Skip to content
    HAQQ
    Se connecter
    Contacter les ventes
    Essayer HAQQ
    Essayer HAQQ
    1. Accueil
    2. Blog
    3. Ontologie juridique IA : comment un graphe de connaissances a réduit de 97% les coûts de l'IA juridique
    IA & Tech Juridique

    Ontologie juridique IA : comment un graphe de connaissances a réduit de 97% les coûts de l'IA juridique

    Une ontologie du droit du travail mexicain a remplacé 300 outils MCP par 7 et fait passer le coût par message de 0,60 à 0,02 $. Méthode, données de Stanford, plan.

    Stephane BoghossianStephane Boghossian|
    1 avril 2026
    10 min de lecture
    Ontologie juridique IA : comment un graphe de connaissances a réduit de 97% les coûts de l'IA juridique

    En bref : une ontologie juridique construite par Dynamic Interfaces pour le droit du travail mexicain a remplacé 300 outils MCP par 7, et son coût par message est passé de 0,60 $ à 0,02 $, soit une baisse de 97 %. L'économie vient d'environ 88 000 tokens de description d'outils en moins par requête, ainsi que d'un modèle moins cher que ce jeu d'outils réduit a rendu possible.

    Méthode. Système étudié : l'ontologie juridique de Dynamic Interfaces pour le droit fédéral du travail mexicain, que nous avons explorée via son serveur MCP en mars 2026. Corpus : 4 lois fédérales, 1 689 articles, 11 types d'entités, 7 précédents judiciaires, 12 types de renvois typés, 10 taxonomies énumérées. Outils exposés au modèle : environ 300 avant (un par opération de base de données), 7 après (un par opération juridique). Descriptions d'outils dans le contexte : environ 90 000 tokens avant, environ 2 100 après (à peu près 300 tokens par outil). Coût par message : 0,60 $ avant, 0,02 $ après, tel que mesuré et communiqué par Dynamic Interfaces ; le chiffre de 0,02 $ reflète aussi le passage d'un modèle de pointe à un modèle open-weight moins cher. HAQQ n'a pas refait la mesure des coûts de manière indépendante.

    Faits clés

    • Résultat de coût de l'ontologie : de 300 outils à 7, de 0,60 $ à 0,02 $ par message (Dynamic Interfaces, communiqué à HAQQ, mars 2026).
    • Recherche sur le nombre d'outils : RAG-MCP, qui ne transmet au modèle que les descriptions d'outils qu'il récupère, a fait passer la précision de sélection des outils de 13,62 % à 43,13 % et réduit les tokens de prompt de plus de 50 % (Gan et Sun, arXiv:2505.03275, mai 2025).
    • Hallucinations du RAG juridique : une étude préenregistrée du Stanford RegLab et de HAI a constaté que Lexis+ AI, Westlaw AI-Assisted Research et Ask Practical Law AI hallucinaient chacun entre 17 % et 33 % du temps, moins souvent que GPT-4 (Magesh et al., Journal of Empirical Legal Studies 22:216, avril 2025).
    • Harvey a été valorisée à 15,5 milliards de dollars après une levée de 550 millions de dollars annoncée le 9 septembre 2026 (blog de Harvey ; TechCrunch, 9 sept. 2026).
    • Valeurs de référence au Mexique en 2026 : salaire minimum général de 315,04 MXN par jour ; UMA de 117,31 MXN par jour, en vigueur depuis le 1er février 2026 (chiffres de la CONASAMI et de l'INEGI, publiés en janv. 2026).
    • Corpus cible pour HAQQ : le décret-loi fédéral n° 33 de 2021 relatif à la réglementation des relations de travail des Émirats arabes unis compte 74 articles et est en vigueur depuis le 2 février 2022 (base de données législative UNEP LEAP, consultée le 20 oct. 2026).

    Comment avons-nous découvert ce système ?

    En mars 2026, j'ai participé à un appel avec le CEO de Dynamic Interfaces pour découvrir une ontologie juridique qu'ils avaient construite pour le droit du travail mexicain. Ils nous ont indiqué que cinq clients publics mexicains l'utilisent quotidiennement, et que des experts judiciaires désignés par les tribunaux (peritos) interrogent par son intermédiaire quatre lois fédérales et obtiennent des réponses citées à l'article près. Le chiffre qui m'a poussé à passer les deux semaines suivantes à l'explorer était le coût : deux centimes par message.

