Machine Learning et Travail Juridique : L'Évolution Médiée selon Harvard et Lancaster
Analyse de l'étude de James Faulconbridge (Lancaster University) sur les trajectoires du machine learning dans le travail juridique et le concept d'évolution médiée.
Non, le machine learning ne va pas remplacer les avocats. Mais non, il ne va pas non plus laisser la profession intacte. La réalité est infiniment plus nuancée — et plus intéressante — que ces deux extrêmes.
C'est la thèse centrale d'une étude majeure publiée en février 2025 dans l'International Journal of the Legal Profession par James Faulconbridge, professeur à Lancaster University et directeur du projet de recherche NextGenPSF financé par le Conseil de la recherche économique et sociale britannique (ESRC). Son article, "Trajectories of Legal Work in the Context of Machine Learning AI: Conceptualising Mediated Evolution", propose un cadre théorique original pour comprendre comment le machine learning transforme — lentement, inégalement, mais profondément — le métier d'avocat.
Chez Themis System, nous avons décortiqué cette étude pour vous. Voici ce que vous devez savoir.
L'évolution médiée : ni révolution, ni statu quo
Le concept central de l'article de Faulconbridge est celui d'évolution médiée (mediated evolution). Cette idée repose sur un constat empirique : le potentiel théorique du machine learning ne se traduit pas en une transformation radicale et immédiate de la profession juridique. La réalité est plus complexe.
L'évolution médiée décrit un changement qui est à la fois matériel et significatif, mais aussi dépendant du chemin parcouru (path dependent) et non linéaire. En d'autres termes, la transformation du travail juridique par le ML n'avance pas en ligne droite. Elle est le produit d'interactions permanentes entre trois forces :
- Les capacités et les possibilités du ML — ce que la technologie peut réellement faire aujourd'hui
- Les institutions et les normes de la profession — les ordres, la déontologie, les habitudes séculaires
- Les réponses stratégiques des professionnels — la manière dont les avocats, individuellement et collectivement, choisissent de s'adapter
Automatisation vs. augmentation : les deux trajectoires du ML juridique
L'étude de Faulconbridge distingue deux trajectoires fondamentales dans l'usage du machine learning par les professionnels du droit.
La trajectoire d'automatisation
C'est la plus visible et la plus répandue aujourd'hui. Le ML prend en charge des tâches répétitives et volumineuses que les avocats effectuaient manuellement :
- L'e-discovery : trier des milliers de documents dans le cadre d'un litige - La revue de contrats : analyser la conformité de centaines de clauses lors d'une due diligence - La recherche juridique : identifier les décisions pertinentes dans des bases de données massives - La génération de documents : produire des premières ébauches à partir de modèles
L'automatisation est essentiellement une logique de réduction des coûts. Elle s'est d'abord développée dans les cabinets confrontés à des pressions tarifaires de leurs clients, notamment dans le contentieux de masse.
La trajectoire d'augmentation
Plus ambitieuse et encore émergente, l'augmentation utilise le ML pour transformer la nature même du travail de diagnostic. L'algorithme ne se contente pas d'accélérer une tâche existante : il propose des analyses statistiques, des corrélations et des prédictions que l'avocat n'aurait jamais pu produire seul.
Concrètement, le ML permet :
- D'identifier des patterns dans la jurisprudence invisibles à l'œil humain - De quantifier les probabilités de succès d'une stratégie contentieuse - De détecter des anomalies contractuelles que la lecture humaine manquerait - D'offrir des recommandations stratégiques fondées sur l'analyse de données massives
L'étude révèle une réalité importante : les changements les plus avancés liés à l'augmentation ne se trouvent aujourd'hui que dans un petit nombre de cabinets pionniers (first-mover firms). La majorité des cabinets en sont encore au début de leur parcours d'adoption du ML, et négocient les défis impliqués.
Les barrières : pourquoi l'adoption est lente et inégale
Si le potentiel du ML est si évident, pourquoi sa diffusion dans la profession juridique reste-t-elle si lente ? L'étude de Faulconbridge identifie plusieurs barrières structurelles qui façonnent les trajectoires d'adoption.
L'opacité statistique et l'anxiété qu'elle génère
Le machine learning fonctionne selon une approche statistique opaque. Contrairement au raisonnement juridique traditionnel — qui repose sur des syllogismes logiques explicites —, un algorithme de ML produit des résultats sans pouvoir toujours expliquer son cheminement. Cette opacité entre en collision frontale avec les exigences de la profession :
- L'obligation de motivation des décisions juridiques - Le devoir de conseil éclairé envers le client - La responsabilité déontologique personnelle de l'avocat
Le résultat ? Une anxiété légitime et des réponses conservatrices conçues pour atténuer les risques et prévenir les changements jugés trop problématiques.
Le conservatisme professionnel
Les avocats sont, par nature professionnelle, des gardiens du statu quo. Faulconbridge souligne une caractéristique fondamentale : les avocats exercent un haut degré d'autonomie dans leur travail. Cela signifie que le changement est négocié, jamais imposé. Les professionnels protègent leurs intérêts par des stratégies destinées à garantir un accès privilégié aux ressources — notamment l'accès réservé au travail juridique.
Cette dynamique explique pourquoi l'adoption du ML est souvent compartimentée : restreinte à une équipe ou un groupe de pratique, cantonnée aux aspects d'automatisation les plus inoffensifs, sans que les possibilités d'augmentation plus radicales ne soient explorées.
