauté :

A noter (mais assez complexe à mettre en oeuvre) : il est possible de créer un fil RSS à partir des résultats d’un Google Search Engine (GSE). Voir l’article Créer des flux RSS sur Google Search via Google Custom Search Engine (mai 2016) rédigé par des étudiants du Master Intelligence Economique et Stratégies Compétitives de l’Université d’Angers.

Pour trouver de nouveaux services de création de fils RSS

Des pistes pour trouver d’autres services de création de flux RSS, voyez ces tutoriels :

Et pour votre veille sur le RSS, abonnez vous :

Ok, j’ai un fil RSS. Maintenant, j’en fais quoi ?

A l’aide d’un des outils mentionnés plus haut, vous avez créé un flux RSS. Ce que vous voyez dans votre navigateur web, c’est du code avec une adresse (URL) au-dessus.


Voilà ce qu’il y a "sous le capot" dans un fil RSS. Ca a l’air compliqué, mais non : on y trouve le titre de la page nouvellement publiée (title), sa description, le lien pour y aller (link), ici un lien vers un tweet. Au-dessus, l’adresse (URL) du flux. C’est ça qu’on va copier-coller dans le lecteur RSS

Il ne vous reste plus qu’à copier-coller l’adresse du flux RSS au bon endroit dans votre lecteur/agrégateur de flux RSS. Un lecteur RSS comme The Old Reader (gratuit jusqu’à 100 fils), Feedly, Inoreader (payant mais le meilleur lecteur RSS en termes de fonctionnalités à l’heure actuelle) ou Netvibes (gratuit, fonctions avancées payantes) voire la version payante hébergée pour 15 dollars US par an de Miniflux (critique très positive de NextINpact) et le tour est joué [109].

Notez qu’on peut, avec certains outil filtrer par mots-clés les fils RSS reçus avant de les renvoyer, toujours en RSS. C’est pratique pour éviter d’être noyé sous les nouvelles informations. La limite : ces filtres se fondent généralement sur les seuls mots présents dans le titre ou la description, pas dans le corps du texte. Voir à cet égard :

Et si vraiment, in fine, on veut recevoir ça par email, on passe par un service "RSS to Mail" :

  • Blogtrottr. La version gratuite est un peu lente mais tout à fait correcte et permet la création d’un nombre illimité de fils. Gros avantage sur la concurrence des gratuits, Blogtrottr est fidèle au poste. C’est un service qui a apparemment trouvé son modèle d’affaires à lui et dont le propriétaire n’a pas la folie des grandeurs (je connais Blogtrottr depuis ses débuts vers 2010). 12 ans d’existence, c’est rare dans ce secteur
  • en plus de Blogtrottr, le meilleur selon lui, Ch. Deschamps recommande, parmi les services gratuits RSS to Mail, Feed2Email, Feedrabbit et Feedlivery [110]
  • Rss 2 Mail et Mail 2 Rss par Denis Szalkowski, formateur consultant (2015)
  • le logiciel de messagerie Thunderbird de la fondation Mozilla peut recevoir/lire directement les flux RSS, ainsi qu’Outlook de Microsoft [111]
  • mettre à jour cette liste avec une requête Google "RSS to Mail" OR RSS2Mail OR "RSS to email".

Tout ça est un peu compliqué, certes, mais nécessité fait loi. Et puis, on n’a plus tellement le choix : si un bibliothécaire/documentaliste/veilleur/chercheur n’est pas un geek aujourd’hui, quel peut être son avenir professionnel à long terme ?

Emmanuel Barthe
bibliothécaire documentaliste et veilleur juridique


Les robots, avocats et juges de demain ? Pas vraiment ... Mais la contrainte budgétaire y pousse

Intelligence artificielle en droit : derrière la "hype", la réalité

Justice prédictive, legal tech, analyse de contrats, Ross, Case Law Analytics, Predictice, Softlaw, Hyperlex, Minority report, regex, machine learning, NLP, Big data etc.

Jeudi 2 juin 2022

Lire la suite »

[Ce "paper", initialement publié en janvier 2017, est régulièrement mis à jour. Une version plus courte et plus synthétique a été publiée à la Semaine juridique édition Générale (JCP G) du 8 avril 2019 sous le titre "Les outils de l’intelligence artificielle pour le droit français" (accès réservé).]

Legaltech, justice prédictive et plus encore "intelligence artificielle" (IA) en droit sont devenus des sujets à la mode depuis 2015-2016 [112].

Mais discours marketing et flou sur les technologies comme sur les performances sont légion dans la majorité des articles disponibles — qui ressemblent souvent plus à de la communication qu’à de l’information.

De qui et de quoi parle-t-on exactement quand on parle d’IA : quelles sociétés, quelles fonctions, quelles technologies ?
Quels sont les outils juridiques méritant l’appellation IA ?
Quels sont les véritables risques pour l’emploi des professionnels du droit (avocats, stagiaires, juristes d’entreprise, magistrats, notaires) et de leurs "paralegals", documentalistes et veilleurs ?
Quels sont, également, les risques de la justice prédictive ?

C’est le sujet de ce billet, qui vise à démystifier les fonctionnalités et performances des applications présentées comme des "IA" (intelligences artificielles) en droit, tant pour le présent que pour le futur. Il s’appuie sur la lecture d’une bonne partie de la littérature disponible et sur des discussions personnelles avec de nombreux acteurs et utilisateurs.

Résumé / Executive summary (TL ;DR)

En dix points pour ceux qui sont pressés :

1. L’intelligence artificielle est d’abord un champ de recherche et un terme marketing très vendeur mais fourre-tout. Les spécialistes la définissent comme la frange la plus avancée de l’informatique. Autrement dit, les réalisations dignes de ce nom, particulièrement en droit, sont rares. Le reste, c’est de l’informatique très classique.

2. Techniquement, la véritable IA en droit (en incluant le meilleur de l’IA "à la papa") se caractérise par l’utilisation combinée :

  • du Big data
  • du machine learning (ML), de plus en plus utilisé à la place des regex (recherche de chaînes de caractères)
  • de calculs de probabilité, avec toutes les limites des statistiques
  • et surtout du traitement du langage naturel (TAL) — en anglais "natural language processing" (NLP). Soit (cas rare jusqu’en 2020) dopé par le machine learning et l’analyse syntaxique, soit (cas moins fréquent depuis 2020) à base de systèmes experts s’appuyant eux-mêmes sur les chaînes de caractères (regex). Ce qui signifie que les soi-disant "intelligences artificielles" en droit sont en fait a) des moteurs de recherche de nouvelle génération (tous) et b) des systèmes d’aide à la décision (en France, uniquement Case Law Analytics). Pas des cerveaux juridiques
  • et de systèmes experts, où on formalise l’expertise de spécialistes, notamment par le biais d’arbres hiérarchiques ou dans le domaine du vocabulaire (ce qui participe au TAL).

3. La valeur créée par l’intelligence artificielle provient des données nécessaires à l’apprentissage bien plus que de l’algorithme, dont les développements se font en open source. Autrement dit, les données comptent plus que les logiciels. Cela devrait permettre aux éditeurs juridiques français traditionnels, actuellement à la traîne, de revenir dans la course car ce sont eux qui détiennent les données les plus riches en droit français, tout particulièrement la doctrine.

4. Si on a beaucoup parlé de Ross, l’IA d’IBM, c’est d’abord grâce à une offensive marketing et communicationnelle de première ampleur. Mais ses performances réelles furent très en deçà de la réputation qu’une campagne de presse et sur les réseaux sociaux très adroite lui avait faite. Elle ne faisait que de la recherche et de l’analyse sur la jurisprudence de droit américain dans des domaines précis, comme les faillites ou la propriété intellectuelle. Fin 2020, Ross a fait faillite suite à un procès avec Thomson Reuters.
Toujours par IBM, Debater, taillée pour argumenter, pourrait sembler plus prometteuse. Elle est pourtant sans spécialisation jurididique à ce stade, pas même aux États-Unis.

5. A plus faible dose mais régulièrement depuis une dizaine d’années, Westlaw et Lexis Advance, puis Doctrine, Lexbase ou Lefebvre Dalloz (avec Ok.Doc) intègrent des petits bouts d’IA, essentiellement du NLP pour améliorer la pertinence des recherches par une sorte de synonymie et de désambigüisation améliorées, mais aussi, depuis peu, par des statistiques par juge ou par avocat.

6. Cet accent sur la recherche et la justice dite "prédictive" (la traduction correcte de l’anglais est "justice prévisible") fait oublier que le type d’application d’IA juridique le plus répandu sont probablement les logiciels de "contract review" (détection, analyse et classification de clauses dans les contrats anglo-saxons) : eBrevia, Kira ou Luminance par exemple.

7. En droit français, à l’heure actuelle, seul un nombre limité d’applications peuvent prétendre à être qualifiées d’IA (faibles) :

  • en "contract review", Softlaw et Hyperlex
  • en justice (dite) prédictive, Case Law Analytics, Predictice et Legalmetrics de Lexbase [113]. Tous ne travaillent que sur la jurisprudence, à l’exclusion du contentieux pénal, Case Law Analytics ayant une approche très délimitée et haute couture, quand Predictice est de facto plus axé sur le droit du travail et la responsabilité civile. On peut à la limite ajouter le pionnier Jurisprudence chiffrée de Francis Lefebvre, qui travaillait déjà sur le langage naturel en 2010. Les apports de ces applications : une recherche facilitée, et le calcul du montant prévisible des dommages-intérêts et des chances de gagner un procès. Cet apport ne suffit pas toujours à convaincre les magistrats, qui disposent d’outils internes mieux adaptés (barèmes), mais suscite l’intérêt croissant des cabinets d’avocats et des assureurs
  • sur les textes officiels, RegMind de Luxia, une application de veille et de suivi automatiques du droit bancaire et financier.

8. Les risques de suppression nette d’emplois dans le secteur juridique sont un sujet de débat pour l’heure très théorique. Il n’en demeure pas moins que la recherche par mot-clés va être grandement simplifiée, que les tâches simples et "découpables" seront automatisées et que les collaborateurs, les "paralegals" et les documentalistes juridiques devront apprendre à travailler avec l’IA (et non à côté d’elle), autrement dit à l’utiliser et l’améliorer. Quant à l’IA connectée au cerveau, même si des recherches existent, on en est très loin.

9. La justice dite prédictive pourrait entraîner de sérieux risques (mais ce n’est pas démontré en l’état actuel des outils), au premier plan desquels le jugement sur des critères obscurs et le conformisme des juges à ce qui a déjà été jugé. Des limites légales existent déjà et des parades techniques sont proposées, notamment l’open source du code ou des tests de vérification à partir de jeux de données. La justice dite prédictive a pour avantage de faciliter le calcul des chances de gagner ou perdre un contentieux, ce qui pousse à la transaction et peut réduire l’encombrement des tribunaux, confrontés à un sous-financement budgétaire. Exécutif et législatif poussent clairement à la roue puisqu’avec la loi de réforme de la Justice du 23 mars 2019 et son décret d’application du 11 décembre 2019, la conciliation ou médiation préalable est devenue obligatoire pour les litiges en dessous de 5000 euros et les conflits de voisinage (même si les textes d’application ... compliquent le versant certification — optionnelle — de cette réforme [114])

10. En conclusion, vu l’importance des enjeux et en même temps le fossé entre la com’ et les fantasmes d’une part et la réalité d’autre part, nous recommandons fortement de tester par soi-même ces nouvelles applications. Aucune n’étant en open source ni disponible en démo gratuite, il est nécessaire de se faire sa propre opinion, par soi-même.

Sommaire

Un sujet très tendance depuis 2016

Début janvier 2017, Les Echos publient un article au titre provocateur : Les robots seront-ils vraiment les avocats de demain ?.

En fait, ses auteurs, Pierre Aidan, cofondateur de Legalstart.fr [115] et Florence Gsell, professeur de droit à l’université de Lorraine et ancien conseiller scientifique du Conseil national des barreaux (CNB) de 2007 à 2017, réagissent, dans le but de rassurer les professions judiciaires, à un autre article.

Ce dernier, beaucoup plus provocateur sur le fond, a été publié en octobre 2016 à la Harvard Business Review, par le célèbre consultant en informatique juridique britannnique Richard Susskind et son fils Daniel, économiste : Technology Will Replace Many Doctors, Lawyers, and Other Professionals (Les nouvelles technologies remplaceront beaucoup de médecins, juristes et autres professionnels libéraux). Cet article est en fait un résumé du dernier ouvrage des Susskind publié en octobre 2015 : The Future of the Professions : How Technology Will Transform the Work of Human Experts (Le futur des professions libérales : comment les nouvelles technologies vont transformer le travail des experts humains, Oxford University Press, OUP) [116]. Quant au consultant américain Jaap Bosman, son ouvrage Death of a law firm (Mort d’un cabinet d’avocats) prédit la fin du "business model" actuel des cabinets d’avocats en soulevant l’épineuse question de la standardisation du service juridique grâce à l’intelligence artificielle (IA) [117].

Et en novembre 2016, la journaliste britannique Joanna Goodman [118] publie Robots in Law : How Artificial Intelligence is Transforming Legal Services (Les robots juridiques : comment l’intelligence artificielle transforme les services juridiques, Ark Group) [119].

Toujours début janvier 2017, la Semaine juridique publie, elle, une étude d’Antoine Garapon, magistrat, secrétaire général de l’Institut des hautes études sur la Justice (IHEJ) et spécialiste reconnu des questions de justice, intitulée « Les enjeux de la justice prédictive » [120]. Et pour ne pas être en reste, le Recueil Dalloz s’empare aussi du sujet avec une tribune de Marc Clément, Premier conseiller à la cour administrative d’appel de Lyon [121]. C’est la newsletter Dalloz Actualité qui a publié peut-être un des meilleurs articles sur le sujet : L’intelligence artificielle va provoquer une mutation profonde de la profession d’avocat, par Caroline Fleuriot, 14 mars 2017. Le seul reproche que je ferais à cet article est de reprendre, sans recul, des phrases chocs, excessives, destinées à impressionner ou à faire peur [122].

La revue Expertises, enfin, publie en janvier 2017 une interview de Rubin Sfadj, avocat aux barreaux de Marseille et New York et grand blogueur et twitteur devant l’Eternel. Interview portant sur l’IA juridique [123] et plus concrète et plus claire — plus tranchée, peut-on dire — que les deux articles précédents.

Depuis fin 2016, donc, le sujet ne quitte plus la Une des revues juridiques françaises, de la presse économique et des nombreux sites consacrés à la "French legal tech".

C’est en fait depuis les premiers succès commerciaux de ROSS Intelligence, l’IA d’IBM en droit [124], que l’attention des médias s’est portée sur l’IA appliquée au domaine du droit. Depuis l’application du système de machine learning Watson développé par IBM au droit américain des faillites ou de la propriété intellectuelle, l’intelligence artificielle (IA) en droit est devenue tendance [125]. On parle beaucoup aussi de justice prédictive.

A lire aussi sur ce même sujet :

On peut rapprocher ces publications d’une note de McKinsey (décembre 2016) sur le futur du travail [126]. Elle prévoit dans le monde entier une automatisation croissante des tâches, pouvant supprimer 5% des emplois actuels et en modifier beaucoup plus.

Toujours selon McKinsey (avril 2018), ce ne sera pas le secteur des professions juridiques ni même celui des consultants ou des professions libérales qui devrait le plus bénéficier — en terme de création de valeur/augmentation de revenus — de l’IA mais la vente et le marketing (services aux clients, recommandations d’achat, tarification dynamique), la logistique et la production (maintenance prédictive) et le voyage (Bookings.com, Liligo, Trainline et autres comparateurs de prix d’hôtels et de billets d’avion et de train) [127].

De quoi parle-t-on exactement ? Ou comment définir les legal tech et l’IA en droit aujourd’hui

Les différents types de technologies utilisés en "IA"

Les différents types de technologies utilisés en "IA" (NB : pas de robotique en droit et la "vision" mentionnée dans ce schéma recouvre en fait le machine learning (ML) et d’autres technologies)

Pour comprendre où en est l’intelligence artificielle en droit, il faut savoir de quoi on parle. Et pour savoir de quoi on parle, il faut bien commencer par des catégories et des définitions. Le premier stade de ce travail de définition et de catégorisation, c’est celui des technologies utilisées et des entreprises impliquées.

Définir l’intelligence artificielle

Il faut définir les technologies, car s’en tenir à la définition d’origine de l’intelligence artificielle, vu son flou, est impossible. Les nombreuses définitions que nous avons collectées, une fois comparées et combinées, aboutissent à deux conceptions de l’IA.

La première, officielle et héritée d’un des fondateurs de la "discipline", comporte trois éléments :

  • l’IA est un :
    • ensemble de techniques
    • ET/OU une discipline
  • qui simule l’intelligence humaine. Plus précisément, elle exécute des fonctions associées à l’intelligence humaine.

La notion de simulation (on ne reproduit pas mais on fait comme si) présente dans cette première conception est très importante, non seulement dans la définition de l’IA, mais aussi comme critère très concret permettant de trier le bon grain de l’ivraie, i.e. distinguer l’IA juridique rigoureuse de solutions qui en fait ne font que s’en approcher, particulièrement en justice dite "prédictive". Simuler est un critère exigeant : il faut s’approcher très près du même résultat par d’autres moyens. On parle aussi de modélisation : un modèle est traduit par un algorithme.

Cette première conception illustre aussi un autre point essentiel de l’IA juridique : il ne s’agit pas réellement d’intelligence, mais de fonctions, de petits morceaux. Il n’y a pas de globalité.

La deuxième conception insiste sur :

  • l’aspect promotionnel du terme
  • et sur le fait que l’IA surfe sur les technologies informatiques les plus avancées.

Cette deuxième conception offre l’avantage d’une plus grande franchise et d’une plus grande clarté. Elle est donc plus facile à appliquer.

Une troisième conception, enfin, propose une conception fondée sur l’autonomie et l’adaptativité. Elle a l’avantage de décrire mieux l’IA telle qu’on la pratique aujourd’hui (machine learning, deep learning).

Voyons les différentes définitions en détail.

Le terme « intelligence artificielle », créé par John McCarthy, est défini par l’un de ses créateurs, Marvin Lee Minsky, comme « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique ». La définition du Larousse est un peu moins floue mais reste insuffisante : « l’ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence ».

Elle est proche de celle adoptée par la norme ISO/IEC 2382 Vocabulaire des technologies de l’information : « Capacité d’une unité fonctionnelle à exécuter des fonctions généralement associées à l’intelligence humaine, telles que le raisonnement et l’apprentissage ». Voici enfin la définition de l’IA par le meilleur dictionnaire de langue française, celui élaboré par l’ATILF [128], le Trésor de la langue française (TLF) : « Intelligence artificielle : recherche de moyens susceptibles de doter les systèmes informatiques de capacités intellectuelles comparables à celles des êtres humains ».

Dans la même veine, selon Jean-Gabriel Ganascia, chercheur au Laboratoire informatique de Sorbonne-Université (LIP6) et président du comité d’éthique du CNRS, l’IA « désigne une discipline scientifique qui a pour but de décomposer l’intelligence en fonctions élémentaires, au point qu’on puisse fabriquer un ordinateur pour les simuler » [129].

Dans une étude sur la « justice algorithmique » publiée par la fondation Jean Jaurès, un avocat, une spécialistes de l’IA et un ingénieur dans l’industrie financière insistent, dans leur définition de l’IA, sur les aspects outil et algorithmes [130]. Pour eux, « plus qu’une discipline, l’intelligence artificielle est aussi un outil : un moyen pour résoudre un problème, répondre à une question ou analyser et comprendre des mécanismes. L’intelligence artificielle regroupe ainsi l’ensemble des méthodes permettant de simuler un phénomène ou un scénario, qu’il soit physique, chimique, médical, sociologique, démographique ou encore juridique. Un modèle est traduit algorithmiquement pour reproduire numériquement, par une simulation sur ordinateur, le phénomène ou le scénario en question. » A titre personnel, nous penchons pour cette définition, que nous trouvons très opérationnelle. Dans ce billet, nous allons en effet insister sur l’aspect outil.

Le philosophe et chercheur en sciences de l’information et de la communication Pierre Lévy, avec franchise, définit, lui, l’IA de manière plus tranchée et, de fait, plus claire : « L’intelligence artificielle est une expression de type "marketing" pour designer en fait la zone la plus avancée et toujours en mouvement des techniques de traitement de l’information » [131].

Robert Bentz, qui a créé et dirigé une équipe de cinquante personnes spécialisée en IA au sein du Commissariat à l’énergie atomique (CEA) écrit, dans une tribune au Monde : « La mise au point de ces algorithmes n’a jamais prétendu faire appel à l’intelligence artificielle, mais plutôt à des modèles mathématiques, de la linguistique, du traitement du signal. Alors pourquoi parler de solutions d’intelligence artificielle ? [...] Oui, l’informatique nous aide par sa rapidité, mais en rien par une intelligence non démontrée. Ce que nous appelons intelligence artificielle, doit se nommer algorithmique rapide, évoluée ou avancée » [132].

Cet aspect « informatique avancée » est aussi ce sur quoi Jean-Gabriel Ganascia insiste : « certains [dans les années 1990] préféraient parler d’“informatique avancée” ou d’“intelligence augmentée” » (qui permettent en plus de conserver l’acronyme « IA »). Luc Julia, cocréateur de Siri (Apple), penche pour cette dernière expression, en soulignant que « c’est notre intelligence à nous qui est augmentée ». Mais, reconnaît-il, « c’est compliqué de changer de terme maintenant, c’est entré dans le langage courant, c’est utilisé depuis soixante ans… C’est l’image qu’il y a dans la tête des gens qu’il faut changer. On a fait une erreur dans le terme, maintenant il faut expliquer ce qu’il y a derrière » [133].

L’Université d’Helsinki, dans son remarquable cours en ligne (MOOC) d’initiation à l’IA, si elle reconnaît l’absence de définition officielle de l’intelligence artificielle, propose de dépasser la définition — trop simple — proposée plus haut d’informatique avancée. Ce cours, intitulé Elements of AI, propose une définition de l’IA centrée sur l’autonomie et l’adaptativité. Pour citer le cours : « Autonomie : capacité d’effectuer des tâches dans des environnements complexes sans être constamment guidé par un utilisateur. l’adaptativité : capacité d’améliorer le rendement en tirant des leçons de l’expérience. » [134] Cette définition est certes reliée aux technologies qui dominent actuellement le domaine de l’IA : le machine learning, et plus particulièrement le deep learning et ses réseaux de neurones. Mais comme nous allons le voir, elle éclaire assez bien le champ de l’IA en droit.

Autonomie et adaptativité : ce sont des critères qu’on retrouve mis en avant dans la définition très détaillée adoptée par le Parlement européen dans ses trois recommandations sur l’IA du 20 octobre 2020 proposant un règlement européen sur l’IA : « système qui est soit fondé sur des logiciels, soit intégré dans des dispositifs matériels, et qui fait preuve d’un comportement intelligent, notamment en collectant et traitant des données, en analysant et en interprétant son environnement et en prenant des mesures, avec un certain degré d’autonomie, pour atteindre des objectifs spécifiques » [135].

Aspect marketing et hype

Le but marketing cité par Pierre Lévy [136] se voit dès l’origine même du terme "intelligence artificielle". Selon Tom Morisse, research manager chez Faber Novel : « si le mathématicien de formation John McCarthy utilise ces mots pour proposer le Dartmouth Summer Research Project — atelier de l’été 1956 que beaucoup considèrent comme le coup d’envoi de la discipline — c’est autant pour la distinguer des travaux connexes qu’étaient la théorie des automates et la cybernétique que pour la doter d’une définition idoine » [137].

L’aspect marketing est toujours très prégnant, aujourd’hui, dans les produits estampillés "IA". Concrètement, les "tech" se sont retrouvées dans une ruée vers l’or de l’intelligence artificielle. Mais, comme le dit Meredith Whittaker, cofondatrice d’AI Now et dirigeante du groupe Google Open Research, à The Verge, « de nombreuses affirmations sur les avantages et l’utilité de l’intelligence artificielle et des algorithmes ne sont pas étayées par des preuves scientifiques publiquement accessibles » [138]. Ses propos sont recoupés par ceux d’Olivier Ezratty sur FrenchWeb : « L’IA est parée de capacités qu’elle n’a pas encore et n’est pas prête d’avoir. On est en pleine construction d’une vision mythique de l’IA, basée sur des mécanismes de propagande de l’innovation [...]. Ces mécanismes sont amplifiés par la communication marketing des fournisseurs tels qu’IBM et Google qui embellissent toujours la mariée, par une stratégie de la sidération, par la difficulté de vérifier les faits avancés ou la fainéantise intellectuelle ambiante, et par l’absence généralisée de connaissances techniques sur l’IA, même chez la majorité des spécialistes du numérique » [NB : notamment chez les journalistes et les prospectivistes] [139]. Ou encore par ceux d’Hervé Bourlard, qui dirige l’institut suisse de recherche Idiap, spécialisé dans l’intelligence artificielle et cognitive : « Jamais aucun système d’intelligence artificielle, je dis bien aucun, n’a passé le premier test de Turing. » Le terme d’intelligence artificielle est redevenu tendance dans les années 1990, « pour des raisons publicitaires, marketing et commerciales », explique H. Bourlard. « Mais, ajoute-t-il, sans réels progrès autres que sur le plan de la puissance des modèles mathématiques. » Il préfère parler d’apprentissage automatique. Auquel trois éléments, selon lui, donnent sa force : la puissance de calcul, les modèles mathématiques et les vastes et omniprésentes bases de données [140].

En fait, l’IA est d’abord une idéologie, et non une technologie. Comme l’écrivent deux chercheurs travaillant chez Microsoft : « L’"IA" est mieux comprise comme une idéologie politique et sociale plutôt que comme un panier d’algorithmes. Le cœur de cette idéologie est qu’une série de technologies, conçues par une petite élite technique, peuvent et doivent devenir autonomes et finalement remplacer, plutôt que compléter, non seulement les individus mais aussi une grande partie de l’humanité. » [141]. Pour montrer en quoi il s’agit d’une idéologie et non d’une réalité, ils précisent : « En fait, le plus grand avantage de la Chine en matière d’IA est moins [leur industrie et leurs données] de surveillance qu’une vaste main-d’œuvre de l’ombre qui labelllise (met des "étiquettes") activement les données introduites dans les algorithmes. [...] Des recherches récentes ont montré que sans la création des êtres humains qu’est Wikipedia, la valeur des moteurs de recherche s’effondrerait (puisque c’est là que se trouvent souvent les meilleurs résultats de recherches substantielles), et ce, quand bien même les services de recherche sont présentés comme des exemples de première ligne de la valeur de l’IA. »

Mike Mallazzo, un spécialiste du marketing pour applications et e-commerce, est allé plus loin dans un post Medium de juin 2019, en affirmant que « les startups rebaptisent sans vergogne les algorithmes rudimentaires d’apprentissage machine comme l’aube de la singularité, avec l’aide d’investisseurs et d’analystes qui ont un intérêt direct dans le développement du battage publicitaire. » Selon M. Mallazo, « la définition de l’intelligence artificielle devient [alors] si confuse que toute application du terme devient défendable. » [142] Il cite notamment cet article de Devin Coldewey publié sur Tech Crunch en 2017 : ‘AI-powered’ is tech’s meaningless equivalent of ‘all natural’ ("IA" est l’équivalent technologique et sans signification de "naturel"). Pour Mike Mallazo, les journalistes (américains) savent parfaitement que c’est du « f...age de gu... » mais y sacrifient sans problème.

L’IA est si à la mode, si tendance, si hype, que des communicants, des journalistes, des legaltech et apparemment même des universitaires estoniens, voient de l’IA là où il n’y en a pas — ou très peu. Ainsi, le gouvernement estonien aurait utilisé une IA ("AI judge") pour régler les litiges portant sur des créances contractuelles inférieures à 7000 euros. C’est faux, mais cela a été tant répété que le ministère estonien de la Justice a finit par publier en février 2022 un post sur son site pour clarifier les choses : Estonian does not develop AI judge.
Autre exemple, le système de résolution des litiges (online dispute resolution, ODR) d’eBay est souvent présenté comme une preuve que « le grand remplacement » (celui des juges par des IA) est possible. Un des créateurs de ce mécanisme chez eBay a écrit un article à ce sujet [143]. Mais l’auteur ne parle pas des aspects logiciels/IT. Pour autant que je sache, il n’y a pas d’aspect IA dans le système de résolution des litiges en ligne d’eBay. Il s’agit principalement d’un système de résolution des litiges bien conçu. Il se pourrait qu’il y ait un peu de machine learning pour détecter si le ton des réclamations ou des réponses est acrimonieux et ainsi les bloquer, mais c’est bien tout ce que cet article laisse entrevoir.

Enfonçons donc le clou : le "juge IA" n’existe pas, c’est une "fake news".

On peut faire un parallèle avec les promesses de l’IA en matière de finance, de spéculation boursière et de banque. Citons ici deux [articles du Financial Times, le premier signé par un "founder and chief investment officer", un professionnel du "trading", qui pourrait en large part être appliqué à l’IA en droit [144] :
« Ne croyez pas la "hype" à propos de l’IA et de la gestion de fonds. L’apprentissage machine peut générer des améliorations marginales mais rien de véritablement transformationnel. [...] [un autre problème] est qu’un système d’IA tire des leçons du passé. Or en finance, le passé n’est pas un bon guide pour l’avenir. [...] Si on veut qu’un système d’IA réagisse rapidement aux événements, il doit construire un modèle sur une histoire très courte, ce qui réduit la quantité de données dont le système peut tirer des enseignements. [...]
Enfin, [dans] les données financières, [...] bien qu’il ne soit pas entièrement aléatoire, le rapport signal/bruit est certainement faible. Dans les domaines où l’IA a été couronnée de succès, ce n’est généralement pas le cas. [...]
Bien qu’il soit peu probable que l’IA crée de nouvelles sources de revenus "scalables", elle s’avère utile dans des tâches plus banales. L’IA est très efficace pour nettoyer les données et pour détecter des caractéristiques intéressantes dans des ensembles de données gigantesques, par exemple. »

Des spécialistes de l’IA dans les banques font le même constat [145]. Pour Foteini Agrafioti, responsable de Borealis, la branche de recherche sur l’IA de la Banque Royale du Canada, « il y a trop de gens qui font ces déclarations [sur les coûts élevés et l’impact sur l’emploi]. Les problèmes que nous avons résolus sont très limités. » Le professeur Patrick Henry Winston, qui a dirigé le laboratoire d’IA du MIT entre 1972 et 1997 et désormais titulaire de la chaire Ford au même MIT, partage les préoccupations de Mme Agrafioti concernant les limites de l’IA : « Une grande partie de ce dont vous avez besoin pour remplacer les gens qui pensent n’est pas à la portée des systèmes d’intelligence artificielle actuels, qui sont en réalité plus perceptifs que cognitifs. Quand le cognitif arrivera-t-il ? In fine, oui, il arrivera, mais ma boule de cristal est trouble sur le timing. Peu de personnes travaillant sur l’IA aujourd’hui travaillent réellement sur le côté cognitif. »

En septembre 2020), ce sont les Echos eux-mêmes — pourtant de chauds défenseurs des start-ups (ils leur consacrent une rubrique spécifique) — qui soulignaient que « l’intelligence artificielle cale : si les applications se multiplient dans les entreprises, les révolutions grand public de la voiture autonome ou des assistants personnels nécessiteront de nouvelles avancées conceptuelles dont nous sommes encore bien loin » [146]. En citant même l’inévitable Yann Le Cun, qui demande de la patience : selon l’article, « l’idéal serait de disposer de machines capables d’inférences causales, c’est-à-dire d’établir directement toutes les relations causes-effets possibles entre des modèles (si je pousse ce verre, il bascule, et la table est mouillée…). Mais c’est alors tout le modèle conceptuel de l’IA qu’il faudrait revoir. » L’article cite aussi Jean-François Gagné, cofondateur et PDG d’Element AI, un éditeur canadien d’algorithmes : « L’IA, telle que nous la connaissons aujourd’hui, ne peut pas faire de miracle si elle ne dispose pas de données à partir desquelles apprendre » (ce qui prend tout son sens en droit quand on sait le manque de décisions pénales disponibles et plus encore le manque de motivation en fait et en droit de celles disponibles, cf infra).

