En bref : une ontologie juridique a remplacé 300 outils MCP par 7, faisant chuter le coût de l'IA de 0,60 $ à 0,02 $ par message — une réduction de 97%. Stanford a démontré que les outils de RAG juridique en production hallucinent entre 17 et 33% du temps. À l'inverse, les systèmes fondés sur une ontologie atteignent 98% de précision. C'est ce que nous construisons pour le droit du travail émirati chez HAQQ.
Comment un appel de démonstration a bouleversé notre feuille de route
Il y a quelques semaines, j'ai eu un appel avec le CEO de Dynamic Interfaces pour voir ce qu'ils avaient construit — un système d'ontologie juridique pour le droit du travail mexicain. Je pensais assister à une démo, prendre quelques notes, et passer à autre chose. Ce n'est pas ce qui s'est produit.
Faits clés
- Une ontologie juridique a remplacé 300 outils MCP par 7, faisant chuter le coût de l'IA de 0,60 $ à 0,02 $ par message — une réduction de 97%.
- Stanford (Magesh et al., Journal of Empirical Legal Studies, 2025) a constaté que les outils de RAG juridique en production hallucinent entre 17 et 33% du temps.
- Un GraphRAG fondé sur une ontologie atteint 98% de précision contre 37% pour ChatGPT-4 en réponse à des questions cliniques (Journal of Biomedical Informatics, 2025).
Je construis de l'IA juridique chez HAQQ pour la région MENA, et j'ai assisté à assez de démonstrations « révolutionnaires » pour toute une vie. La plupart ne sont que du RAG avec une interface plus soignée. Ce système était différent dès les cinq premières minutes. Pas à cause d'un design léché ou d'un discours marketing — à cause de ce qui se passait sous le capot.
Voici ce qui m'a arrêté net : 5 clients gouvernementaux mexicains utilisaient ce système au quotidien. Des experts judiciaires — les peritos — interrogeaient le droit du travail à travers quatre lois fédérales, obtenaient des réponses précises avec citations juridiques complètes, et l'ensemble coûtait deux centimes par message. Pas deux dollars. Deux centimes.
Pour donner un ordre de grandeur, Harvey AI — l'enfant chéri de l'IA juridique valorisé 11 milliards de dollars — facture 1 200 $ par avocat et par mois. CoCounsel démarre à 220 $/mois. Même le siège le moins cher du marché de l'IA juridique coûte plus de 100 $/mois. Et voilà ce système, au Mexique, qui faisait la même chose pour deux centimes par message. Pas d'abonnement. Pas de minimum de sièges. Juste un graphe de connaissances structuré et 7 outils bien conçus.
J'ai passé les deux semaines suivantes à démonter le système pour comprendre pourquoi il fonctionne. Cet article présente ce que j'ai trouvé, pourquoi cela compte pour quiconque construit de l'IA juridique, et ce que nous construisons chez HAQQ à la suite de cette découverte.
Ce que les entreprises d'IA juridique valorisées à 11 milliards de dollars comprennent mal
Avant d'entrer dans l'architecture de l'ontologie, je dois dire quelque chose de franc sur l'état actuel de l'IA juridique. Parce que plus j'ai creusé le paysage concurrentiel, plus un schéma est apparu — et il n'est pas flatteur pour les acteurs en place.
Chaque grande entreprise d'IA juridique est un habillage de RAG. Aucune ne dispose d'une ontologie juridique formelle.
Harvey AI — valorisation de 11 milliards de dollars, 1,2 milliard de dollars levés, soutenu par Sequoia et GIC — fait tourner des LLM affinés avec du RAG sur des bases de données juridiques. Ils facturent environ 1 200 $/avocat/mois au tarif catalogue. Ils viennent d'annoncer une intégration avec LexisNexis, ajoutant 400 à 600 $/avocat/an. Ils revendiquent 91% de précision sur leur « BigLaw Bench ». Cela signifie tout de même que 9% du travail juridique contient des erreurs.
CoCounsel (Thomson Reuters) — 1 million d'utilisateurs, adossé aux plus de 100 ans de jurisprudence de Westlaw. Architecture multi-modèles combinant Anthropic, OpenAI et Google. Tarification de 220 à 500 $/utilisateur/mois. Un meilleur socle de données que Harvey. Mais toujours du RAG au cœur.
