Réforme de l’État — Plan de Rupture
Le dossier fondateur : finances publiques, structures, calendrier et mesures.
Voir le livre et la lecture gratuite →MESURE 4.04 · DOSSIER CANONIQUE JUSTICE
Recherche de jurisprudence assistée par IA : accélérer l’exploration du droit sans inventer de références
La mesure transforme la recherche jurisprudentielle en service documentaire vérifiable : corpus officiel, références ouvrables, contrôle humain et interdiction de noter les magistrats.
Décision humaineLa technologie assiste ; la responsabilité demeure attribuée.
Preuve au point d’usageDroit, données et chiffres rattachés à leurs sources.
Plan de repliLa mesure doit rester exécutable si une voie échoue.
Pourquoi la recherche jurisprudentielle est un bon premier usage de l’IA
La recherche de jurisprudence est une tâche de connaissance avant d’être une tâche de décision. Un magistrat, un greffier ou un juriste doit identifier les textes applicables, retrouver les décisions pertinentes, vérifier leur date, leur juridiction, leur portée et les éventuels revirements. Une assistance technique peut accélérer cette exploration sans pour autant dire qui a raison dans l’affaire. C’est précisément ce qui rend la mesure 4.04 intéressante : elle vise d’abord un travail préparatoire où l’erreur reste détectable avant qu’un effet juridique ne soit produit.
Le bénéfice attendu n’est pas de substituer une réponse statistique au raisonnement juridique. Il est de réduire le temps consacré à retrouver, ouvrir, comparer et classer des décisions déjà accessibles. Le système doit donc être conçu comme un moteur de recherche augmenté : il propose des références, explique pourquoi elles paraissent pertinentes et donne accès à la décision source. Une phrase générée sans référence vérifiable n’a aucune valeur probatoire dans ce dispositif.
Le critère de réussite est simple : le professionnel doit pouvoir retrouver plus vite les sources utiles tout en conservant la possibilité de contrôler chaque citation. Si l’outil devient une boîte noire qui résume le droit sans montrer les décisions, il échoue même s’il paraît fluide.
Le risque central : inventer une jurisprudence qui n’existe pas
Les modèles génératifs savent produire des formulations juridiquement plausibles. Cette qualité devient un danger lorsque le système invente une référence, mélange deux décisions ou attribue à un arrêt une solution qu’il ne contient pas. Dans un moteur destiné à la justice, la règle doit donc être plus sévère que dans un assistant généraliste : aucune proposition de jurisprudence ne peut être affichée comme source si le document officiel n’est pas effectivement présent dans le corpus et relié à la réponse.
La protection doit être technique, pas seulement éditoriale. Une architecture fiable sépare la recherche documentaire du texte généré : le moteur interroge d’abord un corpus identifié, récupère des décisions avec leurs métadonnées, puis autorise l’IA à résumer uniquement les documents retrouvés. Chaque résumé conserve un lien vers le texte source, une date, une juridiction et un identifiant. Si la recherche ne trouve rien, l’outil doit savoir répondre « aucune décision suffisamment pertinente retrouvée » plutôt que compléter le silence par une invention.
La mesure impose également un bouton de signalement directement dans l’interface. Toute référence erronée alimente un registre d’incidents, avec correction du corpus, analyse de la cause et suivi du taux de faux positifs.
Le droit de l’open data judiciaire fixe déjà des limites essentielles
La France met à disposition du public des décisions de justice sous forme électronique. Mais cette ouverture est entourée de règles de protection des personnes et de restrictions de réutilisation. Le code de l’organisation judiciaire interdit notamment d’utiliser les données d’identité des magistrats et des membres du greffe pour évaluer, analyser, comparer ou prédire leurs pratiques professionnelles réelles ou supposées. La même logique existe pour les décisions administratives.
Cette limite change la conception du moteur. Il peut rechercher des solutions juridiques, des moyens, des textes cités, des évolutions de jurisprudence ou des catégories de contentieux. Il ne doit pas se transformer en classement individuel des juges, en « taux de sévérité » personnel ou en prédiction de la décision d’un magistrat nommé. La recherche porte sur le droit et les décisions ; elle ne fabrique pas un marché de notation des personnes qui rendent la justice.