Jeremy Kun, professeur de mathématiques, programmeur en machine learning (maths et stats sont au coeur du ML) et ingénieur informatique chez Google, le dit encore plus abruptement — et qui plus est de manière générale — sur son compte Twitter : « Les personnes qui veulent classifier les sexes de manière algorithmique doivent faire beaucoup plus d’efforts pour trouver de vrais problèmes à résoudre. Je commence à penser que les applications de ML sont des pièges pour les paresseux qui ne veulent pas apprendre la connaissance du domaine sur quoi que ce soit. » [147]

L’IA, une discipline ?

Le terme même de discipline, pour l’IA, est sujet à caution. Certes, la norme ISO 2328 et Jean-Michel Ganascia cités plus haut la qualifient de discipline — qui plus est expressément, pour J.M. Ganascia.

Certes, il existe une International Association for Artificial Intelligence and Law (IAAIL), qui organise chaque année une International Conference on Artificial Intelligence and Law (ICAIL). Mais leurs travaux sont très théoriques et selon nous peu en prise avec la réalité de l’IA en droit, notamment les travaux des développeurs, codeurs, SSII et éditeurs.

Prenons par exemple le paper The winter, the summer and the summer dream of artificial intelligence in law présenté à ICAIL 2021 par Enrico Francesconi de l’Istituto di Informatica Giuridica e Sistemi Giudiziari (un institut de recherche en informatique juridique membre du CNRS italien) [148]. Je ne suis pas un spécialiste de l’IA, mais plutôt un observateur, et le seul domaine de l’IA et du droit que je connaisse vraiment bien est le domaine français. Mes commentaires seront donc limités, alors que l’article a une perspective beaucoup plus large. Je resterai également sur le côté "industriel". Je ne suis pas un théoricien et je ne m’intéresse qu’aux applications réelles de l’IA juridique. Selon cet article, l’IA appliquée au droit est sortie de son hiver grâce a) à la convergence des approches théoriques et b) aux connaissances fournies par le Web sémantique. Je ne sais pas ce qu’il en est exactement pour les autres systèmes juridiques mais pour le droit français, les progrès ont été réalisés grâce à a) l’augmentation de la puissance de calcul à des coûts abordables (aka AWS ou Google Tensor Flow), b) la disponibilité en open source d’algorithmes de traitement automatique du langage naturel (NLP) "à la sauce" machine learning (BERT, Flair, SpacY ...), c) la disponibilité des données juridiques (aka Legifrance et les données judiciaires ouvertes) et d) le bon vieux travail humain par des analystes et des avocats (Case Law Analytics, voir infra). Il n’y a pas là beaucoup de points communs avec les raisons avancées par E. Francesconi. Il ne cite certes que des auteurs anglo-saxons, néerlandais, allemands et italiens.

Je suis beaucoup plus enclin à écouter ce que Francesconi dit sur l’hypothèse de Moravec, qui est corroborée par ce que je peux constater. En un mot, Francesconi avance que l’IA juridique ne sera une véritable IA au sens fort (pouvant remplacer l’être humain, le juge donc) que lorsqu’elle intégrera les émotions. Il attend donc logiquement l’avénement d’un Web 5.0, le Web Emotionnel, pour faciliter cette évolution.

Mais revenons à nos moutons disciplinaires. L’IA n’est pas une discipline scientifique bien délimitée. On emploiera plus facilement les termes de matière, de sujet ou encore de champ de recherches. En ce sens, voir la partie 7-1.1 Les disciplines de l’intelligence artificielle de la thèse de Daniel K. Schneider sur la Modélisation de la démarche du décideur politique dans la perspective de l’intelligence artificielle [149] :

« L’intelligence artificielle n’a pas d’objet de recherche académique bien défini à part l’intérêt porté au "mental" et aux représentations de connaissances. Elle s’est divisée en de nombreuses sous-disciplines focalisant sur des problèmes bien distincts (tel que la vision, la résolution de problèmes, la compréhension du langage, l’apprentissage,...). Il n’existe pas de paradigme unifié de recherche et certaines branches de l’IA sont devenues des terrains d’échanges multidisciplinaires où se côtoient philosophes, psychologues, informaticiens et autres qui s’intéressent aux divers problématiques de l’intelligence. »

Il y a donc des technologies, qu’il faut distinguer les unes des autres, et derrière ces technologies, il y a des applications (des logiciels, si vous préférez) et leurs développeurs, grosses sociétés de l’informatique et de l’Internet ou start-ups, l’ensemble des sociétés travaillant sur l’application des technologies informatiques au droit étant communément appelé les "legal tech" [150].

Les entreprises et les produits d’IA en droit sont un sous-ensemble des legal tech. Pour autant, il faut bien distinguer l’IA de l’ensemble des legal tech.

Que font les legal tech ?

Le Lexique des termes juridiques [151] définit les legal tech (ou legaltech, mais les Américains séparent bien les deux mots) comme d’une part, « le recours à la technologie et aux logiciels pour offrir des services juridiques » et d’autre part, « l’ensemble des jeunes entreprises (dites start-up) exploitant les technologies de l’information dans le domaine juridique afin de proposer des services innovants ».

On notera au passage à quel point le terme "legal tech" isole voire rejette abusivement les éditeurs traditionnels de logiciels juridiques (comme par exemple les logiciels de gestion de cabinet d’avocats ou de gestion juridique des sociétés) et plus encore les éditeurs juridiques traditionnels [152]. Du style : les jeunes contre les vieux. Toute une stratégie marketing et communicationnelle dans une expression "legaltech", alors que les éditeurs juridiques font de l’informatique juridique depuis les années ’90 [153] Et même si les plateformes en ligne actuelles de certains peuvent manquer d’ergonomie ou de rapidité, ce n’est déjà plus le cas de Service Public, Lexbase, Lextenso voire la nouvelle version de Lamyline. Depuis 2017, c’est même un groupe d’édition juridique, legroupe Lefebvre Sarrut (dit ELS, et se présentant depuis fin 2021 sous la marque Lefebvre Dalloz), qui a embauché comme principal développeur au sein de son équipe de R&D un des meilleurs spécialistes du machine learning appliqué au droit français : Michaël Benesty.

Juriformation, le groupe de travail de l’association de documentalistes juridiques Juriconnexion, s’est penché plus avant sur la question de la définition des legaltech et de son ambigüité par rapport aux éditeurs [154].

Pour sa granularité/précision, on reprendra ici la liste très complète de Benoît Charpentier développée dans son article précité. Les legaltech « proposent de très nombreux services et produits, comme :

  • le calcul de probabilité concernant les décisions de justice [ça, c’est de l’IA. De l’IA (très) faible, mais de l’IA. Voir plus loin pour les explications]
  • le financement de contentieux (third-party litigation funding)
  • les plateformes d’actions collectives
  • la génération automatisée de documents juridiques dynamiques [ici aussi, il peut y avoir de l’IA (très) faible]
  • le déploiement de systèmes intelligents ou d’intelligence artificielle (fondés par exemple sur le machine learning, notamment ses variantes natural language processing et deep learning)
  • les plateformes de mise en relation avec des professionnels du droit
  • les solutions cloud
  • l’édition de logiciels spécialisés
  • la résolution de litiges non contentieux en ligne
  • les procédures d’arbitrage en ligne
  • les procédures de divorce en ligne
  • la signature électronique
  • la certification de documents (par exemple grâce à la technologie blockchain)
  • la réalisation de formalités et de dépôts en ligne (mise en demeure, acte introductif d’instance)
  • la visualisation de données complexes issues du Big Data
  • la programmation de contrats intelligents (smart contracts)
  • la mise en oeuvre d’outils collaboratifs
  • la revue de documents assistée par la technologie (Technology Assisted Review (TAR)) [il peut y avoir de l’IA]
  • les outils de conformité
  • les outils de calculs fiscaux
  • les outils de gestion et de production des actes courants de la vie des sociétés, notamment des assemblées générales et coseils d’administration
  • les outils de gestion de contrats (contract management, audit de contrats) [auxquels j’ajouterais les outils d’automatisation (partielle) de la production de contrats]
  • les outils de recherche juridique [là aussi, il peut y avoir de l’IA. Toujours (très) faible] ».

Une autre classification, plus resserrée mais moins évocatrice, est disponible sur l’article de Case.One (une de ces legal tech) LegalTech 2018 : où allons-nous ? (janvier 2018) :

  • information juridique
  • rédaction d’actes
  • litiges en ligne
  • mise en relation [avec des avocats]
  • outils métier [pour avocats ou juristes d’entreprise].
  • IA/machine learning/justice prédictive. Selon une enquête réalisée fin 2018 par le site d’actualité des startups Maddyness et les Actualités du droit (Wolters Kluwer), 19% des legal tech disent utiliser l’IA dans leurs technologies mais 13% seulement selon l’annuaire des legal tech du Village de la Justice [155]. En réalité, et au vu des startups listées dans le segment IA dans l’annuaire du Village de la Justice si on s’en tient à une définition stricte de l’IA (voir infra), le chiffre est probablement encore plus faible.

Après des années passées à mener une veille sur l’IA en droit et les legaltech, personnellement, je reprendrais bien la deuxième définition — sectorielle — proposée par le Lexique des termes juridiques Dalloz pour la simplifier : legaltech est un terme à vocation promotionnelle désignant depuis 2016 les nouveaux entrants pur numérique dans l’édition juridique et l’informatique juridique. Autrement dit, l’édition juridique moderne de fait recouvre très largement les legal tech.

Qui sont ces legal tech ?

Il existe une liste gratuite, fiable et quasi-exhaustive des legaltechs françaises ou implantées en France (PDF), celle de Benoît Charpentier, consultant et avocat, mais elle date de début 2017. En décembre 2018, Florian Herlicq, product manager de LegalCluster, une legaltech elle-même, a entrepris de mettre à jour sa liste Les 100+ de la Legaltech française [156]. Une autre liste est celle de l’annuaire des legaltech du Village de la Justice, certes autodéclaratif, mais qui a l’avantage d’être mis à jour en continu. Pour une liste mondiale, voir [157] :

A mon goût, beaucoup de ces initiatives sont certes "legal" mais leur degré d’innovation en "tech" est faible : par exemple, simple mise en ligne de formulaires ou intermédiation entre avocats et prospects. Comme l’écrit de manière inconoclaste et pourtant très justement Martin Bussy, président de Legal Innovation, société de conseil stratégique et transformation digitale pour les professionnels du droit, « on est plutôt sur du "techwashing", technique consistant à faire passer des solutions classiques pour des innovations » [158]. Alors voici une liste personnelle de legal tech françaises (ou plutôt présentes en France), non triée, forcément incomplète mais tendant à se focaliser sur l’innovation technologique (machine learning, big data, analytics, langages de programmation simplifiés pour juristes, moteurs de recherche améliorés ...) :

Sur la production partiellement automatisée de contrats pour TPE et particuliers, voir le rigoureux comparatif — plus précisément une « évaluation de la qualité d’un “contrat de prestations de services” généré “en temps réel” » — publié par Philippe Gabillault (Toltec) fin janvier 2019 : Contribution #3–10 Legal Techs au banc d’essai..

Pour une liste quasi-exhaustive des legal tech exerçant sur le territoire français, voir la liste en annexe de la thèse de Bertrand Cassar, La transformation numérique du monde du droit (décembre 2020) p. XVIII [164].

A noter, car très souvent citée par les articles présents sur le Net mais non présente en France : DoNotPay conteste les PV de stationnement en justice sans avocat et avec un taux de succès important. Selon Olivier Ezratty, « l’ensemble exploite IBM Watson, ce qui montre qu’avec un peu de détemination une personne isolée peut le paramétrer efficacement » [165].

NB : l’importance de la legal tech française est très surévaluée. Comme l’écrit Martin Bussy début 2021 (le gras est de nous) [166] :
« Sur le plan du financement, la legaltech française et ses 220 start-up référencées ont levé 52 millions d’euros en 2019 (dont 32 millions par cinq start-up seulement). De l’autre côté de l’Atlantique, ce sont 1,6 milliard de dollars qui ont été investis. C’est un rapport de 1 à 30, très supérieur à l’écart de taille de marché (32 milliards d’euros contre 314 milliards). En Europe, la France est distancée par l’écosystème britannique (61 millions de livres sterling en 2018 soit 80 millions d’euros levés).
En tout, les legaltechs françaises représentent à peine 1,2 % de l’ensemble des levées de fonds de toutes les start-up en France en 2019. Ce n’est pas négligeable, mais cela correspond tout au plus au poids du droit dans l’économie. Malgré le retard digital du secteur, il n’y a aucun rattrapage en cours, mais plutôt une sorte d’autosatisfaction fondée sur les quelques belles opérations réalisées.
Du côté de la demande, en l’absence de données précises sur les investissements, les chiffres d’affaires ou même les usages, il est ardu de tirer des conclusions. On peut néanmoins s’interroger sur la réelle prise de conscience des clients (avocats, notaires, juristes). Une étude présentée en juillet 2019 parlait d’absence de marché du côté des clients. Le nombre de cabinets ou d’études utilisant véritablement des legal techs au quotidien est extrêmement réduit. Les Ordres professionnels sont encore conservateurs sur ces sujets et accompagnent de loin l’innovation, sans exercer de pression au changement. » En 2021, on peut dire que les choses ont changé, que nombre de cabinets d’avocats utilisent une, deux ou trois legal tech au quotidien, mais ce sont souvent les mêmes (Doctrine, Predictice ...) et ces legal tech sont souvent des legal tech d’avant l’invention du terme.

Et on ne parle pas du chiffre d’affaires, même si les levées de fonds ont quand même continué en 2020 et si, d’après une étude menée par France Digitale auprès de ses membres, le chiffre d’affaires des start-up du droit aurait triplé entre 2018 et 2020 [167]. A noterque si la crise sanitaire a eu un effet négatif sur le chiffre d’affaires en 2020, le confinement, lui, a dopé l’usage des outils en ligne — ce qui pourrait être bénéfique pour le CA des legal tech en 2021.

IA juridique ancienne (logiciels experts) et IA juridique récente (ML, NLP)

Attention : très peu parmi ces sociétés se rangent dans la catégorie de l’intelligence artificielle telle qu’on la pratique aujourd’hui, autrement dit une IA à base de machine learning et/ou de traitement du langage naturel (natural language processing, NLP).

Beaucoup se rangent dans les systèmes experts, une catégorie d’IA déjà ancienne à laquelle le cloud donne une nouvelle jeunesse mais qui n’est pas de l’IA telle qu’on la voit aujourd’hui (sur les logiciels experts et l’IA récente, voir infra). Cette IA "à l’ancienne" de type logiciel expert peut être très efficace si ses concepteurs ont accumulé beaucoup d’expérience et à condition de ne pas lui en demander trop. L’exemple le plus connu et le plus utilisé est probablement la génération automatisée de documents, qui s’appuie sur l’ancienne technique des formulaires.

Un exemple plus "récent" et très innovant à l’époque est Jurisprudence chiffrée conçu chez l’éditeur juridique Francis Lefebvre il y a une dizaine d’années (voir infra). Ce produit utilise les cartouches sémantiques ex-Luxid (devenues Cognito Discover) conçues et développées justement depuis plus de vingt cinq ans par la société Expert System (ex-Temis) [168]. Ces cartouches se retrouvent chez de nombreux éditeurs juridiques, y compris LexisNexis et Legifrance [169].

Les technologies qui caractérisent l’IA d’aujourd’hui

Après avoir présenté les prestations et les entreprises du secteur des legal tech et avoir défini l’intelligence artificielle, voici les cinq principales technologies en cause dans l’IA en droit aujourd’hui [170] :

  • les systèmes experts. Un système expert est, selon Wikipedia, un outil capable de reproduire les mécanismes cognitifs d’un expert, dans un domaine particulier, par des règles logiques. Cette première des voies tentant d’aboutir à l’intelligence artificielle a donné des résultats décevants : par exemple, à partir d’une centaine de règles voire moins, certaines se contredisent et il devient nécessaire de les pondérer, ce qui est en fait peu rigoureux ; leur coût élevé est un autre écueil. Un exemple de système expert en droit, le prototype NATIONALITE du défunt IRETIJ (Institut de recherche et d’études pour le traitement de l’information juridique [171]) est décrit dans une contribution de 1989 [172]. En droit français, sur ce type de technologie, on doit beaucoup aux trois pionniers de ce qu’on n’appelait pas de l’IA mais simplement de l’informatique juridique : Pierre Catala (IRETIJ, Montpellier, un laboratoire défunt), à l’origine notamment de la base de données Juris-Data (un partenariat entre le ministère de la Justice et les Editions du JurisClasseur), Jean-Paul Buffelan-Lanore (Institut de recherche en informatique juridique, IRIJ - Université de Paris VIII), auteur de Jurindex, première banque de données juridiques française en 1970-1971 aux Éditions Masson et Lucien Mehl (pour le droit public). Fondamentalement, dans les années 60 à 80 en France, l’informatique juridique, c’est essentiellement des systèmes experts et, surtout, des thésaurus et des index (qui auront beaucoup plus de succès sur le long terme que les systèmes experts).
    Les logiciels de gestion de contrats sont un bon exemple de logiciels experts en droit. L’autre grand exemple est l’utilisation des chaînes de caractères et des expressions régulières (regex) pour la recherche de notions exprimables de dizaines de façons différentes, même si l’utilisation de règles et la modélisation y sont peu développées et d’un niveau peu élevé. Ce travail sur le vocabulaire et les chaînes de caractères, c’est aussi une forme de traitement automatique du langage (TAL, NLP en anglais). Du TAL à l’ancienne, avec ses limites, mais bien rodé, notamment dans les cartouches de langage d’Expert System (ex-Temis), utilisées par plusieurs grands éditeurs juridiques, que nous avons citées supra à propos de l’application Jurisprudence Chiffrée. C’est de l’IA "de papa" [173] : rien de révolutionnaire, en réalité, mais ça fonctionne.
    Mais c’est l’émergence des quatre technologies suivantes et la relance des statistiques qui ont relancé les espoirs des spécialistes de la recherche en IA
  • le big data et surtout le (legal data) analytics. Il ne s’agit là que de technologies correspondant à des logiciels (Apache Hadoop, MongoDB, Microsoft Azure ...) faits pour traiter des masses de données énormes et/ou des données pas assez structurées, nécessitant des logiciels différents des systèmes de gestion de base de données (SGBD) classiques
  • les statistiques, avec toutes leurs limites. Par exemple, en justice dite prédictive, où il s’agit d’estimer l’issue d’un contentieux, ces limites sont :
    • pour les fonds de décisions de justice utilisés (l’échantillon, comme on dit en "stats") :
      • non exhaustivité, voire forte sélectivité
      • les biais contenus dans les données. Voici les types de biais possibles, selon un article de LeMagIT [174] :
        • « le biais de confirmation est un biais cognitif humain. Il consiste à sélectionner et à analyser les données de manière à refléter un point de vue préexistant
        • la variable confondante, un facteur aléatoire, influence à la fois les variables dépendantes et les variables explicatives. Il s’agit essentiellement d’un élément ayant un impact sur le résultat qui n’a pas été pris en compte. En l’occurrence, cette notion engendre la différenciation entre corrélation et causalité
        • le surajustement (ou surapprentissage) résulte d’une analyse qui est trop étroitement liée à un ensemble de données spécifiques. Exemple classique, un modèle prédictif peut fonctionner correctement sur les données initiales d’entraînement, mais son niveau de précision diminue lorsque de nouvelles données sont introduites
        • le biais d’échantillon est un échantillon qui ne représente pas la population qu’il est censé dépeindre
        • le biais de sélection correspond au fait de sélectionner des données pour l’analyse ou de choisir par inadvertance un échantillon non représentatif (ce qui est plus probable)
        • le paradoxe de Simpson se produit lorsqu’une tendance disparaît ou s’inverse à différents niveaux d’agrégation. Par exemple, une tendance peut être présente lorsque plusieurs groupes sont étudiés séparément, mais la tendance peut ne pas exister ou peut être le contraire lorsque les groupes sont combinés et analysés comme une seule population
        • l’asymétrie est une distribution de probabilité inégale qui peut être causée par des valeurs aberrantes, mais plus souvent par des valeurs surreprésentées »
      • en matière de justice dite prédictive, dès que le nombre de critères est élevé, le panel de décisions sur lequel on effectue les calculs est de petite taille (particulièrement sur la Cour de cassation et les cours d’appel judiciaires). Ce qui pose un problème de biais d’échantillon, d’autant que les décisions judiciaires de première instance ne seront pas disponibles en open data avant au mieux 2023 (à notre avis) et en cout cas pas avant avril 2022, de l’aveu même de la première présidente de la Cour de cassation, interviewée par le Figaro en février 2021 [175]
      • le manque de motivation (l’argumentation du juge), extrêmement fréquente en première instance en pénal. En pratique, en première instance, même si l’obligation de motivation au pénal existe [176], les motifs de la condamnation soit sont implicites ou très brefs car les faits sont établis, soit sont dans le dossier, mais celui-ci n’est ni consultable ni transmissible aux tiers. En gros, au pénal, on plaide la peine, son type, son montant [177]. Le côté peu pratique et trop exigeant du logiciel utilisé pour la rédaction des décisions n’aide pas
      • les statistiques ne donnent des informations que sur le passé
      • corrélation n’est pas causalité : deux facteurs corrélés peuvent l’être dans entretenir la moindre relation [178]
    • le côté "déformant" de la moyenne, à laquelle hélas la plupart des juristes sont habitués, comme le grand public — la médiane est moins déformante
    • l’absence de correction des biais statistiques
  • le machine learning [179] (ML, en français apprentissage automatique). Cet apprentissage peut être supervisé (des tags ou des humains apprennent à l’algorithme à reconnaître les formes ou les notions) ou non supervisé. Michael Benesty, avocat fiscaliste et data scientist français, auteur de l’ancien site de démonstration Supra Legem, définit ainsi le machine learning utilisé actuellement dans le cadre du droit [180] :

    « Il s’agit d’une expression vague qui regroupe toute une famille d’algorithmes qui ont en commun d’apprendre par eux-mêmes en observant des données. Ces algorithmes sont inspirés de différentes sciences et notamment des statistiques.
    En matière de justice prédictive, c’est la sous-famille des algorithmes supervisés qui est utilisée. »

Une excellente interview donnée par le chercheur français Yann LeCun, directeur du laboratoire d’IA de Facebook, au journal Le Monde, explique de manière simple comment fonctionnent les réseaux neuronaux, l’apprentissage supervisé et l’apprentissage non supervisé [181]. Ross d’IBM, aux Etats-Unis, utilise le machine learning, dans sa version supervisée : initialement, la machine est entraînée sur des données déjà "étiquetées" (de l’anglais "labeled" : on pourrait dire classées ou indexées à titre de comparaison) puis des juristes, des avocats ont "enseigné" et "corrigé" l’application et continuent de le faire [182]. Thomson Reuters, propriétaire de Westlaw, a lancé un laboratoire en 2015 et collabore avec IBM pour intégrer la technologie Watson dans ses produits. ROSS est un système à apprentissage automatique supervisé. En France, Case Law Analytics [183] utilise (en partie et semble-t-il peu) aussi le machine learning (Supra Legem l’utilisait aussi).

Pour comprendre très concrètement ce que permet le machine learning en droit et comment le ML fonctionne sur des documents juridiques, voir l’excellent article d’Arthur Dyevre (Leuven Centre for Empirical Jurisprudence), Text-mining for Lawyers : How Machine Learning Techniques Can Advance our Understanding of Legal Discourse (SSRN, 4 décembre 2020).

  • le deep learning (apprentissage automatique profond), concrètement, est un développement du machine learning. Il utilise à fond la technique des réseaux neuronaux pour tenter de se passer complètement d’une vérification/correction par des humains. Les réseaux neuronaux sont une technologie développée à l’origine pour la reconnaissance automatique d’image ("pattern recognition"). Pour (tenter de) comprendre, il faut lire les exemples de fonctionnement d’un réseau neuronal donnés par deux spécialistes français interviewés par Le Monde [184] :

Yann LeCun : « Le deep learning utilise lui aussi l’apprentissage supervisé, mais c’est l’architecture interne de la machine qui est différente : il s’agit d’un "réseau de neurones", une machine virtuelle composée de milliers d’unités (les neurones) qui effectuent chacune de petits calculs simples. La particularité, c’est que les résultats de la première couche de neurones vont servir d’entrée au calcul des autres. Ce fonctionnement par "couches" est ce qui rend ce type d’apprentissage "profond". »

Yann Ollivier, chercheur en IA au CNRS et spécialiste du sujet, donne un exemple parlant : « Comment reconnaître une image de chat ? Les points saillants sont les yeux et les oreilles. Comment reconnaître une oreille de chat ? L’angle est à peu près de 45°. Pour reconnaître la présence d’une ligne, la première couche de neurones va comparer la différence des pixels au-dessus et en dessous : cela donnera une caractéristique de niveau 1. La deuxième couche va travailler sur ces caractéristiques et les combiner entre elles. S’il y a deux lignes qui se rencontrent à 45°, elle va commencer à reconnaître le triangle de l’oreille de chat. Et ainsi de suite. »


Deep learning : intervention de Yann LeCun, à l’USI, 22 juin 2015. Autre vidéo de Yann LeCun disponible sur le même sujet : celle de son intervention au Collège de France le 4 février 2016

On peut aussi citer le résumé utilisé par le journaliste des Echos Rémy Demichelis [185] :

« [Les] réseaux de neurones [sont] la technologie à l’origine du grand retour en grâce de l’IA ces dernières années pour sa capacité d’apprendre à partir de grandes bases de données ; le Big Data constitue son carburant. Sous le capot, il faut s’imaginer plein de cellules qui font des opérations d’une simplicité enfantine — on pourrait utiliser un tableur Excel pour y parvenir. Ces cellules commencent par des valeurs aléatoires puis ajustent leurs calculs au fil de leur entraînement, de leurs erreurs ou de leurs succès : c’est ainsi que le réseau constitué de ces « neurones » artificiels apprend. Un peu comme dans un jeu vidéo : " Perdu, essaie encore ! " Seulement, il faut énormément de données, et souvent aussi un humain derrière pour dire quand la réponse est bonne ou mauvaise. »

D’après Michael Benesty, le créateur de Supra Legem, toutefois, en machine learning sur du droit, on est plus dans le traitement automatique du langage (NLP) (voir juste infra) [186] que dans les réseaux neuronaux [187]. Les réseaux neuronaux ici réduisent le traitement des données en amont, mais leur apport en droit est très inférieur à ce qu’ils ont fait pour la reconnaissance d’image. De plus, ils coûtent très cher du fait de la puissance et du temps de calcul nécessaires (location de serveurs et de logiciels) [188].

Un réseau de neurones convolutifs schématisé
  • le traitement automatique du langage naturel ou TALN (dit traitement automatique des langues ou TAL) (en anglais "natural language processing", NLP). Ross, Predictice ou Supra Legem [189] sont des applications utilisant le NLP. Cette utilisation du NLP est centrale dans la technologie de l’IA juridique récente, comme l’illustre l’interview par Robert Ambrogi, en octobre 2019, de deux des fondateurs de ROSS, son CEO (DG) Andrew Arruda et son CTO (DSI) Jimoh Ovbiagele, dont plus de la moitié est consacré à ce sujet [190]. Plus précisément, il s’agit du traitement du langage naturel tel qu’on le pratique aujourd’hui : à base de techniques d’analyse syntaxique ("parsing", en anglais) [191], de machine learning, et non plus d’analyse sémantique. Le top du NLP actuel, c’est l’application du machine learning, en version non assistée, au langage, plus précisément aux textes. Le NLP à base de machine learning a été énormément facilité par la diffusion en open source en 2013 par Google du logiciel Word2vec (W2V), qui transforme les mots en vecteurs. Concrètement, Word2vec devine les termes similaires (proches par le sens) d’un mot en utilisant les autres mots faisant partie du contexte de ce mot [192].
    Concrètement, Word2vec et ses améliorations et successeurs fonctionnent comme de puissants outils de synonymie automatique. Plus efficaces que, à la fois, l’emploi de l’expression consacrée entre guillemets [193] mais aussi les habituels de dictionnaires de synonymes.
    GloVe (Global Vectors for Word Representation [194]) est en quelque sorte une amélioration de Word2vec. Word2Vec ne considère que les mots voisins pour capturer le contexte, alors que GloVe considère le corpus entier. GloVe obtient de bien meilleures performances sur les problèmes d’analogie de mots et de reconnaissance d’entités nommées (NER).
    Le successeur de Word2vec est BERT. Egalement issu de la recherche de développeurs de Google, et également publié en open source, il a été implémenté sur les pages de langue française dans Google Web Search en décembre 2019 et pourrait l’être en 2021 par certains grands éditeurs juridiques voire une ou deux legal tech.
    BERT (Bidirectional Encoder Representations from Transformers) est un progrès par rapport à Word2vec en termes de désambiguïsation du langage naturel (face à la polysémie par exemple), notamment par une meilleure "compréhension" par l’algorithme du sens des phrases (sujet verbe complément) et du contexte [195] BERT consiste à utiliser un "modèle de langage" pré-entraîné ("pre-trained language model") par les ordinateurs surpuissants de Google, un modèle mis à disposition par Google. BERT utilise aussi le deep learning. A l’heure actuelle, BERT semble encore peu utilisé par le secteur de l’IA juridique, même s’il existe un LEGAL-BERT [196]. On sait aussi qu’en avril 2020, ROSS travaillait dessus chez Vector (un institut canadien destiné à "doper" l’industrie canadienne de l’IA) et envisageait clairement de l’implémenter [197]. BERT peut servir non seulement en mode moteur de recherche mais aussi en mode réponse à des questions, y compris sur des questions juridiques simples, domaine où il est moins performant, selon le test effectué par Laurent Gouzènes de KM2 Conseil [198].
    Après la présentation en ligne "Search On" par Google le 15 octobre 2020, le responsable de l’activité Search de Google a publié un billet qui résume assez bien ce qu’on peut attendre de BERT dans une utilisation généraliste. La conclusion qu’on peut en tirer est que BERT est très puissant et représente un net progrès par rapport à Word2Vec. Tout particulièrement, BERT améliore la représentation vectorielle des mots ("word embedding") déjà au coeur de Word2vec. Voici quelques liens sur BERT pour mieux comprendre cet aspect (lire le début de ces posts) :
    https://searchengineland.com/a-deep-dive-into-bert-how-bert-launched-a-rocket-into-natural-language-understanding-324522
    https://is-rajapaksha.medium.com/bert-word-embeddings-deep-dive-32f6214f02bf
    https://towardsdatascience.com/nlp-extract-contextualized-word-embeddings-from-bert-keras-tf-67ef29f60a7b
    Pour aller plus loin sur BERT : DeepRank : A New Deep Architecture for Relevance Ranking in Information Retrieval, par Liang Pang, Yanyan Lan, Jiafeng Guo, Jun Xu, Jingfang Xu, Xueqi Cheng, conference paper at CIKM 2017, CIKM’17, November 6-10, 2017, Singapore TextNet, arXiv:1710.05649 [cs.IR] (l’algorithme DeepRank du moteur de recherche web de Google est une implémentation de BERT).
    Pour bien comparer Word2vec, GloVe et BERT, lisez l’excellente synthèse de Neeraj Agarwal : Word embedding techniques in NLP, publié en novembre 2021 sur KDnuggets, un des sites "pédagogiques" de référence en matière de machine learning.
    En revanche, on parle plus de spaCy et de Flair, même s’ils sont considérés comme moins efficaces en pseudonymisation. Ainsi, dans une vidéo publiée mi-novembre 2019, Juliette, linguiste computationnelle chez Predictice, révèle qu’ils s’apprêtent à utiliser spaCy.
    Toutefois le NLP à la sauce ML a des limites :
  • notamment s’il "détecte" — indirectement et implicitement — le sens des mots, il ne sait pas en détecter la logique : licéité et illicéité, par exemple, risquent fort d’être similaires pour lui — sauf si BERT réussit à lever cette ambiguïté
  • à notre connaissance, le NLP à la sauce ML n’est aujourd’hui (2022) utilisé en production dans l’édition juridique, les legal tech et les juridictions suprêmes françaises que pour pseudonymiser (ex-anonymiser) les décisions de justice (sauf Supra Legem, mais le site a été fermé — voir infra). Toutefois, certains moteurs de recherche d’éditeurs l’utilisent de manière basique et limitée depuis environ 2021, par exemple Lexbase pour reformuler automatiquement la requête de l’utilisateur en y détectant les expressions
  • le ML n’est pas la seule technologie d’IA utilisée en NLP aujourd’hui. L’analyse des appels d’offre par le produit DocuChecker de la startup française Golem.ai utilise la linguistique universelle puis un enrichissement en vocabulaire du secteur. Mais pas de machine learning [199].

