Les fonctions de l’intelligence artificielle dans les décisions de justice

Publié le 30/12/2020 - mis à jour le 31/12/2020 à 10H45

La justice du XXIe siècle tend à se convertir aux pratiques numériques. L’intelligence artificielle ici peut revêtir trois fonctions essentielles. Il est vrai que ces nouvelles pratiques peuvent, dans certains cas, améliorer le travail du juge, mais ses mérites ne doivent pas faire oublier les conséquences qu’une numérisation de la justice pourrait avoir sur le système judiciaire.

L’entrée des algorithmes dans le monde du droit est révélatrice d’une révolution graphique. Ainsi que l’a souligné Antoine Garapon, le numérique, en tant que nouvelle façon de décrire le monde, permet d’intégrer toutes les formes de langage (parole, son, écrit, etc.), sous un format mathématique. Dans cette nouvelle vision du monde, les individus finissent par assimiler ce nouveau langage à la réalité1.

Cette révolution engendre une soumission à la gouvernance des nombres, telle qu’Alain Supiot l’a récemment pensée2. Or la justice doit conserver son objectif de rendre à chacun son dû, et non pas consister en l’ajustement mécanique d’hommes auxquels on voudrait épargner la peine d’avoir à se rencontrer3. Le droit, dans son essence, cherche, avec humanité, à concilier les grands équilibres, en ce qu’il est protecteur du faible contre le fort. Il n’est pas certain que l’algorithme puisse se fonder, autant que l’homme peut le faire, sur ces valeurs, pourtant essentielles dans notre système juridique et judiciaire. La normativité technique ne doit pas se substituer à la normativité de l’algorithme4.

L’intelligence artificielle © Peshkov/Adobe Stock

L’intelligence artificielle, sur laquelle les algorithmes reposent, peut être définie comme « la science qui consiste à faire faire aux machines ce que l’homme ferait moyennant une certaine intelligence »5. Les algorithmes, qui y sont très liés, sont un « ensemble de règles qui définit précisément une séquence d’opérations de sorte que chaque règle soit effective et définie et que la séquence se termine dans un temps fini »6. Les algorithmes d’apprentissage, dits machine learning ou apprentissage automatique, regroupent des méthodes qui permettent de trouver des relations pertinentes et compréhensibles par l’homme au sein d’un jeu de données qui décrit un ensemble d’observations. Il s’agit, dans l’analyse sérielle, des équations, des règles, des regroupements (clusters), des structures de données (graphes)7. Cette méthode permet la création d’un processus décisionnel ; le processus de décision est construit automatiquement, à partir des données et non plus à partir des règles créées explicitement par l’homme8.

Les algorithmes prédictifs sont aujourd’hui les algorithmes d’apprentissage les plus pertinents. Ils permettent de générer un modèle prédictif basé sur un exemple validé par l’homme. Autrement dit, les données à disposition sont un ensemble composé de variables descriptives ou caractéristiques et de variables dites discriminantes. L’étape de l’apprentissage est un processus itératif dont l’objectif est de minimiser les erreurs. La fonction de prédiction aspire, grâce au contrôle de la réponse donnée par la machine à une question qui lui est posée, à déduire la valeur de la variable discriminante pour un exemple dont la valeur est inconnue9. Ces outils ont été développés, de manière exponentielle, par des entreprises privées. Ces instruments de justice prédictive répondent au nom de legaltechs10. De manière concrète, l’algorithme est capable de restituer les probabilités de résolution d’un litige, d’estimer le montant des indemnités, identifier les moyens de droit nécessaires, d’isoler et d’indiquer les faits qui ont pu influer sur les décisions rendues antérieurement par les juridictions11.

