CNB et IA générative : ce que change la nouvelle doctrine pour les cabinets

Un avocat qui colle un contrat de cession client dans ChatGPT pour en obtenir un résumé engage sa responsabilité disciplinaire — pas seulement une question de bonnes pratiques. C'est le message que le Conseil National des Barreaux vient de formaliser dans sa mise à jour des recommandations déontologiques sur l'IA générative, et il change la donne pour tous les cabinets qui ont déployé des outils IA sans architecture de confinement des données.

Le texte du CNB ne révolutionne pas le droit de la profession : le secret professionnel de l'article 66-5 de la loi de 1971 existait avant l'IA générative et continuera après. Ce qui change, c'est la granularité de l'exigence. Le CNB ne se contente plus de rappeler un principe général — il pose des critères opérationnels que les Ordres pourront vérifier lors d'un contrôle. C'est ce basculement, du principe à l'audit, qui doit alerter les DSI et associés gérants.

Ce que dit précisément la nouvelle doctrine du CNB

Trois éléments structurent la mise à jour, et chacun a une traduction technique directe.

Premièrement, l'avocat reste seul responsable des conseils rendus même assistés par IA, et doit vérifier chaque résultat avant transmission au client. Cela signifie qu'aucun outil ne peut fonctionner en mode « pilote automatique » — le contrôle humain devient une exigence documentée, pas une option de configuration.

Deuxièmement, l'utilisation d'outils grand public type ChatGPT pour traiter des données clients est jugée incompatible avec le secret professionnel, sauf garanties de confinement des données. C'est la phrase la plus lourde de conséquences : elle ne dit pas que l'IA générative est interdite, elle dit que l'architecture de traitement des données doit prouver son étanchéité.

Troisièmement, une formation à l'IA devient recommandée dans le cadre de la formation continue obligatoire. Le CNB anticipe que la compétence IA fera partie du socle professionnel attendu d'un avocat, au même titre que la déontologie ou la procédure.

Pris ensemble, ces trois points dessinent un cadre exigeant : contrôle humain documenté, confinement des données prouvable, et montée en compétence organisée. Aucun de ces trois axes ne se résout par une simple clause contractuelle avec un fournisseur cloud — ils exigent une architecture.

Pourquoi « confinement des données » n'est pas une case à cocher

La formulation du CNB — « sauf garanties de confinement des données » — est techniquement précise, mais elle est souvent mal interprétée dans les cabinets comme un simple critère contractuel : avoir signé un DPA (Data Processing Agreement) avec le fournisseur suffirait. C'est une lecture incomplète.

Un DPA garantit que le fournisseur ne réutilisera pas les données à des fins d'entraînement. Il ne garantit pas :

• où les documents complets du dossier sont stockés et indexés ;
• qui, chez le fournisseur ou dans sa chaîne de sous-traitance, peut techniquement accéder aux logs de requêtes ;
• quelle trace le cabinet peut produire, six mois après un traitement, pour démontrer à l'Ordre quelles données ont transité, vers quel système, avec quelle finalité.

Or c'est précisément ce troisième point — la traçabilité opposable — qui distingue une conformité de façade d'une conformité vérifiable. Le CNB parle de contrôle humain et de responsabilité de l'avocat : en cas de mise en cause, c'est le cabinet qui devra produire les preuves, pas le fournisseur.

La distinction architecturale qui compte réellement

Il faut ici être honnête sur un point que le marketing IA juridique simplifie souvent à outrance : la quasi-totalité des outils IA juridiques, y compris les architectures privées, s'appuient sur des modèles de langage tiers pour la génération de texte. RAGbase Legal ne fait pas exception — un LLM doit produire du texte, et les modèles les plus performants restent aujourd'hui développés par des acteurs comme Anthropic, OpenAI ou Mistral.

La différence qui compte n'est donc pas « nous n'utilisons jamais de LLM externe » — ce serait inexact et intenable. La différence est ce qui quitte l'infrastructure du cabinet, et sous quelle forme.

Dans une architecture on-premise correctement conçue, seuls des chunks minimisés — les passages strictement nécessaires pour répondre à une requête — sont envoyés au fournisseur LLM choisi par le cabinet, selon les conditions API négociées (généralement avec exclusion contractuelle de l'entraînement). Le dossier complet, l'historique du client, les pièces annexes, les métadonnées de permission ne quittent jamais l'infrastructure. C'est cet écart — document complet + agent sous contrôle client d'un côté, extrait minimal envoyé à l'API de l'autre — qui constitue la garantie de confinement que le CNB appelle de ses vœux, et non l'absence totale de tout LLM externe.

Ce que le marché propose aujourd'hui, et où se situe le curseur

Le paysage des outils IA juridiques s'est structuré rapidement, avec des positionnements de prix et d'architecture très différents.

Harvey a atteint une échelle impressionnante — environ 100 000 avocats utilisateurs et 144 millions de dollars d'ARR, pour une valorisation de 8 milliards de dollars fin 2025 — à un tarif de 1 000 à 1 200 dollars par utilisateur et par mois. C'est un modèle SaaS mutualisé : la donnée transite et s'indexe côté plateforme.

CoCounsel (Thomson Reuters) se positionne sur un segment tarifaire plus accessible, entre 250 et 500 dollars par utilisateur et par mois, avec une architecture cloud également mutualisée mais adossée à l'écosystème Reuters.

Lexis+ Protégé se situe dans une fourchette de 500 à 1 000 dollars et plus par utilisateur et par mois, avec un positionnement proche de CoCounsel sur le modèle de déploiement.

