Culture IA pour les avocats : les bases sous le capot

Beaucoup d’avocats ne savent pas encore vraiment ce qu’un outil d’IA fait concrètement sur le plan technique.

Cette compréhension est pourtant importante. Non pas parce que chaque avocat devrait devenir développeur — contrairement à ce qui semble parfois devenir une tendance — mais parce que toute personne qui travaille avec l’IA et des plateformes d’IA doit comprendre ce que l’IA peut faire, ce qu’elle ne peut pas faire, pourquoi certaines réponses sont meilleures que d’autres, et pourquoi l’utilisation de l’IA ne peut pas être illimitée et gratuite.

Ces éléments sont importants pour la manière dont vous utilisez l’IA, mais aussi pour le choix des systèmes ou plateformes avec lesquels vous décidez de travailler.

Une plateforme d’IA ≠ un modèle d’IA

Tout d’abord : la plupart des plateformes d’IA juridique ne construisent pas elles-mêmes leur propre modèle fondationnel complet. En arrière-plan, ces outils travaillent généralement avec de grands modèles de langage existants, comme ceux d’OpenAI, Anthropic, Google ou d’autres fournisseurs. Ces modèles sont aussi appelés LLM : Large Language Models.

Les plateformes juridiques construisent différentes couches entre l’avocat et le modèle. Cette couche détermine comment les documents sont téléchargés, comment un dossier est analysé, quelles pièces ou quels passages sont considérés comme pertinents, quelles instructions sont données au modèle, comment la réponse est construite et comment le résultat est ensuite présenté à l’utilisateur.

La qualité d’une plateforme d’IA juridique ne dépend donc pas uniquement du “modèle d’IA” utilisé en arrière-plan. La vraie valeur se trouve souvent dans tout ce qui l’entoure : la sélection du bon contexte, la formulation d’instructions spécifiques, l’intégration du workflow juridique, l’utilisation du bon ensemble de sources, la manière dont les documents sont découpés, le contrôle des hallucinations, la construction d’un raisonnement juridique correct, l’enchaînement logique des actions, la vitesse de traitement, la facilité d’utilisation et l’expérience utilisateur.

Qu’est-ce qu’un “appel” à un modèle d’IA ?

Lorsqu’un avocat pose une question comme “résume ce dossier” ou “rédige un argument”, beaucoup de choses se passent en arrière-plan.

La question de l’utilisateur est d’abord transformée en instruction claire. Cette instruction ne contient pas seulement la question elle-même, mais aussi des indications sur le style souhaité, la structure, le rôle de l’IA, la langue, l’utilisation des sources et les limites à respecter. La plateforme doit ensuite déterminer quelles informations du dossier sont pertinentes. Il peut s’agir d’e-mails, de courriers, de contrats, de procès-verbaux, de rapports d’expertise, de sources juridiques ou d’autres pièces.

Ensuite, un ensemble d’informations est constitué et envoyé au modèle de langage. Cet ensemble peut contenir l’instruction donnée au modèle, la question de l’avocat, les passages pertinents du dossier, d’éventuelles sources juridiques et parfois des étapes ou analyses intermédiaires antérieures.

L’ensemble est transmis au modèle de langage via une connexion technique, une API. Le modèle traite l’input et génère une réponse. Cette réponse revient ensuite à la plateforme, qui l’affiche à l’utilisateur, éventuellement avec une mise en forme, des références aux sources ou des contrôles supplémentaires.

Cette interaction est souvent appelée un “appel” au modèle. Mais une seule action dans une plateforme d’IA juridique peut en réalité contenir de nombreux appels. Un résumé d’un dossier volumineux peut par exemple être préparé document par document, puis fusionné, ensuite contrôlé, et seulement après transformé en texte final.

L’IA ne compte pas en pages, mais en tokens

Pour un avocat, un dossier ressemble à un ensemble de documents. Pour un modèle d’IA, cette même information est composée de tokens.

Un token est un morceau de texte. Il peut s’agir d’un mot, d’une partie d’un mot, d’un signe de ponctuation ou d’un espace. Le coût de nombreux modèles d’IA est calculé sur la base du nombre de tokens envoyés au modèle et du nombre de tokens que le modèle renvoie.

C’est important. Une question courte avec une réponse courte coûte très peu. Mais une question juridique pour laquelle la plateforme doit d’abord transmettre des centaines de pages de contenu coûte beaucoup plus cher. Non pas parce que la question paraît complexe, mais parce que le modèle doit traiter beaucoup plus de texte.

Dans les dossiers juridiques, cela peut vite représenter un volume important. Des conclusions, des dossiers de pièces, des chaînes d’e-mails, des rapports d’expertise et de la documentation contractuelle peuvent ensemble représenter une très grande quantité de texte. Si l’IA doit également tenir compte de jurisprudence, de doctrine ou d’analyses antérieures, l’input devient encore plus important.

La fenêtre de contexte : quelle quantité d’information un modèle d’IA peut-il traiter ?

Chaque modèle d’IA dispose d’une “fenêtre de contexte”. Il s’agit de la quantité maximale d’information que le modèle peut traiter en une seule fois.