Enfin, il faut bien comprendre que pour imiter des fonctions caractéristiques des humains, comme classer automatiquement des documents par thème, un simple logiciel ne suffit pas :

  • déjà, de nombreux programmes informatiques (de type ML ou logiciel expert comme vu précédemment) doivent être testés, combinés et adaptés par un ou des développeurs. Ce ne sont pas des produits sur étagère, ce sont ce que l’on appelle dans l’industrie informatique des développements spécifiques
  • ensuite — et c’est encore moins connu —, le machine learning et les réseaux neuronaux nécessitent une architecture matérielle et réseau très spécifique elle aussi, autrement dit choisir les composants — notamment les processeurs, massivement utilisés pour l’"apprentissage automatique" en machine/deep learning — et savoir assembler ad hoc des serveurs très puissants, avec leurs systèmes d’exploitation (OS), repérer les goulots d’étranglement dans la circulation et le traitement des données sur Internet, dans les serveurs et entre eux, savoir comment régler et "booster" les performances de ces matériels ... Pour les petits et moyens programmes, cela passe par la location (vite onéreuse) de ressources en "cloud computing" : du temps et de la capacité de serveur disponible par Internet. Le plus utilisé est Amazon Web Services (AWS). On peut citer aussi Microsoft Azure et Google Cloud (avec son produit applicatif TensorFlow). Sur les gros programmes d’IA, le travail sur cette architecture matérielle mobilise jusqu’à la moitié des spécialistes affectés au projet. Sur ce segment, Google, Facebook, Amazon et Microsoft ont une puissance et une avance énormes sur leurs concurrents. Pour avoir une idée de l’importance des aspects hardware dans les technologies dites d’IA, jetez un coup d’oeil sur les slides 1 à 29 de cette présentation [200]. De ce point de vue, il n’est pas surprenant que ce soit justement l’IA qui succède au Big data en matière de hype. L’arrivée de l’informatique quantique [201] et sa généralisation d’ici 2028 [202] promettent des pas de géant au machine learning et particulièrement à sa variante le deep learning.

La puissance nécessaire pour améliorer les performances du deep learning coûte d’ailleurs de plus en plus cher. Ce qui pourrait si cette limite n’est pas intelligemment dépassée, occasionner un nouvel "hiver" de l’IA [203]

NB : pour celles et ceux qui veulent plus de précisions sur les systèmes experts, le machine learning, le deep learning et l’infrastructure matérielle nécessaire, je recommande la lecture de l’ebook gratuit d’Olivier Ezratty, déjà mis à jour à trois reprises : Les usages de l’intelligence artificielle 2018 (PDF, 522 p.).

Il faut enfin noter, comme le faisait remarquer Moïse Zapater du groupe français Septeo lors du webinaire Présentation des bénéfices de l’IA appliquée aux métiers des avocats notaires et juristes d’entreprise organisée en ligne par Legiteam le 24 févier 2021, que les produits dits d’IA juridique s’appuient sur quantité d’autres briques logicielles, souvent en open source, comme Hadoop, qu’emploient aussi des grands acteurs comme Netflix.

Dans cette présentation des technologies dites d’IA, il reste enfin à expliquer dans quels produits, concrètement, on les emploie.

Selon Ron Friedmann, consultant américain en informatique juridique depuis 30 ans [204], sur le marché américain, « il existe au moins quatre utilisations presque banales de l’intelligence artificielle que les cabinets d’avocats et les directions juridiques peuvent aisément déployer à partir de produits IA standards, de manière similaire à d’autres technologies :

  • "document review" dans la procédure [très américaine] d’"e-discovery" ("predictive coding”) [205]
  • l’audit/vérification en masse de contrats et de clauses (Kira, LawGeex, Luminance, Hyperlex, Softlaw ... : voir infra)
  • outils de recherche dans de multiples domaines juridiques (Westlaw, Lexis Advance, Ross, Context, Supra Legem, Case Law Analytics, Predictice ... : voir infra). C’est le second domaine en terme d’importance de l’implémentation. Là, les progrès ont essentiellement consisté en une synonymie contextuelle automatique et une classification automatique par domaines du droit très améliorées
  • saisie et gestion des temps et des dossiers.

Comme on vient de le voir, il faut être concret et relativiser les performances des outils à base d’IA utiles pour les directions juridiques. Leur emploi est techniquement circonscrit. Le degré de cet emploi au sein des DAJ est également faible pour l’instant, à l’exception des banques et assureurs. L’étude de PwC Avocats Digitalisation de la fonction juridique : quelles priorités en 2018 ? publiée en mai 2018 qualifie l’intelligence artificielle de « machine à fantasme ». L’étude précise : « Les réponses dénotent également une certaine confiance dans cette technologie dont les capacités actuelles ne sont peut être pas au niveau des attentes sur tous ces points. Néanmoins, les répondants n’envisagent pas d’intégrer de l’IA à court terme, ce qui est en phase avec leur maturité digitale. »

Cet emploi de l’IA dans les DAJ est toutefois amené à s’étendre. Une étude similaire publiée en février 2019 [206] et réalisée conjointement par le Cercle Montesquieu, CMS Francis Lefebvre Avocats et le cabinet de conseil Day One « conclut que 2019 sera une année de bascule dans la prise en main des technologies par les directions juridiques ». A noter tout particulièrement cet extrait du communiqué :
« Les directions juridiques prévoient une transformation digitale profonde de leur métier d’ici cinq ans, avec le déploiement du "Machine Learning", du "Natural Language Processing" (NLP) et des "Knowledge Graph", autant d’outils englobés par l’intelligence artificielle qui bouleverseront la gestion des dossiers juridiques. Ces technologies vont permettre :

  • l’automatisation de l’analyse de documents, la création et la saisie automatiques de la base contractuelle selon le type de contrats
  • la détection de lois obsolètes dans les contrats ainsi que la vérification des clauses contractuelles, de leur présence, de leur intégrité et de leur pertinence
  • et enfin la prise en charge des réponses aux questions récurrentes via des chatbot ou voicebot pour alléger le quotidien des juristes. »

Je me demande si la percée de l’IA dans le milieu juridique ne se fera pas aussi via les logiciels brassant et combinant des données de sources et formats divers [207] pour faire de la "business intelligence" (dits également "logiciels orientés visualisation de données") comme Tableau Desktop, Microsoft Power BI ou, Qlik Sense Enterprise. Notamment dans les départements dits de "business development" (BD) et de "knowledge management" (KM). Pour l’instant, ces applications ne sont pas de l’IA très moderne ni très juridique, mais plutôt du logiciel expert (fonctionnant à base de règles métiers et des arbres décisionnels) combiné avec des macros. Mais c’est nettement en train d’évoluer : le machine learning rentre dans ce secteur [208].

A propos des chatbots (agents conversationnels en bon français) : ceux utilisés en droit, par exemple ceux de ce cabinet d’avocats, semblent pour l’instant difficilement qualifiables d’IA, au sens des critères que nous avons exposés supra. Ou alors de la très ancienne IA, car le niveau d’arbre décisionnel et de traitement du langage naturel qu’ils utilisent reste extrêmement basique. Par exemple, un chatbot juridique s’exprimant en anglais ne comprend pas que Yikes est une forme argotique de Yes ou bien, à propos du RGPD, oublie de vous préciser que le 25 mai 2018 est déjà passé depuis longtemps et qu’appliquer le RGPD est devenu urgent. En fait, le nombre de questions que l’on peut poser à un chatbot juridique est très limité.

Ces lacunes ne sont pas spécifiques aux chatbots juridiques, mais générales, comme l’avoue un article de ZDNet traduit en français [209] : « La qualité des chatbots est mauvaise. Une série de nouveaux articles de Facebook et de ses partenaires universitaires offrent cependant de nouvelles orientations prometteuses. L’objectif du dialogue fluide avec un humain semble encore cependant assez lointain. » Et on ne parle même pas ici d’un dialogue juridique, juste d’une aide (très limitée) à la recherche d’un livre ou d’une tentative d’empathie.

L’apport, le "truc" du chatbot se situe ailleurs : c’est un petit logiciel servant à engager la discussion avec un prospect ou un utilisateur par des questions principalement à réponse de type Oui/Non et à l’amener à préciser sa demande afin de l’orienter ... vers le mail d’un humain [210]. Un des autres noms des chatbots, justement, est assistant virtuel.

Les données comptent plus que les applications

Nous venons de présenter les technologies impliquées dans l’IA en droit. Et de voir que les deux critères principaux (et alternatifs) pour parler d’IA (faible) en droit, sont soit l’appartenance de l’application à la catégorie des systèmes experts soit l’utilisation de machine learning.

Pourtant, sur le plan stratégique, le plus important en IA n’est pas là. Pour le comprendre, il faut lire le rapport de France Stratégie sur l’IA publié en mars 2017 [211].

Dans ce rapport, la contribution spécifique du Conseil National du Numérique (CNNum) souligne l’importance fondamentale des données :

« La valeur créée par l’intelligence artificielle provient des données nécessaires à l’apprentissage bien plus que de l’algorithme, dont les développements se font de manière ouverte (en open source). En conséquence, les organisations doivent prendre conscience de l’importance stratégique des données qu’elles détiennent. Il s’agit également, à plus long terme, d’engager une réflexion sur les modes de partage de la valeur entre acteurs privés. En ce sens, le Conseil s’est par ailleurs saisi de la question de la libre circulation des données aux niveaux international et européen, d’un point de vue de transfert entre les territoires mais également entre acteurs économiques. »

En droit français, cette difficulté donne raison au professeur (et avocat) Bertrand Warusfel, quand il écrit, interrogé par ActuEL Direction Juridique (Editions Législatives) [212] :

« on va certainement [...] dématérialiser plus encore les procédures, voire les audiences. A mon sens, ce n’est qu’une fois que cette première phase de dématérialisation de la justice aura été menée à bien qu’il serait justifié d’envisager d’introduire des outils plus "intelligents". Sauter une étape serait sans doute peu cohérent, voire dangereux. »

Ce sont justement leurs bases de données qui font l’avance de Google et Facebook. C’est pourquoi cela ne les gêne pas de mettre leurs logiciels en open source. Au contraire, cela accélère l’adoption de l’IA par les développeurs puis la société dans son ensemble.

Une démarche imitée de manière un peu différente par les sociétés qui rejoignent LexisNexis USA, mais où on retrouve l’importance cruciale de l’accès à certains "data repositories" précieux et bien précis — Lexis gagnant, elle, en technologie :

  • l’éditeur américain annonce en mars 2017 qu’il va donner accès à ses contenus et à son expertise, ainsi que celle de sa filiale LexMachina, à cinq start-ups sélectionnées : Visabot, TagDox, Separate.us, Ping, and JuriLytics [213]. Lexis espère profiter de leurs innovations. Mais ce type de démarche chez LexisNexis est rare : en général, le rapprochement et donc le partage des données se fait par un rachat voire une joint-venture (cf le rachat de Lex Machina en novembre 2015 puis de Ravel Law en juin 2017 et la joint-venture avec Knowable en juillet 2019 ; voir juste infra)
  • juste après l’annonce du rachat par Lexis, en juin 2017, de Ravel Law, le fondateur de Ravel Law Daniel Lewis explique à cette occasion que le rachat donnera à Ravel Law « accès à un vaste assortiment de données de haute qualité, quelque chose qui est nécessaire. Même la meilleure IA ne peut surmonter les défauts dus à un accès limité en terme de données », dit-il. « On a besoin de données de haute qualité en entrée », ajoute-t-il. « Si vous avez de la mauvaise qualité en entrée, vous avez de la mauvaise qualité en sortie. » [214]
  • rebelote en juillet 2019 avec la joint-venture entre Lexis et l’éditeur de l’application d’analyse automatique de contrats Knowable. Le CEO de Knowable, Mark Harris explique qu’ « en Lexis, sa société a trouvé un partenaire qui [...] a de profondes réserves de contenu sur lesquelles s’appuyer » [215].

Nous venons de présenter les produits et les sociétés des legal tech puis de définir l’IA en droit, pour éviter de gober le discours marketing selon lequel tout ce qui est legal tech serait IA et, plus généralement, selon lequel tout ce qui est IA aurait des performances à la limite du miraculeux.

Ce discours, ce storytelling d’ "IA partout" et d’ "IA miracle" [216] inonde depuis 2016 la presse, les pages web et le café du commerce. Au point qu’on peut parler de « hype » (battage médiatique) et d’ "IA washing" [217]. D’autant qu’une part importante d’applications, de produits présentés comme des IA n’en sont pas sur le plan des technologies utilisées (cf l’étude très commentée de la société de capital-risque britannique MMC Ventures The State of AI : Divergence 2019 mais aussi le billet précité de Mike Mallazo sur la fausse IA — « phony AI ») [218].

Le battage médiatico-publicitaire inonde même le secteur juridique. Dera Nevin est spécialiste de l’"information governance" et de l’"e-discovery" au cabinet Baker McKenzie. Voici ce qu’elle en dit (traduction par nos soins) [219] :
« Je n’aime pas beaucoup le marketing autour de la legaltech. En tant qu’évaluateur et acheteur de longue date de technologie juridique, j’estime que les informations qui me sont fournies sur les produits ne m’aident pas à comprendre l’impact potentiel de la technologie sur celui pour qui je l’achète — le juriste en cabinet d’avocats ou en direction juridique — et à la mettre en œuvre. »

Le fondateur de Predictice le reconnaît lui-même [220] : « Quand on parle de justice prédictive, c’est purement marketing ». On peut aussi citer le point de vue d’un avocat geek spécialiste du contentieux puisque ancien avoué [221] : « Depuis le jour où j’entends parler de justice prédictive, je suis méfiant. Car à l’heure où le robot le plus intelligent de Google ne sait que prendre un rendez-vous chez le coiffeur sans se planter, je me suis toujours dit que nous étions loin de prédire le droit (ou alors l’acception du mot « prédire » m’échappe…). » Ou encore celui de Xavier Ronsin, premier président de la Cour d’appel de Rennes, en 2017 [222] : « On est encore loin du fantasme de la "justice bouton". »

Selon les consultants de la branche conseil de la SSII Sopra Steria, dans un rapport (non public) rendu en octobre 2020 par le Conseil national des barreaux (CNB), la "justice prédictive" correspond avant tout à « un concept marketing », et il est préférable, selon les rapporteurs, d’utiliser les notions de "justice simulative" ou de "jurimétrie" pour désigner les solutions technologiques qui visent à mesurer les décisions de justice avec des outils scientifiques [223].

Nous verrons plus loin dans cette étude que les acteurs les plus avancés dans l’IA juridique en France sont à la fois les plus modestes ... et les plus discrets.

Nous allons continuer à river son clou à ce phénomène en présentant maintenant en détail les outils IA de recherche et d’analyse de la jurisprudence (encore une fois, des IA faibles). Nous commencerons par la première IA vedette — une vedette américaine, j’ai nommé ROSS — puis nous verrons les implémentation de l’IA (du NLP surtout) dans les grandes plateformes des éditeurs juridiques américains traditionnels et enfin les IA juridiques françaises.

Les "IA" d’IBM. ROSS : points forts et limites d’un moteur de recherche en langage naturel à base de machine learning avec supervision. Et Debater ?

ROSS

Commençons déjà par rappeler que ROSS est en fait une ex-vedette de l’IA juridique. Sa commercialisation a en effet été arrêtée fin 2020.

Fin 2016-début 2017, c’est surtout le produit d’IBM qui faisait parler de lui — voir notamment notre "webliographie" sélective sur Ross infra. Si, de fait, on peut parler d’une intense campagne de presse, on tenait quand même confirmation d’une amélioration radicale de la recherche documentaire en droit à en juger par une étude réalisée par une firme indépendante (certes payée par IBM) qui parle d’un gain de temps dans les recherches de 30% [224].

Concrètement, ROSS débarrassait le juriste de la nécessité d’utiliser des opérateurs de recherche (dits aussi opérateurs logiques ou booléens) et de prévoir toutes les expressions synonymes des termes qu’il a en tête pour sa recherche. C’est ce que les informaticiens appellent le langage naturel, par opposition au langage informatique.

ROSS était même, soi-disant, capable de résumer sa recherche en un mémo ? L’avocat Rubin Sfadj estimait que la prétendue capacité de ROSS à sortir un mémo était exagérée. Il a raison. Jimoh Ovbiagele, le CTO de ROSS, a fini par reconnaître en mars 2017 devant un journaliste du New York Times que des humains se chargent du brouillon produit par ROSS et créent le mémo final, et c’est pour cela que ça prend un jour entier [225].

Bien sûr, ROSS nécessite une interaction homme-machine. Il s’améliore en apprenant des retours des juristes sur ses recherches [226]. C’est donc de l’apprentissage automatique avec supervision [227].

A l’origine, fin 2017, ROSS était spécialisé uniquement dans la jurisprudence américaine du droit de la faillite (US bankruptcy law) et de la propriété intellectuelle (US IP law) — il s’agit en fait de deux applications différentes, ROSS ne traitant pas les deux matières en même temps [228]. Mais la diversité des tâches et des domaines possibles est une caractéristique du machine learning le plus récent (depuis environ 2015). Le cabinet américain Latham & Watkins, implanté à Paris, était en 2017 en phase de « test » avec ROSS [229], suivi par de plus petites structures et l’Ordre des avocats de Lille.

Le dirigeant et co-fondateur de ROSS Intelligence, Andrew Arruda, expliquait justement en août 2016 :

« La version actuelle du système est utilisée pour aider les juristes spécialisés en procédures collectives travaillant dans des firmes américaines. Les futures versions du système couvriront d’autres domaines du droit et d’autres juridictions. »

Dans son enquête de février 2017, l’Agefi Hebdo concluait sur ROSS : « Le résultat ? Pour l’heure, moyennement convaincant. » [230] L’Agefi citait Bénédicte Brémond, avocate en charge du knowledge management chez Latham & Watkins Paris :

« Quoique déjà très performants, des outils comme Ross sont encore pour la plupart en phase de test dans les firmes et devront encore apprendre avant de fournir aux avocats un service fiable adapté à leurs pratiques. »

Rubin Sfadj estimait quant à lui en 2017 que ROSS sera capable de gérer les textes officiels (en sus de la jurisprudence) français. En tout cas, en avril 2020, sept mois avant sa fermeture, ROSS indexe toute la jurisprudence et tous les "statutes" et "regulations" de l’Etat fédéral et des 50 États fédérés américains, ainsi que les "specialty court, tribunal, and administrative decisions" [231].

NB : ROSS a été développé à l’origine par des étudiants de l’Université de Toronto au Canada, en 2014-2016 [232]. De fait, avec les Etats-Unis, Israël et la Chine, le Canada est le 4e pays vraiment "bon en IA". Et avec Lexum, l’éditeur dédié aux avocats, l’Institut canadien d’information juridique (CanLII), et le Laboratoire de cyberjustice de l’Université de Montréal, le Canada est également en avance sur la maîtrise de la donnée juridique numérique et des bases de données associées.

En théorie, ROSS pourrait avoir encore bien d’autres applications en droit. À l’image de Watson, l’application d’IBM dont ROSS est dérivé. Watson sert déjà à de multiples tâches, dont certaines juridiques :

Autres exemples de la capacité du machine learning à s’appliquer à tous les domaines :

  • la Lettre de l’Expansion du 16 janvier signale que le réseau social interne développé par Orange, installé chez eux à l’automne 2015 [239] et également vendu par l’opérateur sous le nom de Business Together Sharespace [240] « s’appuie sur la technologie "machine learning" [...] et inclut des robots à même de suggérer à l’utilisateur des informations pertinentes ou des collègues susceptibles d’enrichir son activité »
  • Google a présenté fin novembre un algorithme repérant des signes de rétinopathie diabétique dans des photos du fond d’oeil. Et Facebook comme Microsoft ont dévoilé cette année des systèmes capables de "regarder" des images et en décrire le contenu pour les aveugles [241]

A priori (le manque d’information détaillées sur ROSS étant criant), les limites d’un système comme ROSS, sont :

  • ça a probablement changé, ROSS étant apparemment devenu généraliste, mais en 2016, les applications dérivées du Watson d’IBM étaient étroitement spécialisées et nécessitent d’énormes développements informatiques spécifiques et un très gros travail d’input et d’apprentissage par des experts [242], travail qui peut ne pas suffire. A titre d’exemple de promesse non tenue et de difficulté avec la méthode retenue par IBM : selon une enquête du média américain d’investigation STAT [243], la « révolution » promise par IBM avec son outil de conseil en matière de traitement contre le cancer accuse un retard conséquent au centre de traitement et de recherche sur le cancer Memorial Sloan Kettering Cancer Center. Pire : en juillet 2018, les mêmes journalistes expliquent que le superprogramme a régulièrement prodigué de mauvaises recommandations pour traiter des cancers [244]. La conclusion des journalistes de STAT est que l’IA semble incapable de conseiller les bons traitements sans apprendre à partir de cas réels
  • comme la plupart des bases de données en ligne actuelles, son manque de confidentialité. Je sais que les éditeurs de services en ligne garantissent la "confidentialité" des données de leurs clients, mais de fait, si elles ne sont pas cryptées de bout en bout, elles ne sont pas réellement confidentielles. Il serait intéressant à cet égard de savoir si ROSS crypte les données de ses clients
  • sa dépendance à la "data". Si les données sont incomplètes, non exhaustives ou comportent un biais, les résultats seront biaisés [245]
  • le poids du passé (même s’il pourra certainement intégrer les projets de loi), car la donnée c’est du passé
  • sa dépendance aux compétences des personnes qui "l’entraînent" (cas du machine learning supervisé)
  • son degré d’acceptation par la société, encore limité mais qui croîtra selon tout vraisemblance. Voir la dernière partie de cette étude et infra, les paragraphes sur les limites des applications de justice prédictive françaises
  • à court et moyen terme, le délai d’implémentation en droit français. ROSS — tout comme ses concurrents français — ne pourra pas être implémenté en droit français global avec une pleine efficacité avant un minimum de huit ans à compter de 2017. Là aussi, je vous renvoie aux paragraphes sur qui suivent les limites des applications de justice prédictive françaises.

Il faut enfin noter, pour être complet sur ROSS, qu’IBM en 2017 avait du mal à rentabiliser son activité "cognitive" (l’adjectif à la mode pour désigner les activités d’IA). Comme le relève une enquête du Monde [246], le chiffre d’affaires du groupe — qui a parié sur l’IA pour sa croissance et a investi 15 milliards de dollars depuis le lancement du projet Watson (alors appelé DeepQ) en 2007 — décroît de 2011 à 2016 : « au final, en cinq ans, un quart des recettes a disparu. La capitalisation boursière [est passée] de presque 250 milliards de dollars en 2011 à un peu plus de 136 milliards aujourd’hui. Pour l’instant, Watson a du mal à tenir ses promesses. » (Le CA d’IBM est toutefois remonté en 2017.) Selon Le Monde, les raisons sont principalement liées :

  • à l’absence d’étude longue de longue durée sur la fiabilité des diagnostics livrés par Watson et ses conjugaisons
  • au fait qu’il s’agit à chaque fois d’un développement spécifique, pas de l’installation d’un produit standard. Les prospects hésitent : il faut investir un budget, un temps de travail de plusieurs mois minimum (18 mois pour le Crédit Mutuel, pourtant client de longue date d’IBM), des équipes et des petites mains pour "former" le progiciel. Le retour sur investissement est long. C’est cet aspect que souligne la directrice du KM de Latham Paris dans la citation précédente extraite de l’article de l’Agefi Hebdo
  • les concurrents, même si leur marketing et leur communication sont moins efficaces, sont très actifs. Le cabinet d’avocats d’affaires international Baker & McKenzie a ainsi annoncé, en août 2017, adopter comme principal outil d’intelligence artificielle non pas ROSS, mais eBrevia (cf infra).

Quoiqu’il en soit, en mai 2020, le géant américain de l’édition juridique Thomson Reuters lance une action en justice contre ROSS, dans laquelle il avance que ROSS a "pompé" ses bases de données. Il semble qu’à cette date, après plus de quatre ans d’activité, ROSS dépendait encore des investisseurs pour son financement [247]. Autant dire que ROSS n’avait pas atteint la rentabilité. Ce qui ne peut qu’amener à relativiser tout ce discours (pendant cinq ans, quand même) sur ses performances.

Le 11 décembre 2020, ROSS annonçait sur son site l’arrêt de toutes ses activités autres que sa défense vis-à-vis de cette action en justice. Un aspect troublant de la défense de ROSS est qu’ils invoquent in limine litis l’absence de protection par le copyright sur les "headnotes" et "key number" de la base de jurisprudence de Westlaw, ce qui revient à reconnaître plus ou moins les faits. En janvier 2021, ROSS a déposé des plaintes antitrust contre Thomson Reuters et West Publishing. ROSS estime que West commet un abus de droit et explique qu’ils se « [battent] pour le peuple », ce qui est assez surprenant si on considère qu’il s’agit d’une bataille entre entreprises. Ce recours à des arguments d’abus de droit et ces appels au peuple — censé bénéficier des innovations, ce qui est tout sauf évident en pratique — sont typiques d’une partie de la legaltech et se retrouvent en France.

Debater

Lancée en 2018, la nouvelle application d’IA d’IBM, Debater, toujours un dérivé de Watson, est elle capable d’argumenter dans un sens ou en sens inverse. Va-t-elle réussir en droit là ou ROSS semble avoir largement échoué ?

Pour l’avocat et expert en IA juridique Thierry Wickers, qui s’exprimait en 2019, « Debater exploite les données deWikipédia et ne prétend pas présenter une argumentation juridique, mais il n’y a évidemment pas de raison de ne pas utiliser cet outil (ou un autre), pour identifier, directement, dans les textes légaux et la jurisprudence les informations liées à l’argumentation juridique. » [248]

Pour autant, nous sommes en 2022 et nulle implémentation de Debater en droit et a fortiori en droit français ne semble avoir percé. Ce qui renforce notre scepticisme — il faut dire que les promesses non tenues de ROSS (cf supra) nous avaient déjà échaudé. En pratique — en IA juridique en tout cas — le raisonnement "en théorie on devrait donc pouvoir" ne marche pas.

Westlaw, Lexis Advance : les améliorations machine learning en cours et prévisibles

D’après Michael Mills [249], co-fondateur et chief strategy officer de Neota Logic (une société précurseur dans les outils d’aide à la décision en droit puis d’IA juridique aux Etats-Unis), cela fait 11 ans que LexisNexis et Weslaw ont commencé à intégrer du NLP dans leurs moteurs de recherche. Et Lexis a racheté Lex Machina en 2015 puis Ravel Law en 2017, LE spécialiste américain du ML sur la jurisprudence (voir infra).

Par exemple, la fonction Westlaw Answers répond carrément directement aux questions courantes/"bateau" en quelques phrases, avec les citations de jurisprudence qui conviennent.

Autre exemple : Lexis Advance offre la possibilité de chercher en langage naturel (fonction ”Run search as natural language") et surtout d’ajouter à la recherche les expressions juridiques synonymes de celles saisies (fonction "Include legal phrases equivalents"). Et depuis 2017, un clic sur le nom juge ou de l’avocat permet de consulter des tableaux de données sur eux, cela ne marchant que pour les domaines de pratique couverts par Lex Machina [250]. A partir de ces tableaux, les abonnés à Lex Machina peuvent analyser plus avant. Là, cependant, il ne s’agit plus d’IA à strictement parler, juste d’"analytics" [251]. Pour résumer, Lex Machina utilise les décisions disponibles dans PACER et fournit des données utiles pour la stratégie judiciaire.

A noter chez Bloomberg Law, un concurrent de Lexis et Thomson West apparu récemment : grâce au machine learning, Points of Law identifie, parmi les opinions des juges américains, les phrases qui font jurisprudence [252]

Les améliorations prévisibles résident dans la continuation et l’amélioration des précédentes :

  • du NLP state "of the art"
  • des suggestions/recommandations (soit de notions à ajouter, soit de régimes juridiques/bases légales) découlant de l’analyse par le machine learning du comportement des utilisateurs dans leurs recherches. Notamment, en analysant les arrêts déjà mis de côté/sélectionnés par l’utilisateur, il est possible d’en déduire ceux qui manquent. Ce type d’amélioration exploite à fond les excellentes perfomances du ML en catégorisation ("taxonomy" lit-on souvent)
  • plus de "direct answers"
  • des statistiques sur les tendances des juges américains. Dans Lexis Advance, c’est fait en décembre 2018, suite à l’intégration de Ravel Law : Lexis USA lance enfin la suite de Ravel Law : Context, son premier véritable outil de justice prédictive [253]. Pour le texte intégral, il faut un accès à Lexis Advance, avec lequel cette application fonctionne apparemment en tandem
  • une interaction vocale avec l’application, grâce à l’envol de l’utilisation des smartphones, y compris les fonctions d’envoi des résultats et d’impression.

Audit de contrats : l’offre existante

C’est clairement dans ce domaine de l’audit/vérification de contrats et de clauses que les progrès de l’IA juridique ont été les plus grands, comme l’illustre la victoire en février 2018 du logiciel LawGeex AI (qui utilise le ML avec apprentissage) sur 20 juristes de droit des affaires très expérimentés dans un test de rapidité et de pertinence : il s’agissait d’analyser les risques/failles présents dans cinq contrats de confidentialité ("non-disclosure agreement" ou NDA) de 2 à 6 pages, un outil très classique aux Etats-Unis [254]. Le "contract review", plus précisément, consiste en l’analyse en masse de contrats pour en extraire informations et clauses contestables ou à revoir.

Le "contract analytics", bien que beaucoup plus discret médiatiquement que la justice prédictive, est aussi le secteur de l’IA juridique qui nous semble le plus dynamique et le plus rentable. C’est ce que sous-entend un article d’Artificial Lawyer. Pour l’auteur du site, qui observe et promeut les legal tech depuis longtemps, « d’après les observations de ce site, une grande partie de la legal tech est façonnée par deux moteurs puissants et toujours présents : la force des transactions ("deals") et la force des bases de connaissances ("accumulation of knowledge, arranging it into libraries and making it searchable"). » Il ajoute l’e-discovery, quelque chose de typiquement américain. Mais nulle part il ne parle de la justice prédictive [255].