    Pour donner un ordre de grandeur, le marché de l'IA juridique facturée par utilisateur se chiffre en centaines de dollars par mois, et son leader, Harvey, était valorisé à 15,5 milliards de dollars en septembre 2026. Un message à deux centimes change qui peut se payer l'IA juridique. Cet article présente ce que j'ai constaté en me connectant à leur serveur MCP, en lisant le modèle de données et en le confrontant au raisonnement juridique que j'attendrais d'un avocat en droit du travail rigoureux.

    Transparence. HAQQ vend de l'IA juridique et, au moment de la rédaction, nous étudiions une intégration avec Dynamic Interfaces. Leurs chiffres de coûts sont leurs propres mesures ; nous les présentons comme tels.

    Que dit l'étude de Stanford sur les hallucinations de l'IA juridique ?

    Magesh, Surani, Dahl, Suzgun, Manning et Ho, du RegLab de Stanford et du Stanford Institute for Human-Centered AI, ont mené ce qu'ils décrivent comme la première évaluation préenregistrée d'outils de recherche juridique par IA. Publiée dans le Journal of Empirical Legal Studies en avril 2025, elle a constaté que les outils fondés sur le RAG de LexisNexis et de Thomson Reuters hallucinaient chacun entre 17 % et 33 % du temps. La récupération réduisait les hallucinations par rapport à GPT-4, et les outils différaient fortement : Lexis+ AI répondait correctement à 65 % des requêtes, Westlaw AI-Assisted Research à 42 %.

    L'étude a testé trois produits sur le droit américain en 2024. Elle ne montre pas que tout système RAG hallucine à ce taux, et elle ne teste pas les ontologies. Ce qu'elle montre, c'est que la récupération sur du texte, à elle seule, laissait un taux d'erreur mesurable dans des outils vendus comme fiables. C'est l'écart qu'un modèle structuré du droit cherche à combler. Pour les affaires où des citations inventées sont parvenues jusqu'à un juge, voir notre audit des hallucinations.

    Pourquoi le RAG peine-t-il avec les textes de loi ?

    La plupart des produits d'IA juridique récupèrent des passages : ils découpent les documents en fragments, les vectorisent et vont chercher les fragments les plus proches de la question. Cela fonctionne pour beaucoup de questions. Sur un travail centré sur les textes de loi, cela échoue de trois manières prévisibles.

    Les versions dans le temps

    Un fragment d'article ne porte aucune date. La réforme mexicaine dite "Vacaciones Dignas", publiée au Diario Oficial de la Federación le 27 décembre 2022, a modifié les articles 76 et 78 de la Ley Federal del Trabajo et porté le droit aux congés de la première année de 6 à 12 jours à partir de 2023. Un perito qui évalue un licenciement chevauchant ce changement a besoin des deux versions et de la date d'application de chacune. La récupération simple n'a aucun champ pour cela.

    La hiérarchie

    Le droit est stratifié : constitution, loi fédérale, règlements, puis titres, chapitres, articles et fractions au sein de chaque loi. Le découpage en fragments l'aplatit. Lorsqu'un article s'applique "dans les termes" d'un autre, un moteur de récupération peut renvoyer le premier sans le second.

    Les renvois

    L'article 162 de la Ley Federal del Trabajo (prime d'ancienneté de 12 jours de salaire par année de service) tire sa base salariale des articles 485 et 486, qui la plafonnent au double du salaire minimum. Obtenir le bon montant suppose de suivre cette chaîne. La recherche par similarité renvoie des fragments ; un graphe parcourt les liens.

    Qu'est-ce qu'une ontologie juridique ?

    Une ontologie juridique est un modèle lisible par machine d'un corpus de droit : ses entités (lois, articles, juridictions, précédents, valeurs calculées comme les plafonds de salaire), la hiérarchie qui les relie, les dates d'application de chaque version et des liens typés entre dispositions. Un modèle qui répond à une question interroge cette structure au lieu de chercher dans du texte non structuré.