Legora (anciennement Leya) — valorisation de 5,55 milliards de dollars, 800 cabinets d'avocats. Construit sur Claude avec des workflows agentiques. 250 $/utilisateur/mois, minimum 10 sièges. Aucune structure de connaissance juridique propriétaire. C'est un habillage très bien conçu.
Stanford a mené une étude empirique préenregistrée — la première du genre. Magesh et al., publiée dans le Journal of Empirical Legal Studies en 2025. Ils ont testé des outils de RAG juridique en production et constaté des taux d'hallucination de 17 à 33% sur l'ensemble des outils.
La conclusion de l'équipe de Stanford : le RAG réduit les hallucinations par rapport aux modèles généralistes, mais les hallucinations restent « substantielles, étendues et potentiellement insidieuses ». Les promesses des fournisseurs d'IA juridique d'être « sans hallucination » sur les citations sont manifestement exagérées.
Parallèlement, en médecine clinique, des chercheurs ont publié une étude montrant qu'un GraphRAG fondé sur une ontologie atteint 98% de précision contre 37% pour ChatGPT-4. Ce n'est pas une coquille. Une amélioration de 61 points de pourcentage, publiée dans le Journal of Biomedical Informatics, en utilisant SNOMED CT comme couche de référence.
Le domaine médical l'a prouvé. Le domaine juridique en a besoin. Et personne ne le construit. C'est le vide. C'est ce dans quoi HAQQ s'engage.
L'expérience : explorer une ontologie juridique via MCP
Je veux être clair sur ce que c'était. Pas un test produit. Pas une annonce de partenariat. C'était moi, connecté au serveur MCP de Dynamic Interfaces, explorant leurs structures de données ontologiques, analysant la conception, et la mettant à l'épreuve de tout ce que je sais du raisonnement juridique.
Le Model Context Protocol (MCP) — le standard d'Anthropic pour l'intégration IA-outils, désormais régi par la Linux Foundation — servait d'interface. Chaque action de l'ontologie est exposée comme un outil MCP appelable. N'importe quel client compatible MCP peut s'y connecter.
Les ontologies, c'est un peu le secret.
Une étude de 2025 sur la sélection d'outils a montré que réduire le nombre d'outils triplait la précision — de 13,6% à 43,1% — tout en réduisant les tokens de prompt de plus de 50%. Moins d'outils, des performances nettement meilleures. C'est exactement ce que fait l'ontologie : elle condense des centaines d'opérations granulaires en base de données en une poignée d'opérations juridiques sémantiquement pertinentes.
Pourquoi l'IA juridique échoue-t-elle ? Les 3 défauts fatals du RAG appliqué au droit
La plupart des produits d'IA juridique — y compris la majorité de ce qui existe sur le marché MENA — font du RAG sur des PDF. Ils découpent les documents juridiques en fragments, les intègrent dans une base de données vectorielle, et récupèrent les passages sémantiquement similaires lorsqu'on pose une question. Cela fonctionne pour des requêtes de connaissance générale. Cela échoue catastrophiquement pour le droit.
L'IA juridique fondée sur le RAG échoue de trois façons précises : l'aveuglement temporel (récupération de la mauvaise version d'une loi modifiée), l'ignorance structurelle (perte de la hiérarchie législative lors du découpage), et l'amnésie des renvois croisés (incapacité à suivre les relations typées entre dispositions).
Au moins 6 avocats ont été sanctionnés pour avoir déposé des citations de jurisprudence fabriquées par l'IA depuis 2023 — à commencer par l'affaire désormais tristement célèbre Mata v. Avianca, où ChatGPT avait inventé des décisions puis confirmé qu'elles « existaient bien » dans Westlaw.
L'aveuglement temporel
Les systèmes de RAG ne peuvent pas distinguer intrinsèquement la version 2022 de la version 2023 d'un article de loi. La réforme mexicaine « Vacaciones Dignas » de 2023 a doublé les droits aux congés du jour au lendemain. Un perito calculant un licenciement abusif à cheval sur cette frontière a besoin des deux versions. Le RAG n'a aucun mécanisme pour cela. Aucun.
