L’IA juridique n’a pas commencé avec les LLM

L’histoire récente de l’intelligence artificielle juridique est souvent racontée comme si elle avait commencé avec les modèles de langage. Le récit est compréhensible. Pour la première fois, une machine peut lire un dossier, dialoguer avec un juriste et produire en quelques secondes un texte qui ressemble à une analyse.

Les questions essentielles sont pourtant beaucoup plus anciennes. Comment représenter un concept juridique ? Une règle peut-elle être exécutée ? Que faire des exceptions, des précédents, des conflits de normes et des faits qui ne sont pas établis ? Le domaine AI & Law étudie ces problèmes depuis plus de cinquante ans.

Cette histoire ne relativise pas l’apport des LLM. Elle permet de mieux comprendre ce qu’ils ont réellement changé, et ce qu’ils n’ont pas encore résolu.

Avant la génération, la question de la signification

En France, l’informatique juridique ne s’est pas limitée aux premières banques de données. À la fin des années 1970, Pierre Catala interroge déjà les rapports entre informatique et rationalité du droit. L’automatisation de l’information juridique ne démontre pas que le droit lui-même serait réductible à un calcul.^[1]

Danièle Bourcier formule presque au même moment une distinction qui reste centrale. Le mot peut être indexé. Le concept juridique ne se laisse pas restituer aussi facilement. Dans son étude de 1979, elle examine précisément la distance entre information et signification, et rappelle qu’un modèle de description automatisable ne permet pas de conclure à une rationalité mécanique de la décision.^[2]

Le problème contemporain du RAG apparaît déjà en filigrane. Retrouver une occurrence, un article ou une décision ne suffit pas à reconstituer le concept auquel le juriste rattache ces textes. L’accès à la matière et la représentation de sa signification sont deux opérations différentes.

La fiscalité a très tôt servi de laboratoire

TAXMAN, développé par L. Thorne McCarty au début des années 1970 puis présenté dans la Harvard Law Review en 1977, porte sur le traitement fiscal de réorganisations de sociétés.^[3] Le choix de la fiscalité n’est pas anodin. Elle offre des règles détaillées, des catégories techniques et des conséquences que l’on peut tenter de formaliser.

L’intérêt du projet dépasse toutefois le calcul d’un résultat fiscal. Construire le programme oblige à déterminer ce que recouvrent les concepts mobilisés, comment ils se relient et dans quelles circonstances ils produisent une conséquence. L’échec d’une représentation devient alors une information sur le droit lui-même.

Cette démarche inverse la promesse commerciale habituelle. Le système n’est pas seulement construit pour répondre. Il sert aussi à révéler ce qui doit être compris avant qu’une réponse puisse être produite.

Une loi peut parfois devenir un programme logique

En 1986, Marek Sergot, Fariba Sadri, Robert Kowalski et leurs coauteurs publient une formalisation d’une partie du British Nationality Act sous la forme d’un programme logique.^[4] Des faits sont confrontés à des règles pour déterminer les voies d’acquisition de la nationalité prévues par le texte.

L’expérience établit qu’une partie substantielle d’une législation relativement structurée peut être rendue exécutable. Elle fait également apparaître les difficultés qui accompagneront toute l’histoire du domaine : exceptions, priorités, négation, notions ouvertes, évolutions temporelles et articulation avec des éléments extérieurs au texte formalisé.

La possibilité de programmer une disposition ne signifie donc pas que toute question juridique est programmable de la même manière. Certaines normes décrivent presque un calcul. D’autres organisent une appréciation, une preuve ou une mise en balance. Entre les deux se trouve une grande partie du droit positif.

Le précédent ne se réduit pas à une règle générale

Les travaux sur HYPO, puis CATO, suivent une autre voie. Il ne s’agit plus seulement d’appliquer des règles préalablement formalisées, mais de représenter les facteurs qui rapprochent ou distinguent des affaires et de construire des arguments à partir des précédents. La rétrospective consacrée à HYPO montre l’influence durable de cette approche sur le raisonnement par cas en AI & Law.^[5]

Cette branche de recherche rappelle une évidence juridique que l’automatisation documentaire masque facilement. Une décision antérieure n’est pas une règle dont il suffirait de retrouver les mots. Sa portée dépend des faits retenus, des distinctions possibles, du niveau de généralité choisi et de l’argument que l’on construit à partir d’elle.

La machine ne doit donc pas seulement retrouver le précédent le plus proche. Elle doit être capable d’expliquer ce qui rend le rapprochement juridiquement pertinent et ce qui pourrait justifier une solution différente.

Les LLM changent l’échelle, pas la nature du problème

Les modèles de langage ont profondément modifié l’interface. Ils peuvent lire des textes non structurés, rapprocher des formulations, extraire des éléments, traduire et expliquer. Ils réduisent aussi le coût d’entrée de travaux qui exigeaient auparavant une programmation spécialisée.

Mais ils n’ont pas supprimé les objets identifiés par les recherches antérieures. Il faut encore distinguer le mot du concept, la source de la règle, la règle de son applicabilité, le texte du précédent et l’argument que l’on en tire. Il faut toujours connaître les faits pertinents, représenter les exceptions et conserver l’incertitude.

Le changement décisif tient peut-être à la combinaison devenue possible. Les LLM apportent une capacité linguistique qui manquait aux systèmes symboliques. Les cinquante années précédentes apportent, en retour, des méthodes pour représenter, contrôler et discuter ce que le modèle formule.

L’IA juridique n’a pas commencé avec les LLM. Elle entre avec eux dans une nouvelle période d’une recherche beaucoup plus ancienne : déterminer ce qu’une machine doit représenter pour ne pas seulement parler du droit, mais raisonner juridiquement à partir de lui.