    Dans le système de Dynamic Interfaces, chaque renvoi a un type : remite_a (renvoie à), complementa (complète), modifica (modifie), excepciona (crée une exception), define_termino (définit un terme), establece_formula (fixe une formule) et establece_procedimiento (fixe une procédure). Le type exception est celui qui compte le plus pour moi. L'article 5 de la LFT fixe des droits généraux, et les régimes de travail spéciaux y apportent des exceptions. Un système qui n'enregistre pas les exceptions appliquera la règle générale là où la règle spéciale prévaut.

    Dans quelle mesure une ontologie juridique réduit-elle les coûts de l'IA ?

    Selon la mesure de Dynamic Interfaces, de 0,60 $ à 0,02 $ par message. Deux facteurs produisent cette baisse, et il est utile de les distinguer.

    Moins de descriptions d'outils dans chaque requête

    La manière habituelle de construire un agent consiste à exposer chaque opération de base de données comme un outil. Sur 11 types d'entités, on atteint environ 300 outils, et chaque description d'outil est envoyée au modèle à chaque requête : à environ 300 tokens chacune, cela représente environ 90 000 tokens avant même que l'utilisateur ait posé sa question. L'ontologie les remplace par 7 opérations juridiques : query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table et generate_dictamen. Cela représente environ 2 100 tokens de descriptions, soit une économie d'environ 87 900 tokens par requête.

    Cela concorde avec la recherche publiée. Dans l'article RAG-MCP, ne montrer au modèle que les outils pertinents plutôt que tous a plus que triplé la précision de sélection des outils (de 13,62 % à 43,13 %) et réduit de plus de moitié les tokens de prompt.

    Un modèle moins cher peut faire le travail

    Avec 7 outils clairs, la tâche du modèle est plus restreinte : comprendre la question, choisir un à trois outils et rédiger des résultats structurés. L'ontologie fait le travail structurel. Cela a permis à Dynamic Interfaces de passer d'un modèle de pointe à un modèle open-weight moins cher, ce qui explique une grande partie de l'économie restante.

    Essayer HAQQ AI gratuitement

    Découvrez la rédaction et la recherche juridique par IA

    Ce que l'économie représente pour un perito

    Prenons un perito laboral à Mexico gagnant environ 15 000 à 30 000 MXN par mois (la fourchette qui nous a été donnée), qui traite 50 dossiers par mois à raison de 20 messages chacun. À 0,60 $ le message, cela fait 600 $ par mois, soit environ 10 800 MXN à 18 pesos pour un dollar, ou 36 % à 72 % de ses revenus. À 0,02 $, cela fait 20 $, soit environ 1,2 % à 2,4 %. Le prix plus bas ouvre un marché que le prix élevé exclut.

    Quelle unité de référence s'applique : l'UMA ou le salaire minimum ?

    Depuis la réforme constitutionnelle de janvier 2016, le Mexique dispose de deux unités de référence : l'UMA (Unidad de Medida y Actualización) et le salaire minimum. En 2026, le salaire minimum général est de 315,04 MXN par jour et l'UMA de 117,31 MXN, soit un rapport d'environ 2,69. Pour le plafond de la prime d'ancienneté prévu aux articles 162, 485 et 486, le double du salaire minimum donne 630,08 MXN par jour et le double de l'UMA 234,62 MXN, soit 62,8 % de moins.

    Les calculateurs et les commentateurs au Mexique n'appliquent pas tous la même unité à ce plafond ; c'est donc un choix qu'un avocat doit faire et défendre. Un système de récupération laisse ce choix au modèle à chaque requête. Une ontologie enregistre quelle unité le cabinet applique à quel concept, ainsi que le fondement juridique correspondant, de sorte que le choix est visible et identique à chaque fois.

    Une ontologie juridique peut-elle fonctionner dans d'autres juridictions ?

    Les éléments de base se retrouvent partout : législation hiérarchisée, étiquettes thématiques, graphes de renvois, versions dans le temps et valeurs calculées. Les systèmes de droit civil aux lois codifiées (France, Brésil, Arabie saoudite, Émirats arabes unis) s'y prêtent le plus directement. L'article SAT-Graph RAG de Hudson de Martim applique un modèle structurel et temporel similaire à la Constitution brésilienne. Les systèmes de common law exigent de traiter la jurisprudence comme une entité à part entière, aux côtés des lois.