L'ignorance structurelle
Le droit est structuré hiérarchiquement : Constitution, loi fédérale, règlements, circulaires. À l'intérieur d'une loi : titres, chapitres, articles, fractions, paragraphes. Le découpage du RAG détruit cette hiérarchie. Quand l'article 50 dit « dans les termes de l'article 48 », un système de RAG peut récupérer l'article 50 sans l'article 48, produisant une réponse incomplète.
L'amnésie des renvois croisés
Le raisonnement juridique est intrinsèquement structuré en graphe. Une prime d'ancienneté calculée selon l'article 162 renvoie aux valeurs UMA définies dans la Constitution. Les crédits immobiliers INFONAVIT sont calculés en UMA depuis une réforme de 2016. Un système de RAG n'a aucun mécanisme pour suivre ces chaînes de renvois. Il récupère des fragments. Une ontologie parcourt des connexions.
Un graphe de connaissances juridiques est un réseau de dispositions légales reliées par des relations sémantiques typées. Contrairement à un index de documents où les connexions sont déduites par similarité de mots-clés, un graphe de connaissances juridiques encode explicitement le fait que l'article 50 « établit une formule » référencée par l'article 48, qui à son tour « renvoie » à la définition du salaire de l'article 84.
Qu'est-ce qu'une ontologie juridique et comment fonctionne-t-elle ?
Une ontologie juridique est un modèle de connaissances structuré et lisible par machine qui représente un domaine du droit sous forme de graphe d'entités (lois, articles, tribunaux, valeurs calculées), de leurs relations hiérarchiques, et de renvois typés entre dispositions. Contrairement aux systèmes de récupération de texte plat, une ontologie juridique préserve la structure intrinsèque de la législation — hiérarchie, versionnage, exceptions et chaînes de formules — permettant un raisonnement juridique déterministe plutôt qu'une récupération probabiliste de documents.
Échelle : 11 types d'entités, 1 689 articles, 4 lois fédérales, 7 précédents judiciaires, 12 renvois croisés typés, 10 taxonomies d'énumérations.
Comment les renvois typés transforment le raisonnement de l'IA juridique
Ce qui rend cette ontologie puissante sur le plan architectural, c'est son système de renvois croisés typés. Dans la plupart des systèmes d'IA juridique, un renvoi entre deux articles n'est qu'un lien hypertexte. Dans le système de Dynamic Interfaces, c'est une relation typée porteuse de sens sémantique : remite_a (renvoie à), complementa (complète), modifica (modifie), excepciona (crée une exception), define_termino (définit un terme), establece_formula (établit une formule), establece_procedimiento (établit une procédure).
Ce type excepciona — c'est celui qui m'empêche de dormir. L'article 5 de la LFT établit les droits généraux du travail, mais des régimes de travail spéciaux créent des exceptions. Si votre système ne modélise pas explicitement les exceptions, il applique des règles générales là où des règles spéciales devraient s'appliquer. C'est une erreur juridiquement catastrophique.
On a essayé de faire comprendre le droit à l'IA en lui jetant du texte. Mais le droit n'est pas du texte. Le droit est un graphe.
De combien une ontologie juridique réduit-elle les coûts d'IA ?
C'est là que ça passe de « architecturalement intéressant » à « bon sang, ça change le modèle économique ». Une ontologie juridique a réduit les coûts de raisonnement IA de 0,60 $ à 0,02 $ par message — une réduction de 97% — en condensant 300 descriptions d'outils MCP en 7 outils conscients de l'ontologie.
Pourquoi les systèmes d'IA juridique fondés sur une ontologie ont-ils besoin de moins d'outils ?
L'économie des tokens : pourquoi 300 outils coûtent 0,60 $ et 7 outils coûtent 0,02 $
L'approche standard pour construire des agents IA consiste à exposer chaque opération de base de données comme un outil distinct. Multipliez cela par 11 types d'entités et vous atteignez rapidement 300 outils. Voici le problème : chacune de ces descriptions d'outils est sérialisée dans la fenêtre de contexte du LLM à chaque requête. Avec 300 outils à environ 300 tokens chacun, vous brûlez 90 000 tokens avant même que l'utilisateur ne pose sa question.