Le défi organisationnel
Comment intégrer des data scientists et des ingénieurs IA dans un cabinet d'avocats structuré autour du partnership ? L'étude souligne que cette question reste largement irrésolue. La cohabitation entre technologues et avocats crée des tensions sur les carrières, les rémunérations et la culture organisationnelle. Héberger ces compétences au sein de l'espace protégé des cabinets d'avocats demeure "unclear and challenging", selon les termes de l'auteur.
L'identité professionnelle en mutation
L'un des apports les plus originaux de l'étude de Faulconbridge est son analyse de l'impact du ML sur l'identité professionnelle des avocats. Car la résistance au changement n'est pas qu'une question de coûts ou de risques techniques. C'est une question existentielle.
Le "projet professionnel" menacé
La sociologie des professions parle de "projet professionnel" pour désigner l'ensemble des stratégies par lesquelles une profession construit et défend son territoire, son prestige et son autonomie. Le ML menace ce projet sur plusieurs fronts :
- Si un algorithme peut analyser un contrat, qu'est-ce qui justifie les honoraires de l'avocat ? - Si le ML prédit l'issue d'un litige avec précision, à quoi sert l'expérience acquise au fil des années ? - Si les tâches de "débutant" sont automatisées, comment forme-t-on la prochaine génération ?
La réponse : redéfinir la valeur ajoutée
Les cabinets qui réussissent leur transition, selon Faulconbridge, sont ceux qui redéfinissent activement ce que signifie être avocat à l'ère du ML. L'expertise ne réside plus dans la capacité à lire plus de documents que les autres, mais dans :
- La capacité à formuler les bonnes questions à poser à l'algorithme - La compétence pour valider et critiquer les résultats du ML - Le jugement stratégique pour traduire une analyse statistique en conseil actionnable - L'empathie et la relation humaine que la machine ne peut pas reproduire
Le vrai risque pour les avocats n'est pas que l'IA prenne leur travail. C'est que d'autres avocats utilisent l'IA mieux qu'eux.
Un paysage à deux vitesses
L'étude dresse un portrait contrasté de la profession. D'un côté, une poignée de cabinets pionniers qui ont investi massivement, recruté des profils techniques, et expérimenté les usages les plus avancés de l'augmentation par le ML. De l'autre, la majorité de la profession qui en est encore aux premières étapes — souvent limitée à l'automatisation de tâches spécifiques, dans un périmètre restreint.
Les facteurs de différenciation
Plusieurs éléments distinguent les cabinets en avance :
- La taille et les ressources financières : l'évaluation, la sélection et le déploiement des solutions de ML exigent un investissement considérable en temps et en argent - La culture organisationnelle : les cabinets qui tolèrent l'expérimentation et l'échec adoptent plus rapidement - Le leadership : la présence de champions de l'innovation au sein du partnership est déterminante - Les méthodologies préexistantes : les cabinets qui avaient déjà structuré leur gestion de projet juridique (Legal Project Management) disposent d'un avantage naturel pour intégrer le ML
L'opportunité pour les structures agiles
Ce constat n'est pas une condamnation pour les cabinets de taille moyenne. Au contraire. Leur agilité organisationnelle peut compenser leur manque de ressources, à condition de s'appuyer sur des outils adaptés qui démocratisent l'accès aux technologies de ML sans exiger des investissements colossaux.
C'est précisément la mission que s'est fixée Themis System : offrir aux structures de toute taille les capacités technologiques qui permettent de jouer dans la cour des grands.
Les leçons pour la profession française
Si l'étude de Faulconbridge porte principalement sur le contexte anglo-saxon, ses conclusions résonnent avec force dans le paysage juridique français. La profession d'avocat en France partage les mêmes caractéristiques fondamentales : autonomie professionnelle élevée, conservatisme institutionnel, modèle de facturation à l'heure, et tensions autour de l'intégration de profils non-juridiques.
Mais la France dispose aussi d'atouts spécifiques :
- Le cadre réglementaire européen (AI Act) offre une boussole claire pour une adoption responsable - La tradition de codification rend certaines tâches juridiques plus structurées et donc plus adaptées au ML - La dynamique LegalTech française a produit un écosystème d'innovation parmi les plus dynamiques d'Europe
Le message de l'évolution médiée est universel : la transformation viendra, mais elle sera façonnée par les choix que la profession fait aujourd'hui.
Conclusion : Négocier le changement, ne pas le subir
L'apport majeur de James Faulconbridge est de nous libérer d'un débat stérile. Non, le machine learning ne va pas "disrupter" la profession juridique du jour au lendemain. Mais non, il ne peut pas non plus être ignoré.
L'évolution médiée nous enseigne que la transformation du travail juridique est un processus de négociation permanent entre technologie, institutions et individus. Les cabinets qui prospéreront sont ceux qui aborderont cette négociation avec lucidité : en comprenant ce que le ML peut réellement faire, en identifiant les barrières légitimes à lever, et en redéfinissant la valeur ajoutée de l'avocat dans un monde augmenté par l'algorithme.
La question n'est plus "faut-il adopter le ML ?" mais "comment le faire intelligemment, à mon rythme, sans perdre ce qui fait mon identité professionnelle ?"
Themis System est à vos côtés pour répondre à cette question — avec des outils concrets, adaptés à votre réalité.Source : Trajectories of Legal Work in the Context of Machine Learning AI: Conceptualising Mediated Evolution, James Faulconbridge, International Journal of the Legal Profession, Vol. 32, No. 1, pp. 97-120, 2025