On peut comparer cela au bureau d’un avocat. Plus le bureau est grand, plus il est possible d’y déposer de pièces en même temps. Mais même un grand bureau a ses limites. Et plus il y a de pièces dessus, plus il devient difficile de retrouver rapidement le passage précis qui est réellement pertinent.

Avec l’IA, c’est similaire. Certains modèles modernes peuvent aujourd’hui traiter de plus grandes quantités de texte en une seule fois. Mais pouvoir intégrer beaucoup de contexte n’est pas la même chose que toujours comprendre parfaitement ce qui est pertinent, alors que c’est précisément crucial dans les dossiers juridiques. Un dossier contient souvent beaucoup de bruit : e-mails en double, annexes, anciennes versions, correspondances non pertinentes, pièces de procédure qui se contredisent, documents techniques et documents sans structure claire.

Une bonne plateforme d’IA ne doit donc pas simplement envoyer le plus de texte possible au modèle. Elle doit surtout être capable d’envoyer les bons passages, au bon moment.

Pourquoi la fenêtre de contexte est l’un des grands défis de l’IA

La fenêtre de contexte est souvent présentée comme une limite technique : quelle quantité de texte un modèle d’IA peut-il traiter en une seule fois ? Mais dans la profession d’avocat, c’est bien plus que cela. C’est l’un des problèmes centraux sur lesquels les bonnes plateformes d’IA juridique se distinguent.

Un modèle ne peut répondre que sur la base de ce qu’il “voit” à ce moment-là. Il ne comprend pas automatiquement l’ensemble du dossier comme un avocat le fait après plusieurs jours ou semaines d’étude. Lorsqu’une plateforme envoie une question au modèle, elle doit donc décider quels documents, passages, analyses antérieures ou sources juridiques seront inclus. Tout ce qui n’est pas inclus ne peut, en principe, pas être utilisé par le modèle. Tout ce qui est inclus prend de la place dans la fenêtre de contexte.

C’est là que commence la difficulté. Dans un dossier juridique, tous les documents n’ont pas la même importance. Tous les passages ne sont pas pertinents. Et parfois, une seule phrase dans un e-mail ou un détail dans une annexe peut être décisif. Une plateforme qui envoie simplement “beaucoup de documents” au modèle ne fonctionnera donc pas nécessairement mieux. Au contraire : trop de contexte peut rendre le modèle plus lent, plus coûteux et parfois même moins précis.

Lorsqu’un avocat rédige des conclusions, il ne reprend pas non plus chaque document comme pièce. La vraie question est de savoir quelles pièces sont pertinentes pour l’argument concret, quels passages ont une valeur probante, quels documents se contredisent et quelles informations sont juridiquement décisives à ce moment-là. Un bon avocat ne lit pas seulement beaucoup ; il sélectionne, ordonne et pondère. Une bonne plateforme d’IA doit faire exactement la même chose.

La limite de la fenêtre de contexte joue à plusieurs niveaux.

Premièrement, il y a la limite technique stricte. Chaque modèle a un maximum d’input et d’output. L’input comprend la question, les instructions, le contexte du dossier et d’éventuelles sources juridiques. L’output est la réponse que le modèle rédige. Si l’input devient trop volumineux, il faut couper, résumer ou sélectionner.

Deuxièmement, il y a le coût. Plus le contexte envoyé au modèle est important, plus le nombre de tokens traités est élevé. Envoyer l’intégralité d’un grand dossier n’est donc pas seulement difficile techniquement, c’est aussi économiquement inefficace. Dans un environnement juridique, où les dossiers contiennent souvent des centaines ou des milliers de pages, cela peut rapidement avoir un impact important sur le coût d’utilisation.

Troisièmement, il y a la vitesse. Un modèle qui doit traiter beaucoup de contexte a besoin de plus de temps. Pour un avocat, c’est essentiel. Une plateforme qui peut théoriquement traiter tout un dossier, mais qui met plusieurs minutes à répondre à chaque question, devient moins utile dans la pratique quotidienne. La vitesse n’est pas un luxe ; elle détermine si l’outil s’intègre réellement dans le workflow.

Quatrièmement, il y a la qualité du raisonnement. Une fenêtre de contexte plus grande ne signifie pas automatiquement que le modèle utilise toutes les informations de manière aussi pertinente. Lorsque beaucoup d’informations sont fournies en même temps, les détails importants peuvent être noyés. Le modèle peut techniquement avoir accès au bon passage, mais ne pas le repérer correctement ou ne pas lui accorder le poids nécessaire.

C’est pourquoi le véritable défi n’est pas seulement de savoir “combien de contexte” une plateforme peut traiter, mais surtout “quel contexte” elle sélectionne.

Les bons outils d’IA juridique travaillent énormément sur cette question. Ils ne tentent pas de donner le dossier au modèle comme une grande masse de texte. Ils construisent des couches intermédiaires qui structurent d’abord le dossier. Les documents sont découpés, reconnus, indexés, résumés, dédupliqués et liés à des métadonnées comme la date, l’auteur, le type de document ou le thème pertinent. Lorsque l’avocat pose ensuite une question, la plateforme essaie d’abord de retrouver le bon contexte avant que le modèle ne formule une réponse.

