Le 3 novembre 2026, l'avocat général de la Cour de justice de l'Union européenne a déposé des conclusions qui devraient inquiéter davantage les éditeurs de LLM que les cabinets d'avocats — à condition que ces derniers comprennent où se situe réellement le risque. Dans l'affaire Like Company (C-250/25), il estime à titre subsidiaire que l'entraînement d'un modèle d'intelligence artificielle sur des contenus protégés constitue un acte de reproduction au sens du droit d'auteur européen. Une phrase technique, presque anodine à la lecture, mais dont la portée pratique est considérable : elle ouvre la voie à une responsabilité des fournisseurs de modèles, et potentiellement des utilisateurs professionnels qui exploitent commercialement ces outils sans visibilité sur leur provenance.
Pour un cabinet d'avocats qui a déployé Harvey, CoCounsel ou Lexis+ Protégé l'an dernier en pensant avoir sécurisé sa transformation IA, la question n'est plus "ai-je le droit d'utiliser cet outil ?" mais "sur quoi ce modèle a-t-il été entraîné, et qui en répond si cet entraînement s'avère illicite ?" C'est cette bascule de questionnement, du côté usage vers le côté provenance, qu'il faut désormais intégrer dans toute décision d'architecture IA juridique.
Ce que dit (vraiment) l'avocat général dans l'affaire Like Company
Comme le rappelle Kenza Declercq dans son analyse détaillée des conclusions (Village Justice), l'avocat général ne tranche pas frontalement la question de la licéité de l'entraînement des IA génératives — il propose une grille de lecture. Sa position, qualifiée de subsidiaire, consiste à dire que si un modèle reproduit ou mémorise, même partiellement, des œuvres protégées utilisées lors de son entraînement, cet acte relève du droit exclusif de reproduction prévu par la directive 2001/29 et précisé par la directive DSM (2019/790).
Cela ne signifie pas que tout entraînement est illégal par principe : la directive DSM prévoit une exception de fouille de textes et de données (text and data mining, articles 3 et 4) qui autorise, sous conditions, l'exploration automatisée de contenus protégés — notamment lorsque le titulaire de droits n'a pas formulé d'opposition explicite (opt-out). Mais cette exception suppose un accès licite aux œuvres et un mécanisme de retrait effectif, deux conditions rarement vérifiables sur les corpus massifs utilisés pour entraîner les grands modèles de langage généralistes.
L'enjeu pour les cabinets d'avocats n'est donc pas théorique : Harvey, CoCounsel et Lexis+ Protégé ne sont pas des modèles de fondation — ce sont des couches applicatives construites sur des LLM tiers (GPT-4, Claude, Gemini selon les configurations), dont les corpus d'entraînement originels restent, à ce jour, largement non documentés publiquement.
La responsabilité en cascade : éditeur, intégrateur, utilisateur
Le point le plus structurant des conclusions pour les directions juridiques et les DSI de cabinets tient à la mécanique de responsabilité qu'elles esquissent. Si l'entraînement est qualifié de reproduction, trois niveaux d'acteurs peuvent être recherchés :
- Le fournisseur du modèle de fondation (OpenAI, Anthropic, Google, Meta) pour l'acte de reproduction initial lors de l'entraînement.
- L'éditeur de la solution verticale juridique (Harvey, CoCounsel, Lexis+ Protégé, Legora) qui exploite commercialement ce modèle sans nécessairement avoir négocié de garanties sur la provenance des données d'entraînement.
- L'utilisateur professionnel — le cabinet — qui tire un bénéfice économique direct de l'exploitation d'un outil potentiellement adossé à un entraînement illicite.
Ce troisième niveau est celui qui change la donne pour un associé gérant ou un responsable innovation. Il ne s'agit plus d'un risque réputationnel diffus ("notre IA a halluciné une jurisprudence"), mais d'un risque de conformité documenté : exploitation commerciale d'un outil dont la licéité du processus d'entraînement est juridiquement contestée. Des contentieux comparables se multiplient déjà outre-Atlantique et outre-Manche — Thomson Reuters v. Ross Intelligence aux États-Unis, Getty Images v. Stability AI au Royaume-Uni — avec des issues contrastées, mais une tendance commune : les juges examinent désormais le pipeline d'entraînement, pas seulement l'usage final du produit. Les conclusions de l'avocat général inscrivent l'Union européenne dans ce même mouvement.