Les principaux acteurs sont :

  • côté anglo-saxon [256] :
    • la société canadienne Kira Systems et son logiciel d’audit de contrats de cession d’actions/parts de société est selon la société déployé dans 200 établissements. Il a été notamment adopté par les cabinets d’avocats Linklaters, Clifford Chance, Allen & Overy, DLA Piper, Freshfields et Latham & Watkins [257].
    • Seal Software propose différents produits de type "contract analytics" (analyse automatique ou "audit" de contrats), chacun taillé pour un besoin précis (RGPD, Brexit, M&A, Libor ...). Ils ont été rachetés fin février 2020 par le leader mondial de la signature électronique DocuSign, qui n’avait jusqu’ici pas investi dans l’IA [258]
    • LawGeex
    • Luminance, dont le produit a été adopté notamment par le cabinet anglais Slaughter & May, et qui a abordé le marché européen courant 2018
    • eBrevia, conçu par une start-up créée en 2011 dans l’Etat du Connecticut, a, tout comme Ross, un partenariat universitaire fort : sa technologie a été initialement développée à l’Université de Columbia [259]. L’application, utilise le machine learning pour faire du "contract review". Signe des temps : eBrevia, début mars 2018, s’alliait avec le groupe d’édition juridique Thomson Reuters, le propriétaire de la plateforme Westlaw [260] puis, en décembre 2018, était racheté par Donnelley Financial Solutions [261]
    • RAVN a été racheté mi-2017 par iManage, mélangeant ainsi le "document management" avec l’IA de type NLP et classification automatique [262]. Le produit a été utilisé en 2017 par une équipe d’investigateurs de l’agence anti-corruption britannique (Serious Fraud Office) pour fouiller 30 millions de documents à la vitesse de 600 000 par jour [263] dans une affaire de pots-de-vin et de corruption impliquant un important industriel [264]. Autre gros client : British Telecom [265]. Une particularité d’iManage est son intégration étroite et de longue date avec la suite Office de Microsoft et particulièrement sa messagerie Outlook. Un détail qui compte
    • Neota Logic est spécialisé dans la préparation de contrats de confidentialité de droit américain (NDAs), le même secteur que LawGeex, mais le but ici est de proposer des "templates" et non de faire de l’audit ("review")
    • Klarity gère la revue de contrats de droit américain en cloud dans des fichiers Word qui sont automatiquement annotés
    • Legal Sifter : signale les parties importantes d’un contrat de droit américain afin de le vérifier (ou négocier) avant de le signer [266]
    • Knowable, un récent "spin off" d’Axiom, a formé une "joint-venture" avec LexisNexis, a pour ambition d’aller plus loin que ses concurrents américains en "contract analytics" en répondant à des questions comme "Pouvons-nous sortir de certains des contrats de notre récente acquisition ?" [267]
    • on mentionne parfois HotDocs dans ce compartiment mais ce produit est en réalité largement basé sur une technologie très ancienne [268]. Grosso modo, HotDocs est un générateur de modèles (de contrats) ("contract automation") se basant sur les précédents de la structure
  • côté français :
    • en audit de contrats pour des fusions-acquisitions et en compliance, la startup française Softlaw, créée par Sandrine Morard [269], ex-avocate collaboratrice en M&A, travaille uniquement en interne (pas de cloud pour répondre aux demandes des directions juridiques et avocats qui ne veulent pas le moindre risque de fuite) et en français. Fin avril 2020, Softlaw a rejoint Septeo [270], un groupe français qui fait montre d’ambitions dans le secteur des logiciels juridiques, secteur qu’on appelle désormais la legal tech [271]. Septeo est notamment propriétaire de Secib, logiciel de gestion de cabinets d’avocats et de GenApi, important éditeur de logiciels pour les notaires. Après son rachat, Septeo intègre Sotlaw dans ses autres produits. En 2021, le logiciel de gestion de contrats Galexy de Legal Suite (groupe Septeo) intègre les fonctionnalités reconnaissance des "entités nommées" (type de contrat, parties, dates, adresses etc.) de Softlaw (intervention de Stéphane Lescher, directeur de marchés de Legal Suite, au webinaire Legiteam précité). Galexy automatise la saisie des infos du contrat grâce aux fonctionnalités de Softlaw puis le gère comme un logiciel de gestion de contrats classique (renouvellement, échéances ...). Idem, le logiciel pour notaires iNot de Genapi (groupe Septeo) intègre les mêmes fonctionnalités de Softlaw, selon Stéphane Fauvel (webinaire précité)
    • Hyperlex, fondée en 2017 par trois ingénieurs, est une société française développant une solution en ligne de gestion et d’analyse de contrats pour les entreprises] [272]. Selon Oliver Ezratty, « Hyperlex analyse les contrats d’entreprise pour identifier les clauses clés et permet leur revue collaborative dans l’entreprise. L’outil comprend surtout un dashboard de suivi de contrats et de leur circuit de signature, une fonction de workflow assez traditionnelle [273]. » Pour citer Alexandre Grux, le dirigeant d’Hyperlex, interviewé par le Data Analytics Post : « Notre outil permet [à nos clients] de trier leurs contrats pour les ranger et y accéder plus rapidement, y retrouver des clauses précises ou des données contractuelles (dates, montants…) avec un système d’alertes automatiques, générer automatiquement une synthèse pour faciliter la prise de décision ». Hyperlex a pour particularité d’utiliser toutes les technologies d’IA disponibles, y compris la reconnaissance de formes dans les images (ici identifier un tampon ou un logo dans un scan). Cette utilisation de la diversité de l’IA rapproche Hyperlex de Case Law Analytics (voir infra dans nos développements sur la justice prédictive). L’expertise d’Hyperlex va être utilisée par la Chambre des notaires de Paris pour taguer automatiquement des documents notariaux (annonce de février 2020). Dans un premier temps, ce sont les notaires et leurs collaborateurs qui vont mettre manuellement les labels sur ces documents et il s’agira de reconnaître uniquement le type de document. Mais le projet veut aller jusqu’à ce que Hyperlex fait pour les contrats, un "audit" (dans le sens anglo-saxon du terme, ici : repérer des clauses problématiques) des documents. Ce projet, nommé VictorIA, doit s’étaler sur plusieurs années [274].

Ce sous-sous-secteur de la legal tech, qui se rattache au sous-secteur des "alternative legal process providers" (ALSP, prestataires de services juridiques en ligne), en partie utilisateur d’IA (au sens de technologies informatiques très récentes à base de NLP et de machine learning), est également celui qui fait le plus de chiffre d’affaires. Beaucoup plus que la justice prédictive. Selon une étude de Thomson Reuters, le groupe d’édition juridique américain, les "legal process providers" ont fait 13 milliards USD en 2019 contre 8 en 2015 [275] ...

eBrevia, RAVN, Seal Software ... : le marché anglo-saxon de l’audit de contrats est nettement en train de se consolider, plus encore que le secteur plus large de l’IA juridique ou de la legal tech, où en France même un tel mouvement de concentration est attendu [276].

Olivier Ezratty, dans son ebook précité Les usages de l’intelligence artificielle 2021, liste également un tout autre type d’application métier en juridique : la propriété industrielle (marques et brevets). Parmi les sociétés qu’il cite, je retiendrai celles-ci :

  • Juristat (USA) « réalise des "analytics" sur les données publiques sur les brevets et les avis des agents de l’USPTO pour optimiser les stratégies de protection de brevets »
  • Turbo Patent (USA) et son application RoboReview [277]
  • Lex Machina (acquis par LexisNexis, on en a parlé plus haut)
  • Data&Data (créée en 2012, France) fait de la veille sur les ventes de contrefaçons des produits de luxe sur les sites marchands et les réseaux sociaux [278]. « L’outil à base d’IA s’appuie sur la détection d’anomalies dans les prix et les images des articles en vente ». Ses algorithmes sont basés en partie sur la technologie Azure Machine Learning du cloud Microsoft
  • Clarivate Analytics est arrivée dans l’IA, explique O. Ezratty, « via son acquisition de TrademarkVision qui utilise le deep learning pour reconnaître les logos des marques et faire des recherches d’antériorité. »

Justice (dite) prédictive : calculer les chances de gagner un procès en droit français (avec ou sans machine learning)

Abordons maintenant les IA juridiques françaises. Si l’on excepte les applications de contract review Softlaw et Hyperlex précitées, ce sont des applications dites de justice prédictive — ou qui visent à le devenir. Là aussi, comme pour le terme "intelligence artificielle", l’emploi de l’expression "justice prédictive" a un côté marketing accentué.

Au niveau des technologies, le machine learning n’est pas encore systématiquement utilisé, les systèmes experts et le traitement automatique du langage naturel par chaînes de caractères (l’IA "à la papa") sont encore très répanduus.

Les limites des "IA" juridiques françaises en matière de justice prédictive

Côté justice prédictive, pour le moment, on n’en est en réalité qu’à une analyse (par thème, par juridiction, par société [279], des montants des dommages-intérêts ou de quel type de camp a gagné) de la jurisprudence disponible et à une recherche en langage naturel sur celle-ci. Et encore faut-il prendre ces performances avec certaines pincettes. C’est le sens du billet très mesuré du professeur Dondero cité en introduction. Il date de 2017.

En 2022, très peu de choses ont changé. Des intervenants au séminaire consacré à la jurimétrie organisé le 9 mai 2022 par le Centre de recherche en droit Antoine Favre de l’université Savoie Mont-Blanc aboutissent même à des conclusions encore plus tranchées : selon eux, « l’usage de la jurimétrie pour la recherche juridique n’est pas amenée à se produire dans un avenir proche » [280]. Certes, leur constat est limité aux applications utilisant les expressions régulières (regex) dont nous avons déjà parlé plus haut et ne prend pas en compte les performances du machine learning. Pour autant, Case Law Analytics eux-mêmes, qui annoncent utiliser tous les programmes utiles dont les réseaux bayésiens et le ML, font qualifier et baliser les arrêts par des juristes titulaires d’un M2 ; et cette "IA à la papa" que sont les regex est encore largement utilisée en justice dite prédictive. Ce qui donne au final à ce constat encore pas mal de valeur.

Plus généralement, en 2014 déjà, un spécialiste du machine learning, le professeur Michael Jordan, estimait qu’on attendait beaucoup trop beaucoup trop tôt du deep learning et du big data [281]. Antoine Garapon pointe l’origine anglo-saxonne du terme et rappelle très justement que la traduction exacte est « justice prévisible » et non prédictive [282]. On pourrait aussi traduire par "justice prévisionnelle", même si cela sonne bizarre.

Pour l’instant, le machine learning en droit français — quand il est réellement utilisé, ce qui, on va le voir, n’est pas systématique — n’est pas de l’intelligence artificielle au sens fort du terme (cf propos infra sur l’IA forte et faible). Du temps de la lutte entre Microsoft et les autres éditeurs de logiciels de bureautique (années 80), on appelait ça du vaporware : annoncer des sorties d’applications entre 6 mois et 2 ans à l’avance pour pousser les clients à attendre la nouvelle version. Et à ne surtout pas aller chez la concurrence — ici, je dirais : ne pas se servir de ce qui marche très bien, comme les compétences des meilleurs documentalistes juridiques ou l’application Jurisprudence chiffrée (cf juste infra).

L’article précité de Valérie de Senneville aux Echos le souligne :

« pour le moment, "il y a beaucoup d’effets d’annonce", remarque Jean Lassègue, philosophe et chercheur au CNRS. L’épistémologue, qui a consacré de nombreux travaux à l’informatique [il est l’auteur, avec Antoine Garapon, de l’ouvrage de référence « Justice digitale »], invite à s’interroger sur le problème de la qualification des faits et de leur catégorisation. "La machine ne peut pas régler cela", affirme Jean Lassègue. »

Là encore, la pratique évoquée supra de Case Law Analytics lui donne raison.

Antoine Garapon, secrétaire général de l’Institut des hautes études sur la justice (IHEJ), ne dit pas autre chose dans son entretien avec les Petites Affiches (septembre 2017) [283] :

« LPA — L’impact réel des legaltechs sur le droit ne reste-t-il pas néanmoins encore assez limité ?
A. G. — Bien sûr et je pense que l’impact le plus important du de la legaltech se situe en réalité sur le plan imaginaire. [...] Il est en effet frappant de constater à quel point on évoque legaltech et justice prédictive quand les réalisations pratiques restent très mineures puisque ces technologies ne sont pas encore matures. »

Seuls Case Law Analytics et dans une bien moindre mesure Predictice [284], comme on le verra plus loin, peuvent avoir la prétention — toute relative — de prédire, avec une marge d’erreur, les jugements.

D’abord, définir. La "justice prédictive" est, selon le rapport Cadiet, remis en 2017 à la Chancellerie, « un ensemble d’instruments développés grâce à l’analyse de grandes masses de données de justice qui proposent, notamment à partir d’un calcul de probabilités, de prévoir autant qu’il est possible l’issue d’un litige ». Notez bien le « notamment », car il est également possible de modéliser les critères de prise des décisions de justice au lieu de les "statistiser" et c’est un point capital du débat.

Le Dictionnaire de droit privé de Serge Braudo propose, lui, la définition suivante : « "La justice prédictive" est une notion récente évoquée par une partie de la presse, et par une partie des professionnels du Droit qui partent de la constatation que toute décision judiciaire comporte sa part d’aléa. Le calcul portant sur la fréquence des décisions rendues par les tribunaux devrait permettre de dégager des algorithmes mesurant les risques courus dans l’engagement d’une procédure ou d’un arbitrage. Le fait de quantifier le risque juridique permettrait de désengorger les juridictions et un traitement de masse des dossiers libérant les professionnels de la réalisation de tâches bien trop souvent répétitives. »

Autre tentative de définition : Eloi Buat-Ménard, adjoint au directeur du Service de documentation, des études et du rapport (SDEC) de la Cour de cassation, dans sa contribution à un dossier sur Les défis de la justice numérique, veut écarter les fantasmes sur ce qu’est la justice dite "prédictive" [285]. Nous le citons quasiment in extenso car ce propos vient d’un magistrat très bien placé pour parler de la justice prédictive, vu son poste :
« Est "prédictif" ce qui permet de prévoir des faits à partir d’éléments donnés. Si l’on entend par "prévoir" le fait d’apprécier la probabilité d’un fait futur, alors oui, le concept de justice prédictive peut avoir du sens, à l’instar de la notion de médecine prédictive, qui détermine, par l’étude des gènes, la probabilité de développer une maladie donnée. [...]
Mais si l’on rattache la notion, non à la prévision mais à la prédiction, c’est-à-dire à l’action d’annoncer à l’avance un événement, comme sa racine l’y invite, alors le concept est inepte. Cela pour une raison très simple : la jurisprudence n’est pas un système clos. Autrement dit, une décision de justice n’est, et de loin, pas la résultante des seules décisions passées mais d’une pluralité de facteurs plus ou moins bien identifiés : contexte jurisprudentiel, certes, mais aussi normatif, politique, social, professionnel, médiatique, voire affectif, climatique (juge-t-on de la même façon en période orageuse ou de canicule ?), alimentaire (juge-t-on de la même façon le ventre creux ?), familial (juge-t-on de la même façon sous le coup d’une rupture douloureuse ?), culturel, etc. Bref, tout ce qui fait que la justice est et demeurera, du moins l’espère-t-on, une oeuvre humaine.
Dans cette acception, un algorithme proprement "prédictif", c’est-à-dire capable de prendre en compte une telle pluralité d’interactions causales, reste à ce jour une pure vue de l’esprit, sauf à envisager une drastique restriction du champ des causalités jurisprudentielles à la seule raison juridique (déjà quelque peu délicate à identifier précisément), figée - ou limitée - dans son évolution, ce qui nous éloigne immanquablement du concept même de justice. Les juristes romains avaient déjà parfaitement perçu le danger d’une "justice" totalement prévisible dans son application qu’ils tenaient précisément pour une forme d’injustice : c’est ce qu’exprime l’adage summus ius, summa iniuria. »

Jacques Lévy Véhel, chercheur à l’INRIA et fondateur de Case Law Analytics, estime qu’il faudrait parler de « quantification de l’aléa juridique » [286].

Il est en effet difficile de prétendre que la justice prédictive au sens de prévision judiciaire — comme la prévision météorologique — existerait actuellement en France. Et le terme, comme nous l’avons vu plus, haut porte beaucoup (trop) de "hype" en lui. Le concept d’analyse mathématique et algorithmique des décisions de justice est plus proche de la réalité. Plus concrètement, il s’agit de statistique et/ou de modélisation imparfaites des décsions de justice. Cette description nous semble plus réaliste et plus opérationnelle. [287]. C’est ce que nous allons tenter de montrer.

Une justice prédictive imparfaite pour l’instant, car 200 000 décisions judiciaires publiées par an, alors que 3.8 millions sont rendues sur la même période, c’est un échantillon insuffisant en termes de statistiques. Sans compter que dans de nombreux cas, les faits ne sont pas détaillés ou insuffisamment détaillés, même dans le jugement de première instance, si on l’avait (cas classique des décisions pénales, que par déontologie Predictice et Case Law Analytics ont choisi d’exclure — ce qui nous semble justifié).

A court et moyen terme, le délai d’implémentation de la justice prédictive sur la grande masse du contentieux est incompressible. En effet, elle ne pourra pas être implémenté sur l’ensemble des décisions de justice de première instance et avec une pleine efficacité avant un minimum de huit ans à compter de la fin de la mise en ouvre de l’open data des décisions de justice (2025) (voir infra Pourquoi une montée des IA en droit ?).

Explication. Compte tenu des spécificités du droit français (pas de la common law ... mais pas un véritable problème [288]), de la (relativement) petite taille du marché français du droit, de l’absence pour l’instant de disponibilité en accès libre et gratuit (open data) [289] des décisions judiciaires de première instance [290] avant des années malgré la loi Lemaire pour une République numérique [291], de la nécessité d’un partenariat entre un éditeur juridique et un éditeur de système de machine learning [292], cela devrait prendre au minimum huit ans à compter de 2017 et peut-être plus.

A noter que le NLP à la "sauce" machine learning, en droit français, sert de nos jours de plus en plus à pseudonymiser (on ne dit plus anonymiser, ça c’était avant le RGPD) automatiquement les décisions de justice. La legal tech Doctrine.fr s’était lancé dès ses débuts en 2016 dans cette tâche, ce qui avait d’ailleurs entraîné à l’époque un débat [293] très intéressant avec le développeur et ingénieur ML Michaël Benesty, attelé à la même tâche, sur les limites des performances du ML en la matière. L’état de l’art en 2016-2017 était en fait très insatisfaisant. Pour citer M. Benesty fin 2016 :
« Pour avoir un taux d’erreur de 10% (qui est déjà important), il faudrait un algorithme ayant un taux d’identification par mention de plus de 99% (en théorie). L’état de l’art en septembre 2016 des algorithmes mis au point dans les universités (donc en avance sur les systèmes utilisés dans l’industrie) est à 92%. Même en “trichant” par l’ajout de règles manuelles, on arrive péniblement à 96%. Or, d’une manière générale en machine learning, plus le taux est haut, plus il faut d’efforts pour progresser.
En matière de bases de données en santé (où le problème de l’anonymisation des données se pose aussi), le taux de rappel (différent de l’accuracy, on en parle ici pour comparaison des grandeurs) rapporté en anglais (langue plus facile à traiter pour les machines, car morphologiquement pauvre) est de 94%.
On voit bien que l’approche anonymisation à 100% via le machine learning (c’est-à-dire sans aucune intervention humaine) se heurte à un plafond de verre. »

Toutefois, les ingénieurs machine learning/"data scientists" d’Etalab (EIG) envoyés assister la Cour de cassation ont beaucoup beaucoup progressé en 2019 en utilisant deux librairies de "Named Entity Recognition" bien connues, spaCy et Zalando Flair : « diminution de 32% du taux d’erreur avec une meilleure utilisation de la connaissance de l’ensemble des données au lieu de simplement travailler au niveau de la phrase » et atteinte d’un « taux de réussite de 99,96 % sur les noms et prénoms » [294]. Selon l’article d’Acteurs Publics (accés réservé) :
« La mission Etalab se chargera, à ce titre, de faire office de courroie de transmission avec les autres institutions désireuses d’appliquer la méthode de la Cour de cassation pour anonymiser leurs documents. Pour autant, la généralisation du nouveau moteur d’anonymisation à toutes les institutions judiciaires n’est pas pour demain, tant le paysage des applicatifs informatiques du ministère de la Justice reste encore aujourd’hui éclaté. En attendant, la Cour devrait adopter le nouveau logiciel mis au point par les deux EIG d’ici la fin de l’année [2019]. »

Revenons à notre notion d’analyse statistique imparfaite des décisions de justice. Elle vaut aussi pour l’avenir. Car l’idée qu’on va pouvoir vérifier que, dans une même situation, les juges rendent des décisions identiques, au-delà même des inconvénients de la pression politico-médiatico-sociale que cela leur mettrait, est largement biaisée. Ce, pour plusieurs raisons :

  • « un seul et même juge peut adopter des solutions divergentes dans des affaires présentant les mêmes caractéristiques » [295]. Particulièrement, le moment de la journée compte beaucoup : quand le/la juge, peu avant 13h, a faim, cela influence sa décision. De même, le soir tard, quand il/elle est fatiguée et veut en finir pour rentrer chez lui/elle
  • la notion de "même situation" est une illusion : dans le détail, les situations de fait sont très rarement totalement identiques dans les décisions de justice (et j’en ai lues beaucoup). C’est la qualification juridique de ces faits qui peut donner cette impression
  • les statistiques sont une autre illusion (vu les interprétations hâtives et abusives qu’on en fait le plus souvent, notamment en utilisant des graphiques), mais *en partie* seulement (sauf si elles sont faites sans suivre les règles, ce qui arrive plus souvent qu’on croit : représentativité échantillon, biais ...). Elles permettent en revanche de *tenter* de décrypter la jurisprudence [296]. Comme le disait le Premier président de la Cour de cassation Bertrand Louvel lors du colloque de 2016 sur l’open data de la jurisprudence : la « jurisprudence », c’est « la tendance habituelle d’une juridiction ou d’une catégorie de juridictions à juger dans tel sens » [297]
  • une statistique est une *simplification*, outrancière si elle manque de finesse (préférer les déciles ou la médiane à la moyenne, par ex.). Cette simplification permet toutefois de détecter ou prouver des tendances.
    Les exemples suivants donnés par Jacques Lévy Véhel illustrent bien le problème [298] :
    « Mettre à disposition des décisions en masse conduira inévitablement à des traitements statistiques qui auront plus d’effets négatifs que positifs. Si on peut classer des films de cinéma selon leur popularité, classer des juridictions ou des avocats suivant leur "performance" me semble poser problème.
    Malheureusement, l’histoire montre que la facilité est toujours privilégiée, et ce type de classement apparaîtra très vite, comme c’est le cas par exemple aux USA. Ces classements seront entachés d’une multitude de biais bien connus, que le public n’aura pas les moyens de détecter. Est-ce qu’un avocat qui défend des entreprises qui ont commis une infraction et dont le but est de réduire le montant des condamnations prononcées sera mal classé parce qu’il « perd » tous ses procès ? Ou bien, au contraire sera-t-il très bien classé car il divise par exemple par 10 les montants qui devront être versés par son client ?
    Est-ce qu’on peut de façon sensée comparer les montants accordés pour une prestation compensatoire par un juge aux affaires familiales qui officie à Versailles à ceux donnés par un juge de la cour d’appel de Douai ? Comment redresser les montants pour ajuster la différence évidente entre les populations qu’ils ont à considérer ? On pourrait multiplier les exemples. Les statistiques donneront une vision simpliste et faussée de la réalité, et les corriger est complexe même pour des professionnels du droit travaillant avec des statisticiens. »

A l’heure actuelle, les statistiques de la justice prédictive restent donc fragiles car leur substrat est peu représentatif. On constate aussi, à tester les outils, que ces statistiques nécessitent fréquemment des interprétations et des explications. De plus, la qualité varie selon les outils.

Les statistiques de la justice prédictive restent fragiles également parce que comme le souligne le sociologue et chercheur CNRS Julien Larrègue les applis et expériences menées nous « apprennent peu de choses sur les raisons et le sens des décisions » [299] (sans même parler du problème de l’explicabilité des résultats de l’IA).

Encore une fragilité des statistiques de justice prédictive (cf à nouveau J. Larrègue [300]) : en droit pénal (et peut-être en droit civil — droit de garde lors du divorce —, voire procédures collectives), les applications ignorent les recherches menées en sciences sociales et celles de "jurimetrics" menées depuis les années 40. Pour citer J. Larrègue : « Les quelques juristes qui réalisent des études de sentencing, en analysant notamment les facteurs juridiques et extra-juridiques qui influencent les condamnations pénales, s’insèrent dans la filiation directe des sciences sociales et n’utilisent pas l’expression de "justice prédictive", preuve que les deux mouvements sont découpés. » Pour lui, « la raison d’être du mouvement de justice prédictive n’est pas de faire œuvre scientifique, mais « de réduire les risques de perdre un procès tout en réduisant les coûts associés à l’institution judiciaire ».

Notez bien que nous avons parlé jusqu’ici des limites des *statistiques* en matière de décisions de justice. Pas des limites de la *modélisation* de la prise de ces décisions, ce qui est fait par un seul acteur, Case Law Analytics, et s’avère in fine plus rigoureux, particulièrement face au manque très net de décisions couvrant le même cas dans le même type de contentieux. Ainsi, pour obtenir des statistiques solides en droit du licenciement sans cause réelle et séreuse, il faudrait avoir quelques centaines de décisions du même bassin d’emploi ou au minimum émanant de tribunaux du même ressort de cour d’appel, de moins de 5 ans d’écart, sur le même type de poste/métier, même niveau de responsabilité, même niveau de rémunération et même ancienneté. Actuellement, dans le meilleur des cas, on arrive à quelques dizaines de décisions de ce type, souvent liées à un unique gros plan social. Or le fait même que ces décisions soient de facto majoritairement issues de la même affaire est un biais statistique lié à l’échantillon ... C’est pourquoi modéliser les critères de la décision de justice est une piste plus intéressante.

Dernière limite, enfin, le degré d’acceptation par la société, encore limité (cf la dernière partie de ce billet). Toutefois, si l’on s’en tient à l’histoire récente des innovations, les systèmes de machine learning en droit finiront, selon toute probabilité, par être assez rapidement acceptés par les consommateurs de droit. Les professionnels du droit vont donc, à terme, devoir suivre. En fait, un nombre important d’avocats et encore plus important d’assureurs se sont déjà lancés, en prenant des abonnements chez Predictice et Case Law Analytics. Comme le rappelle un professionnel américain des enquêtes ("fact finding") pour avocats, dans un excellent article qui remet les pendules à l’heure, les "IA" d’aujourd’hui sont les "logiciels" de demain [301].

Les limites des "IA" juridiques françaises en matière de recherche en langage naturel

Marc Clément, président de chambre au tribunal administratif de Lyon, ex-rapporteur à la cour d’appel administrative de Lyon et important commentateur des apports du numérique aux juridictions administratives [302] fait remarquer que « dans la réflexion sur la "justice prédictive", il est très rarement fait allusion au fait que l’outil informatique est déjà au cœur du métier du juge », et ce, à travers les recherches sur les bases de données de jurisprudence et de doctrine, particulièrement les juges administratifs qui bénéficient de l’ensemble des grandes plateformes des éditeurs juridiques (pas les magistrats de l’ordre judiciaire, pauvre, lui). En effet, face au nombre de résultats trop important pour qu’on les lise tous, les juristes sont obligés, soit de diminuer ce nombre en ajoutant des mots-clés soit de faire confiance à l’algorithme de tri par pertinence. Le choix d’un "mauvais" mot-clé peut faire disparaître des résultats pertinents, tandis que les règles dirigeant l’algorithme de tri par pertinence ont leurs propres biais [303].

Entre parenthèses, l’argument — tout à fait exact — de M. Clément renforce la nécessité d’apprendre aux jeunes juristes à chercher en suivant tout simplement les tables des matières, index alphabétiques, plan de classement, thésaurus, notes de bas de page et autres accès hiérarchiques ou guidés. Le plan de classement de la jurisprudence administrative (PCJA) maintenu par les équipes du Conseil d’État n’est rien d’autre que ça : un guide extrêmement performant pour trouver rapidement toute la "JP" faisant autorité sur un sujet. Evidemment, les outils hiérarchiques et d’indexation matière ont leurs propres limites : ils ne sont jamais exhaustifs, coûtent cher à maintenir et, du fait de leur réalisation humaine [304], ne pourraient probablement pas traiter une masse de plusieurs millions de documents (les juridictions judiciaires rendent 3,8 millions de décisions par an, dont 1,2 pour les décisions pénales [305]). C’est justement pour ça qu’on cherche aujourd’hui par mots-clés et que les technologies de l’IA s’attaquent aux limites de ce mode de recherche.

Pour autant, les techniques de recherche utilisant le machine learning ont leurs limites à elles, bien plus gênantes si on considère qu’on ne sait pas précisément pourquoi tel mot va trouver tel résultat. C’est le fameux problème de la transparence des IA, non résolu à cette heure, et que Marc Clément rappelle à juste titre. Oui, mais si l’algorithme est plus pertinent que la recherche en texte intégral, on est globalement gagnant, me direz-vous. Certes, mais avec l’IA actuelle, on va vers des logiciels dont les utilisations seront différentes et les conséquences bien plus importantes puisqu’on parle de statistiques sur les solutions des litiges, le montants des indemnisations et potentiellement les peines de prison. Le manque de transparence de l’IA est alors autrement plus gênant.

Marc Clément, toujours lui, fait également remarquer que « les structures des textes juridiques sont des points d’appui précieux pour construire une analyse automatique. On peut ainsi sans trop de difficultés identifier des références à des articles de code ou à des jurisprudences, ce qui place d’emblée un texte juridique dans un réseau d’autres textes » [306].

En pure théorie, M. Clément a raison : les références, dans les documents juridiques [307], aux autres documents sont autant de liens et de recommandations implicites qui devraient aider les algorithmes de machine learning à identifier les documents les plus pertinents par rapport à la "question" posée — la requête devrait-on dire.

Mais la réalité est autre :

  1. Primo, si c’était si simple, les legal tech, depuis qu’elles existent en France (2016), auraient dû arriver à quelque chose de mieux, avec les arrêts des juridictions suprêmes et des cours d’appel, que ce qui existe actuellement. C’est donc qu’il y a de sérieuses difficultés dans ces arrêts.
  2. Les décisions des juridictions administratives sont beaucoup mieux structurées que celles des juridictions judiciaires. Parce qu’elles ont plus de moyens financiers et en personnel [308], parce qu’elles produisent plus de dix fois moins de décisions (260 000 par an contre 3,8 millions), parce qu’elles n’ont pas la même indépendance que celle des cours d’appel et tribunaux judiciaires et que les règles de rédaction des décisions sont donc précises et unifiées [309]. Cette bien meilleure structuration rend leur mise en base de données, leur pseudonymisation et les recherches dessus beaucoup plus faciles — c’était évident quand on interrogeait Supra Legem — et moins chères. Exemple de ce qu’il faudrait faire sur les décisions judiciaires, un travail collaboratif dans le cadre du forum Open Law en 2017 a permis de dégager une quarantaine de champs et d’annoter environ 400 décisions extraites de Legifrance. Pour plus de détails, voir notre billet L’open data des décisions des cours d’appel et tribunaux n’est pas pour demain.
  3. Et puis, les décisions des tribunaux judiciaires de première instance ne sont pour l’instant pas disponibles (elles sont promises pour 2025, on verra bien) : ni numérisées nativement dans la très grande majorité des cas [310], ni suffisamment structurées, ni suffisamment balisées au plan du code informatique. Même les jugements des tribunaux de commerce ne sont pas ni assez structurés ni assez balisés informatiquement pour pouvoir être "mangés" efficacement par une base de données. L’objet du fameux contrat entre Infogreffe et Doctrine.fr (finalement résilié par Infogreffe) était probablement justement de traiter ces jugements pour résoudre en partie ce problème [311] — les autres aspects étant leur pseudonymisation [312] leur "mise en base de données".