Le décret n° 2021-1276 crée au Conseil d’État et à la Cour de cassation les traitements « Décisions de la justice administrative » et « Judilibre » afin de diffuser les décisions de justice et de conserver les données nécessaires à cette diffusion.
Interprétation / proposition Delta-Sierra : Le décret relatif aux traitements « Décisions de la justice administrative » et « Judilibre » fournit en outre un cadre concret d’accès et de diffusion des décisions. Delta-Sierra s’appuie sur cette infrastructure publique plutôt que de constituer un corpus opaque par aspiration non documentée.
Architecture technique : corpus officiel, index, recherche, justification
Le système comporte quatre couches séparées. La première est le corpus : décisions provenant de sources publiques identifiées, avec date d’intégration et règles d’occultation. La deuxième est l’index documentaire, qui permet une recherche lexicale et sémantique. La troisième est le classement : l’outil ordonne les résultats selon leur pertinence sans supprimer la possibilité de voir des résultats moins bien classés. La quatrième est l’explication : une synthèse peut être produite, mais elle doit rester adossée aux documents cités.
Cette séparation permet d’auditer les erreurs. Une mauvaise réponse peut provenir d’un document absent, d’un index défectueux, d’un classement inadapté ou d’un résumé infidèle. Si toutes ces fonctions sont enfermées dans un modèle unique, il devient presque impossible de savoir où corriger. La souveraineté technique se joue aussi ici : l’État doit pouvoir changer de modèle de langage sans perdre son corpus, son index, son historique et ses critères de classement.
Le moteur doit aussi conserver la version du corpus utilisée pour une recherche sensible. Lorsqu’une décision est ultérieurement annulée, requalifiée ou remplacée dans la hiérarchie des sources, l’historique permet de comprendre ce qui était effectivement disponible au moment de l’assistance.
Droit de l’intelligence artificielle au 12 août 2026
La qualification juridique dépend de la fonction réelle du système. Une recherche documentaire étroite, qui ne décide pas et ne remplace pas l’évaluation humaine, n’est pas analysée de la même manière qu’un système influençant directement une décision judiciaire. Le règlement européen sur l’intelligence artificielle prévoit d’ailleurs des distinctions selon le risque et la fonction. Le règlement (UE) 2026/1744 a reporté au 2 décembre 2027 l’application de plusieurs obligations détaillées du chapitre III pour les systèmes classés à haut risque au titre de l’article 6, paragraphe 2, et de l’annexe III.
Delta-Sierra ne propose pas d’attendre cette date pour travailler sérieusement. Dès le pilote, le marché impose un registre des versions, un protocole de tests, la mesure des erreurs, la supervision humaine, une documentation du corpus, une réversibilité et une procédure d’arrêt. Ce choix volontaire distingue le minimum juridique de la doctrine de sécurité publique : une obligation peut ne pas être encore arrivée à sa date d’application et être néanmoins pertinente dès aujourd’hui pour sécuriser un projet.
Le dispositif doit toujours être relue à la date du déploiement. Le droit de l’IA est évolutif ; la mention « applicable au 12 août 2026 » évite de transformer une photographie juridique en vérité intemporelle.
Démonstration financière : distinguer valeur de temps et économie budgétaire
Le Plan de Rupture associe historiquement 150 millions d’euros par an à la recherche jurisprudentielle assistée. la présente édition ne transforme pas ce nombre en économie budgétaire certaine par simple répétition. Une recherche plus rapide produit d’abord un gain de capacité : des heures professionnelles deviennent disponibles pour l’analyse, l’audience, la rédaction ou le traitement d’un stock. Ce gain n’est une économie de crédits que si une dépense diminue réellement ou si un achat externe est évité.
La formule publique est donc : valeur annuelle de capacité libérée = nombre de recherches concernées × minutes réellement économisées par recherche ÷ 60 × coût horaire chargé du temps professionnel. Le symbole × signifie multiplication et le symbole ÷ division. Cette formule peut être calculée dès qu’un pilote mesure les quatre variables ; elle n’autorise pas à inventer leur valeur avant observation. Pour le budget, une seconde formule s’applique : économie budgétaire nette = dépenses effectivement supprimées + achats externes évités − coût annuel de la solution − coûts résiduels.