L’intelligence artificielle peut répondre à trois objectifs. Le premier objectif est l’aide à la décision. Il est vrai, ainsi que l’avait souligné Loïc Cadiet que la justice prédictive « ouvre des perspectives d’étude de l’activité des juridictions jusqu’alors inexistantes »12. L’analyse statistique de la jurisprudence, faite dans sa totalité, permettra sans nul doute de croiser leur contenu et de mettre en exergue les principales tendances qui la traversent. Cette analyse des corrélations statistiques permettra au juge de mieux connaître les facteurs matériels qui guident ses décisions. Les analyses statistiques peuvent, dans certains cas, permettre de contrôler la bonne application des règles de droit. Par exemple, s’agissant des contrats de travail rompus abusivement, l’article L. 1235-3 du Code du travail prévoit que l’indemnisation du salarié licencié soit indexée sur son ancienneté. La chose se vérifie aisément dans la jurisprudence actuelle13. Toutefois, le principe est le même en matière de prestation compensatoire suivant le divorce qui, selon l’article 271 du Code civil, doit être proportionnel à la durée du mariage, mais l’analyse de la jurisprudence montre une pratique inverse14. Il est évident que l’analyse statistique permettra d’améliorer la connaissance de la manière de travailler des juges et de tendre, peut-être, à une certaine harmonisation dans l’application des règles. Le juge qui travaille souvent seul pourra donc avoir une idée de ce que ses pairs font en pareil cas15. Cela viserait naturellement à mettre fin à l’aléa judiciaire et à alléger le travail du juge16. La justice prédictive, répondant à un besoin de prévisibilité dans l’application de la norme, permet de rendre les rapports sociaux prévisibles17 et, par-là, d’accroître la sécurité juridique18.

Le deuxième objectif est la prédiction de la décision. Cela consisterait à proposer à un magistrat une décision au cas qu’il doit traiter. Toutefois, la justice prédictive pourrait devenir performative à partir du moment où les algorithmes s’appliqueraient directement au litige19. Le langage juridique a une valeur performative au sens que lui donne John Austin20. Lorsqu’un juge énonce dans un jugement qu’il condamne quelqu’un à une peine, son énoncé se traduit généralement en une peine effective21. Il s’agit là de la valeur quasi-magique des mots juridiques22. Si pour l’heure, ces outils ne sont qu’une aide accompagnant le juge dans son travail, il ne faut pas négliger le risque de transformation des normativités. La justice prédictive pourrait, en effet, générer une sorte de normativité seconde, en quelque sorte la norme d’application se substitue à la règle de droit elle-même23. Le juge serait alors presque obligé de se soumettre à la prédiction de l’algorithme. C’est en cela que la justice prédictive pourrait devenir une « prophétie auto-réalisatrice24 » (self-fulfilling prophecy). Il s’agit d’une définition d’abord fausse d’une situation, mais cette définition erronée suscite un nouveau comportement, qui la rend vraie. C’est une assertion qui induit des comportements de nature à la valider25. En suivant cette logique, la justice prédictive présentera X chose comme ce qui apparaît être une situation normale et obligerait le juge à s’y conformer. La matérialisation de l’effet performatif est exponentielle dans la mesure où la réaction d’obéissance qu’elle entraîne renforce alors l’algorithme dans la réalité de son énoncé26. Dans sa fonction d’aide à la décision à disposition du magistrat, la justice digitale aurait un effet performatif indirect. L’intelligence artificielle prédit la décision du juge à partir de données accumulées dans une base contenant des décisions antérieures. La démarche invite donc à reproduire le passé, en ne permettant pas d’évolution. L’avenir serait donc condamné au passé.

Le troisième et dernier objectif correspond au contrôle a posteriori des décisions afin de s’assurer de leur cohérence, des éventuelles évolutions des conceptions judiciaires qu’elles révèlent et des biais qu’elles recèlent27.

