Ficha de revisão: Introduction à la justice prédictive et ses enjeux

📋 Plan du Cours

1. Justice prédictive et approche interdisciplinaire
2. Enjeux de la justice prédictive
3. Origines historiques du juge-robot
4. Origines contemporaines et cas d’usage
5. Cadre juridique et éthique
6. Limites des systèmes experts
7. Recherche d’informations et biais algorithmiques
8. Modélisation du raisonnement juridique
9. Sens de la prédiction juridique
10. Surmonter les obstacles techniques

📖 1. Justice prédictive et approche interdisciplinaire

🔑 Notions clés & Définitions

• Intelligence artificielle appliquée au droit : Approche interdisciplinaire qui relie techniques informatiques et règles juridiques pour traiter des problèmes de droit.
• Approche interdisciplinaire : Méthode d’étude combinant dimensions technologiques, éthiques et philosophiques avec les connaissances juridiques.
• Justice prédictive : Capacité d’un programme informatique à identifier la solution qu’un juge pourrait apporter à un litige.

📝 Points essentiels

• La justice prédictive associe le droit et la technologie pour produire une solution envisageable pour un litige.
• L’étude de l’IA au droit ne se limite pas aux règles juridiques et exige une réflexion éthique et philosophique.
• La justice prédictive s’appuie sur l’idée d’une solution « de juge » pour un litige, pas seulement sur un classement de documents.

💡 Astuce mémo

Droit + Tech → Justice prédictive (objectif : la solution du juge).

📖 2. Enjeux de la justice prédictive

🔑 Notions clés & Définitions

• Gain de temps et d’argent : Bénéfice attendu où l’automatisation réduit le nombre de décisions humaines et accélère le traitement des affaires.
• Décision plus objective : Promesse selon laquelle un système peut traiter un litige sans parti pris individuel comme le ferait une machine.
• MARD : Modes alternatifs de règlement des différends qui peuvent être facilités par des outils d’IA sans passer par un juge.
• Formation des juristes : Adaptation des juristes à l’usage et à l’interaction avec des technologies d’aide à la décision.

📝 Points essentiels

• L’automatisation est présentée comme un moyen de réduire le nombre de juges nécessaires et de traiter les affaires plus vite.
• La justice prédictive est associée à une neutralité possible de la machine, contrairement à des variations humaines.
• L’IA est vue comme facilitant des solutions alternatives comme la conciliation ou la transaction.
• La montée en puissance de ces outils implique une adaptation des pratiques et de la formation des professionnels du droit.

💡 Astuce mémo

Temps/Argent, Neutralité, MARD, Formation : 4 leviers des enjeux.

📖 3. Origines historiques du juge-robot

🔑 Notions clés & Définitions

• Ulpien : Jurisconsulte romain cité comme fondateur d’une logique visant à anticiper des solutions judiciaires.
• Leibniz : Philosophe et mathématicien cité pour le rêve d’un langage logique permettant de « calculer » des concepts.
• Beccaria : Auteur cité pour une conception d’une justice appliquant strictement la loi sans laisser place aux émotions des juges.
• « La bouche de la loi » : Formule associée à Montesquieu pour exprimer le rôle du juge comme relais de la loi.

📝 Points essentiels

• L’idée de prédire des décisions judiciaires est annoncée comme remontant à plus de 1500 ans.
• Ulpien est présenté comme cherchant à anticiper les solutions des juges via une démarche de raisonnement juridique.
• Leibniz est lié à l’ambition d’un langage logique pour calculer des concepts juridiques et philosophiques.
• Beccaria et Montesquieu sont mobilisés pour défendre une justice encadrée par la loi plutôt que par l’opinion personnelle.

💡 Astuce mémo

Plus de 1500 ans : Ulpien (anticiper), Leibniz (langage), Beccaria/Montesquieu (loi avant émotion).

📖 4. Origines contemporaines et cas d’usage

🔑 Notions clés & Définitions

• Pierre Catala : Pionnier cité de la technologie juridique ayant imaginé des bases de données pour accéder au droit.
• Deep Blue : Programme cité comme ayant battu un champion du monde d’échecs.
• AlphaGo : Programme cité comme ayant surpassé les meilleurs joueurs de Go.
• Case Cruncher Alpha : Logiciel cité ayant dépassé des avocats pour détecter des ventes abusives d’assurances.
• LawGeex : IA citée capable d’analyser des clauses contractuelles avec une précision supérieure à celle des avocats.

📝 Points essentiels

• Catala est évoqué comme une figure ayant imaginé des bases de données pour faciliter l’accès au droit.
• Deep Blue et AlphaGo sont cités pour illustrer la capacité des machines à rivaliser dans des tâches complexes.
• Case Cruncher Alpha est présenté comme dépassant des avocats sur la détection de ventes abusives d’assurances.
• LawGeex est cité pour une analyse de clauses contractuelles plus précise que celle d’avocats.
• En 2019, l’Estonie propose un projet pilote où les citoyens peuvent choisir un juge-robot pour des litiges civils inférieurs à 7 000 €.

