À qui appartient l'erreur quand l'IA se trompe

Début 2024, un cabinet comptable de taille moyenne a utilisé un outil de recherche IA pour rédiger un mémo client sur une position fiscale. L'outil a cité une jurisprudence qui n'existait pas. Un collaborateur junior, se fiant à la sortie, l'a transmise à un associé qui a validé sans vérifier les citations. Le client s'y est appuyé. Ce n'est pas une hypothèse : aux États-Unis, les tribunaux ont sanctionné des avocats à plusieurs reprises depuis 2023 pour exactement ce schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète →, notamment dans *Mata v. Avianca* (Southern District of New York, 2023), où des avocats ont été condamnés à une amende pour avoir soumis de fausses citations générées par ChatGPT. Les cabinets de services professionnels affrontent aujourd'hui une version de ce risque sur chaque mission touchée par l'IA : valorisations, dossiers de travail d'audit, opinions fiscales, modèles actuariels, rapports de due diligence.

La question à laquelle cette leçon répond : quand l'IA contribue à un jugement professionnel qui s'avère faux, qui est responsable, et quelle structure permet au cabinet de rester défendable.

En quoi c'est différent d'une erreur d'outil ordinaire

La responsabilité professionnelle (l'exposition pour faute liée au standard de diligence dû au client) a toujours supposé qu'un expert humain exerçait un jugement. L'IA change trois choses :

• Opacité : beaucoup de sorties d'IA (surtout celles des grands modèles de langage, LLMLLMUn Large Language Model est un système d'IA entraîné sur d'énormes volumes de texte pour prédire et générer du langage, ce qui permet de rédiger, résumer ou répondre à des questions.Voir la définition complète →) ne montrent pas leur raisonnement, si bien que les relecteurs ne peuvent pas repérer facilement le défaut comme ils repéreraient une erreur de calcul d'un junior.
• Assurance sans compétence : les outils d'IA produisent un texte fluide et péremptoire, indépendamment de son exactitude. On parle souvent d'« 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 → » : la génération de contenu plausible mais faux.
• Échelle : un mauvais modèle de prompt ou un modèle défaillant peut propager la même erreur sur des centaines de dossiers clients avant que quiconque ne s'en aperçoive.

Régulateurs et tribunaux n'ont 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 →éé ni « défense IA » distincte, ni bouclier de responsabilité pour l'IA. Le standard de diligence existant continue de s'appliquer : on attend d'un professionnel la même compétence, qu'il ait utilisé l'IA ou non. L'avis formel 512 (2024) de l'American Bar Association sur l'IA générative l'a dit explicitement pour les avocats : les devoirs de compétence, de confidentialité et de supervision s'appliquent pleinement au travail assisté par l'IA. Attendez-vous à ce que des lignes directrices équivalentes des instances comptables (AICPA) et des associations actuarielles et de valorisation se resserrent jusqu'en 2026.

Cartographier la chaîne de responsabilité

Quand quelque chose déraille, quatre parties peuvent figurer dans la chaîne de responsabilité, et les cabinets devraient cartographier cela avant le déploiement, pas après un incident.

1. Le cabinet et le professionnel signataire. Les actions en responsabilité visent la personne ou le cabinet qui a délivré l'opinion, la déclaration ou la valorisation, quel que soit l'outil qui a produit le brouillon. Signer, c'est assumer.
2. Le fournisseur d'IA. Les contrats avec des fournisseurs comme Microsoft (Copilot), Thomson Reuters (CoCounsel) ou Workiva excluent généralement toute responsabilité quant à l'exactitude des sorties, via leurs conditions d'utilisation. Les fournisseurs vendent des outils « d'assistance », pas des opinions.
3. Le client, s'il a lui-même mal utilisé l'outil ou ignoré des limites qui lui avaient été communiquées.
4. Les assureurs, dont les polices de responsabilité civile professionnelle (errors and omissions, E&O) posent de plus en plus de questions explicites sur l'usage de l'IA lors de la souscription.

Résultat pratique : la responsabilité retombe sur le cabinet dans presque tous les cas. Les clauses d'exclusion des fournisseurs sont larges et encore peu testées, mais globalement opposables pour les erreurs au niveau de l'outil. Autrement dit, le vrai facteur d'atténuation du risque, ce sont les contrôles internes du cabinet, pas les promesses du fournisseur d'IA.

La validation humaine : ce qui compte vraiment comme telle

« Un humain a relu » n'est pas une défense en soi. Régulateurs et tribunaux commencent à demander la preuve d'une relecture *substantielle*. Construisez la validation autour de trois tests :

• Traçabilité : le relecteur peut-il voir ce que l'IA a généré par rapport à ce qu'un humain a ajouté ou modifié ?
• Vérification indépendante : les citations, chiffres ou calculs ont-ils été contrôlés contre une source primaire, et pas seulement jugés plausibles ?
• Compétence pour attraper l'erreur : le relecteur était-il assez senior, et disposait-il d'assez de temps, pour détecter effectivement la catégorie d'erreur que l'outil est connu pour produire ?

Un associé qui parcourt cinq minutes un rapport de valorisation de 40 pages rédigé par l'IA avant de signer ne franchit pas cette barre. Une checklist structurée, adossée à des modes de défaillance connus et précis (fabrication de chiffres, citations réglementaires obsolètes, comparables inadaptés dans une valorisation), oui.