Notes de bas de pages

  • 1.
    Garapon A., La justice digitale, 2018, Paris, Presses universitaires de France.
  • 2.
    Supiot A., La gouvernance par les nombres. Cours au Collège de France, 2012-2014, 2015, Fayard, p. 103.
  • 3.
    Garapon A., La justice digitale, 2018, Paris, Presses universitaires de France. p. 350.
  • 4.
    Racine J.-B., « La résolution amiable des différends en ligne ou la figure de l’algorithme médiateur », D. 2018, p. 1700.
  • 5.
    CNIL, « Comment permettre à l’Homme de garder la main, Rapport sur les enjeux éthiques des algorithmes et de l’intelligence artificielle », 15 déc. 2017, p. 16.
  • 6.
    Stone H., Introduction to Computer Organization and Data Structures, 1972, McGraw-Hill Book Compagny.
  • 7.
    Hand D. et a., Principles of data mining., Drug safety, vol. 30, 2007, issue 7, p. 621-622.
  • 8.
    Langley P., « Applications of machine learning and rule induction », in Communications of the ACM, vol. 38, issue 11, p. 54.
  • 9.
    Charniak E., Introduction to artificial intelligence, 1984, Addison-Wesley, p. 2.
  • 10.
    Amaro R., « L’“ubérisation” des professions du droit face à l’essor de la legaltech », D 2017, n° 3, p. 163
  • 11.
    Coustet T., « L’utilisation de l’outil Predictice déçoit la cour d’appel de Rennes », Dalloz actualité, 16 oct. 2017 ; Prevost S. et Sirinelli P., « Madame Irma, Magistrat », D. 2017, p. 557, n° 11 ; Benesty M., « L’open data et l’open source, des soutiens nécessaires à une justice prédictive fiable ? », JOAL 2017.
  • 12.
    Cadiet L., (dir.), « L’open data des décisions de justice », Rapport au ministre de la Justice, nov. 2017, p. 23.
  • 13.
    Garapon A. et Lassegue J., La justice digitale, 2018, Paris, Presses universitaires de France, p. 350, nos 228 et 229.
  • 14.
    Dupré J., « L’intelligence artificielle au service de la valorisation du patrimoine jurisprudentiel », D. 2017, p. 502, n° 10.
  • 15.
    Prevost J.-B, « Justice prédictive et dommage corporel : perspectives critiques », Gaz. Pal. 30 janv. 2018, n° 312b3, p. 43.
  • 16.
    Dondero B., « Justice prédictive : la fin de l’aléa judiciaire ? », D. 2017, p. 535. ; Garapon A., « Les enjeux de la justice prédictive », JCP G 2017, 48, nos 1 et 2.
  • 17.
    Garapon A., « Les enjeux de la justice prédictive », JCP G 2017, 48, nos 1 et 2.
  • 18.
    Muzyn P., « Quelques considérations en faveur d’une meilleure prévisibilité de la loi », D. 2006, p. 2214, n° 32.
  • 19.
    Garapon A., « Les enjeux de la justice prédictive », JCP G 2017, 52, nos 1 et 2.
  • 20.
    Austin J., How to do things with words, 1962, Clarendon Press.
  • 21.
    Garapon A., Bien juger : essai sur le rituel judiciaire, 1997, Paris, Odile Jacob, p. 209.
  • 22.
    Garapon A., Bien juger : essai sur le rituel judiciaire, 1997, Paris, Odile Jacob, p. 209.
  • 23.
    Benoît D., « De l’émergence de “nouvelles réalités” : les “prédictions créatrices” », Revue internationale de psychosociologie 2007, vol. XIII, p. 49, n° 29.
  • 24.
    Croze H., « La factualisation du droit », JCP G 2017, 175, n° 5.
  • 25.
    Benoît D., « De l’émergence de “nouvelles réalités” : les “prédictions créatrices” », Revue internationale de psychosociologie 2007, vol. XIII, p. 49, n° 29.
  • 26.
    Ferrié S., « Intelligence artificielle : Les algorithmes à l’épreuve du droit au procès équitable », JCP G 2018, 502, n° 11.
  • 27.
    Pecaut-Rivolier L. et Robin S., « Justice et intelligence artificielle, préparer demain – épisode I », Dalloz actualité, 14 avr. 2020.

À lire également

Référence : LPA 30 Déc. 2020, n° 154d3, p.21

Plan
X