Le vrai problème : l'opacité contractuelle des IA juridiques SaaS
La quasi-totalité des solutions IA juridiques actuellement déployées en cabinet reposent sur des LLM propriétaires américains, intégrés via API ou abonnement fermé. Le cabinet achète un siège, pas une architecture. Il n'a, dans l'immense majorité des cas, aucune visibilité contractuelle sur :
- la composition exacte des corpus d'entraînement du modèle sous-jacent,
- les mécanismes de filtrage des contenus protégés,
- la politique de l'éditeur en cas de condamnation du fournisseur de modèle pour entraînement illicite,
- la possibilité de migrer rapidement vers un autre modèle si celui utilisé est mis en cause.
| Solution | Modèle sous-jacent | Transparence sur l'entraînement | Tarification |
|---|---|---|---|
| Harvey | LLM tiers (configuration propriétaire) | Non documentée publiquement | 1 000–1 200 USD/utilisateur/mois |
| CoCounsel (Thomson Reuters) | LLM tiers + corpus propriétaire Thomson Reuters | Partielle sur la couche propriétaire | 250–500 USD/utilisateur/mois |
| Lexis+ Protégé | LLM tiers + corpus LexisNexis | Partielle sur la couche propriétaire | 500–1 000+ USD/utilisateur/mois |
| Claude Cowork (Anthropic) | Modèle Anthropic natif | Politique d'entraînement publiée par l'éditeur | Ordre de grandeur estimé 200–400 USD/utilisateur/mois |
Ce tableau appelle une nuance importante : CoCounsel et Lexis+ Protégé bénéficient d'une couche propriétaire construite sur des bases documentaires sous licence (Westlaw, Lexis), ce qui réduit partiellement l'exposition. Mais le modèle de langage lui-même, celui qui génère le texte, reste un LLM générique dont l'entraînement initial échappe à l'audit du cabinet client. C'est précisément ce chaînon que les conclusions de l'avocat général placent sous tension juridique.
Ce que change une architecture RAG on-premise
L'erreur de cadrage la plus fréquente consiste à opposer "IA SaaS qui envoie les données dehors" et "IA privée qui ne sort rien". Ce n'est pas la bonne distinction, et ce n'est pas honnête : une architecture IA privée pour cabinet d'avocats comme RAGbase Legal peut parfaitement s'appuyer sur un LLM fourni par un tiers — c'est même recommandé pour la qualité de génération. La différence qui compte est architecturale, pas géographique.
Dans une architecture RAG (retrieval-augmented generation) déployée sur l'infrastructure du cabinet :
- Le modèle de langage est figé. Il n'est jamais ré-entraîné ou affiné sur les documents du cabinet ni sur un corpus scrapé. Il ne mémorise rien de ce qu'il traite à l'inférence.
- L'agent, l'index vectoriel, les documents complets, les permissions et les logs restent sur l'infrastructure du cabinet — serveurs on-premise ou cloud privé choisi par le cabinet.
- Seuls des extraits minimaux (chunks) pertinents pour répondre à une requête précise sont transmis au LLM choisi, selon les conditions API négociées par le cabinet lui-même, pas imposées par un éditeur SaaS.
- La recherche de jurisprudence IA s'exécute sur le corpus documentaire du cabinet, pas sur un corpus d'entraînement partagé entre tous les clients d'un éditeur.
| Ce qui reste sur l'infrastructure du cabinet | Ce qui peut quitter l'infrastructure |
|---|---|
| Documents clients complets | Extraits (chunks) strictement nécessaires à la réponse |
| Index vectoriel et moteur de recherche | — |
| Permissions, droits d'accès par dossier | — |
| Logs d'audit et historique des requêtes | — |
| Orchestration agentique et workflows | Requête formulée au LLM, sans contexte documentaire complet |
Cette séparation répond directement au problème posé par les conclusions de l'avocat général : un modèle qui ne s'entraîne jamais sur le corpus du cabinet ni sur des œuvres tierces non autorisées ne peut pas être mis en cause pour reproduction illicite liée à son usage en cabinet. Le risque résiduel — celui du LLM choisi pour la génération — devient un point négocié contractuellement, documenté et substituable, pas une boîte noire subie.
Pourquoi le figement du modèle change la hiérarchie des risques
Trois conséquences concrètes découlent de cette architecture pour un cabinet de 10 à 500 avocats :
Traçabilité contractuelle. Le choix du LLM final (qu'il s'agisse d'un modèle Anthropic, OpenAI ou autre) devient un paramètre que le cabinet peut auditer, documenter dans sa cartographie des risques IA, et faire valider par son comité de conformité — exactement comme il le ferait pour un prestataire de cloud ou un cabinet d'expertise comptable externalisé.