Claude Cowork (Anthropic, offre entreprise) illustre une approche différente, orientée agent généraliste avec des garde-fous entreprise — un positionnement qui mérite d'être suivi de près sans pour autant remplacer une architecture documentaire dédiée au contentieux et au conseil.

Un cas d'usage éclairant est celui d'El Murshid, plateforme ayant indexé 26 000 dossiers et démontré des gains de 5 à 70 % de temps de rédaction économisé selon les tâches — preuve que les gains de productivité de l'IA générative en droit sont réels et mesurables, indépendamment du débat sur l'architecture. La question n'est donc pas « l'IA générative apporte-t-elle de la valeur en cabinet » — elle en apporte, documentée — mais « à quel prix en termes d'exposition au secret professionnel, et pour quel coût récurrent ».

Ce dernier point mérite d'être posé sans complaisance : l'étude Stanford sur les outils juridiques IA a mesuré un taux d'hallucination d'environ 1 sur 6 pour Harvey sur certaines tâches. Cela ne signifie pas que ces outils sont inutilisables — cela confirme que le contrôle humain systématique exigé par le CNB n'est pas une précaution excessive, c'est une nécessité empirique, quel que soit l'outil retenu.

L'architecture souveraine comme réponse à un audit, pas seulement à un principe

Ce qui distingue la mise à jour du CNB des textes précédents, c'est son orientation vers le contrôle. Un Ordre qui instruit une plainte disciplinaire ne demandera pas au cabinet s'il « croit » respecter le secret professionnel — il demandera des preuves : quels outils, quelles données, quels flux, quelles vérifications humaines.

Une IA privée pour cabinet d'avocats déployée on-premise ou en cloud privé dédié répond structurellement à cette exigence de preuve, sur trois plans :

• Localisation vérifiable : les modèles d'inférence, les index de recherche de jurisprudence IA et les vector stores sont hébergés sur une infrastructure identifiée en France, auditable par le cabinet à tout moment, sans dépendre des exports proposés par un fournisseur tiers.
• Minimisation des flux sortants : seuls les extraits nécessaires à une réponse ponctuelle transitent vers l'API du LLM choisi, jamais les dossiers complets — un principe de minimisation qui rejoint directement la logique du RGPD et facilite la démonstration de conformité.
• Traçabilité native : chaque requête, chaque source consultée, chaque validation humaine avant transmission au client est journalisée dans un système que le cabinet contrôle entièrement, prêt à être produit en cas de contrôle de l'Ordre ou d'audit RGPD.

Sur le plan économique, le contraste avec les abonnements SaaS mensuels est significatif. Une architecture on-premise se positionne généralement autour de 20 000 à 50 000 dollars en investissement one-time, contre des abonnements récurrents de plusieurs centaines à plus de mille dollars par utilisateur et par mois pour les solutions SaaS mutualisées. Pour un cabinet de 50 avocats, l'écart de structure de coût sur trois ans devient un critère de décision à part entière, indépendamment même de la question de conformité.

Le contrôle humain comme fonctionnalité, pas comme contrainte

Le CNB insiste sur la vérification systématique des résultats avant transmission au client. Une architecture bien conçue transforme cette obligation en fonctionnalité native plutôt qu'en friction : workflows de validation obligatoire, horodatage des relectures, distinction claire entre brouillon généré et document validé par un avocat. C'est un point souvent sous-estimé dans le choix d'un outil — la capacité à documenter le contrôle humain compte autant que la qualité de la génération elle-même.

Formation continue : l'angle mort que les cabinets sous-estiment

Le volet formation de la mise à jour du CNB mérite une attention distincte. En intégrant l'IA à la formation continue obligatoire, le CNB signale que la compétence ne se limite pas au choix d'un outil par la DSI — elle engage chaque avocat individuellement. Un cabinet qui déploie une architecture IA sans plan de formation structuré expose ses collaborateurs à un usage non maîtrisé, précisément le scénario que le CNB cherche à prévenir.

Les cabinets les mieux préparés associent déjà le déploiement technique à un programme de formation interne : compréhension des limites du modèle, procédures de vérification, cas où l'IA ne doit pas être utilisée (avis juridiques à fort enjeu, matières sensibles). Notre guide IA pour cabinets détaille les briques de ce type de programme, du diagnostic initial à la formation des équipes.

Ce qui va probablement suivre

La trajectoire du CNB suit un schéma classique de régulation professionnelle : un principe général, puis des critères opérationnels, puis, souvent, des obligations de reporting ou d'audit. Il est raisonnable d'anticiper que les prochaines étapes porteront sur des exigences plus précises de documentation — cartographie des outils IA utilisés par cabinet, registre des traitements dédié à l'IA générative, voire certification des architectures.

Les cabinets qui construisent aujourd'hui une architecture traçable et documentée n'auront pas à reconstruire leur conformité dans l'urgence lors du prochain tour de vis réglementaire. Ceux qui ont déployé des outils grand public sans garde-fous devront, eux, justifier rétroactivement des mois d'usage — un exercice nettement plus périlleux qu'une mise en conformité anticipée.

Avant tout renouvellement ou nouveau déploiement d'outil IA, il vaut la peine de poser trois questions simples à chaque fournisseur évalué : où sont hébergés les documents complets du dossier, quelles données précises transitent vers le LLM sous-jacent, et quelle preuve exportable pourriez-vous produire demain si votre bâtonnier vous le demandait. Les réponses à ces trois questions structurent, à elles seules, l'essentiel de la décision.