L'ontologie condense tout cela. Au lieu de 300 opérations granulaires en base de données, vous obtenez 7 opérations juridiques sémantiquement pertinentes : query_legal_knowledge, calculate_settlement, find_jurisprudencia, get_cross_references, get_wage_data, get_vacation_table, generate_dictamen.
Sept outils. 2 100 tokens de descriptions. 0,02 $ par message.
L'effet de rétrogradation du modèle : de la frontière à l'open source
Lorsqu'un agent IA n'a que 7 outils bien définis parmi lesquels choisir — au lieu de 300 — le modèle n'a pas besoin d'être aussi intelligent. L'ontologie fait le gros du travail structurel. Le modèle doit seulement comprendre la question de l'utilisateur, choisir le ou les 1 à 3 bons outils, et synthétiser une réponse à partir de données structurées.
Le calcul du salaire d'un perito
Un perito laboral à Mexico gagne environ 15 000 à 30 000 MXN par mois. À 0,60 $ par message, avec 50 dossiers par mois et 20 messages par dossier, le seul coût d'API s'élèverait à 600 $/mois — soit 36 à 72% de ses revenus. Totalement non viable.
À 0,02 $ par message, le même usage coûte 20 $/mois — soit 1,2 à 2,4% des revenus. Moins qu'un abonnement Netflix. La réduction de coût ne rend pas seulement le produit moins cher. Elle rend possible un marché entièrement nouveau.
Étude de cas : un calcul réel de licenciement abusif — 254 000 MXN
Voici un calcul complet de licenciement abusif utilisant de vrais articles de la LFT, de vraies données salariales 2026, et l'intégralité de la chaîne de dépendances inter-lois. Maria Elena Gutierrez, assistante administrative, salaire mensuel de 15 000 MXN, employée depuis 5 ans et 3 mois, licenciée sans cause juste.
L'ontologie traite le dossier en 8 étapes à travers 4 lois : qualifier le litige, vérifier la jurisprudence contraignante, suivre la chaîne de formules, calculer l'indemnisation (211 000 $), l'indemnité (5 000 $), les arriérés de salaire (120 000 $), la vérification inter-lois, pour un total de 254 000 MXN.
Sur un calcul de 254 000 $, un taux d'erreur de 17% signifie que la réponse pourrait être erronée de 43 000 $. Ce n'est pas une approximation. C'est une faute professionnelle. L'ontologie calcule cela de manière déterministe. À chaque fois. Aucune hallucination sur les chiffres.
Essayer HAQQ AI gratuitement
Découvrez la rédaction et la recherche juridique par IA
Le piège de l'UMA : une erreur de 180 000 $ dissimulée à la vue de tous
Depuis la réforme constitutionnelle mexicaine de 2016, deux unités de référence coexistent : l'UMA (Unidad de Medida y Actualizacion) et le Salario Minimo (salaire minimum). En 2026, le salaire minimum équivaut à 2,69 fois l'UMA. Utiliser la mauvaise unité ne produit pas une erreur d'arrondi. Elle produit un calcul juridiquement invalide.
Si vous calculez le plafond de la prima de antiguedad avec l'UMA au lieu du Salario Minimo, vous obtenez 234,62 $/jour au lieu de 630,08 $/jour — lésant le travailleur de 62,8%. Une ontologie encode quelle unité de référence s'applique à quel concept juridique. Ce n'est pas ambigu. Un système de RAG laisse au LLM le soin de le deviner. C'est là que vit l'hallucination.
Une ontologie juridique peut-elle fonctionner pour n'importe quelle juridiction ?
Tout système juridique partage cinq primitives structurelles : une législation hiérarchique, une catégorisation sémantique, des graphes de renvois croisés, un versionnage temporel, et des valeurs calculées propres au domaine — ce qui rend le modèle d'ontologie universellement reproductible. Le modèle est universel. Les énumérations sont propres à chaque juridiction.
Le modèle s'applique le plus directement aux systèmes de droit civil — France, Brésil, Arabie saoudite, Émirats arabes unis — car ils partagent des structures codifiées et hiérarchiques presque identiques au droit mexicain. Les systèmes de common law ont besoin d'une couche d'adaptation qui élève la jurisprudence au rang de source de premier ordre, aux côtés des textes de loi.