Substituabilité. Si un fournisseur de LLM est condamné demain pour entraînement illicite dans le sillage de l'affaire Like Company, un cabinet sur architecture RAG on-premise peut basculer vers un autre modèle en conservant son index documentaire, ses permissions et son historique. Un cabinet sur solution SaaS fermée doit, lui, migrer l'ensemble de son usage, souvent sans portabilité réelle des configurations.
Absence de mémorisation croisée. Aucun document d'un cabinet A ne peut irriguer, même indirectement, les réponses fournies à un cabinet B — un risque documenté pour les solutions mutualisées qui s'appuient sur du fine-tuning continu à partir des usages clients.
Jurisprudence comparée : un signal, pas un cas isolé
Les conclusions du 3 novembre 2026 ne surgissent pas de nulle part. Elles s'inscrivent dans un mouvement jurisprudentiel international qui examine de plus en plus systématiquement le pipeline d'entraînement des IA génératives, au-delà de leur usage final :
- Aux États-Unis, l'affaire Thomson Reuters v. Ross Intelligence a vu un tribunal fédéral refuser l'exception de fair use pour l'utilisation de contenus Westlaw dans l'entraînement d'un outil concurrent — un précédent directement transposable au secteur juridique.
- Au Royaume-Uni, Getty Images v. Stability AI a porté sur l'utilisation non autorisée d'images protégées pour l'entraînement d'un modèle génératif, avec des questions de compétence territoriale qui préfigurent les débats européens sur le lieu de l'acte de reproduction.
- En Europe, l'exception de text and data mining (articles 3 et 4 de la directive DSM) constitue le socle juridique sur lequel l'avocat général s'appuie pour qualifier, ou non, l'entraînement de reproduction licite — un équilibre que l'arrêt à venir de la CJUE devra préciser.
Aucune de ces décisions ne concerne directement un cabinet d'avocats utilisateur d'IA. Mais toutes convergent vers un même constat : la provenance des données d'entraînement devient un objet de contentieux à part entière, distinct de l'usage qu'en fait le client final. Un cabinet qui n'a pas anticipé cette distinction découvrira le problème au moment le moins opportun — lors d'un audit de conformité, d'une due diligence de fusion, ou d'un contentieux client portant sur la fiabilité d'un avis juridique généré par IA.
Ce que les DSI et associés gérants doivent évaluer maintenant
Au-delà de l'attente de l'arrêt définitif de la CJUE, trois actions sont immédiatement actionnables :
- Demander par écrit à chaque éditeur IA juridique utilisé sa politique de transparence sur l'entraînement du LLM sous-jacent, et la clause contractuelle applicable en cas de condamnation du fournisseur de modèle.
- Cartographier les workflows critiques (recherche de jurisprudence, rédaction d'actes, due diligence) selon leur exposition au risque de reproduction non autorisée — tous ne se valent pas.
- Évaluer une architecture RAG on-premise pour les charges de travail les plus sensibles, en complément et non en remplacement des outils SaaS déjà déployés pour des usages moins critiques. Le guide IA pour cabinets détaille les critères de décision propres à chaque taille de structure.
Les conclusions de l'avocat général du 3 novembre 2026 ne changent pas la nécessité d'adopter l'IA en cabinet — elles changent la grille d'évaluation des outils. Un déploiement de 20 à 50 k$ en architecture RAG on-premise, modèle de base figé et corpus du cabinet maîtrisé de bout en bout, se compare désormais moins à un coût de licence qu'à une assurance contre un risque de conformité encore mal cartographié par la plupart des directions juridiques. Avant de renouveler ou d'élargir un abonnement IA juridique, posez la question simple que l'avocat général vient de légitimer : sur quoi ce modèle a-t-il été entraîné, et qui en répond si la réponse s'avère insatisfaisante ?
Questions fréquentes
Les conclusions de l'avocat général de la CJUE dans l'affaire Like Company sont-elles déjà contraignantes ?
Un cabinet d'avocats peut-il être tenu responsable de l'entraînement illicite d'un modèle d'IA qu'il utilise simplement en SaaS ?
Une architecture RAG on-premise élimine-t-elle totalement le risque lié au droit d'auteur sur les modèles d'IA ?
RAGbase construit des systèmes d'IA privés pour les cabinets d'avocats : déployés sur l'infrastructure du cabinet, zéro rétention de données, propriété complète.
Voyez RAGbase sur vos propres données
30 minutes en visio. Nous cadrons votre besoin et montrons le système en direct.