La proposition de procédure régulière calculable définit des tests de raisonnement pour l’IA judiciaire
La proposition de procédure régulière calculable, publiée le 11 novembre, énonce cinq conditions applicables au raisonnement judiciaire assisté par IA, tout en réservant l’évaluation finale aux juges. Sa préoccupation centrale porte sur l’écart entre un document juridique convaincant et une décision justifiée. Un système d’IA peut produire le premier sans établir la seconde.
L’article paraît dans Frontiers in Artificial Intelligence sous la forme d’un article de type Hypothesis and Theory. Il présente une spécification conceptuelle, c’est-à-dire un énoncé des propriétés qu’une sortie acceptable devrait posséder. Il n’annonce ni modèle judiciaire déployé, ni avancée en matière de précision, ni nouvelle norme contraignante pour les tribunaux.
Pour les développeurs de logiciels judiciaires et les acheteurs institutionnels, cette distinction modifie le débat. Les approches en concurrence sont la génération fluide de documents et la justification juridique vérifiable. Les orientations existantes en Angleterre et au pays de Galles soulignent déjà la responsabilité judiciaire. Cette proposition demande ce que les réviseurs devraient pouvoir examiner avant d’accepter un projet assisté par IA.
La proposition de procédure régulière calculable formalise un devoir judiciaire existant
L’article propose de traduire le devoir de motivation en propriétés que les logiciels et les réviseurs humains peuvent examiner.
Roberto Leonardo Cruz-Núñez, Hugo Armando Aguilar-Brito, Andherson J. Aguirre-Lanegra et Nuccia Seminario-Hurtado ont élaboré ce cadre. Leurs affiliations couvrent l’Universidad Autónoma de Chiapas au Mexique et l’Universidad Tecnológica del Perú. Leur article sur la procédure régulière calculable s’appuie sur la jurisprudence constitutionnelle péruvienne et examine des sources juridiques comparées.
Les auteurs identifient cinq conditions : un argument doit exister, son inférence doit être valide et ses prémisses doivent être justifiées. Il doit également satisfaire à la norme de preuve applicable et répondre aux prétentions en litige. Ces conditions concernent la relation entre les faits, les règles, les objections et les conclusions.
Cette focalisation importe, car la rédaction juridique et la justification juridique sont deux tâches différentes. Un document peut comporter des titres, des citations et un récit ordonné tout en omettant l’étape reliant les preuves à sa conclusion. Une présentation professionnelle ne fournit pas ce lien manquant.
La publication ajoute donc une manière proposée de décrire un raisonnement acceptable. Elle ne fournit pas aux tribunaux une application finalisée qui vérifie automatiquement chaque condition. Les auteurs indiquent explicitement n’avoir mené aucune expérience empirique ni mis en œuvre aucun système.
Les lecteurs doivent également distinguer une spécification proposée des devoirs juridiques qu’elle interprète. Les tribunaux sont déjà soumis, dans leurs juridictions respectives, à des exigences de motivation des décisions. Les chercheurs soutiennent que ces exigences peuvent éclairer la conception informatique. La publication de cet argument ne modifie pas, à elle seule, le droit procédural.
L’actualité immédiate est plus circonscrite qu’un titre annonçant l’établissement de normes pour l’IA judiciaire pourrait le laisser entendre. Des chercheurs ont formulé un cadre que les développeurs peuvent tenter de mettre en œuvre et de tester. La question de savoir si leur reconstruction reflète les exigences juridiques pertinentes demeure ouverte à l’évaluation universitaire et institutionnelle.
Cela explique aussi pourquoi ce travail relève du débat sur l’IA judiciaire malgré l’absence de lancement de produit. Avant de mesurer un système, les développeurs doivent définir ce qu’est une performance réussie. Un projet soigné et un argument révisable représentent deux définitions différentes du succès.