    Que construit HAQQ avec cela ?

    Nous construisons une ontologie du droit du travail des Émirats arabes unis, en commençant par le décret-loi fédéral n° 33 de 2021 (74 articles) et son règlement d'application. Le Code du travail saoudien, promulgué par le décret royal n° M/51 de 1426 H, compte environ 245 articles. Des corpus de cette taille peuvent être modélisés et vérifiés par des juristes en quelques semaines. Comme l'ontologie fournit au modèle des données structurées, le modèle rédige sa synthèse en arabe ou en anglais au lieu d'extraire des règles d'un texte arabe, ce qui est la tâche la plus difficile. L'ontologie alimentera la recherche juridique de HAQQ sur les questions de droit du travail émirien.

    Les gouvernements vont dans le même sens. L'European Legislation Identifier (ELI) de l'UE, adopté par le Conseil en 2012, attribue à la législation des identifiants stables et lisibles par machine, et les travaux Better Rules de la Nouvelle-Zélande rédigent les politiques publiques à la fois en langage clair, en règles et en code.

    Comment construire une ontologie juridique ?

    Pour le droit du travail d'un pays, notre estimation de travail est de 4 à 8 semaines. Voici les étapes que nous suivons :

    • Identifier les 3 à 5 lois principales et leurs sources officielles, et vérifier dans quelle mesure chacune est lisible par machine.
    • Concevoir le modèle d'entités. Partir d'un modèle général (Law, StructuralUnit, Article, CaseLaw, CrossReference, ComputedValue) et ajouter ce dont la juridiction a besoin.
    • Définir les taxonomies : 15 à 25 étiquettes thématiques, les types de renvois et les types de valeurs calculées.
    • Analyser les lois, conserver la hiérarchie et les dates des versions, étiqueter les articles par thème (un modèle peut proposer les étiquettes ; un juriste les approuve) et les charger dans une base de données.
    • Construire le graphe des renvois : d'abord les renvois explicites, puis les renvois entre lois, chaque lien étant typé et vérifié.
    • Exposer un petit ensemble d'outils via MCP, par exemple rechercher des articles, obtenir un article, obtenir les renvois, obtenir la jurisprudence, calculer une valeur, obtenir la chronologie et comparer des juridictions.
    • Mesurer avant et après : tokens d'outils par requête, coût par message et précision sur un jeu de questions de test dont les réponses ont été approuvées par des juristes.

    Références

    • Magesh et al., Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, Journal of Empirical Legal Studies 22:216 à 242 (2025)
    • Gan et Sun, RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation, arXiv:2505.03275
    • de Martim, An Ontology-Driven Graph RAG for Legal Norms, arXiv:2505.00039
    • Harvey lève 550 M$ sur une valorisation de 15,5 Md$ (blog de Harvey, 9 sept. 2026)
    • Harvey atteint une valorisation de 15,5 Md$ quelques mois après avoir atteint 11 Md$ (TechCrunch, 9 sept. 2026)
    • Anthropic : don du Model Context Protocol à l'Agentic AI Foundation (9 déc. 2025)
    • Lois et règlements du travail dans le secteur privé aux Émirats arabes unis (u.ae), dont le décret-loi fédéral n° 33 de 2021
    • Décret-loi fédéral n° 33 de 2021 (base de données législative UNEP LEAP)
    • Ley Federal del Trabajo (Cámara de Diputados)

    À lire aussi

    • les cas où des hallucinations de l'IA sont parvenues jusqu'à un tribunal
    • pourquoi l'IA juridique en arabe peine avec la récupération
    • notre benchmark juridique des modèles de pointe, mis à jour en octobre 2026
    • l'ingénierie juridique et le modèle TIRO

    Rédigé par

    Stephane Boghossian
    Stephane Boghossian

    Responsable Croissance

    Stephane dirige la croissance chez HAQQ et rédige la rubrique IA et LegalTech : benchmarks de modèles, comparatifs d'outils et l'ingénierie qui rend l'IA juridique fiable en pratique.

