Cabinets d'avocats · Les catégories d'outils que personne n'explique clairement

Une associée senior vous coince après une démo et vous demande : « Est-ce que ça ne fait pas la même chose que Harvey, notre CLM et cet outil de review qu'on a acheté l'an dernier ? » Vous avez trente secondes pour répondre avant qu'elle passe à autre chose. Si vous ne savez pas tracer la frontière entre les outils de rédaction, de review, de recherche, d'eDiscovery et de retrieval de connaissances, vous allez soit enterrer un achat utile, soit valider un achat redondant. Cette leçon vous donne cette frontière.

Pourquoi la confusion est structurelle, et non de votre faute

Les vendeurs de legal AI font du marketing horizontal. Une seule démo produit peut montrer de la rédaction, une interface de chat sur vos documents et une citation de recherche, le tout dans un même flux. C'est un choix commercial, pas une réalité technique. En dessous, ce sont des métiers différents, construits sur des données différentes, avec des modes de défaillance différents.

La taxonomie qui compte vraiment porte sur ce que l'outil est optimisé pour produire, pas sur l'interface qu'il porte.

Les cinq catégories, décrites honnêtement

Les outils de rédaction

Ils génèrent un premier jet de texte : contrats, mémos, écritures. Parmi les exemples, Harvey (construit avec des modèles OpenAI, utilisé par des cabinets comme Allen & Overy) et Spellbook, qui s'intègre à Microsoft Word pour la rédaction de contrats.

Ce qu'ils font honnêtement bien : produire vite un premier jet plausible, travailler à partir de templates et de bibliothèques de clauses, adapter le ton selon les types de documents.

Ce qu'ils ne font pas bien : obtenir les bons termes commerciaux spécifiques au deal sans qu'un avocat les fournisse, et connaître la banque de précédents de votre cabinet sans intégration explicite. Un outil de rédaction sans connexion à votre document management system (DMS, le référentiel type iManage ou NetDocuments où vivent les documents du cabinet) rédige à partir de données d'entraînement génériques, pas des précédents réels de votre cabinet.

Les outils de review

Ils lisent des documents existants et signalent les problèmes : clauses à risque, termes manquants, écarts par rapport à un playbook. Parmi les exemples, Kira Systems (désormais partie de Litera) et Luminance, tous deux conçus à l'origine pour la review contractuelle en due diligence.

Honnêtement bons à : les contrôles de cohérence en grand volume sur des centaines de contrats en due diligence M&A ou en audit de portefeuille de baux, attraper ce qu'un collaborateur fatigué rate à 23h.

Pas bons à : les jugements sur l'appétence au risque commercial. L'outil signale une clause limitative de responsabilité ; il ne vous dit pas si votre client devrait l'accepter.

Les outils de recherche

Ils répondent à des questions juridiques avec des citations de jurisprudence, de textes et de sources secondaires. Parmi les exemples, CoCounsel (Thomson Reuters, anciennement Casetext), Lexis+ AI et Westlaw Precision.

Honnêtement bons à : faire remonter l'autorité pertinente plus vite qu'une recherche booléenne manuelle, résumer les solutions retenues par les décisions.

Pas bons à : être crus les yeux fermés. Tous les grands fournisseurs exigent encore la vérification des citations parce que l'hallucinationhallucinationUne hallucination, c'est lorsqu'un modèle d'IA produit une réponse fluide et assurée mais factuellement fausse, inventée, ou non étayée par ses données sources.Voir la définition complète → (un modèle qui génère une citation fabriquée ou inexistante avec une grande assurance) reste un risque réel. La célèbre affaire de sanctions *Mata v. Avianca* (2023), où des avocats ont déposé un mémoire avec de fausses citations générées par ChatGPT, est l'avertissement de référence cité dans presque chaque CLE (continuing legal education) sur l'éthique de l'IA juridique depuis. Voir le dossier de la juridiction via CourtListener pour l'opinion sous-jacente.

Les outils d'eDiscovery

Ils traitent de grands ensembles documentaires pour les obligations de communication de pièces en contentieux : identifier les documents pertinents, couverts par le privilege ou responsifs. Parmi les exemples, Relativity et DISCO.

Honnêtement bons à : la technology-assisted review (TAR), une forme de classification supervisée validée par les tribunaux depuis *Da Silva Moore v. Publicis* (2012, S.D.N.Y.), pour réduire fortement le volume de review documentaire sur des dossiers à un million de documents.

Pas bons à : se substituer aux jugements sur le privilege pour les documents limites, qui requièrent toujours une validation par un avocat pour être défendables.

Les outils de retrieval de connaissances

Ils permettent aux fee earners de poser des questions en langage naturel sur les connaissances internes du cabinet : dossiers passés, clauses de précédents, mémos internes. C'est en général construit sur du retrieval-augmented generation (RAG), une technique où le modèle récupère les documents pertinents du cabinet au moment de la requête et génère une réponse ancrée dans ces documents, plutôt que de s'appuyer uniquement sur ce qu'il a appris à l'entraînement.