Pour les acheteurs de technologies, la proposition établit une distinction utile entre les démonstrations de capacités et les critères d’acceptation. Une démonstration montre ce qu’une application peut produire dans des conditions sélectionnées. Les critères d’acceptation déterminent ce qu’une institution exige dans les situations où elle entend utiliser cette application.
Cette distinction devient déterminante lorsqu’un projet parvient à une personne habilitée à le signer. L’apparence du document peut encourager son acceptation avant que son raisonnement sous-jacent ne fasse l’objet d’un examen équivalent. Le cadre attire l’attention sur ce passage entre le texte généré et l’autorité institutionnelle.
La responsabilité judiciaire exerce une pression sur la conception des logiciels
L’examen humain ne devient significatif que lorsque le réviseur peut examiner les éléments étayant la conclusion proposée.
La pression la plus directe s’exerce sur les développeurs qui proposent une assistance à la rédaction judiciaire et sur les institutions qui envisagent ces produits. Leur défi dépasse la simple possibilité de modifier le texte. Ils doivent se demander si un réviseur peut identifier une prémisse non étayée, une réponse manquante ou une inférence inexpliquée.
L’Angleterre et le pays de Galles offrent un point de référence institutionnel. Leurs orientations judiciaires sur l’IA d’octobre 2025 renforcent la responsabilité des titulaires de fonctions judiciaires pour les documents produits en leur nom. Elles inscrivent également l’usage de l’IA dans l’obligation de protéger l’intégrité judiciaire et l’État de droit.
L’implication pour la conception des interfaces est directe, bien qu’elle demeure une inférence analytique. Un réviseur doit avoir accès aux preuves et aux autorités qui sous-tendent un projet. Exiger la responsabilité tout en dissimulant ces éléments rendrait la vérification de fond plus difficile.
Imaginons une application hypothétique qui génère une décision proposée avec des citations à côté de chaque paragraphe. Cette présentation aide les utilisateurs à localiser les autorités juridiques. Elle ne montre pas nécessairement quelles preuves étayent une constatation de fait ni pourquoi l’autorité citée régit le litige particulier.
Une interface différente pourrait exposer directement ces relations. La sélection d’une conclusion pourrait révéler ses prémisses factuelles, la règle appliquée et les objections examinées. Elle donnerait ainsi au réviseur des points identifiables à contester, au lieu de l’obliger à reconstruire le raisonnement à partir d’une prose soignée.
Cette différence affecte également les achats. Demander si un produit prévoit une supervision humaine fournit des informations limitées. Les acheteurs doivent comprendre en quoi consiste cette supervision, quelles informations le réviseur reçoit et si le raisonnement rejeté reste visible dans le dossier.
Les gains de temps nécessitent un examen similaire. Une rédaction plus rapide ne signifie pas automatiquement une vérification plus rapide. Une application peut produire rapidement un document tout en laissant au réviseur le soin de contrôler manuellement chaque lien factuel et juridique.
Cette observation n’établit pas que l’assistance par IA accroît la charge de travail judiciaire. L’article ne fournit aucun essai opérationnel susceptible de trancher cette question. Il établit toutefois une raison de mesurer séparément le temps de rédaction et l’effort de révision lors de futures évaluations.
La pression s’étend aux avocats et aux parties, car ils rencontrent le raisonnement qui subsiste après révision. Une partie concernée doit pouvoir identifier pourquoi une demande a échoué. Une déclaration générale selon laquelle le tribunal a tout examiné offre peu d’aide lorsque l’objection décisive demeure sans réponse.
Pour les travailleurs du savoir, le lien plus général concerne l’organisation des sources. Une base de connaissances interrogeable peut faciliter la recherche des documents justificatifs. Cette fonction organisationnelle reste distincte de la détermination de savoir si une conclusion juridique découle de ces documents.
La question institutionnelle est donc précise : que doit révéler un logiciel pour que la responsabilité puisse être exercée ? Y répondre exige une collaboration entre spécialistes du droit et développeurs. Ni une sortie fluide ni un bouton de révision ne suffisent à eux seuls.