Tout ceci explique très largement pourquoi, selon toute probabilité et à l’exception totale de l’ex-Supra Legem [313] et partielle de Case Law Analytics, les applications de justice prédictive utilisent essentiellement, pour leur moteur de recherche et l’analyse des décisions, des systèmes fondés sur les chaînes de caractères et les expressions régulières (regex), dont le précurseur en France sont les cartouches ex-Luxid (devenues Cognito Discover) de la société Expert System, ex-Temis [314], dont nous avons parlé plus haut.

Selon les consultants de Sopra Steria, dans le rapport précité d’octobre 2020 rendu par le Conseil national des barreaux (CNB), les 12 solutions jugées les plus pertinentes pour les professionnels du droit formés en droit continental sont Predictice (France), Case Law Analytics (France), Jurisdata Analytics (France), Legalmetrics (France), Tirant Analytics (Espagne), Lex Machina (USA), Ross Intelligence (USA), MaitreData (France), Predilex (France), Juge Robot (Estonie), Ravel Law (USA) et Jurimetria (Espagne). Deux autres legal techs, Doctrine et JuriPredis, « n’apparaissent pas comme des acteurs de la jurimétrie telle que définie dans cette étude » mais « fournissent des prestations qui en constituent des briques élémentaires » [315].

Voyons maintenant les produits français un par un.

Les expérimentations des pouvoirs publics : DataJust (projet abandonné), détection des contentieux similaires (CE) et des décisions divergentes (Cass.) (projets en cours)

L’expérimentation DataJust avait débuté en 2020 pour passer au crible la jurisprudence en matière de préjudices corporels afin d’établir un référentiel de l’indemnisation à laquelle les victimes peuvent prétendre.

Mais elle a fâché les avocats. Et surtout, elle a échoué. Et a été officieusement abandonné le 13 janvier 2022.

Selon Acteurs publics, « la base de données sur laquelle l’algorithme était entraîné était biaisée car incomplète, en l’absence des décisions de première instance notamment. Surtout, le préjudice corporel est lui-même intrinsèquement très compliqué, avec 40 dimensions à prendre en compte, et la mobilisation de moyens [notamment pour étudier et prévenir les biais algorithmiques, ndlr] était trop conséquente pour atteindre un niveau de performance indiscutable. » [316]. Pour plus de détails, voir notre billet Datajust : un traitement de données (abandonné) pour élaborer un algorithme en matière d’indemnisation du préjudice corporel ....

Cet abandon officieux confirme les difficultés mises en exergue plus haut. C’est ennuyeux pour le secteur public, car cela laisse la place aux seuls acteurs privés — dont les juridictions suprêmes n’ont peut-être pas envie de devenir dépendantes.

Toutefois, lors de la plénière d’ouverture des journées Transfodroit 2021 consacrée au potentiel de la donnée appliqué aux domaines du droit et de la justice le 17 décembre 2021, il a été évoqué d’autres projets du secteur public :

  • une expérimentation au Conseil d’Etat d’un algorithme qui détecte dans les conclusions les contentieux similaires (i.e. portant sur la même question de droit). Là encore, le magistrat administratif Marc Clément est à la tâche
  • et un partenariat INRIA Cour de cassation travaille sur la détection des divergences de jurisprudence. Une première étape est de donner un "titre" (au sens que donne la Cour à ce terme, cela signifie un abstract) faisant sens à chaque décision (pour pouvoir ensuite comparer ces "titres") : le projet en est là.

Predictice

Créé en 2016 par le jeune avocat Louis Larret-Chahine, Predictice est un outil d’aide à la décision à destination des professionnels du droit et des assureurs [317]. Dans une première étape, il permet d’accéder à la jurisprudence via [318] :

  • un moteur de recherche en langage naturel utilisant des technologies d’analyse syntaxiques simples mais aussi les opérateurs booléens classiques [319], ce qui est un plus pour les spécialistes de la recherche (et pas seulement les documentalistes)
  • des filtres : juridictions, chef de demande dans le dispositif de la décision, s’il a été accepté ou refusé, montant alloué, type de solution (confirmation, infirmation, partielle ou pas), base légale/texte cité. Certains filtres sont spécifiques à une matière, comme ceux du salaire brut et de l’ancienneté du salarié en matière de licenciement
  • une fois arrivé sur une décision, des suggestions de décisions similaires.

Une fois les résultats atteints, la deuxième étape est l’analyse statistique du contentieux (dite "prédictive"). On sélectionne un chef de demande parmi ceux trouvés par l’application lors de la recherche — on peut aussi en taper un autre. Un algorithme calcule alors les probabilités de résolution du contentieux, le montant des indemnités potentielles et identifie les moyens de droit ou les faits les plus influents dans les décisions antérieures rendues par les juridictions [320]. La restitution des analyses se fait sous forme graphique ou statistiques. L’application utilise des technologies de NLP (TAL) simples à base de synonymie et de règles pour chercher dans les décisions de justice, les analyser et extraire les données.

Concrètement, chez Predictice, il s’agit d’abord de lister le type de partie vainqueur et donc de donner un pourcentage de chances de remporter un procès sur un type de contentieux, et de déterminer les montants de dommages-intérêts alloués selon la cour d’appel, sans oublier la répartition des montants (par décile par exemple), le tout cartographié [321]. S’ajoute à ces informations les décisions les plus récentes en votre faveur ou en votre défaveur, celles ayant alloué les dommages-intérêts les plus importants et les moins importants et d’autres statistiques plus détaillées. L’analyse produite est facile à télécharger ou imprimer — et donc à présenter au client ou à la partie adverse, c’est prévu et voulu par Predictice. Les analyses statistiques sont réalisées avec les avocats et juristes partenaires.

Pourtant, sur le terrain et d’après au moins une étude, les avocats semblent utiliser Predictice d’abord et avant tout comme un moteur de recherche de jurisprudence de nouvelle génération — et non comme un outil de justice prédictive. C’est ainsi que Predictice est souvent évoqué par les documentalistes juridiques comme un concurrent de Doctrine et non pas Case Law Analytics. Les limites de Predictice décrites infra confortent cette façon de voir ce produit.

D’abord en pilote auprès de structures partenaires (Orange, AXA, Covéa, Dentons, Solocal, Taylor Wessing), Predictice est commercialisé depuis septembre 2017 [322].

Le test de l’application au sein des deux cours d’appel de Rennes et Douai s’est terminé début octobre 2017 : les magistrats n’ont pas adopté l’outil, estimant que, malgré sa « modernité », il « méritait d’être sensiblement amélioré [323].

En fait, ce que les magistrats testeurs reprochaient à l’application, c’était la non-prise en compte de biais statistiques [324] : « Xavier Ronsin est le premier président de la cour d’appel de Rennes. Ses magistrats ont testé un logiciel (Predictice, pas celui développé à Nantes) pendant quelques mois. Bilan  ? "C’est la déception. Rien ne remplace le regard d’un juge. Le logiciel que nous avons testé n’apporte aucune plus-value dans le travail des magistrats." Xavier Ronsin évoque même des "biais de raisonnement" du logiciel qui se fonde sur des comparaisons de décisions passées, sans forcément en examiner les motivations. »

Il faut lire l’interview de Xavier Ronsin donnée à Dalloz Actualité en 2017 pour mieux comprendre ce que techniquement les magistrats reprochaient à l’outil [325] :

« On se situe plus dans un projet d’approche statistique et quantitative que qualitative. Parfois, les résultats peuvent même être aberrants. Prenons l’exemple d’un calcul d’indemnités de licenciement sans cause réelle et sérieuse. Les montants sont calculés par le juge en mois de salaire. Or le salaire d’un cadre n’est pas le même qu’un ouvrier. Il suffit qu’une décision de justice concerne un cadre pour fausser complètement l’analyse, selon l’affaire ou le bassin d’emplois, et pour que le résultat proposé ne dise rien du cas à résoudre. Il serait plus pertinent de privilégier une approche selon le nombre de mois de salaire alloué, plutôt que savoir si le résultat probable sera de 4 000 ou 8 000 €. [...]
Le logiciel ne s’intéresse qu’au dispositif d’une décision de justice. L’algorithme ne sait pas lire toutes les subtilités de la motivation, surtout lorsque la décision est complexe. »

 [326]

Après deux mois d’utilisation intensive de Predictice, l’avocat geek Frédéric Cuif a fait son bilan [327]. Il apporte d’autres éléments intéressants.

En 2018, le nombre d’abonnés a visiblement cru — sans que la société publie de chiffre. Les assureurs Covéa, Allianz, la Maif et Pacifica sont clients [328]. La page d’accueil du site de Predictice affiche les cabinets d’avocats utilisateurs.

Case Law Analytics

Case Law Analytics (CLA) était en fait, jusqu’en 2017, une recherche interne à l’INRIA (Institut national de recherche en informatique et automatique). Ce n’est qu’en septembre 2017 que CLA est devenu une société. Elle est basée à l’Atlanpole de Nantes et a été sélectionnée par Microsoft pour son programme d’incubation au sein de Station F à Paris. Cet "offshoot" de l’INRIA a été créé à l’origine mi ou fin 2015 par Jacques Lévy Véhel, mathématicien et à l’époque directeur de recherche à l’INRIA [329] et Jérôme Dupré, alors magistrat en disponibilité, et devenu depuis avocat au barreau de Nantes. C’est J. Lévy Véhel qui a créé la société [330] et il est aujourd’hui associé principal [331] — mais d’après lui, Jérôme Dupré continue à jouer un rôle de conseiller.

Sur Case Law Analytics, il n’y avait, jusqu’au printemps 2017, que très peu de choses à lire. La startup était alors très discrète sur le plan médiatique. Le passage au statut de société approchant [332], les publications se sont ensuite succédées [333]. Il s’agissait à l’origine d’une évaluation probabiliste des dommages-intérêts, elle-même découlant de travaux sur les montants des indemnités de licenciement faits pour la préparation de la loi Travail et d’un intérêt personnel du fondateur de CLA pour la quantification des décisions de justice, ayant été lui-même confronté à un contentieux [334]. En 2014, Jacques Lévy Véhel avait initié une collaboration avec le magistrat Jérôme Dupré, autour de la modélisation des prestations compensatoires. Extrait de l’article du Village de la Justice (mars 2017) :

« " Il ne s’agit pas de dire la probabilité d’aller au contentieux mais plutôt d’estimer les sommes d’argent que vous pouvez être condamné à payer dans tel ou tel cas de figure, explique Jérôme Dupré. Nous n’aimons pas l’expression “justice prédictive”, qui est à notre avis trompeuse et parfois même dangereuse. C’est pourquoi nous ne donnons pas un chiffre unique mais une distribution probabiliste des montants de condamnation possibles. Il est difficile de calculer ce risque parce que les aspects procéduraux sont complexes à modéliser pour le moment mais c’est possible dans certains cas. " »

Ensuite, Case Law Analytics a évolué vers un logiciel qui fonctionne pour partie comme un système expert et pour partie comme un outil d’aide à la décision. Mais ses créateurs se fondent moins que Predictice sur la statistique — J. Lévy Véhel refuse notamment de donner des moyennes — et plus sur un système qu’ils qualifient de « juges virtuels ». L’interview de J. Lévy Véhel par Ekipio et celle par le MediaLab de France Télévisions soulignent les points-clés de son produit :

  • Case Law Analytics fonctionnant en partie comme un système expert (voir infra), il ne dépend pas de la disponibilité d’une masse de décisions statistiquement significative et peut donc compenser le manque de magistrats face au nombre de dossiers (une différence fondamentale avec Predictice) [335]. Au moins, lui est clair là-dessus. Au demeurant, en tant que justiciable et juriste en même temps, je ne partage pas complètement son avis : quantité d’affaires qui paraissent basiques, qui selon des juges ne méritent pas qu’on y passe du temps, le mériteraient (il faudrait faire des recherches, en fait et en droit, qui ne sont pas faites [336]) et sont traitées par dessus la jambe. Là-dessus (pour les particuliers justiciables de base), la justice prédictive, selon moi, ne permettra en effet que de gagner du temps — rien d’autre
  • comme Louis Larret-Chahine de Predictice, J. Lévy Véhel dit ne pas croire pas au danger d’uniformisation de la jurisprudence. Pour lui, son logiciel est un outil d’aide à la décision. Entre parenthèses, questionné par un de ses interviewers, J. Lévy Véhel reconnaît qu’il faut « un peu de formation » pour les justiciables et recommande une formation de base en mathématiques et statistiques pour les juristes, ce qui montre l’importance — et la difficulté relative — d’interpréter les résultats des applications de justice prédictive
  • CLA ne travaille que sur un nombre limité de domaines du droit, relativement étroits et homogènes. Par opposition, Predictice est un généraliste. CLA se limite actuellement (fin 2018) à une quinzaine de domaines : rupture brutale des relations commerciales, marchés publics, abus de position dominante , baux commerciaux, licenciement sans cause réelle et sérieuse, opérations d’initiés (droit boursier). Les manquements d’initiés sont un domaine où les décisions sont très peu nombreuses (on parle d’environ 230 décisions à fin novembre 2018), ce qui illustre assez bien le côté système expert. Idem pour la rupture brutale : 2200 décisions environ. CLA ne peut pas travailler sur un dossier exceptionnel, en revanche
  • les techniques et étapes utilisées : dans un premier temps, J. Lévy Véhel et son équipe font parler « un grand nombre de magistrats et d’avocats spécialistes du domaine pour établir l’ensemble des critères intervenant dans la prise de décision » (entre 20 et 120) et le raisonnement utilisés par les juges pour trancher. Ça, c’est une technique d’IA à l’ancienne : c’est du logiciel expert (cf supra). Et cela permet à CLA de dire qu’ils offrent des « juges virtuels ». Un « référentiel » plutôt, en réalité, pour reprendre un autre terme utilisé par J. Lévy Véhel.
    Dans un deuxième temps, CLA constitue une base de données de décisions de justice sur le sujet (peu d’IA là-dedans). J. Lévy Véhel : « Nous utilisons bien sûr des outils de traitement du langage naturel, pour retrouver automatiquement certains critères, mais une partie du travail est effectuée manuellement, par des humains. »
    Dans un troisième temps, en utilisant les critères dégagés à l’étape 1 et les données regroupées dans l’étape 2, CLA "apprend" à la machine à s’approcher d’un raisonnement de juge. En clair, la troisième étape consiste à créer un logiciel ad hoc qui va se nourrir de cette jurisprudence codifiée pour repérer les zones dans les arrêts où se trouvent les critères de décision des juges et modéliser la prise de décision d’un juge dans ce type d’affaires. J. Lévy Véhel : « Nous faisons appel, sans a priori, à toutes les techniques d’apprentissage automatique à notre disposition. Il peut s’agir de réseaux de neurones, de forêts aléatoires, de machines à vecteurs de support, de réseaux bayésiens ... Nous choisissons ceux qui nous semblent efficaces dans le cas de figure et nous construisons un logiciel unique à partir de là. » La voilà, l’IA.
    Mais cette IA est limitée (moins toutefois que chez les autres acteurs de la legal tech) parce qu’il semble, d’après des informations concordantes, que CLA utilise également des analystes pour découper les décisions et les qualifier/indexer. Un travail proche de ce que faisait (et fait encore) Juris-Data (LexisNexis) depuis les années 80 (voir infra "Deux prédécesseurs ..."). Autrement dit : il semblerait que pour l’instant, le "NLP à la sauce ML" ne marche pas (ou peu) sur la jurisprudence française.
    Enfin, après que l’utilisateur ait choisi dans l’interface ses réponses aux critères (ses paramètres en quelque sorte), CLA sort un éventail de décisions et de dommages-intérêts représentatifs [337]. Plus précisément, « Case Law Analytics n’ambitionne pas de produire un seul jugement, mais une palette des décisions possibles ». Comme l’explique J. Lévy Véhel : « J’entraîne dans ma machine 100 juges virtuels. Ces 100 juges vont chacun prendre une décision et l’ensemble de ces 100 jugements ne reflètent ni plus ni moins que les décisions qui seraient prises à la cour d’appel de Paris à tel moment, sur tel dossier. » La fiabilité des résultats, selon le mathématicien, « oscille entre 85 % et 95 % » [338].
    Clairement, à travers ces techniques et les propos de J. Lévy Véhel, CLA se positionne comme de la "justice prédictive" haute couture, pas du prêt-à-porter. Case Law Analytics n’est pas un éditeur de logiciel mais une sorte de SSII vendant ce qui s’apparente en réalité à des développements spécifiques. Pour citer J. Lévy Véhel : CLA travaille « au cas par cas »
  • CLA n’offre pas de moteur de recherche de décisions, une fonctionnalité pourtant présente chez tous les autres acteurs de la justice prédictive, particulièrement Predictice. CLA fournit juste les n° RG d’une sélection de décisions représentatives, à titre d’illustration, avec pour chacune (depuis 2020) un lien vers le texte intégral sur Dalloz Avocats (mais cela suppose d’y être abonné) [339]
  • CLA n’a pas accès aux arrêts hors des bases CASS, INCA et JuriCA, sauf décisions inédites fournies par ses partenaires (situation très similaire à celle de Predictice). Pas de jugements de première instance pour l’instant
  • J. Lévy Véhel refuse de se ranger dans la course à la taille. Pour lui, un échantillon de 1500 décisions (isolées dans une base beaucoup plus grande, cf étape 1) suffisent à la machine pour "apprendre". En même temps, les 2000 arrêts rendus par la CA de Paris depuis 2012 sur la rupture brutale des relations commerciales sont insuffisantes : c’est notamment pour surmonter cela que CLA utilise sa technique dite de "juge virtuel"
  • CLA refuse de profiler les juges et les avocats. Elle anonymise leurs noms dans les décisions. Et comme Predictice, J. Lévy Vehel et son associé J. Dupré refusent de travailler sur le contentieux pénal.

Pour à la fois voir une démonstration du produit et avoir une idée très concrète des débats entre avocats et entre une partie et son avocat que ce produit peut entraîner, il faut vraiment regarder cette vidéo (6 juillet 2021) : Présentation de Case Law Analytics : cas concrets et retour d’expérience par Sonia Koutchouk, avocate (en matière de prestation compensatoire et d’indemnité de licenciement).

J. Lévy Vehel mène une politique de pédagogie scientifique et de formation, intervenant à l’EFB, à l’ENM, dans plusieurs universités, au barreau entrepreneurial de Paris, au barreau des Hauts de Seine et dans de nombreux colloques sur l’intelligence artificielle dans le domaine du droit.

Actuellement (décembre 2020), Case Law Analytics propose les modules suivants : Harcèlement moral, Rupture brutale des relations commerciales établies, Concurrence déloyale, Ententes, Franchise, Manquement d’initié, Sanctions disciplinaires, Marché public de travaux, Préjudice corporel, Trouble de jouissance, Trouble anormal du voisinage, Contrefaçon de marques. Début 2021, de nouveaux modules devraient être disponibles : Circonstances vexatoires, Licenciement nul, Préjudice d’anxiété, Marchés publics de travaux, Rupture du contrat d’agent commercial, Contrefaçon de dessins et modèles.

Pour une présentation expresse mais sans erreur, regardez la vidéo de tediprod (technologie, droit et innovation). L’auteur de la vidéo, Arthur Sauzé, avocat et consultant legal tech (Tedi Legal), liste les limites de l’outil Case Law Analytics — limites découlant de ses qualités — :

  • il faut être praticien dans le domaine interrogé pour interpréter les résultats. Autrement dit, ce n’est pas un outil pour particulier ou TPE
  • le design du rapport produit à la fin pourrait être amélioré
  • enfin, c’est un outil complexe, avec un peu trop de clics.

L’étude précitée (non rendue publique) confiée par le CNB à Sopra Steria Next sur les legal tech du domaine de la jurimétrie énonce que « seule une solution, portée par Case Law Analytics, nous semble présenter les caractéristiques d’une technologie de rupture en ce qu’elle répond à un concept de justice simulative, lequel concept est infiniment préférable à tout autre (à l’exception, sans doute, de celui de "jurimétrie") en raison de son exactitude technologique et de ses résultats concrets » [340].

Pour ma part, j’’ajouterai que c’est un outil rigoureux, scientifique et par conséquent nuancé — autrement dit, CLA ne se survend pas, une qualité rare dans le secteur des legal tech. Son aspect mathématique peut toutefois le rendre difficile à comprendre et appréhender par les juristes, dont le cursus est massivement littéraire et non scientifique. Il faut l’utiliser comme un outil de simulation pour savoir combien on demande en indemnisation, particulièrement en MARL, et non pas comme moteur de recherche de jurisprudence. On fait varier un paramètre et on voit ce qui se passe.

En novembre 2017, le cabinet d’avocats (spécialisé en droit social) Clichy Grangé a annoncé s’être équipé de l’outil Case Law Analytics [341]. Autres clients selon CLA : le cabinet d’avocats Quinn Emanuel, la direction juridique de SNCF Réseau et les assureurs Axa Protection juridique et Allianz. D’autres utilisateurs sont listés sur la page d’accueil du site de CLA.

Comme chez Predictice, les abonnements ont semble-t-il cru — là aussi sans chiffres publiés.

Au vu de ses particularités, CLA mérite donc plus que les autres applications de justice prédictive le qualificatif d’IA.

Legalmetrics (Lexbase)

Legalmetrics, sorti à l’été 2018, utilise le fonds jurisprudentiel de l’éditeur juridique Lexbase. A partir du nom d’une société, il affiche un camembert avec les divers types de contentieux qui l’ont concernée. Il s’agit en fait de notions juridiques directement reliées aux tables du Bulletin des arrêts civils de la Cour de cassation. Cliquer sur les tranches amène ensuite aux décisions.

La démarche est certes innovatrice et apprend à l’utilisateur quelque chose d’impossible à trouver/déduire avec les bases traditionnelles de jurisprudence, mais on aimerait voir l’éditeur aller plus loin dans l’analyse du contentieux et proposer d’autres fonctionnalités. Legalmetrics laisse l’impression d’un POC ("proof of concept").

Peu d’IA et pas de justice prédictive là dedans, donc.

Du machine learning en revanche est apparu en 2021 dans le moteur de recherche de la plateforme standard de l’éditeur, Lexbase. On le voit bien avec la synonymie automatique à laquelle il procède pour interpréter et "améliorer" la requête. Déjà en 2020, Lexbase avait implémenté le "NLP à la sauce ML" pour procéder à la pseudonymisation et au découpage des décisions. Ces points, et l’importance de leurs fonds de jurisprudence dans leurs deux offres, font de Lexbase et Doctrine.fr des concurrents plus véritables selon nous que Predictice et Doctrine.

Deux prédécesseurs : Jurisprudence chiffrée et Données quantifiées Juris-Data

C’est quelque chose que l’éditeur juridique Francis Lefebvre avait déjà approché avec son produit Jurisprudence chiffrée fondé sur les faits et chiffres présents dans les arrêts de cour d’appel de la base JuriCA. Jurisprudence chiffrée trouve depuis 2010 des arrêts de cour d’appel correspondants aux critères exacts donnés et le montant des dommages-intérêts. Par exemple, à partir de la profession et l’ancienneté, Jurisprudence chiffrée donne le montant des dommages-intérêts pour licenciement sans cause réelle et sérieuse [342]. Jurisprudence chiffrée utilise un programme qui identifie les zones des arrêts d’appel riches en information de type juridiction, adresse, profession, âge, ancienneté, montant des indemnités etc., isole ces informations et permet de mener une recherche d’arrêts très rigoureuse par ces critères combinés. Mais à l’époque de sa conception, les avancées du machine learning commençaient à peine, il est donc peu probable que Jurisprudence chiffrée utilise le ML [343]. En revanche, il y a un travail fin sur le langage naturel, à base de cartouches de langage d’Expert System (ex-Temis, cf supra).

Jurisprudence chiffrée est un outil de traitement du langage naturel (TAL). A ce titre, il a été le précurseur.

Interface de recherche de l’application Jurisprudence chiffrée en matière d’indemnité d’éviction (baux commerciaux)

La base (et ouvrage) rivale de LexisNexis Contentieux de l’indemnisation devenue JurisData Analytics (et accessible par l’onglet Pratique & Outils de Lexis360, mais non comprise dans l’abonnement standard à Lexis360) est elle, en revanche, faite "à la main" et sans TAL/NLP, ce qui permet tout au plus de la ranger dans la catégorie analyse prédictive (les résultats sont présentés sous une forme assez dans le style "tableau de bord") mais pas dans celle de l’IA [344]. Fondée sur une conception de l’informatique juridique datant des années 60, elle est nourrie avec une sélection d’arrêts d’appel "épluchés" pour leurs données et provenant de la base Juris-Data [345], soit 50 000 arrêts à novembre 2017 [346]. Tout comme Jurisprudence chiffrée, elle ne traite que certains thèmes : licenciement, rupture de bail commercial, pension alimentaire et prestation compensatoire ...

Doctrine.fr

Doctrine.fr, malgré son nom, ne contient pas de doctrine, mais des liens (très nombreux) vers des actualités gratuites des éditeurs juridiques (EFL Actualités, Dalloz Actualité, site de la Gazette du Palais, LegalNews ...), vers des billets de blogs juridiques (celui du professeur Dondero y est en bonne place) et vers quelques sites de définitions (le Dictionnaire de droit privé de Serge Braudo) ou de synthèse (Open Dalloz). En matière de doctrine (et encore, Dalloz.fr mis à part, je parlerais plutôt d’actualités), c’est donc un métamoteur. Pour le reste et pour l’essentiel, c’est une base de données de jurisprudence brute qui a récemment perdu son avance en termes de contenu [347].

De même, Doctrine.fr n’appartient pas au champ de la justice dite prédictive. La raison pour laquelle elle est fréquemment citée dans ce champ lexical, c’est, selon le rapport Outils de "justice prédictive" de la Mission de recherche Droit & justice « qu’ils se conçoivent eux-mêmes comme des concurrents [de Predictice] en lutte sur un même marché et qu’ils sont considérés comme tels par leurs potentiels clients » [348].

Ses apports sont ailleurs :

  • d’abord, proposer un moteur de recherche de jurisprudence extrêmement simple à utiliser et extrêmement rapide (dit "search-as-you-type") [349]. Le "learning curve" (délai d’apprentissage) est quasiment nul. Certes, construire une plateforme et un moteur "from scratch" aide beaucoup ici. Il n’empêche : les éditeurs juridiques traditionnels feraient bien d’en prendre de la graine et certains ont déjà adopté la technologie plébiscitée du type-as-you-search [350]
  • également, le moteur personnalise les résultats en fonction du profil de l’utilisateur (recherches déjà effectuées, résultats visualisés), en agissant sur leur tri [351]
  • ensuite, utiliser le machine learning pour pseudonymiser les décisions de justice, pour les classer par matière suite à une recherche (voir la colonne de gauche) et pour aider à sélectionner les documents à envoyer dans les alertes email. Le NLP à la "sauce" ML semble (2021) peu utilisé directement pour la recherche elle-même, mais plus pour classer automatiquement les décisions de justice par domaine du droit — le résultat est pertinent — et les découper (date, numéro, motifs, dispositif etc.) [352], ce qui aide à affiner les résultats de la recherche. Il est également utilisé par Doctrine.fr pour pseudonymiser (anonymiser disait-on avant le RGPD) les décisions, c’est-à-dire remplacer les noms de parties personnes physiques par des lettres majuscules comme A..., B...
  • le "business analytics", version "legal" : Doctrine.fr lie les entreprises (définies par leur numéro RCS) à leur fiche RCS, lie les décisions sur les entreprises aux avocats qui ont travaillé sur l’affaire et présente des statistiques à partir de cela. Il est possible que le repérage des noms des avocats utilise du machine learning, mais fondamentalement, les champs Parties (retirés depuis quelques années [353] mais bien présents auparavant) et texte intégral des bases de données actuelles de jurisprudence permettent déjà d’établir ce type de liens [354], certes de manière nettement moins pratique
  • enfin, une fonctionnalité inédite jusque-là (mais rapidement imitée par Predictice avec Scan puis Lexbase avec Lextract et enfin Lamyline avec Lamylink) dans la legal tech et l’édition juridique : Document Analyzer [355] (voir aussi la vidéo de démonstration rapide sur le site de Doctrine). Les algorithmes de Doctrine analysent le texte des conclusions (chaînes de caractère), identifient (en faisant appel à leur base de jurisprudence et textes officiels) les sources de droit citées dans ce document et créent les liens hypertextes vers ces sources. Le nombre de commentaires répertoriés par Doctrine permet de classer les décisions de justice par importance. Cette fonctionnalité Analyzer plaît semble-t-il beaucoup aux stagiaires et jeunes collaborateurs à qui elle fait économiser beaucoup de temps de recherche. Elle a été très rapidement reproduite par Predictice puis Lexbase. Ce qui montre à la fois que c’est une idée intelligente et une nouveauté très demandée mais aussi que ce n’est pas une révolution technologique. Par ailleurs, on peut s’interroger sur les aspects RGPD du traitement informatisé des conclusions lorsqu’elles contiennent des noms de personnes physiques. Il est à espérer que ces noms et autres informations indirectement nominatives sont expurgées au début même du "process". Par ailleurs, des avocats se demandent s’il y a des questions de protection de la confidentialité du dossier du client (liée au devoir de secret professionnel de l’avocat [356]) à se poser sur le transfert à un tiers autre que les juridictions de documents faisant partie de la procédure [357].

Pour l’instant, le moteur de Doctrine.fr fonctionne donc essentiellement comme un "full text" amélioré au ML [358] à réponse quasi-instantanée. Et l’application n’appartient pas au segment de la justice prédictive. Même s’il utilise des technologies d’IA, il est donc difficile de qualifier l’ensemble d’IA au sens où le coeur du système, le moteur de recherche semble en utiliser peu.

JuriPredis

JuriPredis (aussi écrit Juri’predis), lancé officiellement en octobre 2018, est un moteur de recherche de jurisprudence sur le fonds Legifrance (bases CASS, INCA, CAPP, JADE, CONSTIT : autrement dit la Cour de cassation, le Conseil d’Etat et les cours administratives d’appel), la base de cours d’appel payante JuriCA et depuis mars 2020 le TUE (ex-TPICE) et la CJUE (fonds de jurisprudence d’EUR-Lex).

Il utilise, selon nos tests, un moteur de recherche capable, sur certaines requêtes, de très bien "ranker" les arrêts, et de moins bien "comprendre" la requête de l’utilisateur sur d’autres [359]. NLP à la sauce ML ou bons vieux systèmes à base de chaînes de caractères ? Au vu des informations disponibles, le second cas.

Selon l’interview donnée à BFM TV en octobre 2018 par son fondateur le professeur Frédéric Rouvière, de l’Université d’Aix-Marseille, spécialiste de droit civil et de théorie du droit, JuriPredis veut faciliter la recherche par mots-clés, « limiter les déchets dans la recherche ». Ce nouveau moteur de recherche de jurisprudence ne va pas pour l’instant vers le prédictif (proposer des statistiques ou des solutions), mais s’y intéresse quand même.

Le financement initial est probablement venu de l’incubateur du Barreau de Marseille, cité sur la page partenaires du site de JuriPredis. Ce soutien financier supposant une forte approbation du projet par le Barreau local. Après 7 mois seulement de développement, JuriPredis était déjà en mode commercialisation en novembre 2018 (abonnement et "marque grise") [360].

