Un glossaire de l’IA juridique explique le vocabulaire technique des outils juridiques fondés sur l’IA, des grands modèles de langage et du RAG aux hallucinations. Toute personne qui évalue des produits d’IA juridique ou les utilise au quotidien doit connaître ce vocabulaire : il aide à interpréter les affirmations des fournisseurs, à désigner précisément les risques et à prendre des décisions éclairées sur le déploiement de l’IA dans un cabinet d’avocats ou une équipe juridique interne.
Qu’est-ce que l’IA juridique ?
L’IA juridique désigne les systèmes d’IA utilisés spécifiquement pour des tâches juridiques : analyse de contrats, détection des risques, recherche juridique, examen de documents. Ils ne remplacent pas les avocats, mais prennent en charge les tâches cognitives répétitives : lire des textes, reconnaître des structures et signaler des écarts.
En Suisse, les cabinets d’avocats et les équipes juridiques internes utilisent de plus en plus des plateformes comme CASUS, qui analysent les documents directement dans Microsoft Word ou une application web, sans transfert de données vers les États-Unis et avec une conservation nulle des données.
Les 25 termes les plus importants de l’IA juridique
1. Intelligence artificielle (IA)
Machines qui simulent les processus de pensée humains : apprentissage, reconnaissance de formes et résolution de problèmes. L’IA juridique actuelle est une IA dite étroite, spécialisée dans des tâches précises. L’IA générale et consciente n’existe sous aucune forme opérationnelle.
2. Apprentissage automatique (ML)
Les systèmes de ML apprennent des règles à partir des données et des résultats, au lieu d’être explicitement programmés. En droit : classification de contrats, détection des risques et regroupement de documents similaires.
3. Apprentissage supervisé
Méthode de ML dans laquelle le modèle est entraîné sur des exemples de données étiquetés, par exemple des contrats marqués manuellement comme présentant un « risque élevé » ou un « risque faible ». Le modèle apprend ainsi à classer les nouveaux documents.
4. Apprentissage non supervisé
ML sans étiquettes prédéfinies. Le modèle identifie de lui-même des tendances et des regroupements dans les données. Utile pour structurer des documents dans de grands ensembles de données, notamment dans le cadre d’opérations de due diligence.
5. Apprentissage profond
Sous-domaine du ML qui utilise des réseaux neuronaux à plusieurs couches et de grandes quantités de données. Il permet un traitement du langage plus complexe et une compréhension sémantique du texte des contrats.
6. Grand modèle de langage (LLM)
Modèle de langage entraîné sur d’immenses quantités de texte, capable de comprendre et de générer le langage humain. GPT-4 en est un exemple connu. Les LLM constituent le fondement de la plupart des outils modernes d’IA juridique, pour les résumés, les projets de documents et la recherche.
7. Traitement automatique du langage naturel (NLP)
Le NLP désigne les techniques qui permettent aux machines de traiter et de comprendre le langage naturel. Dans l’IA juridique : extraction de clauses, identification des parties à un contrat et analyse de textes juridiques non structurés.
8. IA générative
IA qui crée de nouveaux contenus : textes, projets de documents et résumés. Elle repose sur les LLM et le NLP. En droit : rédaction de clauses contractuelles, mémos et courriels de réponse. L’IA générative produit des projets qui doivent encore faire l’objet d’un examen juridique.
9. Prompt
Instruction ou question adressée à un système d’IA. Dans le contexte de l’IA juridique, la formulation précise du prompt influe fortement sur la qualité du résultat. Des prompts précis et riches en contexte donnent de meilleurs résultats que des demandes vagues.
10. Fenêtre de contexte
Quantité de texte qu’un modèle peut traiter en une seule fois, autrement dit sa mémoire de travail. Une fenêtre de contexte réduite signifie que les contrats longs doivent être divisés en parties (découpés en segments). Les modèles modernes disposent de fenêtres de contexte de plus en plus grandes, ce qui facilite le traitement des documents volumineux.
11. Découpage en segments
Division de documents volumineux en segments plus petits pour le traitement par le modèle. Cette méthode est utile lorsqu’un contrat dépasse la fenêtre de contexte. Un découpage bien réalisé préserve la continuité sémantique entre les segments.
12. Hallucination
Un système d’IA invente des informations — décisions de justice, articles de loi ou contenu de clauses — qui n’existent pas ou sont factuellement erronées. Les hallucinations constituent le principal risque lié à l’utilisation de l’IA juridique. Les systèmes fiables s’appuient sur des sources et présentent les citations de manière transparente.