    Tous les articles de cet auteurLinkedIn

    Ressources associées

    AI hallucination audit: where fake citations reached a courtArabic legal AILegal engineering: AI-powered legal workflowsHarvey AI review 2026

    Articles associés

    Pourquoi l'IA généraliste se trompe en droit koweïtien et libanais (et comment tester n'importe quel outil)
    Décryptage

    Pourquoi l'IA généraliste se trompe en droit koweïtien et libanais

    Pourquoi l'IA généraliste se trompe en droit koweïtien et libanais (et comment tester n'importe quel outil)

    Avis Lexis+ AI 2026 : devenu Lexis+ with Protégé, face à Westlaw CoCounsel
    Avis

    Avis Lexis+ AI 2026

    Avis Lexis+ AI 2026 : devenu Lexis+ with Protégé, face à Westlaw CoCounsel

    Graphes de connaissances juridiques : 5 façons dont une carte des preuves rend l'IA juridique vérifiable
    Décryptage

    Graphes de connaissances juridiques

    Graphes de connaissances juridiques : 5 façons dont une carte des preuves rend l'IA juridique vérifiable

    Questions fréquentes

    Qu'est-ce qu'une ontologie juridique ?

    Une ontologie juridique est un modèle lisible par machine d'un corpus de droit : ses entités (lois, articles, précédents, valeurs calculées comme les plafonds de salaire), la hiérarchie qui les relie, les dates d'application de chaque version, et des liens typés entre dispositions, comme « renvoie à », « modifie » ou « crée une exception ». Un modèle d'IA interroge cette structure au lieu de chercher dans du texte non structuré.

    Dans quelle mesure une ontologie juridique peut-elle réduire les coûts de l'IA juridique ?

    Dans le système de droit du travail mexicain que nous avons examiné, le coût par message est passé de 0,60 $ à 0,02 $, soit une baisse de 97 %, selon les mesures de son concepteur, Dynamic Interfaces. Remplacer environ 300 outils MCP par 7 a retiré environ 88 000 tokens de descriptions d'outils de chaque requête, et cet ensemble d'outils réduit leur a permis de passer à un modèle open-weight moins coûteux.

    En quoi une ontologie juridique diffère-t-elle du RAG ?

    Le RAG récupère des fragments de texte qui ressemblent à la question. Une ontologie stocke la structure du droit : hiérarchie, dates de version et renvois typés. Cela permet à un système de suivre une chaîne comme celle qui mène de l'article 162 de la Ley Federal del Trabajo du Mexique au plafond de salaire des articles 485 et 486, et d'appliquer la version d'un article en vigueur à une date donnée.

    À quelle fréquence les outils de RAG juridique hallucinent-ils ?

    Une étude préenregistrée du Stanford RegLab et du HAI (Magesh et al., Journal of Empirical Legal Studies, 2025) a constaté que Lexis+ AI, Westlaw AI-Assisted Research et Ask Practical Law AI hallucinaient chacun dans 17 % à 33 % des cas sur ses requêtes de test, moins que GPT-4. Lexis+ AI a répondu avec exactitude à 65 % des requêtes et Westlaw à 42 %.

    Pourquoi moins d'outils MCP rendent-ils l'IA juridique moins chère et plus précise ?

    Chaque description d'outil est envoyée au modèle à chaque requête, donc 300 outils d'environ 300 tokens chacun ajoutent environ 90 000 tokens avant même la question. L'article RAG-MCP (arXiv:2505.03275) a constaté que ne transmettre que les outils pertinents faisait passer la précision de sélection des outils de 13,62 % à 43,13 % et réduisait de plus de moitié les tokens du prompt.

    Combien de temps faut-il pour construire une ontologie juridique ?

    Notre estimation de travail pour le droit du travail d'un pays est de 4 à 8 semaines : identifier les textes, concevoir le modèle d'entités, analyser et étiqueter les articles avec la relecture d'un avocat, construire le graphe de renvois typés, exposer un petit ensemble d'outils MCP, et mesurer le coût et la précision sur un jeu de tests approuvé par un avocat. Le décret-loi fédéral n° 33 de 2021 des Émirats arabes unis compte 74 articles.

    Et ensuite ?