La piste documentaire : quoi conserver

Si une réclamation survient deux ans plus tard, le cabinet doit pouvoir reconstituer exactement ce qui s'est passé. Documentation minimale :

• Quel outil d'IA et quelle version de modèle ont été utilisés (les versions de modèles changent silencieusement ; les sorties de GPT-4 en 2024 diffèrent de celles de GPT-4o ou de versions ultérieures).
• Quel prompt ou quelle entrée a été fourni.
• La sortie brute de l'IA, non éditée.
• Ce que le relecteur humain a modifié, et pourquoi.
• Qui a validé et à quelle date.

engagement_id: 2026-0417
tool: CoCounsel_v3
task: precedent_summary
raw_output_hash: 8f2a1c...
human_edits: 3 citations removed (unverifiable), 1 paragraph rewritten
reviewer: J. Alvarez, Senior Associate
signoff: M. Chen, Partner, 2026-03-11
verification_method: manual check against Westlaw

Ce type de journal d'audit transforme « nous avons utilisé l'IA » d'un aveu de responsabilité en preuve d'un processus maîtrisé. L'AI Act européen (règlement 2024/1689), entré en application par étapes en 2025 et 2026, pousse dans le même sens pour les systèmes d'IA « à haut risque » : il exige documentation, journalisation et supervision humaine capable d'intervenir, ce qui concerne particulièrement l'IA utilisée dans le crédit, l'emploi ou des décisions à proximité du juridique, que certains services professionnels touchent.

La conversation avec l'assureur

Les assureurs en responsabilité civile professionnelle ont bougé vite. Dès 2025, les grands souscripteurs E&O (dont des assureurs spécialisés comme Beazley et Chubb) ajoutaient des questionnaires explicites sur l'usage de l'IA aux dossiers de renouvellement, demandant :

• Utilisez-vous de l'IA générative dans les livrables clients ?
• Avez-vous une politique encadrant l'usage de l'IA et la relecture humaine ?
• Avez-vous connu des incidents ou quasi-incidents liés à l'IA ?

Les cabinets qui répondent de façon vague ou admettent l'absence de politique risquent des primes plus élevées ou des exclusions. Un cabinet doté de garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → documentés (en substance, la checklist de cette leçon) constitue un risque nettement meilleur à souscrire. Certains assureurs, d'après les commentaires de courtiers comme Marsh, commencent à traiter l'« absence de politique de gouvernance de l'IA » comme ils traitaient jadis l'« absence de politique de cybersécurité » : un signal d'alerte qui déclenche un examen renforcé ou une surprime.

Geste pratique : avant le renouvellement, faites l'inventaire réel de l'usage de l'IA dans le cabinet et posez une politique de gouvernance d'une page devant le courtier. Cela change la position de négociation.

Garde-fous à mettre en place avant déploiement

Une checklist pré-déploiement, adaptable à l'audit, la fiscalité, le juridique, l'actuariat et la valorisation :

1. Classez le cas d'usage par risque. Rédiger une synthèse interne est peu risqué. Générer des chiffres qui iront dans un rapport de valorisation signé est très risqué. Appliquez une relecture proportionnellement plus lourde au second.
2. Restreignez les tâches que l'IA peut toucher sans supervision. Aucune citation juridique, aucun chiffre financier, aucune référence réglementaire générée par l'IA ne part chez un client sans vérification indépendante contre une source primaire.
3. Verrouillez la version du modèle et journalisez-la. Sachez exactement quelle version de modèle a produit quelle sortie ; les modèles sont mis à jour et leur comportement change sans avertissement.
4. Formez les relecteurs aux modes de défaillance connus, pas à la culture générale de l'IA. Un relecteur fiscal doit savoir que les outils d'IA fabriquent des numéros de revenue rulings de l'IRS ; un relecteur en valorisation doit savoir que les outils d'IA appliquent mal les multiples de sociétés comparables.
5. Définissez la chaîne de validation par écrit, en nommant qui est responsable à chaque étape, avant le début de la mission, pas après l'apparition d'un problème.
6. Associez l'assureur et la direction juridique à tout nouveau cas d'usage d'IA à haut risque avant le déploiement, pas après.

Pour un ancrage réglementaire plus large, le NIST AI Risk Management Framework (États-Unis, volontaire mais très largement cité) constitue une base gratuite solide pour structurer précisément ce type de programme de garde-fous.

🎬 [VIDEO: "AI and the Law: Liability, Ethics, and Legal Risks" - youtube.com - un passage en revue de véritables affaires sanctionnées où l'IA générative a produit des citations juridiques fabriquées, et de ce que les tribunaux ont ensuite exigé]

Points clés

• La responsabilité retombe par défaut sur le cabinet et le professionnel signataire ; les clauses d'exclusion des fournisseurs d'IA ne transfèrent pas la responsabilité de l'opinion professionnelle finale.
• Les standards de diligence existants s'appliquent déjà au travail assisté par l'IA (voir ABA Formal Opinion 512, 2024) ; il n'existe pas de défense distincte et plus clémente du type « c'est l'IA qui s'est trompée ».
• Une validation humaine défendable exige traçabilité, vérification indépendante contre des sources primaires et un relecteur assez compétent pour attraper les modes de défaillance connus de l'IA, pas un coup d'œil rapide.
• Conservez une piste documentaire (version de l'outil, prompt, sortie brute, modifications, relecteur, date) pour qu'un incident survenant deux ans plus tard puisse être reconstitué et défendu.
• Abordez la conversation avec l'assureur de façon proactive : les assureurs intègrent déjà la gouvernance de l'IA dans la tarification de la RC professionnelle, et une politique écrite améliore la position de négociation du cabinet.