Honnêtement bons à : transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → « est-ce que quelqu'un au cabinet a déjà fait une structure d'earn-out similaire » en une réponse en cinq secondes au lieu d'un message Slack à huit associés.

Pas bons à : fonctionner correctement si les métadonnées du DMS sous-jacent sont en désordre. La qualité du RAGRAGMéthode qui permet à un modèle d'IA de répondre à partir de vos propres documents, en récupérant les passages pertinents avant de générer une réponse.Voir la définition complète → est bornée par la qualité du retrieval : indexation pourrie en entrée, réponses pourries en sortie.

Une distinction concrète, déroulée

Voici le test que les associés devraient réellement poser, présenté sous forme d'arbre de décision :

Is the tool primarily generating new text?        -> Drafting
Is it primarily flagging issues in existing text?  -> Review
Is it primarily answering questions from external
  legal sources (case law, statutes)?               -> Research
Is it primarily classifying documents for
  litigation disclosure?                            -> Discovery
Is it primarily answering questions from the
  firm's OWN internal documents?                    -> Knowledge retrieval

La plupart des confusions du type « est-ce que ça se recoupe » se dissipent dès que vous demandez dans quelle colonne se situe le nouvel outil. Harvey et CoCounsel se ressemblent en démo (les deux sont des interfaces de chat) mais Harvey est optimisé pour les workflows de rédaction et CoCounsel pour la qualité des citations de recherche. Ce ne sont pas des substituts.

La question de l'intégration au DMS qui décide de tout

Aucune de ces cinq catégories ne délivre de valeur spécifique au cabinet sans intégration au DMS. Un outil de rédaction avec un accès APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → à iManage peut aller chercher le précédent réel du cabinet sur un deal similaire. Sans cette connexion, vous payez une couche générique posée sur un modèle généraliste, que les collaborateurs pourraient obtenir ailleurs.

C'est la question de diagnostic la plus utile pour évaluer n'importe quel pitch fournisseur en 2026 : est-ce que ça lit et écrit dans notre DMS, ou est-ce que ça fonctionne à côté ? Les outils « à côté » crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éent un second silo et un risque supplémentaire de copier-coller, ce qui compte au regard des obligations de confidentialité et, pour les cabinets ayant des dossiers liés à l'UE, des règles de traitement des données du RGPDRGPDRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → (Règlement général sur la protection des données).

Pricing et licences, brièvement

Les vendeurs de legal AI facturent majoritairement par siège et par an (estimation : de quelques centaines à quelques milliers d'USD par siège et par an en 2025, avec de fortes variations selon le vendeur et la taille du cabinet) ou par document / par dossier pour les outils d'eDiscovery, où le volume documentaire pilote directement le coût. Certains outils de rédaction et de recherche évoluent vers une tarification à la consommation indexée sur le volume de requêtes, comparable aux modèles de pricing API ailleurs dans l'IA. Alignez le modèle de pricing sur l'usage réel : un outil de recherche facturé par siège est du gaspillage si seuls les associés contentieux l'utilisent trois fois par mois ; un outil d'eDiscovery facturé au document est dangereux si les volumes documentaires explosent de façon imprévisible sur un gros dossier.

Pourquoi cette taxonomie est aussi un outil de conduite du changement

Les associés résistent à l'IA non pas parce qu'ils comprennent mal la technologie, ils résistent parce que personne ne leur a dit clairement ce qu'un outil remplace réellement par rapport à ce qu'il assiste. « Ça rédige ton premier jet, ça ne remplace pas ton jugement sur les termes de l'earn-out » est une phrase à laquelle un associé sceptique peut se fier, parce qu'elle est précise et honnête sur la frontière. « Ça utilise une IA avancée pour transformer votre pratique » est une phrase qui fait sortir le vendeur de la salle, et à juste titre.

🎬 [VIDÉO : « How Law Firms Are Actually Using AI Right Now » — youtube.com — cherchez des panels récents de conférences legal tech (par ex. sessions Legalweek ou ILTA) avec des avocats en exercice décrivant des déploiements réels, pas des démos de vendeurs]

À retenir

• Catégorisez par output, pas par interface : la rédaction génère du texte, la review signale des problèmes dans du texte existant, la recherche répond à des questions à partir de sources juridiques externes, l'eDiscovery classe des documents pour le contentieux, le retrieval de connaissances répond à des questions à partir des documents internes du cabinet.
• La valeur d'un outil dépend largement de l'intégration au DMS. Demandez « est-ce que ça lit/écrit dans notre DMS ou est-ce que ça se pose à côté » avant tout pilote.
• Le risque d'hallucination est réel et propre aux outils de recherche ; la vérification des citations n'est pas négociable, comme *Mata v. Avianca* l'a démontré.
• Alignez le modèle de pricing (par siège, par document, à la consommation) sur l'usage réel, pas sur le défaut proposé par le vendeur.
• Des descriptions honnêtes et précises de ce qu'un outil remplace et ne remplace pas sont le vrai levier de conduite du changement auprès des associés sceptiques, plus que n'importe quelle liste de fonctionnalités.