Les arguments vérifiables modifient ce que l’IA juridique doit montrer
L’approche proposée attribue des rôles distincts à la génération de langage, aux structures de raisonnement explicites et à l’évaluation judiciaire.
Les auteurs préconisent une couche symbolique vérifiable, c’est-à-dire une représentation de prémisses, de règles et de relations identifiables entre les conclusions. Ils laissent aux modèles de langage la possibilité de récupérer des informations et de préparer des projets. La structure de raisonnement proposée porte la charge d’afficher la justification.
Il s’agit d’une répartition des responsabilités au sein d’un système, et non de l’affirmation selon laquelle la génération de documents n’a aucune valeur. La recherche de documents pertinents et la production d’un langage lisible demeurent des fonctions utiles. La question contestée est de savoir si ces fonctions établissent également un argument acceptable.
Un litige hypothétique portant sur des prestations illustre la différence. Une application pourrait récupérer une règle d’éligibilité, résumer les dossiers d’un demandeur et rédiger un refus. Le projet pourrait néanmoins omettre une exception qui modifie la manière dont la règle s’applique.
Dans une représentation vérifiable, l’exception devrait occuper une place identifiable. Le réviseur pourrait examiner si ses conditions factuelles ont été prises en compte et pourquoi elle s’appliquait ou non. Cela facilite la localisation du choix contesté.
Le même principe s’applique lorsqu’une prémisse factuelle reste incertaine. Un système devrait distinguer une allégation d’un fait retenu pour la décision. À défaut, un raisonnement ultérieur peut paraître cohérent en interne tout en reposant sur une prémisse que personne n’a correctement établie.
Une autre distinction concerne la force des preuves. Un score de confiance décrit l’évaluation d’un modèle selon sa propre conception. Il ne correspond pas automatiquement à l’exigence probatoire régissant une décision judiciaire.
Un processus de révision adéquat doit donc identifier la question à laquelle le nombre répond. Concerne-t-il la classification des documents, la pertinence de la recherche, l’étayage factuel ou autre chose ? Réunir ces significations dans un score unique obscurcirait le raisonnement au lieu de le clarifier.
Les recherches historiques montrent pourquoi la spécialisation seule ne peut trancher la question de la fiabilité. Varun Magesh et ses collègues ont évalué les systèmes de recherche juridique de LexisNexis et Thomson Reuters. Leur publication sur la fiabilité de l’IA juridique a signalé des informations erronées dans plus de 17 % des réponses des outils évalués.
Ces résultats concernent les produits et versions testés. Ils ne doivent pas servir d’estimations des performances actuelles de chaque application d’IA juridique. Ils ne mesurent pas non plus le cadre non mis en œuvre décrit dans l’article de novembre.
La comparaison identifie néanmoins des cibles d’évaluation différentes. Un assistant de recherche doit trouver et caractériser les autorités avec exactitude. Un assistant de rédaction judiciaire doit aussi relier les autorités applicables et les faits établis à une conclusion proposée.
La génération augmentée par récupération, qui fournit des documents récupérés à un modèle de langage, facilite l’accès aux documents sources. Sa présence n’établit pas indépendamment que l’interprétation générée est juridiquement justifiée. Une source peut être authentique tandis que la proposition qui lui est attribuée est erronée.
La même limite s’applique aux explications longues. Davantage de texte peut développer un argument, mais aussi répéter une hypothèse non étayée. La révisabilité dépend de l’exposition des relations décisives plutôt que de l’augmentation du volume de prose.
La proposition de procédure régulière calculable déplace par conséquent la discussion sur la conception vers des engagements vérifiables. Quels faits le système suppose-t-il ? Quelle règle justifie la conclusion ? Où répond-il à une objection susceptible de modifier le résultat ?
Ces questions sont utiles précisément parce qu’elles permettent le désaccord. Un examinateur peut rejeter une prémisse ou une interprétation sans accepter l’ensemble du document généré. Cela donne un sens concret à la possibilité de réviser un projet assisté par IA.