    Essayer HAQQ AI gratuitement

    Découvrez la rédaction et la recherche juridique par IA

    Calculer votre ROI

    Voyez combien HAQQ économise pour votre cabinet

    Parcourir Prompts juridiques

    Prompts prêts à l'emploi pour chaque tâche juridique

    Retour au Blog

    Article précédent

    Prédictions IA juridique à 2030 : ce que 72 agents IA anticipent

    Article suivant

    Fournisseurs d'IA juridique : la checklist d'évaluation en 45 signaux d'alerte

    Sur cette page

    10 min de lecture

    1. 01Faits clés
    2. 02Comment avons-nous découvert ce système ?
    3. 03Que dit l'étude de Stanford sur les hallucinations de l'IA juridique ?
    4. 04Pourquoi le RAG peine-t-il avec les textes de loi ?
    5. Les versions dans le temps
    6. La hiérarchie
    7. Les renvois
    8. 05Qu'est-ce qu'une ontologie juridique ?
    9. 06Dans quelle mesure une ontologie juridique réduit-elle les coûts de l'IA ?
    10. Moins de descriptions d'outils dans chaque requête
    11. Un modèle moins cher peut faire le travail
    12. Ce que l'économie représente pour un perito
    13. 07Quelle unité de référence s'applique : l'UMA ou le salaire minimum ?
    14. 08Une ontologie juridique peut-elle fonctionner dans d'autres juridictions ?
    15. 09Que construit HAQQ avec cela ?
    16. 10Comment construire une ontologie juridique ?
    17. 11Références
    18. 12À lire aussi

    Partager cet article

    Mettez-le en pratique

    Posez à HAQQ la question que cet article a soulevée pour vous.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    Votre Jumeau Juridique IA et Système de Gestion de Cabinet pour la rédaction, la facturation et le succès.

    Télécharger dans l'App StoreDisponible surGoogle Play

    Documentations

    • Docs s'ouvre dans un nouvel onglet
    • Premiers pas s'ouvre dans un nouvel onglet
    • Salle de presse s'ouvre dans un nouvel onglet
    • Nouveautés produit s'ouvre dans un nouvel onglet
    • Statut s'ouvre dans un nouvel onglet
    • Confiance s'ouvre dans un nouvel onglet
    • Sécurité
    • FAQ s'ouvre dans un nouvel onglet
    • Communauté s'ouvre dans un nouvel onglet
    • Assistance s'ouvre dans un nouvel onglet

    Academy

    • Partenaire s'ouvre dans un nouvel onglet
    • Cours s'ouvre dans un nouvel onglet
    • Prompts s'ouvre dans un nouvel onglet
    • Labs s'ouvre dans un nouvel onglet

    Site web

    • eFirm
    • Chat IA Juridique
    • Application Mobile
    • Moteur Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Tarifs
    • Comparez-nous
    • Solutions
    • Blog
    • Rencontrer l'équipe
    • Rejoignez-nous s'ouvre dans un nouvel onglet
    Ouvrir l'app
    • Languesenarfresitdeptrohics
    • Contactinfo@haqq.ai
    • Statutopérationnel·ancré
    • Conditions d'Utilisation
    • Politique de Confidentialité
    • Politique de Cookies
    • Traitement des Données
    • Humains s'ouvre dans un nouvel onglet
    • Avocats s'ouvre dans un nouvel onglet
    • Sécurité s'ouvre dans un nouvel onglet
    © 2026 HAQQ Inc. Tous droits réservés.Produit conçu en interne par HAQQ. Site web construit avec des outils web modernes.

    RAG vs Ontology: Same Query, Different Architecture

    RAG Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    Art. 76 LFT (pre-2023)
    6 days min vacation...
    Art. 78 vacation premium
    ...minimum 6 working days
    Art. 81 payment timing
    Reform 2023 doubled...
    Result: "Workers with 8 years = 14 vacation days." (Retrieved pre-2023 table. Correct answer depends on date.)
    ⚠ Potentially incorrect (no temporal awareness)
    Ontology Approach

    Query: "Vacation days for 8 years of service, hired 2016"