Le chiffre de 150 millions d’euros reste ainsi un ordre de grandeur historique du Plan, classé comme gain potentiel, tandis que le tableau de bord public affiche séparément capacité libérée, dépenses évitées et coût de l’outil. Cette séparation empêche le double compte avec 4.02 et 4.03.
Déploiement : commencer par un corpus fermé et des cas tests
Le Plan A lance le moteur sur des usages de recherche interne, avec un corpus officiel, des professionnels volontaires et une batterie de questions de référence. Avant toute généralisation, on mesure le taux de références exactes, le taux de documents pertinents retrouvés, le temps de recherche, la proportion de résultats rejetés et la compréhension de l’interface. Un groupe témoin travaillant avec les outils existants permet de distinguer un véritable gain d’un simple effet de nouveauté.
Le pilote doit couvrir plusieurs matières afin d’éviter un biais de sélection : une technologie excellente sur un corpus homogène peut être moins robuste lorsque les décisions sont anciennes, peu structurées ou utilisent un vocabulaire différent. Le déploiement s’élargit seulement lorsque les résultats sont documentés, publiés dans un format compréhensible et jugés acceptables par les utilisateurs responsables de la décision finale.
Les achats publics doivent prévoir la portabilité de l’index, des journaux d’incidents et des paramètres d’usage. Une administration ne doit pas devoir reconstruire tout son corpus parce qu’elle change de fournisseur de modèle.
Plan A / Plan B / Plan C
Plan A. Pilote sur corpus officiel fermé, puis extension progressive après tests comparatifs.
Plan B. Si le moteur génératif est trop instable, conserver l’index sémantique et supprimer la génération : la recherche augmentée reste utile sans résumé automatique.
Plan C. Si l’externalisation crée une dépendance excessive, basculer vers une plateforme publique ou un marché multi-fournisseurs, sans perdre le corpus ni les journaux.
Objections : biais de corpus, surconfiance et uniformisation
Une base de jurisprudence reflète les décisions rendues et publiées ; elle ne constitue pas une vérité statistique neutre sur toutes les situations qui auraient pu être jugées. Certains contentieux sont plus publiés, certaines périodes mieux numérisées, certaines matières plus riches. L’interface doit donc rappeler le périmètre du corpus et signaler les zones où le moteur dispose de peu de matière.
Le second risque est la surconfiance. Une interface fluide donne facilement l’impression que le résultat le mieux classé est « la bonne réponse ». Or le droit peut être discuté, dépendre d’un fait précis ou comporter des décisions divergentes. Le moteur doit favoriser la pluralité des sources : décisions de niveaux différents, textes, éventuelles évolutions et dates. Le professionnel doit voir les contre-indications, pas seulement la conclusion la plus probable.
Enfin, une recherche qui suggère toujours les mêmes références pourrait appauvrir le raisonnement collectif. Les tests doivent donc mesurer la diversité des sources mobilisées et permettre une recherche manuelle indépendante. L’outil est un accélérateur d’exploration, pas un mécanisme d’uniformisation du raisonnement judiciaire.
Indicateurs : ce que le public doit pouvoir vérifier
Les indicateurs essentiels sont documentaires : part des références proposées qui existent réellement ; part des références dont le résumé est fidèle ; temps médian de recherche ; taux de résultats finalement utilisés ; taux d’incidents signalés ; délai de correction d’un incident ; part du corpus couverte par les sources officielles. À cela s’ajoute une mesure d’usage : proportion de recherches où l’utilisateur ouvre effectivement la décision source avant de la citer.
Le tableau de bord ne publie aucune notation individuelle de magistrat. Les résultats sont agrégés par type d’usage, matière et version technique. Cette précaution protège l’indépendance et respecte l’interdiction de réutilisation des données d’identité pour évaluer ou prédire les pratiques professionnelles.
Une mesure est réussie si le temps de recherche baisse sans dégrader le taux d’erreur, si les professionnels conservent une diversité de sources et si les incidents diminuent au fil des versions. Si seule la vitesse progresse, le projet ne peut pas être déclaré réussi.
