Pourquoi l’adoption des IA juridiques reste-t-elle limitée ?
L’équipement progresse. L’incorporation aux pratiques, beaucoup moins.
Entre friction d’usage, qualité des modèles retenus et shadow AI,
l’écart se creuse entre l’outil prescrit et l’outil jugé utile.
Pub-LawBench · LegalAI — scores comparés sans RAG ni agents.
Visualisation Lexanon à partir des résultats publiés.
L’adoption des IA juridiques progresse quand une tâche réelle devient plus simple sans perdre en qualité ni en maîtrise des données. Le nombre de licences ne suffit pas : il faut mesurer le parcours complet, préparation et relecture comprises.
La diffusion des IA juridiques demeure largement nominale. Les budgets se déploient,
les licences s’accumulent, les communiqués annoncent une transformation.
Dans les dossiers, le basculement reste rare.
Selon le rapport 2026 d’Axiom
auprès de 528 responsables juridiques in-house, seules
7 % des directions juridiques ont déployé l’IA à l’échelle
de leur organisation. Dans le même temps, 83 % ne disposent
d’aucune mesure formalisée de l’efficacité des dépenses engagées.
L’équipement progresse ; la gouvernance et l’usage réel, eux, peinent à suivre.
Ce qui freine l’incorporation aux pratiques
Plusieurs facteurs interviennent, et ils se renforcent mutuellement.
Le premier est environnemental : passer d’un traitement documentaire familier —
dossier, pièces, annotations, tableur — à une interface conversationnelle
ou à un pipeline d’agents constitue une rupture. Ce n’est pas seulement
une question de formation ; c’est un changement de posture mentale
face à la matière juridique.
S’y ajoutent des frictions concrètes : nécessité de transférer puis de
recontextualiser les pièces, contraintes de format ou de longueur,
perte de cohérence lorsqu’un même dossier est éclaté en invites successives.
L’outil prescrit exige souvent un travail préalable que l’outil grand public
évite — au prix, précisément, du secret professionnel.
Une variable moins souvent discutée complète le tableau :
la qualité du modèle de fondation retenu par l’éditeur.
Spécialiser une interface ne suffit pas si le moteur sous-jacent
demeure en retrait des modèles de frontière.
Quand la spécialisation juridique ne suffit pas
Pub-LawBench
a évalué 17 modèles sur des tâches juridiques orientées usage public,
sans RAG ni agents — autrement dit, dans des conditions proches
de ce qu’un professionnel non expert peut obtenir d’un chat.
Les modèles généralistes commerciaux obtiennent des scores compris
entre 63,6 et 71,8, contre 36,3 à 45,0
pour les quatre modèles juridiquement spécialisés testés
(SaulLM, DISC-Law, ChatLaw, LawGPT).
Le benchmark ne constitue pas une expérience contrôlée sur les effets
de la spécialisation : les modèles diffèrent par leur taille, leur génération
et leurs conditions d’entraînement. Il fournit néanmoins une photographie
utile de l’offre disponible : la spécialisation juridique ne compense
pas nécessairement l’écart de capacité avec les modèles de frontière.
Spécialiser le domaine ne suffit pas si le modèle de fondation
reste en retrait des capacités générales disponibles ailleurs.
Pour un cabinet ou une direction juridique, la conséquence est directe.
Un outil « juridique » peut être plus rassurant d’un point de vue marketing
ou contractuel, tout en produisant des réponses moins utiles qu’un
modèle généraliste de dernière génération — dès lors que ce dernier
peut être mobilisé sans exposer les données identifiantes du dossier.
Déploiement, secret professionnel et modèles mobilisables
Une partie de cet écart résulte aussi des conditions de déploiement.
En France, les exigences relatives au secret professionnel, aux transferts
de données, à l’hébergement et à l’accès éventuel d’autorités étrangères
conduisent certains éditeurs à privilégier des modèles hébergeables
localement, ou des versions déjà validées dans un périmètre contraint.
La CNIL
rappelle que l’hébergement en Europe ne suffit pas toujours à neutraliser
le risque lié à une législation extraterritoriale applicable au prestataire.
Ces précautions sont juridiquement compréhensibles ; elles réduisent toutefois
le nombre de modèles immédiatement mobilisables dans les offres « conformes ».
Le paradoxe est alors le suivant : plus l’offre institutionnelle se restreint
pour des motifs de gouvernance, plus l’écart se creuse avec les capacités
que les professionnels observent — et utilisent — hors du cadre prescrit.
Le shadow AI n’est pas (seulement) un problème de discipline
L’écart entre l’outil prescrit et l’outil effectivement jugé utile
produit des usages de contournement. Le rapport
Future of Professionals 2026
de Thomson Reuters relève que 34 % des professionnels
utilisent des outils d’IA non approuvés par leur organisation.
Cette proportion atteint 41 % parmi ceux qui estiment
que leur organisation adopte l’IA trop lentement. Dans le même temps,
41 % déclarent ne pas avoir accès à des outils professionnels
répondant à leurs exigences — notamment la protection des données confidentielles
et l’ancrage dans des contenus vérifiables.
Le shadow AI ne peut donc pas être réduit à une insuffisance de discipline interne.