La marque "born South" est décidément très nette sur cette application. En sus des traits déjà notés (ses créateurs, son incubateur), Juri’Predis « annonce être soutenue par une vingtaine de cabinets, à 90 % implantés en Provence Alpes Côte d’Azur ». Les tests et l’évaluation initiale pourraient bien être l’oeuvre des 10 juristes du cabinet aixois LexCausa voire d’autres ayant adopté le moteur. Et les chercheurs en droit de l’Université d’Aix-Marseille ont visiblement aidé. Et l’article (assez promotionnel vu l’insistance sur les termes "IA" et "machine learning") précité de la Tribune n’est pas publié par la Tribune tout court mais pas son édition locale Provence Alpes Côte d’Azur et sur une URL dédiée marseille.latribune.fr.

Les tarifs sont publics — jusqu’à 5 utilisateurs. Fait notable, car cela devient de plus en plus rare dans l’édition juridique.

En résumé, au vu du sujet et de l’angle d’attaque de cette étude, JuriPredis, c’est un tout petit peu d’IA (dans le moteur) — et encore, à l’ancienne — mais pas de justice prédictive.

Dernier né, Justice.cool

La conciliation ou médiation étant devenue obligatoire depuis le 1er janvier 2020 pour la grande majorité des litiges de moins de 5000 euros et les conflits de voisinage (loi de réforme de la justice du 23 mars 2019 et son décret d’application du 11 décembre [361]), se lance le premier site de médiation en ligne français assisté, selon eux-mêmes, par l’intelligence artificielle : Justice.cool [362]. Il a été créé par le Français qui a lancé en 2016 le site RefundMyTicket (réclamation automatisée d’indemnisation pour retard d’avion important), toutefois par le biais d’une société distincte et dont le siège est à une adresse différente (Europe Médiation SAS, créée le 31 décembre 2019, pour Justice.cool, et Claim Assistance pour Refundmyticket). Soyons clair : en matière de plateforme de médiation en ligne française, ce n’est pas le premier site. Mais en terme de plateforme de médiation avec assistance par l’IA, ça semble bien être le premier. Le fondateur, Romain Drosne en est à sa quatrième entreprise, après dix-sept ans dans le marketing digital.

Le modèle d’affaires (cf la FAQ du site) s’inspire de celui de RefundMyTicket et va au-delà :

  • ils ne prennent en médiation un dossier que :
    • en dessous de 5000 euros
    • pour l’instant, uniquement en droit des transports (retard ou annulation d’hôtel ou de vol, donc proche de RefundMyTicket) ou en droit du travail (licenciement, modification du contrat de travail)
    • et si vous avez plus de chances d’arriver à un accord que d’échouer. Attention, le site ne dit pas que cet accord sera forcément à votre avantage. A vous de vérifier si l’accord vous convient avant d’accepter
  • les frais (forfaitaires) sont de 36 euros et sont remboursés si vous ne trouvez pas un accord avec la partie adverse sous 60 jours
  • en cas d’échec de la médiation, et selon votre score, le site propose de continuer les démarches en justice avec l’un de leurs avocats partenaires. Justice.cool avance alors les frais de justice, mais prend une commission de succès de 25% TTC.

A propos de leur technologie, voici ce que dit l’article 5.3 de leurs conditions générales d’utilisation (CGU) et leur page Indicateurs :

  • sur les chances de succès (le "Score") :
    « L’algorithme qui permet d’établir ce score repose sur deux approches statistiques conjuguées :
    La première s’appuie sur une approche de modélisation manuelle élaborée par nos juristes, nos partenaires avocats et universitaires.
    La seconde résulte d’un traitement par apprentissage automatique (Machine Learning) qui compare les faits présentés à une base de données de 1,8 million de décisions de Justice.
    Ce score est ensuite présenté de plusieurs façons :
    Un score par demande qui indique au demandeur le nombre de décisions similaires qui ont fait droit à sa demande
    Le score global qui représente la moyenne des scores de l’ensemble des demandes effectuées par le demandeur. »
    « Une fois le Litige enregistré et l’Opposant identifié par le Demandeur, celui-ci obtiendra un Score. [...]
    Le Score tient compte des éléments fournis par le Demandeur relativement au Litige, de la réglementation en vigueur et des décisions de justice rendues dans des situations présentant des éléments de similitudes avec les faits tels que rapportés par l’Utilisateur.
    D’une part, le Score est calculé grâce à un système expert de modélisation de la loi, élaboré par une équipe de juristes, d’ingénieurs et et d’avocats. D’autre part, le Score est pondéré par un algorithme d’apprentissage automatique, dit "Machine Learning", qui se fonde sur une analyse par similarité d’un nombre significatif de décisions de justice rendues par différentes juridictions. [...]
    Le Score de Justice.cool n’est pas une décision de justice, ni conseil juridique ou une décision de médiation. Le Score de Justice.cool ne prétend pas à l’exhaustivité : il reflète une analyse statistique de la situation par rapport à la loi et à la jurisprudence et ne présume pas de l’issue réelle d’un litige. Ce Score doit être utilisé en bonne intelligence par les Utilisateurs, comme un indicateur et ne lie ni Justice.cool ni les Utilisateurs. »
  • sur l’estimation des dommages-intérêts :
    « Les évaluations présentées tout au long du processus résultent, tout comme pour le score, d’une approche conjuguée :
    d’algorithmes manuellement définis par nos juristes et par nos partenaires avocats et universitaires sur la base des calculs établis par les textes de lois (codes, conventions collectives, réglementations, accords d’entreprises etc.)
    d’une approche comparée à la jurisprudence dans laquelle un traitement par apprentissage automatique (Machine Learning) est appliqué pour comparer le cas décrit à l’ensemble de la jurisprudence disponible (1,8 million de décisions de Justice). »

Il serait intéressant de savoir qui sont les juristes et avocats de l’équipe et d’en apprendre un peu plus sur l’algorithme utilisé (protégé par le secret des affaires, dixit les CGU) ainsi que sur le fonds de 1,8 millions de décisions de justice sur lesquelles s’appuie la startup. En effet, il existe peu de décisions de première instance disponibles et parmi les petits litiges, peu vont en appel.

Il y a d’autres plateformes de médiation en ligne françaises mais aucune autre assistée par de l’IA : Marcel Médiation, CMAP (en cours), Litiges.fr, Le Médiateur de la Consommation (Médiation Service).

Par ailleurs, certaines plateformes de médiation en ligne très utilisées sont en fait des services annexes de grands sites de commerce électronique : Ebay, Paypal, Amazon notamment. Elles peuvent intégrerhttps://www.juripredis.com/fr/blog/... des fonctionnalités de type IA [363].

Supra Legem, l’IA gratuite de droit public

Seule application de "justice prédictive" (en fait, on vient de le voir, de recherche fine et d’aide à la décision) à proposer une démo grandeur nature, qui plus est gratuite, Supra Legem (le site a été mis hors ligne), développée par l’avocat fiscaliste, programmeur et data scientist Michael Benesty avec l’aide d’un ami ingénieur machine learning (travaillant incidemment chez Google) [364], aidait à améliorer la pertinence et la rapidité des recherches, identifier un revirement de jurisprudence, identifier les moyens de l’administration qui n’ont pas fonctionné, identifier des tendances de certaines chambres, voire prédire des revirements de jurisprudence du Conseil d’Etat [365]. A lire absolument pour plus de précisions sur le projet Supra Legem et de manière générale sur les applications de justice prédictive, le compte-rendu que M. Benesty en a fait au Journal of Open Access to Law (JOAL) début 2017 [366].

Pour autant, les déductions qu’on pouvait tirer des analyses des statistiques présentées par Supra Legem doivent être prises avec des pincettes, comme l’a montré un vif débat lors du lancement de l’application et des premiers articles écrits sur elle.

À noter qu’un de mes contacts estime que le machine learning en droit a beaucoup d’avenir si le deep learning non supervisé y perce. Et ce, même sur des marchés juridiques en régression comme le marché français. Imaginons par exemple que les algorithmes de deep learning arrivent à détecter des similitudes ("patterns") indépendantes de la langue et entre les documents juridiques allemands (un marché en meilleure santé) et français : les recherches entreprises sur le droit allemand — un marché bien plus rentable que le droit français — seraient alors transposables et réutilisables en droit français ...

On remarque que les éditeurs juridiques français traditionnels (groupe ELS avec Francis Lefebvre, Dalloz et Editions Législatives, Lexbase, LexisNexis SA, Wolters Kluwer France, Lextenso) ne proposent pas de produit incorporant du machine learning. Pour certains, je dirais : pas encore, mais je serais surpris que cela tarde [367] D’autant que ce sont les éditeurs qui détiennent le commentaire de la jurisprudence (dit aussi doctrine). Or en droit français, la donnée qui relie entre elles et permet de comprendre les décisions de justice, c’est la doctrine. Alors qu’en pays de "common law", le "case law" (jurisprudence) contient ses propres liens et son propre commentaire. En effet, le principe du "stare decisis" impose au juge anglo-saxon de citer les précédents pertinents et les juges des cours donnent leur "opinion" — autrement dit, ils commentent leur propre décision, chose impensable en France [368].

Arbitrage international

A noter que l’arbitrage international est en train d’attirer les regards du secteur :

  • le français Case Law Analytics a embauché fin 2019 une experte en droit international avec une spécialisation en arbitrage pour « de nouveaux modules »
  • ArbiLex, une legal tech américaine incubée au Harvard Innovation Lab et utilisant un machine learning bayésien, se prépare début 2020 à se lancer [369]
  • la legal tech française Jus Mundi, sans correspondre exactement à la définition de l’IA, s’est lancé à l’automne 2018 sur le secteur du droit international (traités, règlements d’arbitrage, sentences arbitrales) en commençant par l’arbitrage international d’investissement (CIRDI etc.).

L’IA et les textes officiels

Legal tech d’avant les legal tech, créée en 2009, l’éditeur juridique et SSII éditoriale Luxia est le créateur de la base de données Alinea by Luxia, qui avec une licence Legifrance, reprend textes officiels et jurisprudence, améliore la présentation ("time lines" notamment), la recherche et propose de la veille.

Luxia a lancé en janvier 2019 RegMind, une application qui fait de la veille automatisée en droit bancaire et financier (français et européen) à destination des banques et cabinets d’avocats [370]. Elle consolide automatiquement les textes, colorise les modifications (une fonctionnalité historique d’Alinea by Luxia) [371] et les lie entre eux [372], y compris des autorités de régulation, signale les modifications (à travers une visualisation graphique sous forme d’arbre) et facilite leur suivi par les juristes, dans un domaine intéressant ici car particulièrement complexe. Jurisprudence et sanctions sont intégrées, dit l’article du Monde du Droit [373]. Luxia n’utilise pas le terme d’IA pour la qualifier et sa présentation n’évoque pas l’utilisation de machine learning [374], mais elle tente bien d’automatiser un processus humain.

Quatre banques – dont Natixis, à l’origine du projet et qui a investi dedans — et un cabinet d’avocats (Allen & Overy) ont collaboré, testé et amélioré RegMind sur deux ans (2017-2019).

Formé par l’informaticien pionnier de l’information juridique publique Robert Mahl qui depuis le Centre de recherches en informatique (CRI) de l’Ecoles Mines a participé à la création du site Adminet, Georges-André Silber, le président fondateur de Luxia, a travaillé avec Christian Le Hir, directeur juridique de Natixis.

RegMind est le premier outil d’IA juridique français portant sur les textes officiels — et non la jurisprudence.

Pourquoi une montée des "IA" en droit ?

Une des raisons du lancement des applications de justice prédictive en France ces dernières années a été conjoncturelle. Elle réside tout simplement dans les promesses d’open data judiciaire des décisions d’appel et de première instance insérées en 2016 dans la loi Lemaire pour une République numérique (articles 12 bis A et 12 bis B nouveaux, devenus après renumérotation articles 20 et 21) par des amendements surprises venus de l’entourage de la secrétaire d’Etat Axelle Lemaire, en charge du projet de loi [375]. Autant dire la promesse d’une abondante matière première gratuite. 2016, c’est le lancement de Doctrine.fr et Predictice ...

Il faut toutefois préciser que ces promesses n’ont été tenues que tardivement : le décret d’application de la loi Lemaire n’a jamais été publié tel qu’on pouvait l’imaginer en 2016, puisque la loi de programmation et de réforme de la justice du 23 mars 2019 [376] a ajouté aux articles 20 et 21 de la loi de 2016. L’article 33 de la loi de 2019 a ajouté que les éléments permettant d’identifier les personnes physiques doivent être occultés (une simple application du RGPD et de la loi Informatique et libertés, entre parenthèses, aurait pu suffire, ce qui souligne les enjeux de la pseudonymisation et l’intensité du débat) et que les noms des professionnels de justice, avocats mis à part, ne doivent être ni cherchables ni traités. Un autre décret (d’application de cette loi de 2019, en réalité) doit donc être pris : un décret sur l’open data des décisions de justice est finalement publié au Journal officiel du 30 juin 2020 [377]. Mais pour que l’open data soit effectif, il faut encore attendre. Pour des raisons notamment d’équipement informatique et logiciel, la Cour de cassation désirant continuer à maîtriser la diffusion des décisions judiciaires. Confirmation dans la tribune de la première présidente Chantal Arens à Dalloz Actualité [378] : « la Cour de cassation pourra effectivement assurer pour 2021-2022 l’accessibilité en open data de ses décisions et des décisions des cours d’appel en matière civile mais la mise à disposition des autres décisions risque d’être reportée à une date très incertaine. »

Ce n’est que fin avril 2021 que le calendrier de l’open data judiciaire est publié par arrêté au JO [379], avec un open data du seul flux des cours d’appel pour avril 2022 et des tribunaux entre 2024 et 2025. Pour les cours d’appel en matière pénale, ce sera le 31 décembre 2025 (voir les détails sur ce blog). Puis fin septembre 2021, le décret n° 2021-1276 du 30 septembre 2021 lance l’open data des décisions (stock et flux) de la Cour de cassation et du Conseil d’Etat [380].

Les raisons de ce retard sont fondamentalement au-delà de la problématique de la pseudonymisation renforcée (ex-anonymisation) amenée par la loi de 2016 (exigence d’« analyse du risque de ré-identification des personnes ») et plus encore celle de 2019 [381]. Elles existaient déjà début 2016 avant la loi Lemaire et sont toujours là [382] :

  • exigence de pseudonymisation découlant de la position de la CNIL, interprétant la loi Informatique et libertés — exigence reprise et renforcée depuis par le RGPD [383]
  • les moyens humains et budgétaires nécessaires dans les juridictions pour pseudonymiser et traiter informatiquement les décisions (sans parler d’écluser les stock d’affaires en retard, plus encore avec les confinements imposés par la pandémie de Covid-19, voir infra) n’existent tout simplement pas
  • sur le plan informatique, rien ne sera ni prêt ni adapté avant longtemps. Même si les data scientists d’Etalab envoyés assister la Cour de cassation ont beaucoup progressé en 2019 dans la pseudonymisation des décisions juridiciaires en utilisant deux librairies de "Named Entity Recognition" (NER) bien connues, spaCy et Zalando Flair [384] : « diminution de 32% du taux d’erreur avec une meilleure utilisation de la connaissance de l’ensemble des données au lieu de simplement travailler au niveau de la phrase ».

Si on se penche maintenant sur les raisons structurelles de la montée des IA en droit, une cause s’impose : les économies — qu’elles soient réalisées ou juste attendues. C’est, avec la rapidité, LE motif mis en avant par le managing partner d’une "small law firm" spécialisée en droit américain des faillites, le premier domaine de Ross.
En droit américain, l’argument des économies de personnel réalisées dans le cabinet d’avocats sent déjà son pesant de marketing. En droit français, qui n’est pas un droit de common law mais un droit écrit et où les recherches de jurisprudence sont à la fois moins cruciales et moins complexes, on ne peut guère avancer cet avantage. Du reste, nous n’avons pas trouvé trace de témoignages en ce sens.
La rapidité pour déterminer les montants moyens ou maximaux des condamnations, en revanche, est souvent invoquée et s’avère fondée. Et le gain de temps qui en découle dans les recherches pour les collaborateurs est un argument souvent entendu et fondé lui aussi.
Enfin, les donneurs d’ordre (banques, assurances, grands groupes industriels) cherchent en permanence à faire des économies sur leurs départements, le juridique comme les autres. Et plus particulièrement sur leurs prestataires (avocats …).

Mais pour l’heure, l’essentiel des économies potentielles est recherchée ailleurs : dans le secteur public. La Justice française a un problème budgétaire criant, reconnu par le ministre de la Justice de 2016, Jean-Jacques Urvoas [385] et régulièrement mise en évidence [386] par des rapports de la Cour des comptes et de la Commission européenne pour l’efficacité de la justice du Conseil de l’Europe (CEPEJ) [387]. Une tribune iconoclaste aux Echos, rédigée par des non juristes (évidemment ...), propose d’ailleurs carrément de confier la justice française à l’intelligence artificielle [388]. Et confirmation le 5 avril 2017 : la proposition n° 48 du rapport de la mission d’information sénatoriale sur le redressement de la justice présidée par Philippe Bas (voir pp. 20, 21 et 36 du dossier de presse) consiste à « mettre les outils de la "justice prédictive" au service du bon fonctionnement de la justice et de la qualité des décisions de justice et prévenir leurs dérives possibles » [389].

La volonté des pouvoirs exécutif et législatif de profiter de la justice prédictive pour compenser le manque de moyens et les retards de la Justice française par la médiation et la transaction est tout aussi claire dans la loi de réforme de la Justice la Justice, où on autorise les services de médiation en ligne et permet même leur certification (facultative) [390]. Si, comme l’écrivaient les Affiches Parisiennes à propos de l’enquête (autodéclarative) 2018 sur les legal tech publiée par Maddyness et les Actualités du droit (Lamy) [391], « le pourcentage des start-up qui proposaient une plateforme de médiation en ligne [fin 2018 était] faible », c’est probablement parce que les investisseurs attendaient ce feu vert officiel. Pour citer les Affiches : « Alors que le projet de loi Justice leur consacre spécifiquement un article, seules 1,6 % [des legal tech] proposent, pour l’heure, un tel service. Le boom aura certainement lieu l’an prochain [en 2020, donc], après le vote de la réforme » [392].

Et en effet, un an après ce constat, c’est le lendemain même de l’entrée en vigueur le 1er janvier 2020 de l’obligation de médiation pour les petits litiges (loi de réforme de la justice du 23 mars 2019), que le site Justice.cool, en fait un site de médiation assisté par IA (cf supra), est lancé [393].

De leur côté, les dirigeants de Case Law Analytics l’assument depuis l’origine : leur produit est taillé pour favoriser les transactions et désengorger les tribunaux [394] :

« Les assureurs sont également des clients, en particulier les assureurs de protection juridique. On a un outil très performant pour les assurés qui ont très rapidement une vision précise du risque et de l’analyse de leur cas. L’objectif premier étant d’éviter le procès et de raccourcir les délais d’indemnisation.
Notre outil va également avoir son rôle à jouer pour favoriser les modes alternatifs de règlement des litiges.
En effet, le nombre de litiges augmente, et il n’y aura pas deux fois plus de juges dans 10 ans et il n’y aura pas 2 fois plus de budget dans 10 ans. En revanche, il y aura beaucoup d’outils qui vont permettre de s’assoir autour d’une table pour décider et négocier sur des bases solides. »

On retrouve le même objectif, affirmé cette fois par Predictice et un assureur, dans un article de l’Argus de l’assurance [395] :

« " Si nous avons un outil prédictif, nous disposons d’un argument supplémentaire pour convaincre les clients de faire un compromis. C’est un outil d’aide à la décision augmentée ", explique Christophe Bardet, directeur général de Covéa PJ. Selon un sondage anonyme réalisé par Predictice auprès de treize de ses utilisateurs, tous déclarent que cette solution leur permet de mieux négocier et de favoriser un mode alternatif de résolution des litiges. »

Le rapport final de la mission de recherche Droit & Justice "Comment le numérique transforme le droit et la justice" (juillet 2019), auquel J. Lévy Véhel a collaboré, propose un volet intitulé "Encadrement juridique des modes algorithmiques d’analyse des décisions" (MAAD), rédigé par Lêmy Godefroy, maître de conférences en droit privé, dont la finalité est clairement exprimée dans le titre de son VI : "La finalité : le règlement des litiges à l’aide des MAAD" [396]. C’est la partie de loin la plus novatrice et la plus audacieuse du document, notamment par ses implications en termes de nombre et de place des juges et des avocats dans la Justice. Et ce, en dépit du caractère facultatif annoncé et des précautions prises par l’auteure pour ne pas totalement enfermer juge et avocat dans la procédure qu’elle propose, mais qui ne tromperont pas un lecteur attentif.

Jugez-en par vous-même : voici les extraits pertinents des règles de procédure proposées :

  • « les MAAD aident à qualifier le litige. Si celui-ci est juridiquement singulier, il est dirigé vers la procédure ordinaire. S’il est juridiquement analogue, il sera orienté vers une procédure dématérialisée spécifique, amiable ou judiciaire. Le concours des MAAD est signalé aux parties qui peuvent exprimer leur refus »
  • « l’assistance et/ou la représentation par avocat n’est pas obligatoire »
  • « dans le règlement amiable, les MAAD fournissent un socle à la discussion entre les parties. Dans le règlement judiciaire, le juge, utilisant les MAAD, établit l’existence d’un droit en faveur de l’une des parties (dommages-intérêts [...]). Toujours aidé des MAAD, il définit le montant à allouer au créancier du droit à réparation »
  • conformément aux art. 5 C. civ. (interdiction des arrêts de règlement) et 455 CPC (obligation de motivation d’après les circonstances particulières du procès) « le juge justifie des raisons de fait et/ou de droit pour lesquelles il rejette ou accueille la demande » [NB : on sent là comme une contradiction, vu le peu de temps qu’ont déjà aujourd’hui les juges pour traiter une affaire. En effet, si on leur achète un tel outil, sera-ce à effectifs égaux et sans augmentation du flux de nouvelles affaires ? Vu le passé, on peut légitimement en douter]
  • « l’orientation procédurale des appels [...] est réalisée de manière dématérialisée par une chambre spéciale attachée à la Cour d’appel. La représentation par avocat est obligatoire. A l’aide des MAAD, cette chambre recherche l’éventuelle singularité juridique du litige. Plus précisément, par comparaison aux résultats fournis par les MAAD, le juge vérifie dans l’énoncé des chefs du jugement critiqués si le litige soulève une question de principe et/ou suscite une évolution de jurisprudence, s’il porte sur une question nouvelle ou inédite ou sur une question non résolue par une jurisprudence établie, s’il renferme une certaine complexité (divergences de jurisprudence, difficultés de qualification juridique des faits, problèmes d’interprétation de la règle applicable, etc.), des problématiques sérieuses ou d’« importance fondamentale ». À l’issue de cet examen, l’appel est soit traité sur la plateforme dématérialisée à l’aide des MAAD, soit soumis à la Cour d’appel selon la procédure ordinaire. »

On voit bien à la lecture de cette proposition de règles procédurales que les outils d’IA reviennent à chaque instant, y compris en appel. Quant au caractère facultatif, il suffira d’évoquer le délai supplémentaire (pour causes budgétaires ...) de la voie procédurale ordinaire pour dissuader les justiciables de l’emprunter.

Enfin, pour en finir avec les raisons structurelles de la montée des "IA" en droit, il ne faut pas oublier :

  • comme évoqué plus haut, les lents mais systématiques progrès de l’informatique, tant des applications (logiciels) que du matériel. Tout simplement — on l’oublie trop souvent
  • et le besoin pour les éditeurs et les legal tech d’obtenir des résultats plus pertinents dans les recherches en ligne par mots-clés, surtout avec des jeunes juristes qui ont de moins en moins la culture de la recherche papier (catalogue, table des matières, index alphabétique). Ce que la pandémie de Covid-19 ne fait que renforcer.

Impact prévisible des "IA" sur les jeunes collaborateurs, stagiaires, paralegals et documentalistes juridiques ?

Avant d’aborder, très concrètement, ce que l’IA modifie actuellement et peut modifier à l’avenir dans le travail des juristes et des administratifs qui travaillent pour eux, il faut revenir sur la définition de l’intelligence artificielle. Là, déjà, on peut calmer les peurs, les fantasmes que déclenche le seul terme d’IA.


Sommaire du livre L’intelligence artificielle et le droit (Larcier, 2017)

Les limites de l’IA faible

On l’a vu plus haut, ce qu’on appelle IA est, à strictement parler, un champ de recherche. Par extension, on qualifie aussi d’IA les produits qui se rangent dans ce champ [397]. On parle bien ici de *recherche* : on n’en est pas à reproduire le fonctionnement d’une intelligence humaine. Un des deux co-fondateurs de l’équipe de recherche en IA de Uber, Gary Marcus, professeur de psychologie à l’Université de New York, le dit clairement [398] : « Il y a tout ce que vous pouvez faire avec le deep learning [...]. Mais ça ne veut pas dire que c’est de l’intelligence. L’intelligence est une variable multi-dimensionnelle. Il y a beaucoup de choses qui rentrent dedans. [...] La véritable IA est plus éloignée que ce que pensent les gens. »

En fait, ce que nous voyons aujourd’hui, c’est ce que les spécialistes de l’IA appellent "week AI" (ou "narrow AI"). Comme l’expliquent Wikipédia et Techopedia, l’IA faible est une intelligence artificielle non-sensible qui se concentre sur une tâche précise. Autrement dit, l’IA faible consiste à imiter une fonction étroite typiquement humaine, comme reconnaître un chat sur une photo floue (reconnaissance de forme/d’image) et de le faire plus rapidement. L’IA faible est définie par contraste avec l’IA forte (une machine dotée de conscience, de sensibilité et d’esprit, tout comme un être humain) ou l’intelligence artificielle générale ou AGI [399] (une machine capable d’appliquer l’intelligence à tout problème plutôt qu’un problème spécifique et douée de conscience). Le point le plus important ici est que tous les systèmes d’IA actuellement existants sont considérés comme des intelligences artificielles faibles.

Pour autant, pour reprendre les mots de l’avocat et expert en IA juridique Thierry Wickers, « ce serait commettre une erreur de raisonnement majeure que de penser que certains secteurs d’activité resteront à l’abri de toute influence de l’IA, tant qu’il n’existera pas une IA "forte" » [400].

Face à l’affirmation récente tant par Mark Zuckerberg que par Shane Legg, le directeur du programme DeepMind de Google, que d’ici 2020 on aura atteint une IA de niveau humain, Melanie Mitchell, professeur d’informatique à l’Université d’Etat de Portland s’inscrit en faux dans le New York Times [401]. Pour elle, ce ne sont pas le machine learning ni les réseaux neuronaux qui parviendront à une réelle compréhension et au simple bon sens des humains [402].

Certains spécialistes du cerveau et de la connaissance estiment même une AGI quasi-impossible. Ainsi, Antonio Damasio, le neuroscientifique directeur du Brain and Creativity Institute à Los Angeles [403], « reste assez sceptique quant à ce qu’on appelle l’"IA forte" » à cause de la part émotionnelle et physiologique en jeu dans le fonctionnement du cerveau et des processus cognitifs de l’être humain [404].

Pierre Lévy écrit, lui : « Aussi bien les journalistes que les auteurs de roman ou de série TV présentent les robots ou l’intelligence artificielle comme capable d’autonomie et de conscience, que ce soit dès maintenant ou dans un futur proche. Cette représentation est à mon avis fausse, mais elle fonctionne très bien parce qu’elle joue ou bien sur la peur d’être éliminé ou asservi par des machines, ou bien sur l’espoir que l’intelligence artificielle va nous aider magiquement à résoudre tous nos problèmes ou – pire – qu’elle représenterait une espèce plus avancée que l’homme. » [405] Il ajoute qu’ « il faut bien constater l’échec théorique de l’IA puisque, malgré la multitude des outils algorithmiques disponibles, l’intelligence artificielle ne peut toujours pas exhiber de modèle convaincant de la cognition. La discipline a prudemment renoncé à simuler l’intelligence dans son intégralité. » [406]

Enfin, selon les mots du célèbre psychologue cognitiviste canadien Steven Pinker dans un magazine américain de vulgarisation scientifique [407] : « On nous a dit de craindre les robots, [mais] le soulèvement des robots est un mythe. [...] [Sa] première fausseté est une confusion entre intelligence et motivation, entre connaissances et désirs, entre inférences et buts, pensée et volonté. »

D’ailleurs, vu les fonctionnalités et performances réelles des produits que nous avons exposées plus haut, il est évident que parler d’intelligence artificielle en droit au sens strict est très exagéré. On devrait plutôt parler des différents types ou niveaux d’IA.

Il faut ajouter à ces limites deux obstacles classiques : la résistance au changement, si tant est que cette résistance ne découle pas d’un manque d’anticipation ... de la résistance (inévitable) ou d’une relation managers-employés brisée [408], et la difficulté des dirigeants à saisir ce qu’une nouvelle technologie peut leur apporter [409]. Enfin, si tant est que cette nouvelle technologie offre un progrès réel ou quelque chose de réellement nouveau (cf infra). On notera par exemple que si le machine learning permet aux investisseurs d’exploiter d’énormes masses de données comme les publications sur les réseaux sociaux, en dépit de ce potentiel, ses performances restent mitigées. L’indice Eurekahedge AI Hedge Fund, qui retrace le rendement de 13 "hedge funds" qui utilisent le machine learning, n’a gagné que 7% par an sur 2013-2017, quand l’indice S&P 500 gagnait 13%. Selon Marcos López de Prado, responsable machine learning chez AQR Capital Management et auteur du livre Advances in Financial Machine Learning (Wiley, 2018), l’un des pièges potentiels des stratégies d’apprentissage automatique est le rapport signal/bruit extrêmement faible sur les marchés financiers. Les algorithmes d’apprentissage automatique identifieront toujours un motif, même s’il n’en existe aucun, dit-il. Les algorithmes sont donc susceptibles d’identifier de fausses stratégies. Il faut une connaissance approfondie des marchés pour appliquer avec succès l’apprentissage automatique aux séries financières [410] (si tant est que ce soit possible, car le professionnel auteur de l’article précité du Financial Times sur la "hype" de l’IA en finance de marché estime qu’en finance, l’IA ne peut pas tirer d’enseignements du passé).

Il y a aussi un débat sur la légalité et l’opportunité de laisser les legal tech investir le marché du droit (principalement celui des avocats mais aussi celui des notaires) et de l’information juridique. Sur ce sujet, je vous renvoie aux articles cités en première partie plus haut. Sur les risques de la justice prédictive, voir infra. On peut aussi citer l’avocate Michèle Bauer [411] :

« Les legaltech ne sont rien sans les avocats [412]. Les services proposés sont la plupart du temps des services dans lesquels sont associés les avocats : rédaction de statuts de société pas chère, demandes de devis, recherche d’un postulant ... »

IA et documentalistes

Les outils d’IA juridique auront un impact sur la recherche — et donc la veille — documentaire juridique : les tâches répétitives et "découpables" en petits morceaux seront robotisées, les autres ne le seront pas. Par exemple, Ross réalise la recherche booléenne et la première analyse des résultats. Selon les termes d’Andrew Arruda [413] (traduction par nos soins) :

« La technologie AI de ROSS remplace le besoin d’utiliser les opérateurs et mots-clés de la recherche booléenne par du langage ordinaire. Si un juriste d’affaires a besoin de connaître la différence entre les deux concepts juridiques "loss" et "recoupment", tout ce dont le juriste a besoin est de demander à ROSS : "Quelle est la différence entre "loss" et "recoupment" ?
Le résultat fourni par le système va au-delà de la simple identification des arrêts pertinents. Au lieu de cela, il attire l’attention du juriste sur les passages clés dans l’affaire qui devrait répondre idéalement à la question posée.
Quand vous posez une question à ROSS sur l’état du droit, vous la posez comme vous le feriez avec un collègue humain. ROSS découpe la phrase pour déterminer le sens de la question, puis conduit la recherche. »

En 2021, grâce à la mise en open source de l’algorithme BERT de Google (et d’autres), le départemens R&D d’un éditeur juridique français s’approchait d’un moteur de recherche aux performances similaires à celles de Google, au sens où il est capable d’afficher en premier le document qui répond à la question.

