Une période de 90 jours pour la communication des pièces (discovery) impliquant des millions de documents échoue rarement parce que l’équipe est incapable de lire. Elle échoue parce que l’équipe ne parvient pas à prioriser, mesurer et justifier ses décisions d’examen assez rapidement pour respecter les délais de production et les exigences de robustesse juridique. Dans ce contexte, l’IA est particulièrement précieuse lorsqu’elle génère des résultats intermédiaires concrets que l’équipe juridique peut orienter, vérifier par échantillonnage et valider. Pensez, par exemple, au marquage automatique des sujets dans les fils de discussion (e-mails et messagerie instantanée), aux résumés de clauses ou de communications générés par l’IA pour une orientation rapide, aux suggestions de dépositaires et d’entités pour une évaluation préliminaire du dossier, ainsi qu’aux chronologies reconstituant les événements à travers diverses sources. L’avocat demeure responsable de ce qui est produit, de ce qui est écarté et de la documentation du processus.
Les tribunaux reconnaissent la révision assistée par la technologie (TAR) comme une méthodologie valide pour la découverte électronique (eDiscovery) assistée par IA, à condition que le flux de travail soit juridiquement défendable. Dans ce cours, nous abordons la TAR comme une étape de la préparation de la communication des pièces, et non comme une « boîte noire ». L’objectif n’est pas de remplacer l’examen humain, mais de recentrer le travail des avocats sur des tâches à plus forte valeur ajoutée : définition des objectifs d’examen, entraînement et itération du modèle, et validation des résultats par échantillonnage afin de pouvoir justifier les décisions de production. Nous nous concentrerons sur les éléments utilisés par l’équipe, notamment les prédictions de pertinence, les signalements de risques liés au secret professionnel (privilège) et les lots d’examen proposés par l’IA. Chaque résultat nécessite un niveau de vérification différent selon le degré de risque et l’usage qui en sera fait.
En dehors de la production de documents, l’IA est particulièrement utile pour transformer des éléments de preuve non structurés en une structure prête pour le contentieux. Cela inclut des extraits de chronologie du dossier liés à des documents numérotés (pagination Bates), des éléments constitutifs de plans d’interrogatoire fondés sur des pièces spécifiques, ainsi que des listes de lacunes identifiant les éléments que le dossier actuel ne permet pas encore de prouver. L’équipe peut alors assigner des tâches de suivi concrètes et réalisables : demander les documents manquants, effectuer des recherches ciblées ou interroger le dépositaire pertinent. La compétence à acquérir ici ne consiste pas à demander un résumé générique, mais à orienter le modèle pour qu’il produise des éléments d’analyse s’intégrant parfaitement à votre flux de travail et à vos méthodes de gestion documentaire. Examinons un exemple concret du type de chronologie générée par l’IA que les équipes utilisent lors de la phase préliminaire de préparation du dossier.
Dans le cadre d’un contentieux, les obligations professionnelles se transforment en exigences opérationnelles dès lors que l’IA traite des données du client ou influence une décision relative à la production de documents. L’obligation de compétence implique de comprendre la nature exacte des résultats fournis par l’IA. Si vous ne pouvez pas expliquer comment un processus de TAR (Technology Assisted Review) a été entraîné et validé, vous ne serez pas en mesure de le défendre en cas de contestation. L’obligation de confidentialité signifie que les limites d’utilisation de l’outil sont cruciales. Les questions de savoir ce qui sort de l’environnement du cabinet, où les données sont stockées, qui y a accès et si elles sont conservées pour l’entraînement des modèles ne sont pas de simples détails techniques ; elles déterminent si des informations couvertes par le secret professionnel ou confidentielles ont été exposées. L’obligation de supervision implique que vous ne pouvez déléguer votre jugement ni à l’outil ni au fournisseur. C’est à vous de définir les objectifs de l’examen, d’approuver le protocole et de veiller à ce que les contrôles qualité soient effectués et documentés.
Point de contrôle : responsabilité professionnelle
Ne soumettez pas de documents clients confidentiels ou couverts par le secret professionnel à des outils d’IA grand public non validés par l’entreprise. Utilisez des plateformes d’examen approuvées par l’entreprise, dotées de contrôles d’accès et de politiques de conservation définis, et encadrées par des clauses contractuelles limitant l’utilisation des données clients par le fournisseur. En cas d’incertitude quant à la gouvernance des données, suspendez l’opération et soumettez le choix de l’outil à l’avocat superviseur avant tout transfert ou toute analyse.
Une approche pratique consiste à considérer que l’IA utilisée pour la discovery (procédure de communication des pièces) se situe soit à l’intérieur, soit à l’extérieur d’un système d’examen contrôlé. Au sein d’une plateforme d’examen, les résultats du TAR peuvent être associés aux ensembles de documents collectés, aux listes de détenteurs, aux pistes d’audit et aux décisions de codage. À l’inverse, un outil d’IA grand public peut conserver les requêtes et les résultats, les utiliser pour améliorer ses modèles, ou rendre difficile la vérification des procédures de conservation et de suppression. C’est précisément ce décalage qui peut entraîner une exposition d’informations protégées, susceptible de compromettre l’issue du litige. Vous pouvez tout à fait recourir massivement à l’IA, à condition de le faire dans un cadre où les mesures de contrôle sont proportionnelles aux enjeux. Nous allons maintenant comparer deux configurations d’outils, telles qu’une équipe chargée d’un contentieux les évaluerait avant de déployer l’IA sur un dossier.