Une vérification formelle ne peut résoudre chaque jugement juridique
La limite la plus importante du cadre est explicite : satisfaire à ses conditions ne garantit pas une décision juste.
Les auteurs décrivent leurs conditions comme nécessaires mais insuffisantes. Le choix des prémisses et la mise en balance de principes concurrents conservent une dimension évaluative. Une structure formelle peut révéler ces choix sans trancher la question de savoir s’ils méritent d’être acceptés.
Cela crée un compromis pratique pour les développeurs. Les représentations explicites offrent une possibilité d’inspection, mais quelqu’un doit les construire et les maintenir. Un système ne peut pas obtenir une couverture juridique fiable simplement en remplaçant le texte par des cases et des flèches.
Considérons un conflit hypothétique entre une règle générale et une exception plus étroite. Encoder une relation de priorité rend l’interprétation retenue visible. La question difficile demeure de savoir si cette priorité est appropriée au regard de la juridiction, des faits et des autorités concernés.
La maintenance introduit un autre défi. Une représentation peut rester cohérente en interne après la modification de sa source juridique sous-jacente. À moins que le système ne suive ces changements, un raisonnement ordonné peut reposer sur une hypothèse obsolète.
Il s’agit d’un risque d’ingénierie déduit de l’architecture proposée, plutôt que d’une défaillance mesurée d’un produit mis en œuvre. L’article ne fournit aucune preuve de déploiement établissant les coûts de maintenance. Les acheteurs devraient donc considérer la faisabilité opérationnelle comme une question sans réponse.
Le cadre laisse également place au désaccord sur ce qui constitue un soutien adéquat. Différents examinateurs peuvent accepter le même dossier factuel tout en divergeant sur son importance. Une application devrait rendre ce désaccord visible plutôt que de le masquer sous une certitude technique.
Un autre risque concerne la relation entre l’argument affiché et le projet généré. S’ils divergent, la vue du raisonnement pourrait devenir un nouvel artefact persuasif. L’évaluation devrait examiner si les modifications apportées aux éléments de soutien modifient les conclusions qui en dépendent.
Cela suggère un test futur utile, plutôt qu’un résultat rapporté. Supprimez une prémisse décisive, introduisez une autorité contraire ou révélez une objection restée sans réponse. Examinez ensuite si l’application identifie la faiblesse qui en résulte et la présente clairement aux examinateurs.
L’affirmation plus large de l’article concernant les modèles de langage exige également une approche prudente. Les preuves d’hallucination, c’est-à-dire de contenu généré faux ou non étayé, établissent des problèmes de fiabilité dans les contextes évalués. Elles ne prouvent pas que toute architecture future échouera à satisfaire chaque exigence de raisonnement.
Les systèmes hybrides méritent d’être évalués selon leur comportement réel. Combiner un modèle de langage avec des règles explicites ne suffit pas en soi à établir la conformité. À l’inverse, utiliser un modèle de langage à un stade du flux de travail ne décrit pas tout ce que l’application peut vérifier.
La juridiction constitue une limite supplémentaire. La recherche s’appuie sur la doctrine péruvienne et examine des sources comparatives. Les lecteurs nord-américains ne devraient pas supposer que ses catégories reproduisent automatiquement toutes les exigences de leurs propres tribunaux.
Le transfert exigerait une analyse juridique de l’institution et de la procédure concernées. Un intérêt commun pour des décisions motivées n’efface pas les différences de procédure, d’autorité ou d’obligations probatoires. La mise en œuvre devrait préserver ces différences.
La question sceptique est donc plus exigeante que celle de savoir si la formalisation est possible. Une mise en œuvre maintenue et utilisable peut-elle améliorer l’examen de litiges réalistes ? La publication ouvre cette question sans fournir de preuves empiriques permettant de la résoudre.
