IA en droit et notariat : le vrai enjeu, c’est la structuration de la donnée, pas le modèle
Changer d'IA ne change presque rien en droit et notariat. Ce qui change tout : structurer sa donnée. Focus sur la brique Data Legal.
IA en droit et notariat : le vrai enjeu, c'est la structuration de la donnée, pas le modèle
Posez la même question à Claude, à ChatGPT et à Mistral : la définition d'une clause de non-concurrence, le régime fiscal d'une donation-partage, la portée d'une servitude conventionnelle. Vous obtiendrez trois réponses différentes, toutes plausibles, aucune sourcée. La tentation est de conclure qu'il faut choisir le « bon » modèle. C'est la mauvaise question.
Dans les métiers du droit et du notariat, la performance d'une IA ne se joue pas sur le modèle. Elle se joue sur la donnée qu'on lui donne à lire, la façon dont elle est structurée, et la traçabilité de la réponse produite. C'est ce qu'on appelle, depuis peu, le Data Legal.
Ce que Claude, ChatGPT et Mistral ont en commun (et où ils butent tous)
Les trois grands modèles généralistes progressent à la même vitesse. Ils raisonnent bien, reformulent bien, rédigent bien. Sur des tâches génériques — synthétiser un jugement, comparer deux positions doctrinales, rédiger un premier jet de courrier — ils font gagner du temps à n'importe quel juriste ou notaire qui sait les prompter.
Mais aucun d'eux n'a, par défaut, ce dont un professionnel du droit a besoin pour engager sa responsabilité :
- Un corpus vérifié et à jour : code, jurisprudence de la bonne juridiction, BOFiP, réponses ministérielles, doctrine, conventions collectives récentes, doctrine interne du cabinet.
- Une hiérarchie des normes lisible : distinguer une loi d'un décret, un arrêt de la Cour de cassation d'un arrêt d'une cour d'appel, une réponse ministérielle d'une doctrine administrative opposable.
- Une traçabilité source par source : pouvoir cliquer sur la source d'une affirmation, la contrôler, la citer.
Un modèle généraliste raisonne sur ses paramètres d'entraînement et, parfois, sur une recherche web ouverte. Ce n'est ni structuré, ni hiérarchisé, ni traçable. Pour un professionnel qui engage sa responsabilité civile, c'est rédhibitoire.
Le problème n'est pas que l'IA se trompe — tout professionnel se trompe parfois. Le problème est qu'elle se trompe sans qu'on puisse le détecter, faute de source vérifiable.
Data Legal : la brique qui manque entre l'IA et le cabinet
Data Legal, ce n'est pas « des documents juridiques dans un dossier ». C'est un ensemble de trois briques articulées :
1. Un corpus normatif structuré. Textes de loi, jurisprudence, doctrine administrative, doctrine privée, conventions collectives, actes du cabinet — rangés par nature juridique, par juridiction émettrice, par date, par état de vigueur. Sans cette structuration, l'IA ne peut pas prioriser une source par rapport à une autre.
2. Une couche de métadonnées métier. Chaque document est indexé : matière (successions, droit social, fiscalité immobilière...), portée (opposable / consultative), version (en vigueur / abrogée / modifiée), lien vers ses sources et ses commentaires. C'est ce qui permet à l'IA de répondre non pas « voici ce que dit le code », mais « voici ce que dit l'article X, en vigueur depuis Y, interprété par tel arrêt, discuté par tel auteur ».
3. Une logique de routage. Une question fiscale ne se traite pas dans le même corpus qu'une question de servitude. Une question sur une convention collective doit d'abord vérifier qu'elle est bien applicable à l'entreprise concernée. Cette logique — où chercher, dans quel ordre — est le cœur du raisonnement professionnel. Elle ne s'invente pas dans un prompt, elle se code.
Un cabinet ou un office notarial qui structure sa donnée à ce niveau construit un actif qui lui appartient — indépendamment du modèle d'IA qu'il utilise aujourd'hui et de celui qu'il utilisera dans deux ans.