Synthèse de décision : ce qui doit être écrit dans le marché public
Le cahier des charges doit nommer le corpus autorisé, le responsable de sa mise à jour, les règles d’occultation, les métadonnées obligatoires, la méthode de recherche, l’accès au document source, la journalisation, les critères de test et la réversibilité. Il doit interdire les références sans document vérifiable et les fonctionnalités de notation individuelle des magistrats. Il doit également fixer la procédure de correction lorsqu’une référence est fausse ou obsolète.
La page canonique ne promet donc pas une « IA qui connaît la jurisprudence ». Elle décrit une infrastructure documentaire contrôlée, dans laquelle une IA peut aider à interroger et résumer des sources officielles sous responsabilité humaine. Cette formulation est plus exigeante techniquement, mais elle est aussi beaucoup plus crédible juridiquement.
La règle finale tient en une phrase : si la décision source ne peut pas être ouverte, la suggestion ne peut pas être utilisée comme jurisprudence. C’est cette contrainte simple qui transforme un assistant conversationnel en véritable outil professionnel de recherche.
Cas pratique : rechercher un revirement sans laisser le moteur conclure à la place du juriste
Prenons une question classique : une partie invoque une décision ancienne dont la portée a pu évoluer. Le moteur doit d’abord retrouver la décision citée, puis identifier les textes et décisions ultérieures qui la mentionnent. Il peut organiser cette chaîne par date et par niveau de juridiction, mais il ne doit pas annoncer « jurisprudence abandonnée » uniquement parce que le vocabulaire a changé. Cette qualification demande une lecture juridique des décisions pertinentes.
L’interface idéale montre trois colonnes : décision invoquée, décisions ultérieures retrouvées, points à vérifier. Le professionnel peut ouvrir chaque texte, ajouter une référence manuelle et écarter un résultat. La conclusion finale du dossier ne contient que les références effectivement retenues par le juriste. Le système conserve néanmoins les suggestions écartées pour évaluer la qualité du moteur, sans les présenter comme des sources de la décision.
Ce cas pratique montre pourquoi la recherche assistée est compatible avec l’indépendance : elle élargit et accélère l’accès au matériau, mais la qualification juridique reste humaine. Une IA documentaire est utile lorsqu’elle rend les sources plus accessibles ; elle devient dangereuse lorsqu’elle transforme son classement en doctrine juridique implicite.
Approfondissement : une IA de jurisprudence doit prouver chaque référence qu’elle avance
La recherche jurisprudentielle est un cas d’usage particulièrement intéressant parce qu’elle peut être extrêmement utile tout en restant facilement vérifiable. La règle fondamentale est la suivante : le système n’est pas une source de droit ; il est un outil d’accès à des sources de droit. Toute réponse doit donc être accompagnée d’une référence consultable et d’un extrait permettant au juriste de revenir au texte original.
Séparer recherche, classement et génération
Trois fonctions différentes sont souvent confondues. La recherche retrouve des décisions ; le classement les ordonne ; la génération rédige une synthèse. Plus on avance dans cette chaîne, plus le risque d’erreur augmente. Le programme doit pouvoir fonctionner en mode « recherche seule » lorsque l’utilisateur veut éviter toute reformulation. Une synthèse générée ne doit jamais masquer la liste des décisions qui la fondent.
Un mécanisme robuste peut être décrit par Q → C → R → V. Q est la question de l’utilisateur, C le corpus officiel interrogé, R les résultats retrouvés et V la vérification par le professionnel. Une génération de texte peut se placer entre R et V, mais elle ne doit jamais supprimer le passage par les documents sources.
Tester la recherche sur des questions dont la réponse est déjà connue
Avant déploiement, il faut constituer un jeu de cas de référence. Des magistrats, greffiers, avocats et universitaires sélectionnent des questions et les décisions attendues. L’outil est évalué sur sa capacité à retrouver ces décisions, mais aussi à ne pas promouvoir des résultats hors sujet. La qualité doit être testée après chaque mise à jour du moteur ou du corpus.