Les règles judiciaires existantes montrent pourquoi la validation doit être substantielle
La proposition s’inscrit dans un débat établi sur la gouvernance, le contrôle, la responsabilité et la possibilité de contester le travail assisté par IA.
L’Espagne offre une comparaison juridique concrète. L’article 57 de son décret-loi royal 6/2023 traite de l’action judiciaire assistée. Il prévoit qu’un projet généré ne devient pas de manière autonome une décision judiciaire ou procédurale sans validation par l’autorité compétente.
La disposition exige également que les utilisateurs puissent modifier librement le projet. Sa pertinence ici réside dans la distinction entre la production de contenu et l’attribution à ce contenu d’une autorité juridique. La recherche de novembre demande quelles propriétés substantielles devraient étayer cette validation.
Ces questions sont liées, mais elles opèrent à des niveaux différents. Une règle peut identifier qui détient la responsabilité et le contrôle. Une spécification technique proposée peut décrire les informations qui aideraient cette personne à exercer ces responsabilités.
Les orientations éthiques européennes fournissent un autre point de référence. La CEPEJ du Conseil de l’Europe a adopté sa charte sur l’IA judiciaire en décembre 2018. Ses principes comprennent les droits fondamentaux, la non-discrimination, la qualité et la sécurité, la transparence et le contrôle par l’utilisateur.
Cette charte soutient un usage responsable de l’IA judiciaire tout en reconnaissant ses possibles bénéfices en matière d’efficacité et de qualité. Elle ne constitue pas une approbation de cet article particulier. Sa pertinence tient au fait qu’elle montre que les préoccupations de responsabilité ont précédé la dernière génération de systèmes de rédaction.
La nouvelle proposition traite d’une question de conception plus étroite au sein de ce débat plus vaste. Que devrait révéler un argument généré afin que les personnes puissent l’examiner ? Répondre à cette question ne remplace pas les obligations plus larges concernant les droits, la sécurité ou l’indépendance institutionnelle.
Pour les lecteurs évaluant des technologies judiciaires, séparer ces niveaux évite les affirmations exagérées. Un système peut permettre une inspection détaillée des arguments tout en laissant sans réponse d’autres questions de déploiement. De même, une institution peut adopter des règles de gouvernance sans disposer d’un logiciel qui facilite l’examen substantiel.
La distinction importe particulièrement lorsqu’il est question de transparence. Publier une explication générale d’une application décrit son fonctionnement prévu. Montrer les prémisses qui sous-tendent une conclusion particulière permet à quelqu’un d’examiner le raisonnement dans cette affaire précise.
Ces deux formes d’information peuvent être importantes, mais elles remplissent des fonctions différentes. Une personne contestant une constatation factuelle a besoin de davantage qu’un schéma d’architecture. Une équipe chargée des achats évaluant les contrôles d’accès a besoin d’informations allant au-delà du libellé d’un projet individuel.
C’est pourquoi une validation significative ne peut pas être réduite à une signature. La question pertinente est de savoir ce qui s’est produit avant l’approbation. L’examinateur a-t-il inspecté les preuves décisives, pris en compte les écritures contraires et évalué de manière indépendante l’interprétation proposée ?
Il s’agit de questions d’évaluation proposées, et non de constats sur le comportement d’un tribunal particulier. Les documents examinés n’établissent pas que des institutions ont adopté le cadre de novembre. Ils montrent pourquoi l’accent mis sur une justification inspectable s’inscrit dans un contexte institutionnel existant.
L’importance pratique réside dans le fait de rendre les responsabilités plus concrètes. Les développeurs peuvent identifier ce que les examinateurs doivent voir. Les institutions peuvent identifier ce qu’un processus d’approbation devrait consigner. Les chercheurs peuvent ensuite déterminer si ces dispositions améliorent l’examen réel.
Surveillez la mise en œuvre, les tests indépendants et l’adoption par les tribunaux
Les prochaines évolutions significatives transformeraient le cadre conceptuel en un objet que des tiers pourraient examiner et évaluer.