Ce que cela signifie pour HAQQ — et l'opportunité de 1,2 milliard de dollars au MENA
Personne au MENA ne fait cela. Loin de là. Le paysage concurrentiel est dominé par le RAG sur PDF. Al Tamimi s'est associé à Harvey. Legora a lancé son support arabe en janvier 2026. Il existe plus de 185 entreprises de legal tech dans la région. Mais aucune n'a construit une ontologie structurée avec des graphes de renvois croisés typés pour le droit du travail au MENA.
Aucune ontologie juridique arabe n'existe. Ni pour le droit du travail, ni pour le droit commercial, ni pour aucun domaine. Zéro. Ce n'est pas un vide — c'est un abîme.
Le marché de la legal tech dans le CCG vaut 1,2 milliard de dollars. Le marché de la legal tech aux Émirats arabes unis devrait atteindre 234,4 millions de dollars d'ici 2030 (TCAC de 10,8%). Le gouvernement émirati a alloué 572 millions de dollars à la transformation numérique du secteur de la justice. La Vision 2030 de l'Arabie saoudite comprend des dispositions spécifiques de modernisation de la legal tech.
Le décret-loi fédéral n° 33 de 2021 des Émirats arabes unis compte environ 65 articles, plus les règlements d'application. Le droit du travail saoudien compte environ 245 articles. Ce sont des corpus gérables — suffisamment petits pour construire une ontologie complète et validée par des humains en quelques semaines, pas en quelques mois.
L'arabe en priorité est notre avantage. Selon les référentiels ArabLegalEval, le NLP juridique arabe manque des cadres de benchmarking disponibles en anglais. Une ontologie contourne entièrement l'extraction NLP — elle fournit des données structurées. Le LLM fait de la synthèse, pas de l'extraction. C'est une tâche bien plus simple.
Le droit lisible par machine : nous ne sommes pas seuls
Singapour a annoncé SOLID (Singapore Open Legal Informatics Database) en novembre 2025. L'UE fait tourner l'European Legislation Identifier (ELI) depuis 2012, désormais implémenté par plus de 21 pays. L'initiative « Better Rules » de Nouvelle-Zélande développe simultanément la législation en langage clair, en énoncés de règles, et en code.
Le schéma est clair : les gouvernements qui investissent aujourd'hui dans le droit computationnel disposeront demain de l'infrastructure nécessaire à l'IA juridique. Ceux qui ne le font pas achèteront des habillages de RAG coûteux venus de la Silicon Valley.
Comment construire une ontologie juridique : un plan en 7 étapes
Pour un domaine juridique ciblé comme le droit du travail d'un seul pays (65 à 245 articles), une ontologie complète peut être construite en 4 à 8 semaines, pour un coût d'analyse de 5 à 20 $ par loi.
- Étape 1 : identifier les lois sources et les référentiels officiels. Trouvez les 3 à 5 lois principales et évaluez leur lisibilité par machine.
- Étape 2 : concevoir le modèle d'entités. Partez du modèle universel (Loi, Unité structurelle, Article, Jurisprudence, Renvoi croisé, Valeur calculée) et ajoutez les entités propres à la juridiction.
- Étape 3 : définir les taxonomies d'énumérations. Définissez 15 à 25 étiquettes thématiques sémantiques, types de renvois croisés, et types de valeurs calculées.
- Étape 4 : analyser et intégrer les lois. Faites passer les documents sources par un analyseur, extrayez la hiérarchie, appliquez un étiquetage sémantique via LLM, et chargez dans votre base de données.
- Étape 5 : construire le graphe de renvois croisés. Extrayez les renvois explicites, détectez les connexions thématiques implicites, reliez les renvois inter-lois, et typez chaque relation.
- Étape 6 : générer le SDK et les outils MCP. Exposez 7 outils : rechercher des articles, obtenir un article, obtenir les renvois croisés, obtenir la jurisprudence, calculer une valeur, obtenir la chronologie, comparer les juridictions.
- Étape 7 : connecter à la messagerie. L'utilisateur envoie une question via WhatsApp. Le LLM reçoit le message et les 7 définitions d'outils. Coût total : 0,02 $.
Et maintenant ?