💡 Astuce mémo

Échecs/Go prouvent la force; assurances et contrats prouvent l’usage; Estonie 2019 prouve le pilote.

📖 5. Cadre juridique et éthique

🔑 Notions clés & Définitions

• Loi du 23 mars 2019 : Texte cité interdisant le profilage des juges en France dans le cadre de la justice prédictive.
• Loi pour une République numérique (2016) : Texte cité imposant la transparence des algorithmes utilisés dans les décisions publiques.
• RGPD : Règlement cité interdisant le profilage individuel des personnes dans le traitement de données.
• Règlement (Union Européenne) 2024/1689 : Règlement cité comme harmonisant les règles européennes sur l’intelligence artificielle.

📝 Points essentiels

• En France, la loi du 23 mars 2019 interdit le profilage des juges.
• La loi pour une République numérique de 2016 impose la transparence des algorithmes employés dans les décisions publiques.
• Le RGPD est présenté comme interdisant le profilage individuel des personnes.
• Le règlement UE 2024/1689 harmonise les règles européennes sur l’IA.
• L’éthique européenne exige que la justice ne soit pas influencée par des données extérieures aux textes législatifs.

💡 Astuce mémo

2019 (pas de profilage juges), 2016 (transparence), RGPD (pas de profilage personnes), UE 2024 (harmonisation).

📖 6. Limites des systèmes experts

🔑 Notions clés & Définitions

• Système expert : Programme visant à reproduire le raisonnement d’un spécialiste dans un domaine donné.
• Raisonnement d’intuition : Idée selon laquelle des experts humains combinent des données précises avec une intuition issue de l’expérience.
• Programmation par règles : Principe général de codage de logique conditionnelle à partir de règles.

📝 Points essentiels

• Les systèmes experts sont situés dans l’histoire comme un concept né dans les années 1980-1990.
• Il est rapporté que les experts humains ne raisonnent pas seulement à partir de données précises mais mobilisent une intuition globale.
• La question centrale posée est de savoir si le raisonnement juridique d’un juriste peut être programmé par des règles.
• Le texte cite deux applications typiques des systèmes experts : pilotage des sous-marins nucléaires et domaine médical.

💡 Astuce mémo

Système expert ≠ juriste : données + intuition humaine. La programmation par règles bute sur l’intuition.

📖 7. Recherche d’informations et biais algorithmiques

🔑 Notions clés & Définitions

• Prestation compensatoire : Notion citée comme somme versée après un divorce, distincte juridiquement du divorce lui-même.
• Divorce : Notion citée comme catégorie juridique différente de la prestation compensatoire.
• Analogie : Capacité humaine à relier des situations similaires même si elles diffèrent sur certains points.
• COMPAS : Logiciel américain cité qui prédisait un risque de récidive en se basant sur des données historiques.
• PredPol : Logiciel américain cité de police prédictive identifiant des zones de probabilité d’infractions.

📝 Points essentiels

• L’IA est décrite comme ayant du mal à distinguer des concepts proches mais juridiquement distincts, comme prestation compensatoire et divorce.
• L’IA est présentée comme incapable d’argumenter par analogie, alors qu’un juriste peut faire des liens entre situations proches.
• Le texte distingue l’accès documentaire d’un moteur de recherche et l’exigence d’interprétation d’un raisonnement juridique.
• Le biais de données est illustré par COMPAS, qui attribuait un risque plus élevé aux personnes noires à cause d’une surreprésentation historique.
• PredPol est présenté comme focalisé sur des infractions mineures de masse et incapable d’identifier d’autres types de crimes à cause d’une répartition inégale des infractions.

💡 Astuce mémo

Distinction concepts, pas d’analogie, pas Google, puis biais : COMPAS (surreprésentation), PredPol (répartition inégale).

📖 8. Modélisation du raisonnement juridique

🔑 Notions clés & Définitions

• Modèle syllogistique : Modèle de raisonnement logique strict fondé sur une structure de prémisses menant à une conclusion.
• Modèle politique : Approche où l’argumentation serait influencée par le politique, jugée inapplicable pour un système impartial.
• Modèle rhétorique : Modèle centré sur la persuasion et l’argumentation, attribué à Perelman & Olbrechts-Tyteca dans le texte.
• Modèle moral : Modèle fondé sur des notions de justice et d’injustice présentées comme subjectives et variables.
• Modèle casuistique : Approche centrée sur l’analyse de situations particulières plutôt que sur un raisonnement systématique.

📝 Points essentiels

• Le texte explique que le syllogisme est rigide et ne correspond pas toujours au raisonnement juridique marqué par interprétation et contexte.
• Le modèle politique est déclaré inapplicable car un juge ne doit pas être influencé par des opinions politiques et des données sur les magistrats sont interdites pour prédire leurs décisions.
• Le modèle rhétorique est présenté comme difficile à objectiver pour une machine car la subtilité humaine et l’interaction avec les parties sont difficiles à reproduire.
• Le modèle moral est jugé quasi impossible à programmer car les conceptions de justice varient avec les individus, cultures et évolutions sociales.
• Le modèle casuistique paraît plus proche du droit, mais sa formalisation en algorithme est décrite comme complexe à cause des ajustements humains.