Le score utile n’est pas seulement « la bonne décision apparaît-elle ? ». Il faut également savoir à quel rang elle apparaît, combien de décisions pertinentes sont oubliées et combien de références proposées sont trompeuses. Un outil qui trouve le bon arrêt en cinquantième position peut être techniquement correct mais pratiquement inutile.
Protéger la diversité du raisonnement juridique
Un moteur de recommandation peut créer un effet de concentration : les décisions déjà souvent citées remontent davantage, donc sont encore davantage citées. Pour limiter cet effet, l’interface doit permettre de varier les critères : date, juridiction, matière, niveau de juridiction, proximité textuelle ou importance juridique. Elle doit également signaler que l’absence d’une décision dans les premiers résultats ne signifie pas qu’elle n’existe pas.
Le système ne doit pas produire de classement public des magistrats ni utiliser les données de décisions pour évaluer individuellement leurs pratiques lorsque la loi l’interdit. La recherche porte sur la jurisprudence et le droit, pas sur un palmarès des personnes.
Rendre la provenance visible dans l’interface
Chaque résultat doit afficher au minimum la juridiction, la date, l’identifiant de la décision, le lien vers la source officielle et le passage ayant motivé la sélection. Si une décision n’est pas disponible dans une base officielle, son statut doit être clairement distingué. Une citation sans identifiant stable ne doit pas être présentée comme certaine.
Le gain attendu est alors mesurable : temps de recherche avant/après, taux de décisions pertinentes retrouvées, taux de références erronées, corrections humaines et satisfaction des utilisateurs. Comme pour les autres outils judiciaires, un gain de temps devient une économie budgétaire uniquement si une dépense disparaît effectivement ; sinon, il constitue une amélioration de capacité ou de qualité.
Analyse opérationnelle : Chaque référence proposée doit être immédiatement vérifiable
Comment accélérer l’exploration des décisions pertinentes sans accepter de référence inventée, tronquée ou sortie de son contexte ? La fiabilité des références juridiques et l’accès aux bases officielles imposent que toute citation proposée soit vérifiable dans une source authentique.
Le vrai risque est la fausse jurisprudence plausible
Le moteur doit renvoyer vers la décision, son numéro, sa date, la juridiction, le passage utilisé et les critères de recherche, plutôt que fournir une synthèse impossible à retracer.
Une hallucination juridique très plausible peut être plus dangereuse qu’une absence de résultat, car elle peut contaminer un raisonnement ou un projet de décision.
Un bon moteur n’a pas à produire une réponse définitive : il doit améliorer l’exploration documentaire et laisser le juriste construire le raisonnement.
Le cas suivant est révélateur : Une décision ancienne citée sans signaler un revirement ultérieur peut être techniquement réelle mais juridiquement trompeuse ; le système doit donc tester la temporalité de la jurisprudence.
Commencer par des corpus fermés et authentifiés
Le gain attendu est un temps de recherche réduit ; il doit être comparé au temps de vérification des références et au coût des bases, modèles et intégrations.
les tests doivent porter sur taux de références inexistantes, pertinence des décisions, couverture des revirements et capacité à retrouver la source primaire.
Le déploiement peut commencer sur des corpus fermés et authentifiés avant d’ouvrir des fonctions de synthèse plus ambitieuses.
En clair : rechercher plus vite sans noter les juges
Un moteur peut aider à retrouver une décision, rapprocher des notions et identifier des précédents. Il ne doit pas construire un score personnel des magistrats ni prédire leur comportement individuel. Le bénéfice attendu est documentaire : réduire le temps de recherche, améliorer la traçabilité des références et permettre au juriste de vérifier plus vite la décision citée.
Scénario de repli
Si le moteur s’avère trop imprécis, le déploiement se limite à la recherche plein texte et au repérage de références, sans synthèse automatique ni hiérarchisation de décisions. Cette version conserve un gain d’accès documentaire sans introduire une couche d’interprétation non maîtrisée.
Contrôle après mise en œuvre
Chaque trimestre, l’évaluation doit comparer temps de recherche, taux de références pertinentes, erreurs de citation, décisions manquées et taux de correction humaine. Un gain de vitesse qui augmente les erreurs juridiques doit être considéré comme un échec.
