Presque chaque semaine, j'entends une variante de cette même conversation avec un juriste d'entreprise.

Ils ont acheté les outils d'IA. Ils ont mené les projets pilotes. Et pourtant, quand je leur demande comment ça se passe, la réponse est généralement du genre : « Ça va, mais ce n'est pas ce à quoi on s'attendait. » Les équipes juridiques et de conformité continuent de reformuler les requêtes, de tout vérifier manuellement et ne font toujours pas entièrement confiance aux résultats obtenus. 

Pendant un certain temps, j'ai pensé qu'il s'agissait d'un problème lié au modèle – que la prochaine version, la prochaine fenêtre contextuelle, le prochain résultat de benchmark comblerait cet écart. Ce ne sera pas le cas. L'écart ne réside pas dans le modèle. Il réside dans ce que le modèle est capable de percevoir. 

Le travail juridique et de conformité n’a jamais consisté à trouver des informations. Il s’agit de comprendre comment ces informations s’articulent entre elles : avec un dossier, une unité opérationnelle, une négociation antérieure, ou encore un risque que l’organisation a déjà pris en compte par le passé. Les juristes d’entreprise et les professionnels de la conformité gardent ce « tissu conjonctif » dans leur esprit, dans leurs relations avec les différentes entités de l’entreprise, ainsi que dans la mémoire institutionnelle de ceux qui ont travaillé sur le dossier ou l’initiative de conformité en question. Les outils d’IA n’ont accès à rien de tout cela. Ils ne voient que ce qui est saisi dans la fenêtre de session, et rien d’autre. Ils fournissent donc des réponses avec assurance, mais parfois erronées, car ils comblent des lacunes pour lesquelles nous ne leur avons jamais fourni le contexte nécessaire afin de les combler correctement. 

Les chiffres le confirment bien plus que je ne le souhaiterais. SelonMcKinsey, moins de 10 % des entreprises ont réussi à tirer une réelle valeur de l’IA agentique, et huit sur dix invoquent les limites des données pour expliquer cet échec.Une étude réalisée en 2025 par le RegLab de Stanforda révélé que même les outils de recherche en IA juridique spécialement conçus à cet effet produisent des résultats erronés entre 17 % et 33 % du temps. Il ne s’agit pas d’un problème de qualité du modèle, mais d’un problème de contexte, et c’est précisément pour cette raison que nous avons développé le premier« Legal Context Graph » du secteur. 

Colleen Baehrend, avocate et directrice des solutions juridiques chez NetDocuments, et moi-même avons élaboré unguide pratique destiné aux cabinets quicherchent à évaluer leur situation réelle – non pas en théorie, mais dans la réalité quotidienne des performances de leurs outils d’IA. Ce même problème de contexte se pose tout aussi souvent au sein des équipes juridiques, de conformité et de gestion des risques des entreprises soumises à une réglementation. Nous avons donc élaboré une version de ce guide destinée aux juristes d’entreprise et aux professionnels de la conformité. 

Le guide « Legal Context Graph :des dépenses en IA à l'impact de l'IA » destiné aux équipesjuridiques et de conformité des entreprises aborde les thèmes suivants : 

• Qu'est-ce qu'un « Legal Context Graph » et en quoi diffère-t-il des taxonomies et des graphes de connaissances que les organisations ont déjà mis en œuvre ? 
• Quels changements cela implique-t-il pour les juristes d'entreprise, les équipes chargées de la conformité et les services informatiques une fois que les dossiers sont véritablement interconnectés, et en quoi cela se traduit-il différemment dans les domaines du contentieux, des enquêtes, des contrats, de la conformité réglementaire et au sein des organisations de toutes tailles ? 
• Des réponses aux questions que se pose réellement votre organisation – qu'il s'agisse des services informatiques et de gestion des connaissances, des juristes d'entreprise et des professionnels de la conformité, des responsables des ressources humaines et de la gestion des talents, ou encore des dirigeants des services juridiques et de conformité –, afin que chaque partie prenante y trouve des informations pertinentes pour elle. 
• Une liste de contrôle comportant 10 questions axées sur le coût, la précision, la facilité d’utilisation, la gouvernance et le savoir institutionnel, à laquelle vous pouvez répondre en toute franchise avec votre équipe en 20 minutes. Il n’y a pas de note minimale à atteindre : le but n’est pas de faire en sorte que quiconque se sente à la traîne. Il s’agit plutôt de mettre en évidence, de manière précise, d’où provient réellement l’écart entre ce que vous dépensez en IA et ce que vous en retirez, afin que la prochaine discussion sur l’investissement dans l’IA repose sur des faits concrets plutôt que sur une énième démonstration d’un fournisseur. 

Les modèles d’IA ne cesseront d’évoluer. Chacun d’entre eux finira par être remplacé par une solution plus performante. Ce qui ne changera pas, en revanche, c’est que le contexte de votre organisation – vos projets et vos enjeux, vos relations, votre jugement institutionnel, vos positions réglementaires – doit s’ancrer dans un cadre suffisamment solide pour survivre à toutes ces évolutions. C’est sur ce fondement que repose le présent guide. 

Si l'une de ces situations vous semble familière, commencez par consulter la liste de contrôleet voyez ce que cela donne.