Autrement dit, les applications de justice prédictives restent des moteurs de recherche (nettement voire très nettement) améliorés et des outils (statistiques) d’aide à la décision. Une seule s’approche d’un système expert. Ce ne sont donc pas de véritables intelligences juridiques globales. Elles ne menacent guère que la fonction recherche — et encore : lisez ce qui suit.

Si on se projette dans environ sept ans [414], plus le travail du documentaliste juridique français procédera, « d’heuristiques pointues pratiquant pour partie un mode intuitif (opérer par rapprochements semi conscients) » [415], plus il aura une conscience d’artisan et d’expert de haut vol (notamment dans la maîtrise des sources méconnues ou mal indexées [416]), et moins au final il aura de chances d’être automatisé.

Mais aussi : plus il travaillera *avec* l’IA. Le documentaliste, le veilleur, le paralegal, le stagiaire juriste, le collaborateur, l’éditeur vérifieront, compléteront et amélioreront le travail de l’IA. Selon Christophe Tricot, expert IA chez Kynapse (son compte Twitter), « le collaborateur qui participe à la création d’une IA va devoir expliciter les règles, ses tâches au quotidien et comment il les aborde, parce que souvent les choses sont cachées ». Se former à l’IA, c’est donc savoir aussi parler de son fonctionnement quotidien, même lorsqu’on n’y prête pas attention et, encore mieux, le formaliser avec des règles. Par exemple : « S’il n’y a plus de papier dans la photocopieuse, alors il faut en remettre dans le tiroir. » Les règles en « si... alors... » (implication logique) sont facilement formalisables en langage informatique [417].

Comme l’écrit de manière futuriste, provocatrice mais pertinente Tyler Cowen, professeur d’économie à la George Mason University et blogueur connu sur Marginal revolution, dans son ouvrage Average is Over (Dutton, 2013, non traduit en français) :

« Les travailleurs se classeront de plus en plus en deux catégories. Les questions clés seront : Savez-vous bien travailler avec des machines intelligentes ou pas ? Vos compétences sont-elles un complément aux compétences de l’ordinateur, ou l’ordinateur fonctionne-t-il mieux sans vous ? Pire : est-ce que vous vous battez contre l’ordinateur ? » (traduction par nos soins)

D’ores et déjà, si l’on en croit les consultants spécialisés dans l’externalisation des services tertiaires, les applications de type RPA (Robotics Process Automation ou automation software) "carburant" au machine learning [418] sont en train de frapper à la porte des bureaux des Indiens, Philippins et autres pays d’externalisation [419].

Dans le secteur de la bibliothèque documentation juridique, en réalité, l’automatisation n’a pas attendu l’IA, le machine learning ni les réseaux neuronaux. Elle a commencé il y a plus de vingt ans, avec le téléchargement des notices de catalogue OCLC et Gallica puis les produits de veille directement destinés aux juristes, comme Dalloz Actualité, PaRR ou Mlex.

Voyons pour le futur.

Côté gestion de bibliothèque, on peut penser au bulletinage des revues électroniques ou au catalogage et à l’indexation et classement matière des ebooks. Encore que cela suppose que les éditeurs juridiques laissent des logiciels étrangers rentrer sur leurs serveurs et dans leurs systèmes — on touche là aux multiples problèmes pratiques et très ras-de-terre que pose l’IA. Les imprimés, c’est nettement moins évident vu leur nature physique.

Côté documentation juridique et open legal data, voici un exemple donné par Jean Gasnault :

« La préparation [des] données est essentielle pour un bon fonctionnement des algorithmes les traitant. Les documentalistes ont une carte à jouer dans cette évolution, en raison de leur compétence spécifique d’enrichissement des données. Cela donne un axe bien identifiable de progression de leurs connaissances : métadonnées, FRBR, normes ELI-ECLI, etc. »

Cela dit, fournir un savoir-faire sans contrepartie [420] n’aurait guère de sens. Il serait prudent de poser des questions sur les utilisations futures des outils de gestion des mails et des tâches et autres "bases de knowledge" et en l’absence de précisions, de savoir garder pour soi ses trucs et techniques de haut-vol.

D’ailleurs, il vaut mieux, pour le professionnel de l’information et le juriste, comme pour leur employeur, garder la connaissance des processus métiers de base mêmes, quand bien même certains — et c’est là toute la contradiction — ne seraient pratiquement plus utilisés. En effet, comme l’explique Sylvain Duranton du Boston Consulting Group (BCG) [421] :

« "Un risque énorme est la perte du savoir-faire métier. Car c’est le savoir-faire qui permet de perfectionner les outils." Un opérateur peut se contenter de suivre les instructions d’une IA sans lui-même savoir comment la perfectionner. C’est à ce moment que son emploi est menacé, pas tellement par l’IA [NB : impossible de ne pas relever ici une certaine hypocrisie, mêlée de réalisme], mais par la baisse du niveau de compétence requis : plus besoin d’être qualifié pour faire son job. »

Puisqu’une partie — à déterminer, car les obstacles sont légion et le plus souvent incontournables — de leur travail est à terme — un terme là aussi à déterminer — automatisable et sera automatisée, une partie croissante du travail des bibliothécaires documentalistes juridiques va consister à détecter, tester, sélectionner et pousser les nouveaux produits des éditeurs et legal tech et les nouvelles techniques de bibliothèque, documentation, recherche documentaire, veille, gestion électronique de documents, gestion des archives et knowledge management. Mais aussi à détecter les prétentions sans fondement dans le discours marketing, autrement dit ce qui ne marche pas. Des qualités de curieux, de découvreur, de testeur, de geek, d’évangélisateur et de créatif devraient devenir beaucoup plus importantes chez les documentalistes juridiques — et peut-être aussi chez les paralegals.

Pour la formation et les recherches — ainsi que les conseils et l’aide à la recherche — je ne vois pas de substitution prochaine, vu que les questions qui sont posées aux documentalistes juridiques sont presque toujours difficiles et très spécifiques. La réalité, c’est que les bibliothécaires documentalistes juridiques interviennent à la demande du juriste, quand il ne s’en sort pas. Ils sont de facto des "super searchers", comme l’ex-"librarian" américaine Reva Basch a qualifié la profession. Certes, les nouveaux moteurs développés par les startups tendent à constituer une base de données des "intentions", domaines de travail et préférences personnelles des utilisateurs avant de traiter leurs requêtes. Mais ces algorithmes ont de nombreux défauts et biais [422] et s’ils fonctionnent (à peu près) correctement, là encore, le documentaliste devra débugguer et former, les mains dans le cambouis.

Les documentalistes juridiques sont des professionnels de la recherche dans les bases de données de jurisprudence. Le plus souvent, dans les cabinets d’avocats, ce sont les documentalistes, et plus rarement les KML et PSL (knowledge management lawyers, practice support lawyers) qui doivent faire les recherches thématiques sur les décisions inédites [423], non sélectionnées [424] et non commentées [425], qui représentent la très grande masse des décisions disponibles dans les bases de données. Les stagiaires, du fait notamment de l’absence de formation dédiée dans les formations universitaires et les BU, sont généralement mal outillés sur le plan méthodologique et pratique face à cette tâche.

Par "déformation professionnelle" ;-) nous sommes très exigeants sur la qualité et l’exhaustivité de la donnée et la performance des outils de recherche. Nous avons une expertise là-dessus, on peut le dire. Les documentalistes juridiques (et les paralegals) ont donc un rôle clé de testeur, d’évaluateur et d’acheteur d’applications de justice prédictive, d’audit de contrats et plus généralement d’IA. Comme l’écrit Dera Nevin, spécialiste de l’"information governance" et de l’"e-discovery" au cabinet Baker McKenzie [426] : « Beaucoup de ces nouvelles technologies nécessiteront un travail humain significatif (souvent non refacturable au client) pour entraîner et gérer les entrées de données et les données produites par ces technologies ; c’est particulièrement vrai du machine learning [...] Il y a souvent des coûts nouveaux (et parfois plus élevés) associés à la technologie qui doivent être pris en compte [...] Les acheteurs de technologie juridique peuvent jouer un rôle critique dans l’amélioration de l’achat de cette technologie en s’assurant que les questions stratégiques sont posées et traitées avant d’être mises sur le marché. »

Il y a encore bien d’autres choses qu’un documentaliste juridique apporte *en plus* d’un robot. Sur ce sujet, voir notre billet Documentaliste : un nouveau métier, de nouveaux noms. Pour ne pas rallonger le présent billet, je me contenterai de (re)citer une bibliothécaire documentaliste juridique américaine [427] :

« L’IA est itérative et continuera à s’améliorer, mais elle ne sait pas grand chose du facteur qu’est le contexte de la question posée ni comment le gérer. Pour que l’IA soit utile dans des recherches complexes (et non juste des recherches sur références bibliographiques) dans la plupart des structures juridiques, j’estime qu’elle aura besoin d’apports significatifs en savoir interne. Il est déjà difficile de faire correctement (voire de faire tout court) du KM. Comment alors allons nous documenter le savoir historique de la structure de manière à ce qu’un robot puisse correctement l’interpréter et l’appliquer ? Ce qui est saisi ne constitue pas réellement la totalité de la requête que l’on entre dans une machine : il y a bien plus de choses à préciser pour que la machine puisse fournir une réponse. »

Il faut aussi lire ce billet de Christophe Doré, consultant, professionnel de haut niveau de la veille, domaine ou excellent les documentalistes : La Veille : 70% d’humain et 30% d’informatique. J’ai appris en lisant cet article un nouveau concept aux termes assez éclairants : la pensée latérale. Les systèmes de veille automatique, les chatbots (cf supra) et les agrégateurs de sources numériques ne sont pas si performants en eux-mêmes. Ils ont besoin d’humains pour déterminer les sources à surveiller et affiner les requêtes booléennes. De plus, on a encore besoin d’un humain pour identifier et suivre les signaux faibles, pour sortir des sentiers battus, pour laisser agir la sérendipité et regarder là où la machine n’ira pas parce que ce n’est pas dans son algorithme.

Un des meilleurs "papers" sur ce sujet, sur un plan technique — et non économique — est celui publié à la Savannah Law Review [428] par l’"investigateur" américain Philip Segal (Charles Griffin Intelligence), spécialiste des recherches de personnes, d’informations et de faits dont le contentieux américain est friand. P. Segal est donc très proche du métier des documentalistes juridiques. Il parle d’améliorations sur des outils que nous utilisons déjà, comme YouTube par exemple, qui devrait bientôt pouvoir se voir appliquer des moteurs de recherche vidéo très puissants. Et en ce qui concerne les nouveaux outils pour son métier, il est loin de les craindre. Il signale précisément leurs avantages comme leurs limites. Ainsi, il recommande :

  • de comparer et évaluer les IA comme toute autre base de données en ligne *avant* de les acheter
  • d’accumuler une expérience concrète des "trucs" à savoir pour les interroger sans se "faire avoir" par leurs biais.

Ces deux tâches sont clairement une des voies de développement naturel — j’allais écrire normal — des métiers de documentaliste juridique et de "legal knowledge manager". En tout cas, les professionnels de l’information juridique sont outillés et légitimes pour s’en occuper. Ils pourront sans problème conseiller les dirigeants de leurs structures sur ces sujets, gérer le projet d’acquisition ou de co-développement interne et son adaptation aux besoins de la structure, former les juristes et négocier les prix — qui promettent pour l’instant d’être élevés.

Comme l’écrit le jounaliste et consultant américain Robert Ambrogi, qui est un chaud partisan des legal tech : « Robots are not coming for law librarians’ jobs. » [429], les bibliothécaires documentalistes juridiques ont des rôles essentiels, notamment celui de "legal technologist" ou évaluateur de la valeur réelle des nouveaux outils : « Dans les cabinets d’avocats, les bibliothécaires juridiques sont souvent les examinateurs des nouvelles technologies, aidant à vérifier et à évaluer les produits avant que leur cabinet ne gaspille de précieux dollars. [...] Ils sont, si vous voulez, la police de la technologie. Ils ont la compétence et le savoir-faire nécessaires pour examiner les revendications des vendeurs et s’assurer que la réalité est conforme au marketing. De cette façon, les bibliothécaires - peut-être plus que tout autre rôle dans la profession juridique - sont essentiels pour maintenir l’honnêteté du secteur. [...] "Les documentalistes, qui savent quels résultats peuvent être obtenus de manière optimale par une recherche particulière, peuvent évaluer les lacunes ou les faiblesses d’un système d’IA en évaluant les résultats de la recherche" ».

IA et avocats

La journaliste britannique Joanna Goodman, dans son ouvrage précité Robots in Law : How Artificial Intelligence is Transforming Legal Services écrit que l’IA pour les juristes n’est pas une option. Selon elle, les juristes qui accepteront la réalité de l’IA et l’incorporeront dans leur pratique professionnelle sont ceux qui réussiront le mieux dans les années à venir, car l’IA modifie le partage de la valeur entre les acteurs de la "chaîne" juridique. Lire à ce propos le compte-rendu du livre par Robert Ambrogi [430]. Cette collaboration-amélioration avec l’IA est déjà en cours en France avec Case Law Analytics : les critères d’analyse ont été développés et les analyses prédictives validées avec des cabinets d’avocats ou des directions juridiques partenaires. Par exemple, SNCF, Axa ou le cabinet Flichy Grangé.

Une autre façon, française cette fois et plus diplomate, de formuler cela : l’Ordre des avocats au barreau de Lille étant partenaire de Prédictice, son bâtonnier a cherché à convaincre ses collègues [431] de l’utiliser. Voici ce qu’il en dit :

« Il faut tuer tout de suite le fantasme, ça ne remplacera pas les avocats dont les analyses ne peuvent être automatisées »

Selon lui, il s’agit plutôt d’un outil stratégique :

« Le défenseur peut, entre autres, voir quelle juridiction sera la plus encline à rendre une décision favorable à son client. »

Comme le dit Guillaume Drouot, professeur de droit privé à l’Université de Bordeaux [432] (le gras est de nous) :

« M. Neuville, dans un ouvrage de philosophie à l’attention des juristes, expose l’idée suivante : " [...] la méthode d’apprentissage qui consiste à former les étudiants pour qu’ils deviennent de bons techniciens du droit capables de mémoriser quantité de textes afin de trouver la meilleure solution, sans leur donner d’ailleurs les moindres rudiments de philosophie du droit. Cette méthode sera évidemment bien vite dépassée avec le développement de l’intelligence artificielle. "
Le développement des algorithmes et de l’intelligence artificielle invite ainsi à envisager notre manière de penser le droit, à mieux définir ce qu’est le droit, tout comme, si l’on veut raisonner par analogie, la dématérialisation invite à repenser certains mécanismes juridiques (la saisie, le droit de rétention) pour en extraire l’essence, la véritable raison d’être.
Quoiqu’ignorant dans une large mesure ce dont sont exactement capables les algorithmes, il nous paraît peu probable qu’ils remplacent un jour les juristes. Non pas parce que nous doutons de leurs capacités de calcul, mais bien plutôt parce que, même performants, les algorithmes n’ont aucune conscience de ce qu’ils font.
[...]
L’irruption des algorithmes et la pensée de Kropotkine nous invitent à revenir à une vision du droit comme science (ou art) du juste et de l’injuste. L’idée du droit que donne François Ost à partir des symboles de la justice (glaive, balance, bandeau) apparaît à cet égard particulièrement pertinente [...] : " Pour le juriste au quotidien, le symbole du bandeau implique une méthodologie du doute qui le conduit non seulement à s’enquérir du point de vue minoritaire (...), mais encore à résister aux paradigmes scientifiques dominants, ainsi qu’à la pseudo-évidence des faits. Sa tâche est de rendre justice et non de décrire la réalité : dire le droit implique un arbitrage entre vérités multiples s’articulant souvent sur des plans distincts. (...) Telle est la fonction essentielle du droit, trop souvent oubliée aujourd’hui : dire le sens de la vie en société. Au-delà de ses rôles répressifs et gestionnaires, le droit est d’abord cela : une parole, socialement autorisée, qui nomme, classe et départage ". »

L’avocat français et spécialiste de l’IA en droit Thierry Wickers, citant Paul Amsalek, écrivait en 2019 [433] : « Les règles juridiques servent à diriger la conduite des individus. Après avoir fait observer qu’elles se contentent de fixer "des marges de possibilité d’action en fonction des circonstances", ce qui implique déjà une part d’incertitude, Paul Amselek rappelle que leurs principales caractéristiques sont la non-objectivité et l’incomplétude. [...] Il n’est possible d’accéder à la règle juridique qu’au travers d’une interprétation, par celui qui en prend connaissance. La règle "n’est présente en chacun de nous qu’au terme d’un processus intérieur de reconstitution, de décodage et d’analyse par notre esprit à partir des signes émis par le législateur.". L’incomplétude est la conséquence de l’impossibilité, pour le législateur, de tout régler ou de tout prévoir à l’avance. » P. Amsalek précise : « La nature irrésolue de la réglementation juridique tient, non seulement à sa non-objectivité, mais aussi, en second lieu, à son incomplétude. Il est, en effet, impossible au législateur de tout régler, de tout prévoir, même implicitement. »

Et T. Wickers de continuer : « C’est précisément l’écueil auquel se sont heurtés tous ceux qui ont tenté de transformer la loi en code informatique. Tous les efforts de normalisation à travers la logique propositionnelle finissent à un moment donné par se heurter à la question de l’interprétation. »

Et là encore, il faut lire le "paper" précité de l’"investigateur" américain Philip Segal à la Savannah Law Review. Il reconnaît que l’IA apportera d’importants changements dans la pratique des juristes américains. Mais il est loin de craindre ces nouveaux outils pour son métier.

Thierry Wickers, dans ce remarquable article de 2019, conclut : « D’une manière plus générale, si l’IA n’est pas capable de régler directement le problème de l’interprétation, elle est en revanche parfaitement à même de le contourner. Pour les juristes, et leur activité, la différence ne sera pas grande. Cette logique du contournement s’accorde parfaitement avec les capacités de l’IA faible. »

C’est là où nous divergeons : comme nos tests, nos recherches et nos entretiens avec des développeurs et chercheurs en "IA" juridique (dont plusieurs évoqués ici) le montrent, nous pensons cette menace très exagérée (cf nos propos plus haut sur l’application Debater d’IBM). Entre le "en théorie, c’est possible" et le "en production, on le fait", il y a un fossé.

IA et jeunes collaborateurs/paralegals

Pour les postes de paralegals orientés recherches et veille (par exemple, les spécialistes de la recherche, de la veille et de l’enregistrement des brevets) et pour les jeunes collaborateurs (qui font aux Etats-Unis énormément de recherches, ce qui correspond en France aux stagiaires, mais les jeunes avocats en font aussi beaucoup en France durant leurs deux premières années), une étude d’Altman Weill datant de 2015 est pessimiste [434]. La brève précitée de la Lettre de l’Expansion est encore plus explicite :

« Watson [...] est réputé pour son rôle dans la destruction d’emplois. »

Pour les autres paralegals, le risque à court terme, surtout en France, est faible mais à long terme, leurs tâches découpables seront probablement automatisées.

Mais encore une fois, il faut relativiser : les produits des legal tech actuellement en service chez les professionnels du droit montrent simplement la continuation d’une évolution déjà en cours et bien connue : celle de l’informatisation progressive et souvent partielle de fonctions. Ca fait gagner du temps plus que ça ne supprime des emplois sur le champ. Ce que ça fait surtout, c’est que ça modifie le travail des jeunes avocats et paralegals.

Un monde sans travail ?

Plus généralement, de nombreux entrepreneurs millionnaires comme Bill Gates ou Elon Musk (voitures électriques Tesla) et des scientifiques comme l’astrophysicien Stephen Hawking ou le docteur Laurent Alexandre (fondateur de Doctissimo) estiment que l’IA va créer du chômage et que les conséquences sociales de cette nouvelle révolution sont encore largement sous-estimées. Elon Musk estimait par exemple le 15 février 2017 que les conducteurs professionnels (soit 15% de la population active mondiale) pourraient se retrouver sans emploi dans les 20 prochaines années, et qu’il y aura de moins en moins de métiers qu’un robot ne pourra pas faire [435]. Le cabinet américain Forrester anticipe, pour le marché de l’emploi des Etats-Unis, une disparition nette de 7% des jobs d’ici 2025 imputable à l’automatisation [436].

Côté France, la journaliste indépendante Tiffany Blandin préconise en conclusion de son enquête Un monde sans travail ? [437], de « regarder l’automatisation dans les yeux ». Elle explique que « personne ne peut dire précisément combien d’emplois vont disparaître à cause de l’intelligence artificielle » et que « c’est pour cela que les dirigeants de la Silicon Valley se sont pris de passion pour le revenu universel ». Et le Canard Enchaîné d’ironiser sur les 10% de postes en danger d’être détruits selon le rapport précité du 10 janvier 2017 du Conseil d’orientation pour l’emploi (COE) [438], en notant que cela représente quand même 3 millions de chômeurs en plus [439].

On ne parlera pas ici de l’ubérisation, que redoutent aussi bien le magazine Capital qu’un un enseignant de l’Université Paris Dauphine [440].

Les spécialistes en intelligence artificielle, eux, vont même plus loin : un sondage (pre-print) mené fin 2016 auprès de 352 chercheurs en IA également auteurs d’articles et présents lors de deux conférences sur le sujet [441] a donné le résultat suivant : selon eux, en se plaçant donc en 2016, il y a une chance sur deux que l’IA soit meilleure que les humains à à peu près tout type de tâche individuelle ("High level machine intelligence - AI human tasks") dans 45 ans. et une chance sur deux que tous les emplois humains soient automatisés ("AI human jobs"), y compris la recherche en IA, dans 122 ans (voir les graphiques en fin d’article). Fin 2017, ce sondage est encore fréquemment cité.

Re-la-ti-vi-ser. Ou les (grosses) limites de l’IA juridique

Mais le magazine Business Insider, en rendant compte [442] de ce sondage, appelle à la prudence. Il commence par rappeller que de nombreuses prédictions d’experts dans le passé se sont avérées fausses. Surtout, Business Insider explique que :

« Quarante ans est un chiffre important lorsque les humains font des prédictions parce que c’est la durée de la vie active de la plupart des gens. Donc, si un changement est censé se réaliser après, cela signifie qu’il se produira au-delà de la durée de vie active de tous ceux qui travaillent aujourd’hui. En d’autres termes, il ne peut se produire avec une technologie dont les experts d’aujourd’hui ont une expérience pratique. Cela suggère qu’il s’agit d’un chiffre à traiter avec prudence. »

Quant à l’IA connectée au cerveau, ce n’est vraiment pas pour tout de suite. Des recherches existent, comme le projet Kiwi de la société Nitoo de Newton Howard [443]. Nitoo a mis au point un prototype d’implant neuronal de la taille d’un grain de riz et pesant moins de 2 grammes, qui pourrait être implanté dans la cloison nasale. Cet implant permet de capter des informations envoyées par les neurones et de leur répondre.

Mais pour Ricardo Chavarriaga Lozano, spécialiste de l’interface cerveau-machine à l’Ecole Polytechnique Fédérale de Lausanne, « il faut prendre des pincettes : beaucoup de recherches doivent encore être effectuées avant de pouvoir modifier le vivant » [444]. Le chirurgien français Laurent Alexandre, fondateur du site Doctissimo, et partisan de l’être humain augmenté (ou transhumanisme), commentant les prédictions du singulariste (et par ailleurs employé de Google) Ray Kurzweil, estime qu’ « un cerveau connecté, on en est encore loin. Croire qu’on y arrivera d’ici 15/20 ans, il me semble que c’est faire preuve de naïveté neuro-technologique. Pour l’instant, les seules choses que nous arrivons à faire, c’est recréer des faux souvenirs chez des rats par exemple, en les "connectant". Mais on leur bousille le cerveau, on est très loin d’être au point sur ce sujet-là » [445].

Surtout, comme l’explique Olivier Ezratty (ancien de Microsoft France), les livres et articles sur l’impact de l’IA sur l’emploi font l’impasse sur plusieurs points clés [446] :

  • « au démarrage des précédentes révolutions industrielles, les métiers disparus comme les nouveaux métiers ont rarement été bien anticipés. Pour ce qui est du futur, à vrai dire, on n’en sait pas grand chose », car il y a « [trop de] paramètres à prendre en compte »
  • un phénomène induit par le numérique et qui n’a rien à voir avec l’intelligence artificielle : « le transfert du travail non pas seulement vers les machines mais aussi vers les clients » (clic work ou digital labor [447]). Exemples : les formulaires et modèles de contrats en ligne que nous remplissons nous-mêmes ou les guichets automatiques bancaires
  • ils se focalisent sur la situation aux Etats-Unis, ignorant la plupart du temps totalement le reste du monde
  • ils ont « bien du mal à faire le tri dans les évolutions de l’emploi entre ce qui provient de l’automatisation, de la globalisation et de la concurrence asiatique dans l’industrie manufacturière et même indienne, dans les emplois concernant les services informatiques. L’emploi a surtout migré géographiquement. Les emplois perdus dans l’industrie aux USA et en Europe se sont retrouvés en Asie » [et en Europe de l’Est].

Autre publication relativisant les choses : selon le rapport précité du COE [448], moins de 10% des emplois sont "très exposés" aux mutations technologiques et présentent donc le risque d’être supprimés — mais près de la moitié des emplois devront toutefois évoluer [449]. Les emplois juridiques évoqués supra ne sont pas dans la liste des 10% du COE. Et Anne-France de Saint-Laurent Kogan, spécialiste des transformations du travail liées au numérique, tempère elle aussi les choses [450].

Dans une autre étude (américano-britannique), The Future of Skills’ Employment in 2030, le panel des personnes interrogées estime que tant les juristes que les bibliothécaires documentalistes feront partie des métiers pour lesquels la demande va augmenter à l’échéance 2030. Cette enquête a été produite par l’éditeur scolaire et universitaire Pearson, NESTA, une fondation pour l’innovation globale et l’Oxford Martin School. Surprise : les bibliothécaires documentalistes sont carrément listés dans le segment "haute croissance". Toutefois, les compétences demandées aux bibliothécaires documentalistes vont probablement évoluer dans les années à venir [451]

Menée par les professeurs américains Dana Remus (Faculté de droit de Université de Caroline du Nord) et Frank Levy (économiste, Massachusetts Institute of Technology, le fameux MIT), une étude publiée en novembre 2016 suggère que l’IA a « un effet modéré » sur des métiers tels que la recherche documentaire juridique et la rédaction de contrats [452]. L’étude indique que les tâches précitées représentent environ 40% de la facturation globale des avocats.

Cela dit, selon cette étude — un gros article scientifique de 77 pages publié sur le Legal SSRN —, l’impact estimé de l’IA sur des domaines tels que le "fact-checking" (vérification des faits, typique du droit anglo-saxon), le conseil aux clients, la gestion électronique de documents (GED), la rédaction de conclusions et les audiences — le tout représentant près de 55% des heures facturées — est « faible ».

Mais l’intelligence artificielle a un rôle plus important à jouer dans d’autres domaines. Selon l’étude, l’impact estimé de l’IA sur l’examen de documents ("document review", là aussi une procédure inconnue en droit français) — qui consiste essentiellement à passer en revue de grandes masses de documents pour y chercher les détails pertinents dans le cadre d’un contentieux — est « fort ». Heureusement pour les avocats anglo-saxons, l’étude ajoute que cela représente seulement 4% des heures facturées [453].

Le professeur Joël Monéger, spécialiste des baux, dans une tribune à la revue Loyers et Copropriété [454], formule ainsi les possibilités et les limites de la justice prédictive à la française :

« Prévoir le droit positif tient [...] de la gageure. [...] Certes, la prédictibilité de la solution paraît possible lorsque la plus haute juridiction a tranché le point de droit avec fermeté et de manière répétée. De même, semble-t-il, lorsqu’elle donne des signes annonciateurs d’un revirement possible de la jurisprudence. Mais, au-delà, la jurisprudence, même émanant de nos plus hautes juridictions, est bien souvent délicate à prévoir, notamment face à des textes récents, mal rédigés, ou à des textes en décalage grave avec les réalités sociales ou économiques. Cela tient à l’art de la rédaction des arrêts qui suppose un lecteur formé au décryptage de formules insuffisamment enseignées. De plus, la Cour de cassation ne peut pratiquer l’ultra petita et ne répond qu’aux moyens du pourvoi. »

Pour l’illustrer, il donne l’exemple de deux jurisprudences récentes de la Cour de cassation.

En fait, il faut garder à l’esprit que toute la com’ — car c’en est — sur les performances de l’IA vient du besoin des startups et des éditeurs de logiciels de vendre leurs produits. Dès qu’on lit la littérature scientifique, comme vous avez pu le constater supra, les choses sont grandement relativisées. Comme l’avocate Michèle Bauer le dit — très directement — avec ses propres mots [455] :

« Les legaltech ne publient pas leurs chiffres et ne font que des effets d’annonce en prétendant avoir levé des millions d’euros, il est donc impossible de connaître leur véritable pouvoir économique. [...]
Méfiez-vous des fakes, des effets d’annonce et des informations diffusées sur le net, les legaltech en sont les artisans, les initiateurs. Le mensonge et l’embellissement de la réalité est une pratique courante sur la toile. »

IA juridique et science-fiction ou les risques de la justice prédictive

Et si on en arrivait un jour là où Google semble être arrivé du fait de l’intégration de machine learning dans ses algorithmes (ses ingénieurs ne savent plus totalement en détail comment leur moteur fonctionne : en tout cas, c’est ce que dit un scientifique chez un rival, Qwant [456]) ? Car c’est un fait : l’IA à base de ML est impénétrable [457]. En arriverait-on à ce que Ross n’est pas, c’est-à-dire une véritable intelligence artificielle ?

Voici les (éventuels et futurs) risques tels qu’ils sont décrits dans la presse et par la doctrine (revues juridiques) :

  • "boîte noire" : on ne saurait ni qui exactement nous juge ni pourquoi on nous condamne
  • "power to the machine". On ferait plus confiance à l’algorithme qu’à l’humain, dans une époque méfiante vis-à-vis de la Justice. On ne tenterait plus sa chance en justice si elle est faible. La situation et ce risques sont assez bien décrits dans une brève intervention d’Antoine Garapon sur France Inter et surtout dans son interview au Point par Laurence Neuer dans la remarquable série Mon petit droit m’a dit [458]
  • effet performatif (dit aussi effet moutonnier ou risque de conformisme) : risque que le juge, par paresse, pour aller vite ou encore par souci de ne pas faire de vagues, se conforme à la solution majoritaire. La crainte d’un tel effet est très présente dans la grande majorité des articles de presse et dans les revues juridiques, autrement dit ce que les juristes appellent la doctrine.
    Les magistrats judiciaires interrogés par Lêmy Godefroy pour la mission de recherche Droit & Justice ne sont pourtant que 40% à partager cette crainte. Pour ces magistrats, les outils de justice quantitative (OQJ) doivent être considérés comme une simple aide à la décision [459]. Pour les avocats, la peur d’être désintermediés explique largement cette crainte, mais là aussi, nombre de cabinets d’avocats ont adopté un outil de justice prédictive et le considèrent comme une aide à la décision. _ Pour la doctrine, il semble, d’après le mémoire très bien construit de Camille Bordere , qu’en réalité, ce que la doctrine reproche à la justice prédictive, c’est de révéler (en partie seulement pour l’instant, vu le manque de la première instance) la masse des décisions du fond et des faits qu’elle contient, concurrençant ainsi les "cathédrales jurisprudentiellles" construites par ... la doctrine [460]. D’ailleurs, ce que la doctrine commente, ce ne sont pas les effets des outils actuels, mais ceux supposés arriver un jour. Comme l’écrit très justement C. Bordere, « pour des écrits qui craignent à foison que l’outil prédictif ne factualise le raisonnement juridique ou ne le rende trop "réaliste", le grand absent reste précisément la réalité de l’objet, complètement occultée par la plupart des auteurs. Aucun outil de justice prédictive, à ce stade de leur développement, ne fonctionne correctement et n’accomplit encore totalement la tâche qui lui est assignée ». De ce point de vue, on peut se demander si la doctrine n’a pas elle aussi été intoxiquée par la "hype", autrement dit la masse de com’ et de marketing que nous décrivons en introduction
  • la possibilité, en droit pénal, pour un délinquant ou un criminel, de déterminer à l’avance si et comment, en suivant un certain modus operandi, il pourrait échapper à condamnation pour son délit/crime. Sur ce point précis, la réponse (officielle) de Predictice et Case Law Analytics est d’exclure de travailler sur ce domaine.