💡 Astuce mémo

5 modèles, 5 blocages : syllogisme (rigide), politique (interdit), rhétorique (subtil), moral (subjectif), casuistique (complexe à formaliser).

📖 9. Sens de la prédiction juridique

🔑 Notions clés & Définitions

• Aléa judiciaire : Variations imprévisibles des décisions de justice que la prédiction vise à réduire ou éliminer.
• Traduction de predictive : Sens du terme anglais incluant anticipation en plus de prédire.
• Comparaison à la météo : Métaphore montrant qu’une prédiction statistique n’atteint pas une certitude absolue.

📝 Points essentiels

• Le texte avertit que « justice prédictive » est trompeur car « predictive » recouvre aussi l’idée d’anticipation.
• En droit, le juge-robot vise à réduire l’aléa judiciaire, c’est-à-dire les variations imprévisibles des décisions.
• La précision ne garantit pas la certitude absolue en justice prédictive, comme l’illustre la comparaison avec la prévision météorologique.
• La météo est décrite comme fondée sur des tendances passées et des modèles statistiques, sans atteindre 100% d’exactitude.

💡 Astuce mémo

Prédictif = anticipatif, mais pas certain : comme la météo, la certitude totale n’existe pas.

📖 10. Surmonter les obstacles techniques

🔑 Notions clés & Définitions

• Machine Learning : Approche d’IA associée au mythe d’une auto-amélioration via des réseaux de neurones.
• Système ouvert du droit : Idée que le droit évolue dans le temps avec lois et jurisprudences nouvelles, rendant la clôture du système impossible.
• Théorie des catégories : Cadre mathématique cité comme piste pouvant aider à modéliser le raisonnement juridique.

📝 Points essentiels

• Le texte signale un mythe selon lequel une IA pourrait s’auto-améliorer en développant ses réseaux de neurones dans un système supposé fermé et sans ambiguïté.
• L’obstacle majeur est relié au fait que le droit est présenté comme un système ouvert, en constante évolution, avec lois qui changent et jurisprudences nouvelles.
• Une piste proposée consiste à formaliser le raisonnement juridique en le structurant au-delà de la corrélation statistique.
• Des chercheurs cités pour ces idées de modélisation incluent Olivia Caramello, Samuel Eilenberg, Saunders Mac Lane et Alexandre Grothendieck.

💡 Astuce mémo

Droit = système ouvert → pas d’auto-amélioration magique; formaliser le raisonnement (ex : théorie des catégories).

📅 Repères chronologiques

📊 Tableaux de synthèse

Précision prédictive vs certitude

⚠️ Pièges & confusions fréquents

1. Confondre justice prédictive et moteur de recherche : l’IA doit interpréter et raisonner, pas seulement extraire et reformuler des informations.
2. Croire que « plus précis » signifie « certain » : le texte insiste sur l’absence de certitude absolue malgré la précision.
3. Penser que l’IA peut faire de l’analogie comme un juriste : le texte dit qu’elle traite les données sans créer de nouvelles solutions hors cadre.
4. Oublier que des données biaisées rendent l’IA biaisée : neutralité supposée uniquement si les données sont fiables.
5. Mélanger prestation compensatoire et divorce : elles relèvent de catégories juridiques distinctes, que l’IA peut confondre.
6. Assumer que les systèmes experts copient exactement le raisonnement humain : le texte souligne l’intuition globale en plus des données.
7. Confondre les modèles de raisonnement : chaque modèle a une limite différente (rigidité, politique interdite, subjectivité, complexité).

✅ Checklist Examen

1. Définir la justice prédictive et expliquer son lien combinaison droit et technologie.
2. Expliquer pourquoi l’étude de l’IA appliquée au droit exige une approche interdisciplinaire (technologie, éthique, philosophie).
3. Citer au moins deux enjeux annoncés de la justice prédictive, dont gain de temps/argent et un autre enjeu.
4. Expliquer comment l’automatisation est reliée aux MARD, avec l’exemple de conciliation ou transaction.
5. Identifier un élément annoncé sur l’impact sur la formation des juristes.
6. Connaître la chronologie historique proposée : idée de prédire remonte à plus de 1500 ans.
7. Citer Ulpien et expliquer son rôle dans l’anticipation du raisonnement juridique.
8. Citer Leibniz et son objectif de langage logique pour « calculer » des concepts.
9. Citer Beccaria et Montesquieu et leur idée commune sur la primauté de la loi face aux opinions.
10. Citer Holmes Jr. et l’idée que le droit correspond à la prédiction de ce que feront en fait les tribunaux.
11. Donner des exemples contemporains cités (au moins deux) : Deep Blue, AlphaGo, Case Cruncher Alpha, LawGeex, Estonie 2019.
12. Rappeler les règles françaises et européennes citées : loi du 23 mars 2019, loi pour une République numérique (2016), RGPD, règlement UE 2024/1689.
13. Expliquer l’enjeu éthique européen lié à l’absence d’influence de données extérieures aux textes législatifs.
14. Définir un système expert et citer deux domaines d’application mentionnés.