Nous explorons une intégration avec la plateforme de Dynamic Interfaces pour la définition d'ontologies et la génération de SDK. Nous construisons une ontologie du droit du travail émirati — le décret-loi fédéral n° 33 de 2021 est notre première cible. Nous menons des tests avec de vrais workflows juridiques aux Émirats arabes unis, et nous prévoyons d'ouvrir le modèle d'entités universel en open source.
L'idée est presque embarrassante de simplicité : modéliser le droit pour ce qu'il est vraiment. Un système de connaissances structuré, versionné, avec des renvois croisés. Arrêter de le traiter comme une pile de PDF à fouiller.
Chaque grande entreprise d'IA juridique est construite sur du RAG. Stanford a prouvé qu'elles hallucinent entre 17 et 33% du temps. À l'inverse, les systèmes fondés sur une ontologie atteignent 98% de précision. L'architecture existe. La validation académique existe. Le marché existe. L'ontologie est le secret. Nous construisons la nôtre.
Questions fréquentes
Qu'est-ce qu'une ontologie juridique, exactement ?
Une ontologie juridique est un modèle structuré et lisible par machine d'un domaine du droit. Voyez-la comme un graphe de connaissances spécifiquement conçu pour le droit — elle définit des entités, cartographie des relations hiérarchiques, suit des renvois croisés typés, et gère le versionnage temporel des réformes. Plutôt que de traiter le droit comme un texte plat à fouiller, une ontologie juridique capture la structure que la législation possède déjà.
En quoi l'IA juridique fondée sur une ontologie diffère-t-elle du RAG ?
Le RAG découpe les documents juridiques et récupère des passages sémantiquement similaires. Une ontologie modélise le droit comme un graphe de connaissances connecté, avec des relations typées. En pratique, cela signifie que le RAG perd la hiérarchie, le versionnage temporel, et les chaînes de renvois croisés. Une ontologie préserve les trois. Le résultat est un raisonnement juridique déterministe plutôt qu'une récupération probabiliste — la différence entre « probablement juste » et « juste et citable ».
Comment cela se compare-t-il à Harvey AI ?
Harvey est une entreprise valorisée à 11 milliards de dollars, facturant environ 1 200 $/avocat/mois avec un minimum de 20 sièges. Ils utilisent des LLM affinés avec du RAG — sans ontologie formelle. Ils revendiquent 91% de précision, ce qui signifie tout de même un taux d'erreur de 9%. L'approche par ontologie coûte 0,02 $/message avec des calculs déterministes qui n'hallucinent pas les chiffres. Les architectures sont fondamentalement différentes : Harvey rend le modèle plus intelligent ; l'approche par ontologie simplifie le travail du modèle.
Quelle est l'économie réelle réalisée ?
Le coût par message est passé de 0,60 $ à 0,02 $ — soit 97%. Ces économies proviennent de la condensation de 300 descriptions d'outils MCP en 7 (économisant environ 87 900 tokens par requête) et de la possibilité de basculer de modèles de pointe vers des modèles open source.
Cela peut-il fonctionner pour des systèmes de common law ?
Oui, mais avec une couche d'adaptation. Les systèmes de droit civil correspondent directement car ils partagent des structures codifiées et hiérarchiques. Les systèmes de common law doivent élever la jurisprudence au rang de source de premier ordre, aux côtés des textes de loi. Les cinq primitives structurelles existent dans tout système juridique.
Combien de temps faut-il pour en construire une ?
Pour un domaine ciblé comme le droit du travail d'un seul pays : 4 à 8 semaines pour un corpus restreint (65 à 245 articles). Cela inclut l'analyse des sources, la modélisation des entités, l'extraction des renvois croisés, et la génération des outils MCP. Les coûts d'analyse s'élèvent à 5-20 $ par loi.
Références
- Magesh, V. et al. « Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools. » Journal of Empirical Legal Studies, 2025.
- de Martim, H. « An Ontology-Driven Graph RAG for Legal Norms. » arXiv:2505.00039.
- Guo, X. et al. « RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection. » arXiv:2505.03275.
- « Ontology-grounded knowledge graphs for mitigating hallucinations in LLMs for clinical question answering. » Journal of Biomedical Informatics, 2025.