13. RAG – génération augmentée par récupération
Le RAG associe un modèle de langage à une base de connaissances externe. Au lieu de s’appuyer uniquement sur ses données d’entraînement, le système récupère activement des documents ou des décisions pertinents et les intègre à sa réponse. Cela réduit les hallucinations et améliore la traçabilité des résultats.
14. Plongements (embeddings)
Représentations vectorielles mathématiques du texte qui permettent de mesurer la similarité sémantique. Les embeddings rendent possible la recherche sémantique : « trouver toutes les clauses similaires aux limitations de responsabilité », même si les termes employés diffèrent.
15. Ajustement fin (fine-tuning)
Un modèle préentraîné est entraîné à nouveau sur des données spécifiques, par exemple les propres archives de contrats d’un cabinet, afin d’obtenir des résultats plus précis pour certaines tâches. Cette opération nécessite beaucoup de ressources et soulève des enjeux de protection des données.
16. IA agentique
Systèmes d’IA qui planifient et exécutent de manière autonome des tâches en plusieurs étapes, sans qu’une nouvelle instruction soit nécessaire à chaque étape. Dans le contexte des contrats, un agent analyse le document, repère les modifications nécessaires et insère une clause au bon endroit. L’IA agentique nécessite toujours une supervision humaine importante.
17. Chaîne de raisonnement
Technique dans laquelle le modèle expose son raisonnement étape par étape avant de parvenir à une conclusion. Elle est importante pour obtenir des résultats traçables et défendables, par exemple dans le cadre d’évaluations juridiques ou d’analyses des risques contractuels.
18. Garde-fous
Mesures de protection techniques ou fondées sur des politiques qui encadrent le comportement d’un système d’IA, par exemple en interdisant certains types de résultats, en fixant des seuils de précision ou en imposant une escalade en cas d’incertitude. Ces garde-fous sont particulièrement importants en droit pour les questions de conformité et de responsabilité.
19. Conservation nulle des données
Principe de protection des données : les données saisies ne sont pas conservées après leur traitement, ne sont pas consignées dans des journaux et ne sont pas utilisées pour entraîner le modèle. Ce principe est important pour le secret professionnel de l’avocat et la confidentialité des clients. CASUS applique une politique de conservation nulle des données.
20. Localisation des données
Lieu physique où les données sont stockées et traitées. Pour les cabinets d’avocats suisses, les données ne doivent souvent pas quitter la Suisse ou l’EEE. CASUS héberge les données en Suisse et dans l’UE, sans transfert vers les États-Unis.
21. Biais / biais algorithmique
Lorsque les données d’entraînement sont systématiquement biaisées, le modèle reproduit ces biais dans ses résultats. En droit, cela pose problème dans les outils d’aide à la décision, les évaluations des risques ou les modèles prédictifs.
22. Résultats structurés / constats structurés
Résultats de l’IA présentés dans un format défini, par exemple un tableau indiquant le niveau de risque, la partie concernée, l’extrait de clause et une suggestion d’amélioration. Les résultats structurés peuvent être directement traités, intégrés à des rapports ou partagés avec des collègues. Le CASUS Risk & Quality Review présente les constats de manière structurée selon la mission, la pertinence et la gravité.
23. Analytique juridique
Analyse de grands volumes de données juridiques — décisions de justice, issues de litiges, comportement des magistrats — afin de dégager des informations stratégiques. Exemples : probabilité de succès devant un tribunal donné, montants de dommages-intérêts habituellement accordés dans les affaires de responsabilité.
24. Recherche sémantique
Recherche qui tient compte du sens et du contexte, et non uniquement des mots-clés exacts. Elle permet de trouver toutes les clauses relatives aux « limitations de responsabilité », même si la clause emploie l’expression « plafonnement des dommages-intérêts ».
25. Vectorisation
Processus consistant à convertir du texte en vecteurs numériques pouvant être comparés mathématiquement. C’est le fondement de la recherche sémantique et des comparaisons de similarité basées sur les embeddings. En pratique, un contrat est « vectorisé », puis comparé à une base de clauses.
Pourquoi ces termes sont importants pour les juristes en Suisse
Toute personne qui achète des produits d’IA juridique ou les évalue en interne rencontrera ces termes dans les présentations des fournisseurs, les évaluations de la protection des données et les questionnaires de sécurité. Maîtriser ce vocabulaire peut faire la différence entre un contrat SaaS bien négocié et un contrat présentant des lacunes en matière de protection des données.