Ce que la structuration change concrètement au quotidien
Prenons trois cas typiques.
Recherche sur une question de succession internationale. Sans Data Legal : Claude ou ChatGPT produit une synthèse générale, correcte en apparence, qui ne cite ni le règlement européen applicable, ni les positions récentes des chambres spécialisées. Le notaire reprend la recherche à zéro. Avec Data Legal : la réponse arrive avec le règlement UE 650/2012 cité, l'article du CGI applicable, et le renvoi aux deux ou trois arrêts qui font autorité — tous cliquables.
Rédaction d'un acte à partir d'un modèle du cabinet. Sans Data Legal : le modèle personnel du cabinet n'est pas dans le corpus du modèle généraliste — il produit un acte à partir de modèles vus en entraînement, souvent inadaptés. Avec Data Legal : le corpus du cabinet est intégré en priorité, les clauses maison sont utilisées telles quelles, le style rédactionnel maison est respecté.
Contrôle d'une réponse d'associé junior. Sans Data Legal : l'associé senior relit et vérifie manuellement les sources. Avec Data Legal : l'IA compare la note de l'associé au corpus structuré, signale les affirmations non-sourcées ou en contradiction avec un texte plus récent, et propose les sources manquantes. Le contrôle humain reste, mais s'exerce là où il compte vraiment.
Aucun de ces trois gains ne dépend du modèle sous-jacent. Ils dépendent tous de la structuration de la donnée.
Pourquoi c'est spécifique aux métiers juridiques et notariaux
D'autres professions utilisent l'IA sans avoir besoin de ce niveau de structuration. Un rédacteur marketing s'accommode d'une réponse plausible ; un développeur teste sa réponse en la faisant tourner. Un juriste ou un notaire n'a ni l'un ni l'autre luxe : le test grandeur nature, c'est le contentieux ou la mise en cause de responsabilité.
Trois spécificités rendent Data Legal indispensable dans ces métiers :
- La hiérarchie des normes structure le raisonnement lui-même. Une IA qui ne l'a pas ne peut pas raisonner juste.
- L'opposabilité distingue une source qui engage d'une source qui informe. Confondre les deux dans une réponse, c'est une faute professionnelle.
- La responsabilité civile rend la traçabilité non-optionnelle. Une affirmation non-sourcée n'a aucune valeur dans un dossier.
Ces trois spécificités ne se règlent pas au niveau du modèle. Elles se règlent au niveau de la donnée.
La couche d'expertise Oliimpe : structurer, sans changer d'IA
C'est le principe sur lequel Oliimpe est construit : ajouter à l'IA généraliste que le cabinet utilise déjà — Claude, ChatGPT ou Mistral, au choix — une couche d'expertise Data Legal qui apporte le corpus vérifié, les métadonnées métier, la traçabilité, et la logique de routage. Le cabinet garde son IA, garde ses habitudes, garde ses accès. Ce qui change, c'est ce que l'IA lit et cite quand on lui pose une question juridique ou notariale.
Aucune dépendance à un modèle unique, aucune boîte noire supplémentaire à auditer, aucune migration à conduire. La brique Data Legal se greffe.
Conclusion : la question n'est plus « quelle IA », c'est « quelle donnée »
Le débat « quelle est la meilleure IA pour un cabinet » a occupé l'espace pendant deux ans. Il est en train de basculer. La différence entre deux cabinets, dans les trois ans qui viennent, ne se fera pas sur le modèle qu'ils ont choisi. Elle se fera sur la donnée qu'ils auront structurée — ou pas — pour que leur IA soit fiable sur les dossiers qui engagent leur responsabilité.
Data Legal n'est ni un buzzword ni une couche technique de plus. C'est l'infrastructure qui rend l'IA compatible avec un métier de la confiance.
Essayez Oliimpe sur un vrai dossier.
Trente jours, sans carte bancaire, avec l’IA que vous utilisez déjà.
Essayer trente jours