La science-fiction a déjà envisagé ces risques (nous ne parlerons pas ici des lois de la robotique d’Asimov, non pertinentes ici et de toute façon déjà dépassées [461].).

Le tome 3 de la bande dessinée SOS Bonheur, un classique du genre publié en 1989 [462] parle de justice automatisée : chaque avocat soumet ses conclusions dans une machine et la machine rend son verdict, le juge n’est là que pour contrôler le bon fonctionnement de cette dernière. Ainsi la justice est aveugle et équitable puisqu’elle est censée rendre le même verdict pour tous ceux qui sont dans la même situation sur tout le territoire. Jusqu’au jour où la machine condamne un homme qui a commis un délit mineur à la peine de mort alors que cette dernière a été abolie il y a déjà de nombreuses années. Peut-on désobéir à la machine au risque de remettre en cause tous les autres jugements déjà rendus ?

Nous avons (presque) tous vu le film Minority report de Steven Spielberg avec Tom Cruise (d’après la nouvelle éponyme de Philip K. Dick). Même si ce sont des êtres humains spéciaux (des"precogs") qui y tiennent le rôle des logiciels et des données et statistiques, le sens en est clair :

Un article de Vincent Vigneau, conseiller à la Cour de cassation, à la Revue de jurisprudence commerciale de janvier 2019, liste et examine en détail ces risques (et d’autres), ainsi que les limites prévisibles de l’exercice [473]. C’est probablement celui qu’il faut lire pour avoir une vue complète et juridique et judiciaire du sujet. M. Vigneau y dénonce notamment la conception d’un juge comme une « machine à syllogisme ». Il rappelle qu’elle fait face à l’absence de caractère obligatoire de la jurisprudence — même celle de la Cour de cassation — et à l’absence de droit acquis à une jurisprudence figée (autrement dit, la France n’est pas un pays de "case law"), à la qualification juridique des faits où « derrière l’apparente logique du raisonnement exprimé dans les jugements, peut se cacher de multiples considérations et arguments plus ou moins avouables » [474] et enfin à l’obligation pour le juge de statuer, même en cas d’insuffisance ou d’obscurité de la loi (art. 4 du Code civil) et donc d’interpréter.

L’article, comme presque tous ceux publiés objectant à la justice prédictive, reste toutefois ancré dans la réalité judiciaire d’aujourd’hui. Or elle pourrait bien être bouleversée à la fois par le développement des MARL (modes alternatifs de règlement des litiges : médiation, conciliation, arbitrage) auxquels l’exécutif pousse par manque ou refus de moyens financiers pour la Justice et par l’utilisation hors procès — chez les assureurs et les avocats — des applications déjà existantes de justice prédictive ou dite telle. D’autant qu’au moins une application de médiation (Justice.cool) s’appuie sur un algorithme de justice prédictive pour accélérer et faciliter une issue positive à la médiation.

A ces programmes de "police prédictive", s’ajoute l’utilisation des énormes progrès de la reconnaissance d’images permis par le deep learning. Ils permettent, notamment en Chine, pays le plus "avancé" dans ce domaine, de repérer et arrêter un délinquant ou un dissident passé entre les mailles du filet policier pendant des années. Or cette technologie, notamment celle chinoise, s’exporte très bien. Sur ce sujet, lire ce court mais instructif billet de The Conversation, un excellent site de vulgarisation écrit par ... des universitaires : How artificial intelligence systems could threaten democracy (avril 2019).

Il faut toutefois relativiser, particulièrement en France : un état actuel (mars 2021) de la police "prédictive" montre qu’elle n’est même pas prédictive [475].

Un exemple quotidien d’une justice prédictive déléguée aux plateformes, et qui s’appuie sur les faits ("patterns") et non le droit, c’est la modération sur les réseaux sociaux. En pratique, la modération est déjà réalisée par les IA des plateformes qui détectent les messages se rapprochant de contenus ayant été préalablement définis (’"taggués") comme illicites. Seuls ces contenus litigieux sont alors soumis à des équipes de modérateurs qui apprécient s’ils doivent être retirés. Selon l’avocat Luc-Marie Augagneur, le tribunal judiciaire de Paris dans son ordonnance de référé du 6 juillet 2021, mais aussi le projet européen de Digital Services Act (DSA), font confiance aux plateformes pour assurer cette modération, les magistrats n’ayant matériellement pas les moyens de le faire [476].

L’ouvrage Minority report de Philip K. Dick avec pour couverture l’affiche du film

Si le machine learning finit, ce qui est probable selon nous (cf supra), par être utilisé par le juge, il est à espérer que les conclusions d’Antoine Garapon et Marc Clément (dans les articles de revues juridiques cités au début de ce billet) s’imposeront :

Eviter le risque de « l’effet "moutonnier" de la justice prédictive qui pousse au conformisme et réclame plus aux juges qui estiment qu’ils doivent aller à contre-courant, c’est-à-dire faire leur métier tout simplement ! »

« Il sera donc capital que les modes de raisonnement inscrits dans les algorithmes soient parfaitement explicites et maîtrisés par le juge. Il conviendra, de plus, que des méthodes alternatives soient proposées et que l’on ne se retrouve pas en situation de monopole avec une seule technologie utilisable. »

Sur l’impact prévisible de la justice prédictive, lire l’ouvrage (beaucoup plus détaillé et complet que cette dernière partie de ce billet) d’Antoine Garapon et Jean Lassègue : Justice digitale : Révolution graphique et rupture anthropologique (PUF, avril 2018). L’adjectif graphique est utilisé ici dans son sens de traitant de l’écriture. L’ouvrage insiste notamment sur la perte prévisible du symbolique, du rituel, pour le gain de la rapidité et du confort, recul de la loi, remplacée par la technique. Mais son sujet est plus vaste que celui de la justice prédictive, puisqu’il traite en fait de la numérisation et du passage en ligne de la justice. Ce sont les chapitres VIII et X qui sont spécifiquement consacrés à la justice prédictive, avec quelques interrogations clés, dont :

  • peut-on remplacer la causalité par la corrélation  ?
  • quelle est la taille suffisante (de la base pour obtenir des statistiques significatives) ?
  • le futur peut-il être déduit du passé  ?
  • la pression de la multitude.

Isabelle Sayn formule ainsi ses propres craintes : « le pouvoir d’appréciation du juge peut être affecté, selon qu’il connaît ou non les décisions prises par les autres magistrats. À quel point ces connaissances vont-elles donc avoir une influence sur l’activité du juge, et en quoi sont-elles compatibles avec la conception hiérarchique de la règle de droit ? En effet, nous ne nous situons pas dans un système de précédent, de common law. Laisser croire à des usagers qu’ils peuvent se défendre en justice via les solutions fournies par des legaltech, basées sur la jurisprudence, n’est donc pas forcément une bonne idée. Et puis, il y a aussi la crainte des magistrats qu’elles soient utilisées pour automatiser les décisions » [477].

I. Sayn redoute également une justice prédictive reproduisant les biais illégitimes des décisions, comme, en matière de prestations compensatoires et alimentaires, le sexe du juge ou la présence d’un avocat lorsqu’elle n’est pas obligatoire [478].

I. Sayn souligne enfin que beaucoup de choix faits par les parties (stratégie judiciaire ...) sont absents de la décision [479]. Là encore, donc, s’appuyer sur les décisions pour faire des prédictions rencontrerait ses limites.

Aurore-Angélique Hyde, maître de conférences en droit privé à l’Université de Rouen et chercheuse associée à l’Institut des hautes études sur la justice (IHEJ) et au CERDI, dans un article à la fois pragmatique et très pertinent au Recueil Dalloz écrit sur l’intérêt pour un avocat d’utiliser des outils de justice prédictive, suite à une décision canadienne reprochant à un avocat de ne pas avoir utilisé d’IA [480]. Elle conclut que « bien que les outils de justice prédictive soient à la mode, l’obligation d’y recourir, outre qu’elle entraverait la liberté professionnelle des avocats, ne protégerait aucunement ces derniers de toute responsabilité en cas de solution erronée ou insuffisamment pertinente ». En effet, pour elle, « l’obligation pour un avocat de consulter des outils de justice prédictive est parfaitement discutable, et ce à plus d’un titre. D’une part, c’est surtout la pertinence du résultat obtenu par l’avocat qui doit compter et non le moyen auquel il recourt pour y parvenir. [...] D’autre part, tous les outils existants ne proposent pas exactement le même service. ». Enfin, elle décrit ses tests d’outils et met le doigt dans la plaie : leurs limites, notamment quand il s’agit d’identifier la jurisprudence la plus récente et la plus pertinente [481].

Il faut préciser ici que les tests logiciels, non seulement lors du développement, mais aussi en production et en permanence, sont impératifs en intelligence artificielle. Cela fait partie d’une bonne assurance qualité, comme l’illustre cet article de Forbes.com [482].

Toutefois, les tests dont on parle ici ne sont pas ceux faits par les utilisateurs finaux (documentalistes et juristes) dont nous parlions plus haut — et c’est bien là que le bât blesse. Il s’agit pour les programmeurs et développeurs eux-mêmes de tester le code ou au minimum des unités (on parle alors de "unit tests") de l’application. Il y a des niveaux de test et des méthodes de test bien connues pour cela (voir la page Wikipedia EN Software testing), parmi lesquelles celle, fondamentale en IA, de l’échantillon de données (dont on connaît d’avance les résultats prévisibles) mis de côté et sur lequel l’algorithme n’a pas été entraîné.

Concernant la justice prédictive, Rubin Sfadj, dans son entretien précité avec la revue Expertises, souligne que lorsque les outils de justice prédictive seront utilisés par la puissance publique, cet usage devrait reposer sur trois grands principes éthiques — qui, à bien les lire, ne sont pas si exigeants que ça :

  • le principe de responsabilité conduisant à désigner pour chaque algorithme utilisé une personne référente, à l’instar du directeur de publication en droit de la presse
  • le principe de clarté, c’est-à-dire la mention explicite dans une décision de justice élaborée avec l’aide d’un algorithme de ce procédé et la motivation sur laquelle repose le recours à ce type d’outil
  • le principe de précision permettant de corriger une source d’erreur à tout stade du traitement algorithmique.

Responsabilité ? Justement, si on veut éviter certains excès et rassurer les justiciables, et si on parle responsabilité des concepteurs d’applications, ce que redoutent les magistrats de l’ordre judiciaire interrogés par Lêmy Godefroy, enseignante-chercheuse et maître de conférences en droit privé, c’est que, en cas d’erreur de l’application de justice prédictive, « le caractère sophistiqué de cet outil rende difficile la preuve d’une faute sans recourir à l’expertise, sauf abus manifeste [483]. D’où on pourrait déduire qu’il sera plus facile de mettre la responsabilité de l’avocat en cause ...

Et en effet, les chefs de juridictions judiciaires interrogés par Lêmy Godefroy relèvent « une probable augmentation des risques de mise en cause de la responsabilité professionnelle des avocats et de leur manquement au devoir de conseil par des engagements et des promesses, des actions engagées sur la base de ces outils pour aboutir à des solutions juridictionnelles totalement différentes » [484].

Quant aux juges administratifs — et d’autres magistrats du judiciaire —, leur réplique à la justice prédictive est déjà prête : "Convainquez-nous avec des arguments juridiques, peu nous chaut vos statistiques". Le Conseil d’Etat, par la voix de Christian Vigouroux, lors du colloque sur l’open data de la jurisprudence organisé en octobre 2016 par la Cour de cassation, a déjà prévenu que la juridiction administrative suprême ferait en sorte que le juge administratif ne puisse pas se voir opposer sa propre jurisprudence [485]. Côté justice judiciaire, selon Xavier Ronsin, Premier président de la cour d’appel de Rennes [486] :

« L’hypothèse selon laquelle des plaideurs assistés d’avocats, renonceraient à aller jusqu’au bout d’un contentieux judiciaire classique, parce qu’ils auraient lu les résultats d’un logiciel dit de "prédictibilité de la justice" et qu’ils décideraient alors de transiger, est contestée par beaucoup et mérite à tout le moins d’être vérifiée. Lorsque l’on constate la difficulté de faire aboutir les "modes alternatifs de règlement des litiges (MARD)", il y a de quoi être sceptique, mais pourquoi ne pas l’espérer ?
Au-delà d’un refus de principe sur la possibilité d’enfermer la future décision d’un juge dans le raisonnement d’un algorithme basé sur des "précédents jurisprudentiels", je pense malgré tout que les magistrats doivent se préparer à comprendre ce processus, et à recevoir des dossiers d’avocats comportant des analyses savantes ainsi que des contenus statistiques de milliers de décisions au soutien d’une thèse et de prétentions de leurs clients. De tels dossiers n’empêcheront de toute façon pas la liberté du juge de faire du "sur-mesure" pour chaque dossier, mais ils pourront peut-être éclairer son raisonnement. »

Dans un entretien avec Acteurs publics.com, Xavier Ronsin ajoute [487] :

« C’est une opération complexe que la motivation intellectuelle d’un juge, une opération subtile qui s’articule à un raisonnement et non à une simple corrélation d’items factuels. »

Pour autant, dans les résultats de l’enquête de terrain réalisée par L. Godefroy pour le rapport de recherche "Comment le numérique transforme le droit et la Justice" (juillet 2019) [488], grosso modo, les 67 magistrats judiciaires consultés — attention, il y a un biais : presque tous sont des chefs de juridiction (TGI ou cour d’appel) [489] ; or ce sont les plus sensibles aux impératifs de productivité [490] — sont majoritairement favorables à la justice prédictive (dénommée "outils de justice quantitative" (OQJ) dans l’enquête). Sous un certain nombre — voire un nombre certain — de conditions :

  • qu’elle intègre (et respecte) les nouveaux textes et la jurisprudence des cours suprêmes
  • qu’elle n’empêche jamais l’appel
  • qu’elle permette toujours un examen personnalisé
  • que ces outils soient « encadrés, contrôlés, supervisés par les services du ministère de la Justice (par exemple, par une participation de magistrats à la détermination des critères de sélection des décisions par type de problématiques ou par une validation des critères choisis par les concepteurs) »
  • et enfin qu’ils « correspondent à une démarche scientifique et déontologique vérifiable et certifiable » (comme nous l’écrivions plus haut : encore la certification !). Notamment : qu’ils citent « les sources, le nombre de décisions prises en compte, la répartition au niveau des cours d’appel et des tribunaux [...] et la période sur laquelle a porté la recherche (possibles revirements de jurisprudence) ».

Ajoutons que pour les magistrats interrogés, il apparaît que les outils de justice prédictive « contribueraient à une multiplication du recours aux modes alternatifs de règlement des différends (MARD : arbitrage, conciliation, médiation ...) par l’amélioration de la prévisibilité des issues du litige ».

En creux, on y voit le refus d’un traitement automatique mais pas, en vérité, d’un traitement de masse. On y voit aussi une très forte exigence des chefs de juridiction vis-à-vis de l’outil de justice prédictive qui leur serait fourni. Ce niveau d’exigence rejoint quelque part les critiques adressées par le président de la cour d’appel de Rennes à Predictice en 2017 (cf supra).

Du côté des avocats, Pascal Eydoux, président du Conseil national des barreaux (CNB) estime officiellement qu’ « il n’est pas question que la profession d’avocats envisage de s’opposer à cette évolution car elle est inéluctable et attendue » [491]. Sanjay Navy, avocat à Lille où il a testé Predictice, pense que « ça peut permettre de dire à l’adversaire : " regardez les condamnations en moyenne, négociez sinon vous risquez d’être condamné à tant, ce n’est pas moi qui le prétends, mais la jurisprudence ! " » [492].

Autrement dit, la justice prédictive aurait pour avantage de faciliter le calcul des chances de gagner ou perdre un contentieux, limitant ainsi la prise de risque et facilitant grandement le travail des avocats et plus encore des assureurs. Pour les assureurs, qui ont déjà développé des bases de données de jurisprudence et de dommages-intérêts comme AGIRA, l’avantage de la justice prédictive est de faciliter la connaissance de la "vraie" (à leurs yeux) jurisprudence, celle des statistiques. Les assureurs Allianz, Covéa, la Maif et Pacifica font partie des clients de Predictice [493], et Axa Protection Juridique ainsi qu’Allianz font partie des utilisateurs de Case Law Analytics [494].

À condition, évidemment, qu’aucune des parties ne fasse appel, qu’une juridiction suprême ne procède pas à un revirement de jurisprudence et que les textes applicables ne soient pas modifiés. Pour le magistrat Yannick Meneceur, détaché auprès du Conseil de l’Europe, « la forte évolutivité des règles juridiques constitue en elle-même une limite technique pour les algorithmes. Car les règles juridiques n’évoluent pas de façon linéaire comme dans les sciences dures, où une nouvelle règle vient compléter la précédente sans nécessairement l’invalider. Dans les systèmes de droit continental, il suffit que le texte fondamental change pour que la jurisprudence qui était fondée dessus se trouve écartée » [495]. Sur ce point, le bouleversement du droit du licenciement et de la procédure prud’homale par la loi Travail en 2016 puis les ordonnances Macron en 2017 constitue un excellent exemple : le contentieux de droit du travail pré-2017 a perdu une partie importante de son intérêt, particulièrement le montant des indemnités. Par ailleurs, comme le rappelle Bruno Mathis, consultant, la justice prédictive est « inutile pour estimer des dommages-intérêts obéissant à un barème [...] et où la justice prédictive sera-t-elle la plus utile ? Dans la masse des décisions qui ne sont ni trop spécifiques ni trop communes. » [496]

Il y a un risque que je n’ai vu mentionner que par l’ouvrage de Garapon et Lassègue. Il est caractéristique des soucis de ma profession, centrée sur l’information et les documents, leur production, leur recherche, leur diffusion. Il faut absolument le souligner : quid à long terme de la justice prédictive si celle-ci progresse et avec elle la déjudiciarisation, c’est-à-dire l’appauvrissement relatif des moyens humains et financiers du service public de la Justice ? Quid, parce que si, comme nous l’avons vu plus haut, la justice prédictive [497] et la modernisation de l’action publique (MAP, ex-RGPP) favorisent, développent, poussent vers le compromis, la transaction, la médiation, la conciliation et l’arbitrage (dits modes alternatifs de résolution des litiges ou MARL), alors les décisions ne seront plus disponibles, car par définition ces procédures ne sont pas publiques [498] et leurs décisions non plus. Alors, plus d’open data judiciaire, plus de données et plus de justice prédictive possible. A titre d’illustration, on estime, en arbitrage commercial international, que les diverses revues et bases de données disponibles [499] ne publient qu’au mieux 3000 sentences arbitrales par an. Essayez donc de faire de la statistique avec ça. Mais c’est justement le défi auquel tente de répondre (avec rigueur) Case Law Analytics : analyser les critères des juges et non leurs statistiques afin de pouvoir travailler avec un fonds de seulement quelques centaines de décisions (comme dans le contentieux boursier du manquement d’initié).

Propriété intellectuelle (accès au code source ?), tests, certification, droit des données personnelles

On peut aussi craindre une anonymisation insuffisamment forte, c’est-à-dire n’empêchant pas, d’ici les huit ans (à compter de 2017) nécessaires pour que les jugements de première instance accèdent à l’open data [500], la réidentification du fait d’un apprentissage statistique automatique ayant beaucoup progressé et s’appuyant les données indirectement nominatives. Ce risque est réel : le rapport Cadiet sur l’open data des décisions de justice, qui est en réalité d’abord l’œuvre de la haute magistrature [501], préconise une pseudonymisation renforcée, et non une véritable lutte contre la réidentification [502]. Or cette pseudonymisation renforcée ne semble être rien d’autre que la formalisation des pratiques actuelles des juridictions suprêmes, désormais en charge de l’anonymisation (pardon, pseudonymisation) et qui doivent faire face au coût que cela représente. La confirmation de cette anonymisation insuffisante est arrivée avec l’article 33 de la loi de programmation et de réforme 2018-2022 pour la justice.

Le professeur Anne Debet, ancien commissaire de la CNIL, et un des meilleurs spécialistes français du droit des données personnelles, interrogée par la mission Cadiet, explique pourtant que :

  • au regard de la jurisprudence de la Cour européenne des droits de l’homme, « on peut imaginer une condamnation de la CEDH sur le fondement d’une possible réidentification des personnes dans une décision contenant des données sensibles non correctement anonymisées »
  • au regard des exigences du RGPD, la simple pseudonymisation (le terme même employé par le rapport) est insuffisante : « L’anomymisation doit être conforme aux exigences posées par la loi informatique et libertés et par le RGPD. [...] Il ne doit pas s’agir d’une simple pseudonymisation, [...] Cette amélioration a néanmoins un coût et un budget conséquent doit y être consacré. » On ne saurait être plus clair.

Les avocats craignent aussi une certaine déshumanisation ou une justice au rabais, voire un possible risque de "fainéantisation". Comme le formule Me Navy lui-même : « On vient me voir avec un problème, je tape sur le logiciel, j’ai 90% de chances de le perdre, donc je ne prends pas le dossier alors qu’en s’y penchant bien, je pourrais soulever un point particulier et gagner. » [503]

Directement concerné par ces soucis éthiques, Predictice a choisi :

  • de créer un Comité éthique et scientifique de la justice prédictive, dont les membres, des avocats et enseignants en droit [504], ont accès à l’application de Predictice
  • et de commander une étude à l’Ecole de droit de Sciences-Po [505], intitulée Les enjeux éthiques de la justice prédictive et rendue publique le 21 novembre 2018 [506]. Bien que le commanditaire de l’étude soit Predictice, les rédacteurs ont consulté et pris en compte l’ensemble des acteurs (legal techs comme éditeurs juridiques) présentant des solutions que l’on pourrait assimiler à de la justice prédictive. L’essentiel des recommandations de l’étude :
    • documenter les processus, les choix, les contenus et les échantillons (pp. 52-66 de l’étude). Par exemple, documenter le processus de constitution des bases de données utilisées pour la justice prédictive. Si les décisions sont différentes ou si elles ne sont pas enrichies et structurées de la même façon, les résultats, notamment les statistiques, devraient en effet être très différents. Documenter aussi la logique de constitution des échantillons d’apprentissage automatique. Etc. L’idée est celle d’une certaine transparence, pour permettre d’expliquer les différences de résultats entre outils. Si l’on y réfléchit, cela aurait pour avantage d’éviter de mettre en cause les fondements mêmes de la justice prédictive, et ainsi de protéger cette toute jeune activité
    • repenser le travail du juge, qui va clairement être tenté d’automatiser ses décisions (voir supra ce qu’expose Florence G’Sell, notamment l’exemple américain du logiciel Compass, souvent cité)
    • Philippe Glaser, associé du cabinet Taylor Wessing et associé à ces travaux, va plus loin, proposant de soumettre les algorithmes à une procédure d’audit réalisée par une institution une autorité administrative indépendante comme la CNIL, et, en attendant, faire adopter une charte éthique, que pour l’instant seul Predictice s’est engagé à suivre.

Les magistrats de l’ordre judiciaire interrogés par L. Godefroy [507]. sont nombreux à réclamer, comme le Conseil national des Barreaux (CNB) et l’Ordre des avocats de Paris, une certification des outils de justice prédictive pour assurer leur qualité et éviter des erreurs d’analyse. En 2018 et 2019, la certification obligatoire semblait même devenue une sorte d’incantation dans ces milieux. Tout en ressemblant beaucoup à une tentative de barrière normative aux legal tech. D’ailleurs, peu d’acteurs ont avancé sur le contenu technique d’une certification. Et résoudrait-elle pour autant tous les problèmes de la justice prédictive ?
La certification, pour l’instant, reste purement optionnelle. Pas d’obligation. C’est le résultat des débats législatifs sur la loi de réforme de la Justice [508], qui ont donné lieu à un intense lobbying. Le décret n° 2020-1682 du 23 décembre 2020 [509] entend préciser « les modalités de l’audit d’accréditation, de la suspension et du retrait de l’accréditation ainsi que les conséquences de la cessation d’activité de l’organisme certificateur ». Il est accompagné d’un arrêté du même jour. Le système, selon Dalloz Actualité, est d’une grande complexité et ne favoriserait pas les modes alternatifs de règlement des différends (MARD) en ligne. [510]. En annexe 1, figure le référentiel qui s’adresse aux organismes certificateurs souhaitant être accrédités pour délivrer la certification des services en ligne fournissant des prestations de conciliation, de médiation, ainsi qu’aux services en ligne souhaitant obtenir cette certification. En annexe 2, est publié le référentiel qui "s’adresse aux services en ligne fournissant lesdits services ainsi qu’aux organismes certificateurs délivrant le certificat". »

A noter que la Commission européenne pour l’efficacité de la justice (CEPEJ) vient d’adopter une étude de faisabilité sur la mise en place éventuelle d’un mécanisme de certification des outils et des services d’intelligence artificielle [511]. Cette étude se base sur la Charte de la CEPEJ concernant l’utilisation de l’intelligence artificielle dans les systèmes judiciaires et leur environnement, adoptée en décembre 2018. Le Conseil de l’Europe, s’il décidait la création d’un tel mécanisme, pourrait être un pionnier dans ce domaine. Après consultation de l’ensemble des Etats membres et observateurs, cette étude de faisabilité sera suivie d’un plan d’action que la CEPEJ préparera et transmettra au Comité des ministres du Conseil de l’Europe pour examen courant 2021.

Côté solutions, certains vont plus loin, en proposant voire exigeant que le code des applications sur lesquelles se fonde une décision de justice soit disponible en open source. Pour reprendre les mots de Michael Benesty : « la confiance que l’on placerait dans des outils de justice prédictive implique, au cours du processus, que le calculs et les caractéristiques du modèle de prédiction soient visibles et compréhensibles par le juriste, avocat ou magistrat, qui les emploie. Cela se traduit par une obligation de transparence sur les algorithmes, que garantit la libération en open source de la solution autant que par une vigilance et une expertise juridique sur les données mobilisées. » [512] Le code source de Supra Legem, l’application de M. Benesty, est déjà en open source [513].

Le magistrat Antoine Garapon, dans son entretien précité aux Petites Affiches, penche, de manière moins radicale, pour la création d’un service public chargé de contrôler le code source, sous condition de secret professionnel [514].

Jacques Lévy Véhel (Case Law Analytics) [515] est lui aussi favorable à un contrôle du code source par un tiers de confiance, mais il insiste surtout sur la vérification des résultats des logiciels par les juges.

Le magistrat administratif Marc Clément, plus réaliste à mon sens, estime quant à lui que la protection de la propriété intellectuelle des entreprises est un obstacle pur et simple à la divulgation, même limitée du code source, sans parler de sa compréhension.

Un article de la série Futurography sur Slate.com, propose une autre troisième voie entre secret et open source. Un amendement à loi fédérale américaine FOIA (Freedom Of Information Act [516]) donnerait le droit au public de soumettre des jeux de données tests à l’administration. Celle-ci devrait les passer à travers ses programmes et publier les résultats. Experts et journalistes pourraient alors calculer le taux d’erreur de ces algorithmes [517].

Enfin, selon un article d’Internet Actu [518], l’évolution des technologies d’IA pourrait permettre de sortir de l’opacité du fonctionnement de deep learning pour les humains. Algorithmes génétiques et IA symbolique, par exemple, peuvent être compris et débuggués. Il serait aussi possible de demander au programme d’expliquer ce qu’il fait.

En France, notre droit permet en tout cas de demander communication du code source des logiciels créés et utilisés par l’Administration, au titre de la communication des documents administratifs. La Commission d’accès au documents administratifs (CADA) [519] puis le tribunal administratif (TA) de Paris [520] l’ont confirmé à propos du logiciel simulant le calcul de l’impôt sur les revenus des personnes physiques. La DGFiP s’est résolu à s’y conformer l’an dernier, juste avant que le TA ne rende sa décision. La CADA a enfoncé le clou en 2016 en autorisant la communication à une association de lycéens du code source du logiciel Admission post bac (APB) [521]. Le Ministère de l’Education nationale s’y est conformé partiellement [522].

Ne pas oublier non plus que l’article 11 du règlement (européen) général de protection des données (RGPD), applicable en 2018, interdit toute décision automatisée qui affecterait significativement un citoyen européen et que les articles 12 et 14 créent, pour les autres décisions, un "droit à explication" [523]. Une décision de justice prédictive, par exemple [524]. Toutefois, si en dehors des décisions de justice, cela a de fortes chances de rester un principe sans application concrète, en vue de l’open data des décisions, la loi de réforme de la justice du 23 mars 2019 interdit expressément les

Enfin, du côté des structures privées (les cabinets d’avocats les premiers), les meilleures n’auront-elles pas intérêt à maintenir une expertise en recherche et veille afin de contrôler la pertinence des réponses ? Attention aux biais dans les contenus et les statistiques ... Pour le dire en anglais : « Content experts and data scientists needed ».

Conclusion : testez !

En conclusion, vu l’importance des enjeux et en même temps le fossé entre la com’ et les fantasmes d’une part et la réalité d’autre part, nous recommandons fortement de tester par soi-même ces nouvelles applications. Il est grand temps de déchirer le voile de hype et d’opacité de l’IA et que chacun se fasse sa propre opinion par lui-même.

En effet, il n’existe aucune démo gratuite en accès libre de Ross ni de Predictice ou Case Law Analytics (CLA), le site web du produit Ross est d’un vide intersidéral (le compte Twitter est beaucoup plus riche !) et les structures utilisatrices donnent très peu d’exemples d’utilisation ni de recherche et, à l’exception notable de CLA, aucun autre détail.

C’est là que la libre disponibilité de l’interface et du code source de Supra Legem remplissait son office : permettre au grand public de tester un outil de "justice prédictive".

Pour aller plus loin après ce billet, privilégiez :

Emmanuel Barthe
bibliothécaire documentaliste et veilleur juridique, spécialiste des moteurs de recherche pour le droit et des données juridiques publiques
licence en droit, Faculté de droit de Sceaux


Bibliographie

Les notes de bas de page (plus de 340) de ce long billet en composent la bibliographie. Une bibliographie en bonne et due forme représenterait trop de travail pour une publication qui reste après tout un exercice de vulgarisation et d’information.

Trois autres bibliographies très riches sur l’IA en droit français

Trois publications permettent toutefois d’accéder à des bibliographies extrêmement riches et beaucoup plus axées "juridique" que nos propres sources :

Les bibliographies de ces publications (placées comme toujours à la fin du document) comportent d’abord des références d’articles et ouvrages de juristes sur l’IA, les mathématiques, les statistiques et les algorithmes appliqués au droit (essentiellement français), mais aussi d’articles de mathématiciens, informaticiens et sociologues. Celle de l’ouvrage de Yanick Meneceur est disponible gratuitement en ligne (voir le lien) mais ne pas négliger les deux précédentes, plus complètes.

Une "webliographie" sélective et rapide sur Ross (2017)


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ... | 41

Dernières brèves