Concrètement, comprendre les notions de conservation nulle des données et de localisation des données permet de poser des questions précises sur le transfert éventuel de données vers les États-Unis par un fournisseur. Savoir ce que sont les hallucinations permet de vérifier si un système s’appuie sur des sources ou génère des réponses sans fondement.
Pour les cabinets d’avocats et les équipes juridiques internes en Suisse qui envisagent d’utiliser l’IA juridique, la page de CASUS consacrée à la sécurité et à la protection des données décrit en détail les mesures techniques de protection de la vie privée de la plateforme.
L’utilisation de CASUS permet de voir concrètement ces concepts à l’œuvre : l’AI Chat avec Agent Mode utilise des résultats structurés et des références aux sources, le mode Legal Research effectue des recherches dans plus d’un million de décisions et plus de 21 000 lois pour la Suisse, plus de 620 000 documents juridiques pour l’Allemagne et plus de 1,58 million de documents juridiques pour l’Autriche, à partir de sources citées, et l’AI Data Room extrait le contenu des clauses de centaines de documents selon des champs définis par l’utilisateur. Les équipes qui souhaitent tester ces fonctionnalités peuvent essayer CASUS sur app.getcasus.com/signup.
Pour le droit suisse, CASUS recherche également dans les commentaires en libre accès d’Onlinekommentar et dans les informations sur les entreprises de ZEFIX, l’index central suisse des raisons de commerce. Consulter la liste actuelle des sources.
FAQ
Qu’est-ce qu’un glossaire de l’IA juridique ?
Un glossaire de l’IA juridique est un recueil structuré de définitions des termes techniques utilisés dans les outils juridiques fondés sur l’IA, des notions fondamentales comme l’apprentissage automatique aux termes de sécurité spécifiques comme la conservation nulle des données.
Que signifie « hallucination » dans le contexte de l’IA juridique ?
Une hallucination désigne un contenu généré par l’IA qui est factuellement erroné ou entièrement inventé, par exemple des décisions de justice inexistantes ou des références législatives incorrectes. Les systèmes d’IA juridique fiables s’appuient sur des sources et présentent les citations de manière transparente.
Qu’est-ce que le RAG et pourquoi est-il important pour l’IA juridique ?
Le RAG (génération augmentée par récupération) associe un modèle de langage à une base de connaissances externe. Avant de répondre, le système récupère activement des sources pertinentes, telles que des décisions de justice ou des articles de loi. Cela réduit les hallucinations et rend les résultats traçables.
Que signifie la conservation nulle des données pour les cabinets d’avocats ?
La conservation nulle des données signifie que les données saisies ne sont pas conservées après leur traitement, ni dans les journaux ni pour l’entraînement du modèle. Ce principe est important pour les cabinets d’avocats, car les données des clients et les informations protégées par le secret professionnel ne sont pas transmises à des systèmes tiers.
Quelle est la différence entre l’ajustement fin et le préentraînement ?
Le préentraînement est l’entraînement initial d’un modèle sur de grands ensembles de données générales. L’ajustement fin consiste à poursuivre l’entraînement sur des données spécifiques, telles que des textes juridiques, afin d’améliorer la précision pour certaines tâches. L’ajustement fin nécessite beaucoup de ressources et soulève des enjeux de confidentialité lorsqu’il implique des données de clients.
Qu’est-ce que l’IA agentique dans un contexte juridique ?
L’IA agentique désigne des systèmes capables de planifier et d’exécuter des tâches en plusieurs étapes sans recevoir une nouvelle instruction à chaque étape. Exemple : un agent examine un contrat, repère les clauses manquantes et insère une formulation adaptée au bon endroit. La supervision humaine reste nécessaire pour les questions juridiques complexes.
Quelle est la différence entre la recherche sémantique et la recherche par mots-clés ?
La recherche sémantique tient compte du sens et du contexte : elle trouve des passages pertinents même si leur terminologie diffère de celle de la recherche. La recherche par mots-clés ne trouve que les correspondances exactes. Dans le contexte d’un contrat, la recherche sémantique trouvera « plafonnement des dommages-intérêts » pour une recherche sur « limitation de responsabilité ».
Quelles exigences en matière de protection des données s’appliquent à l’IA juridique en Suisse ?
Les principales exigences découlent de la loi fédérale révisée sur la protection des données (nLPD), du RGPD lorsque des liens avec l’UE existent, ainsi que des obligations liées au secret professionnel de l’avocat. Les cabinets d’avocats devraient s’assurer que les fournisseurs ne transfèrent pas de données vers les États-Unis, appliquent une politique de conservation nulle des données et hébergent les données en Suisse ou dans l’EEE.