Il traduit une inadéquation entre les usages prescrits et les instruments
que les professionnels estiment suffisamment performants et simples à employer.
Interdire sans offrir un équivalent utile ne ferme pas le risque ;
il le déplace hors du périmètre visible.
Dissocier protection des données et choix du modèle
Une réponse consiste à dissocier la protection des données du choix du modèle.
Tant que la conformité impose un moteur fixe — souvent plus faible —
l’organisation achète de la rassurance au prix de la performance.
Inversement, laisser les professionnels coller des pièces brutes
dans un chat grand public maximise la performance apparente
au prix du secret.
Lexanon applique le principe inverse : la pseudonymisation est réalisée
localement, sur le poste ; le modèle sélectionné ne reçoit qu’une version
expurgée des données directement identifiantes. La gouvernance porte alors
sur les informations transmises, sans imposer durablement un modèle
de fondation déterminé. Claude, GPT, Gemini ou Mistral peuvent évoluer ;
le contrôle sur ce qui quitte le dossier, lui, reste local.
Interface IA Lexanon : le professionnel conserve le choix du modèle,
sur des pièces déjà pseudonymisées en local.
Cette architecture ne résout pas à elle seule le déficit de mesure
ni la conduite du changement. Elle traite toutefois le nœud qui alimente
le shadow AI : l’opposition artificielle entre performance et conformité.
Tant que les professionnels devront choisir entre un outil prescrit
jugé insuffisant et un outil performant jugé risqué, l’adoption
restera nominale — et le contournement, structurel.
L’enjeu n’est donc plus seulement d’« adopter l’IA ».
Il est de rendre utilisable, dans le périmètre du secret professionnel,
la capacité des modèles que les praticiens jugent déjà nécessaire.
Un pilote concret pour l’adoption des IA juridiques
Commencez par un usage étroit : produire une première synthèse d’une pièce, préparer un plan de courrier ou comparer des formulations. Définissez ce qui rend le résultat acceptable avant de lancer l’essai. Une impression de fluidité ne remplace pas la vérification des faits, des références et des omissions. Le résultat reste un support de travail soumis au jugement du professionnel.
Mesurer le parcours entier
Relevez le temps de préparation du dossier, le temps de réponse et le temps de correction. Comparez l’ensemble à la méthode habituelle sur des tâches de difficulté proche. Notez aussi les abandons : un collaborateur qui revient à son ancien outil apporte une information utile sur la charge ou les limites du nouveau parcours. Un pilote doit pouvoir conclure qu’un usage n’apporte pas de gain.
Définir un cadre compréhensible
Précisez les documents autorisés, le destinataire des données et la personne qui valide le résultat. Distinguez l’analyse locale et les appels à un fournisseur distant. Les paramètres d’un service, les droits d’accès et les règles de conservation doivent être compris avant l’usage. La pseudonymisation est une étape de préparation ; elle ne dispense pas de cette évaluation.
Transformer les retours en décisions
À l’issue du pilote, décidez pour chaque tâche : poursuivre, ajuster ou arrêter. Expliquez le choix aux utilisateurs avec des exemples de résultats satisfaisants et d’erreurs. La formation peut alors porter sur des situations rencontrées, plutôt que sur une liste abstraite de fonctionnalités. Vérifiez de nouveau le parcours lorsqu’un modèle ou un outil change.
Dans Lexanon, les pièces sont préparées localement avant le travail avec une intégration choisie. Cette séparation permet de discuter deux questions distinctes : quelles informations peuvent être transmises, et quel modèle aide effectivement à accomplir la tâche ? Une bonne réponse à la seconde ne résout pas automatiquement la première.
Cet article fournit une information générale et ne constitue pas un conseil juridique personnalisé. Les vérifications doivent être adaptées au dossier et à son destinataire.
Questions pratiques
Quels sont les freins à l’adoption des IA juridiques ?
L’adoption des IA juridiques dépend de leur utilité dans le travail réel, de la qualité des réponses et de la simplicité du parcours. La préparation des pièces, les accès et les règles de confidentialité peuvent ajouter des contraintes. Un pilote limité à une tâche permet de comprendre ces difficultés avant un déploiement.
Comment commencer un pilote d’IA dans un cabinet ?
Choisissez une tâche fréquente dont le résultat peut être vérifié, puis préparez des exemples et des critères de réussite. Prévoyez le temps de préparation et de relecture dans la comparaison. Définissez les données autorisées, les personnes responsables et les conditions d’arrêt avant de mesurer les gains possibles.
La pseudonymisation autorise-t-elle tous les usages d’IA ?
Non. La pseudonymisation réduit certaines informations directement identifiantes, mais elle ne fait pas disparaître tous les risques. Le contexte peut encore permettre une identification. Le cabinet doit examiner le destinataire, les conditions du service et le contenu réellement transmis, y compris les questions et les pièces jointes.
Quel indicateur suivre après l’achat de licences ?
Le nombre de licences mesure un équipement, pas son utilité. Suivez plutôt les tâches réalisées et vérifiées, le temps total consacré au dossier, les corrections nécessaires et les abandons. Recueillez aussi les difficultés rencontrées par les utilisateurs. Ces éléments permettent de distinguer un gain durable d’une démonstration convaincante.