    TablaVacacionesregimenpost_2023years=8 → 18dpremium=25%
    Result: "18 vacation days (post-2023 reform, Art. 76 LFT amended Dec 2022). Vacation premium: 25% of 18 days' salary (Art. 80 LFT)."
    ✓ Correct (temporal versioning built in)

    Interactive Ontology Explorer

    Click a law to explore its ontology hierarchy

    L

    Ley Federal del Trabajo

    Master employment statute (16 titles, 51 reforms)

    1,076 arts.
    T

    Titulo II (Relaciones Individuales)

    Individual labor relationships, contracts

    16 titles
    C

    Capitulo IV (Rescision)

    Termination of employment relationships

    ~120 ch.
    A

    Articulo 48 (Indemnizacion)

    Right to indemnification for wrongful dismissal

    atomic unit

    Cost Waterfall: $0.60 → $0.02

    Each step shows where the savings come from

    $0.60

    Starting Cost

    -$0.32

    Tool Desc. Tokens

    -$0.14

    Ontology Constraint

    -$0.12

    Model Downgrade

    $0.02

    Final Cost

    97%
    $0.58 saved per message
    300 tools → 7 tools • Frontier → Open-source

    Token Economics: Why Fewer Tools = Lower Cost

    Before: 300 Tool Descriptions in Context

    {"name":"get_article_by_number","description":"...","parameters":{...}}
    {"name":"get_article_by_topic","description":"...","parameters":{...}}
    {"name":"get_article_text","description":"...","parameters":{...}}
    {"name":"search_articles_keyword","description":"...","parameters":{...}}
    {"name":"get_article_reforms","description":"...","parameters":{...}}
    {"name":"get_article_at_date","description":"...","parameters":{...}}
    {"name":"get_cross_references_outbound","description":"...","parameters":{...}}
    {"name":"get_cross_references_inbound","description":"...","parameters":{...}}
    {"name":"get_articles_by_chapter","description":"...","parameters":{...}}
    ... +291 more tool definitions
    ↓

    After: 7 Ontology-Aware Tools

    query_legal_knowledge

    ~300 tokens

    calculate_settlement

    ~300 tokens

    find_jurisprudencia

    ~300 tokens

    get_cross_references

    ~300 tokens

    get_wage_data

    ~300 tokens

    get_vacation_table

    ~300 tokens

    generate_dictamen

    ~300 tokens

    90,000

    Tokens Before

    2,100

    Tokens After

    97.7%

    Reduction

    Claude Opus (frontier)

    $0.60

    $15/M input tokens

    →

    Open-source

    $0.02

    ~$0.50/M input tokens

    Cross-Reference Network: Wrongful Dismissal, $254,000 MXN

    Click "Trace Query" to illuminate the resolution path across 4 laws

    Art. 48LFTArt. 50LFTArt. 84Salary DefSalarioMinimoUMA + WagesLSS 27-28Social SecurityINFONAVIT 29HousingVacacionesPost-2023Tesis 53/2017Jurisprudencia
    LFT
    LSS
    INFONAVIT
    Computed
    Jurisprudencia

    Click above to see how the ontology resolves a real wrongful dismissal calculation

    Ontology Replication: Global Expansion

    Same pattern, jurisdiction-specific enums

    Live

    🇲🇽

    Mexico

    LFT + LSS + LSAR + INFONAVIT

    1,689

    Articles

    4

    Laws

    12

    X-Refs

    Phase 1

    🇦🇪

    UAE

    Federal Decree-Law No. 33/2021

    ~65

    Articles

    3

    Zones

    AR/EN

    Bilingual

    Phase 2

    🇸🇦

    Saudi Arabia

    Royal Decree M/51

    ~245

    Articles

    2024

    Amended

    AR/EN

    Bilingual

    Phase 3

    🇫🇷

    France

    Code du travail

    ~7,000

    Articles

    L+R

    Dual track

    API

    Legifrance

    Phase 3

    🇧🇷

    Brazil

    CLT (Consolidacao das Leis do Trabalho)

    ~922

    Articles

    Easiest

    Port

    PT

    Language

    Future

    🇺🇸 🇬🇧

    US + UK

    FLSA + ERA

    Complex

    Case Law

    Fed/State

    Dual

    +2

    Ref Types

    Pattern transfer: The entity model is universal. Only the enums change between jurisdictions.