Ce processus s’appelle le “retrieval” : la récupération ciblée d’informations pertinentes dans un ensemble de données plus large. Mais dans les dossiers juridiques, le retrieval est particulièrement difficile. Un simple mot-clé ne suffit souvent pas. Un document pertinent peut utiliser d’autres termes que ceux de la question posée par l’avocat. Un fait important peut être caché dans une annexe. Un argument juridique peut dépendre de la combinaison de plusieurs pièces. Et parfois, l’absence d’un document ou d’un élément de preuve est aussi importante que ce qui se trouve effectivement dans le dossier.

C’est pourquoi les bons outils doivent aller au-delà d’une simple technologie de recherche. Ils doivent comprendre quelles informations peuvent être juridiquement pertinentes, quels documents sont liés entre eux, quelle chronologie ressort du dossier et quels passages peuvent soutenir la réponse. Ils doivent aussi éviter que le modèle comble lui-même les lacunes lorsque le bon contexte manque.

La fenêtre de contexte n’est donc pas un détail. Elle détermine directement la fiabilité de la réponse juridique.

Une plateforme qui sélectionne le mauvais contexte peut produire une réponse très bien rédigée mais juridiquement inutilisable. Une plateforme qui envoie trop de contexte peut devenir lente et coûteuse. Une plateforme qui envoie trop peu de contexte manque de nuance. Et une plateforme qui ne rend pas le contexte vérifiable ne permet pas à l’avocat de contrôler efficacement la réponse.

C’est pourquoi les meilleures plateformes d’IA juridique ne seront pas nécessairement celles qui disposent de la plus grande fenêtre de contexte. Ce seront celles qui savent le mieux gérer ce contexte : ce qu’il faut retrouver, ce qu’il faut ignorer, ce qu’il faut résumer, ce qu’il faut citer littéralement et ce qu’il faut montrer à l’avocat comme source vérifiable.

Pour les avocats, c’est un enseignement important. Lorsqu’on évalue un outil d’IA, il ne suffit pas de demander quel modèle d’IA se trouve derrière. Il est au moins aussi important de se demander : comment l’outil traite-t-il mon dossier ? Comment recherche-t-il dans mes documents ? Comment sélectionne-t-il les passages pertinents ? Puis-je vérifier sur quoi la réponse est fondée ? Et comment l’outil évite-t-il que du contexte important soit perdu ?

La fenêtre de contexte n’est donc pas seulement une limite technique. C’est l’une des questions de conception centrales de l’IA juridique. Celui qui résout bien ce problème ne construit pas un chatbot, mais une véritable infrastructure juridique.

Qu’est-ce que cela signifie pour les avocats ?

Les avocats doivent donc être conscients de la manière dont les outils d’IA gèrent ces aspects techniques. À première vue, beaucoup d’outils peuvent se ressembler : une fenêtre de chat, la possibilité de télécharger des documents, de générer des résumés et de rédiger des textes. Mais les véritables différences se trouvent souvent sous le capot. Comme pour les voitures, la carrosserie peut sembler similaire, alors que c’est le moteur qui fait toute la différence. Pour les outils d’IA, cela concerne la manière dont les documents sont traités, dont le contexte est sélectionné, dont les appels au modèle sont orchestrés, dont les références aux sources sont contrôlées et dont les coûts et la vitesse sont maîtrisés. Ce ne sont pas des détails. Dans les dossiers juridiques, ce sont précisément ces choix qui déterminent si un outil produit seulement un texte fluide ou s’il soutient réellement un travail juridique fiable.

La culture IA ne signifie pas que les avocats doivent maîtriser les détails techniques. Mais ils doivent en comprendre les bases.

Lorsqu’une plateforme d’IA fournit une réponse, cette réponse ne vient pas de nulle part. Elle est le résultat d’une chaîne : les documents sont traités, le contexte est sélectionné, un modèle est instruit, des tokens sont consommés, des réponses sont générées et la plateforme tente de rendre tout cela utilisable dans un workflow juridique.

Cette compréhension aide les avocats à poser de meilleures questions. Elle les aide aussi à évaluer plus correctement les résultats produits par l’IA. Un avocat doit se demander : sur quels documents cette réponse est-elle fondée ? Quel contexte l’IA a-t-elle vu ? Les références aux sources sont-elles vérifiables ? La réponse est-elle complète ? La plateforme a-t-elle recherché dans l’ensemble du dossier ou seulement dans une sélection ? S’agit-il d’un premier projet ou d’un produit juridique final ?

L’IA n’est pas magique. L’IA est une infrastructure. Et comme pour toute infrastructure, la qualité, la vitesse, la fiabilité et le coût sont le résultat de choix effectués en coulisses.

Ceux qui comprennent cela utiliseront mieux l’IA. Et ceux qui utilisent mieux l’IA seront de meilleurs avocats.

‍