Dans les mois à venir, le premier signe à surveiller est une mise en œuvre publique ou une démonstration technique détaillée. Elle devrait montrer comment les conditions proposées s’appliquent à un litige traité de bout en bout. Une réponse lisible à elle seule fournirait des preuves limitées sur la spécification sous-jacente.
L’artefact utile relierait les prémisses factuelles, les autorités juridiques, les objections et les conclusions. Il devrait également identifier les questions non résolues et permettre des corrections. Une telle publication renforcerait l’argument selon lequel le cadre peut orienter le développement pratique.
Une démonstration conserverait néanmoins une portée limitée. Des exemples sélectionnés peuvent montrer la faisabilité sans établir la fiabilité dans des affaires inconnues. Les lecteurs devraient rechercher une déclaration explicite de couverture et éviter de considérer un prototype restreint comme un moteur général de raisonnement judiciaire.
Le deuxième signe est une évaluation indépendante au moyen d’affaires difficiles et d’erreurs délibérées. Les évaluateurs devraient tester les preuves manquantes, les règles contradictoires et les objections décisives auxquelles un projet ne répond pas. Ces tests examineraient si l’application expose les faiblesses au lieu de simplement produire des documents à l’apparence complète.
La performance humaine devrait faire partie de cette évaluation. Les chercheurs doivent examiner si les examinateurs détectent davantage d’erreurs et comprennent le raisonnement affiché. Le temps d’examen compte également, car une interface qui submerge les utilisateurs peut compromettre son objectif visé.
Un résultat favorable renforcerait l’argument en faveur de représentations inspectables dans le contexte testé. Un résultat décevant identifierait des limites dans la mise en œuvre ou son interface. Aucun de ces résultats ne devrait automatiquement trancher toutes les affirmations concernant l’IA judiciaire.
Le troisième signe est une adoption institutionnelle documentée, avec un champ d’application défini. Un projet pilote de tribunal, une exigence d’achat ou un protocole d’examen publié fourniraient des preuves d’une adoption pratique. La documentation devrait identifier quelle assistance est autorisée et comment s’exerce la responsabilité.
Les lecteurs devraient distinguer ces évolutions des déclarations générales en faveur de la transparence. Un engagement large n’établit pas l’utilisation de ce cadre. Une exigence, une mise en œuvre ou une évaluation identifiable fournirait une base plus solide pour évaluer l’adoption.
Ces signaux clarifient également ce qui demeure inconnu aujourd’hui. La publication n’établit pas de gains de précision, de réduction des coûts d’examen ni d’amélioration des résultats judiciaires. Ces affirmations nécessitent des preuves issues de systèmes et d’utilisateurs travaillant dans des conditions définies.
Pour les développeurs, la valeur immédiate réside dans un ensemble plus précis de questions de conception. Pour les acheteurs institutionnels, c’est une manière d’interroger ce qu’un produit rend vérifiable. Pour les parties concernées, la question pertinente reste de savoir si les motifs derrière une décision peuvent être compris et contestés.
Lisez la recherche originale en gardant ces distinctions à l’esprit avant d’évaluer la prochaine démonstration d’IA judiciaire. Demandez quelles preuves étayent les prémisses affichées et quelles objections le système laisse sans réponse. Vérifiez si un examinateur peut modifier l’interprétation proposée sans perdre le dossier justificatif. Recherchez des résultats indépendants qui distinguent la commodité de rédaction d’un examen amélioré. La proposition Computable Due Process fournit un vocabulaire pour cette évaluation, tandis que la mise en œuvre et les tests restent à venir. Lorsqu’un fournisseur présente une décision générée par IA, demandez à examiner le raisonnement qui relie ses preuves à sa conclusion. Un examinateur peut-il repérer l’étape précise qui mérite un désaccord, et le système peut-il préserver cette contestation lors de la révision ?



