Depuis 2024, deux approches dominent l'architecture des IA juridiques : le RAG (Retrieval-Augmented Generation), qui connecte un modèle à une base de données externe, et le fine-tuning, qui ré-entraîne un LLM sur un corpus spécialisé pour le faire « parler droit ». En droit francophone — où la norme est dense, la jurisprudence foisonnante et la confidentialité maximale — choisir entre RAG et fine-tuning, ou les combiner, fait la différence entre une IA fiable… et un outil dangereux.
1. RAG et fine-tuning, en langage cabinet
1.1 RAG : l'IA apprend où trouver la réponse
Le RAG consiste à stocker vos documents — codes, lois, jurisprudence, templates, contrats, courriers — dans une base de données externe (souvent vectorielle, comme pgvector), à interroger cette base pour chaque question, puis à enrichir le prompt du LLM avec les extraits les plus pertinents avant de générer la réponse.
En pratique, pour un cabinet francophone : vous posez « Analyse ce bail et contrôle les clauses de durée, révision de loyer et pénalités de retard ». Le système RAG récupère le Code civil, la jurisprudence pertinente et vos modèles de contrats internes, puis le LLM produit une réponse contextualisée avec des extraits citables et sourcés.
Le RAG s'inscrit dans la logique de « retrouver la bonne source » plutôt que de mémoriser la norme en interne — ce qui est crucial dans un droit qui évolue par réformes législatives successives.
1.2 Fine-tuning : l'IA apprend comment répondre
Le fine-tuning consiste à prendre un modèle généraliste (Mistral, Llama, Qwen…), le ré-entraîner sur un jeu de données spécialisé — questions/réponses, contrats annotés, extraits de jurisprudence, templates — afin de modifier ses poids internes pour qu'il réponde mieux dans un domaine ciblé.
Pour un cabinet : vous fournissez des exemples de consultations correctement rédigées, de contrats structurés, de réponses conformes au Code de déontologie, et le modèle « apprend » le style, le ton, la structure attendue et la terminologie juridique francophone. Le fine-tuning correspond à « apprendre le bon style et les bonnes procédures » — plus que la bonne source.
Le fine-tuning sur le droit francophone implique de disposer d'un corpus propre, annoté et représentatif. Les enjeux de constitution de ce corpus — notamment pour Légifrance — sont couverts dans l'article n°3 : Légifrance comme corpus d'entraînement.
2. Comparatif : RAG vs Fine-tuning pour le droit francophone
Voici un tableau récapitulatif adapté au contexte juridique francophone — France, OHADA, Maghreb et Golfe :
| Critère | RAG | Fine-tuning |
|---|---|---|
| Objectif principal | Réponses basées sur des documents précis et traçables | Comportement plus stable et cohérent du modèle |
| Mise à jour des connaissances | Très rapide — on met à jour la base (Légifrance, jurisprudence, modèles cabinet) | Lente et coûteuse — une réforme majeure implique un ré-entraînement |
| Coût de maintenance | Stockage + index vectoriel ; peu de calcul par requête | GPU, cycles d'entraînement répétés, stockage du modèle — élevé à long terme |
| Traçabilité / citations | Excellente — on peut indiquer exactement quels documents ont servi à la réponse | Faible — le modèle peut mélanger ce qu'il a appris, sans citation précise |
| Risque d'hallucinations | Réduit si la base est propre et bien indexée | Peut persister sur des cas hors-domaine ou peu documentés |
| Confidentialité | Élevée — données restent dans votre base locale ou cloud souverain | Délicate si fine-tuning externe — risque de fuite de données métiers |
| Style et format de sortie | Dépend du modèle de base — peut manquer de cohérence rédactionnelle | Excellent — le modèle apprend le ton, la structure et les procédures du cabinet |
En droit francophone, le RAG l'emporte sur l'actualisation, la traçabilité et la confidentialité — le fine-tuning s'impose pour le style et les procédures répétitives.
3. RAG : le choix de base pour une IA juridique fiable
3.1 Pourquoi commencer par le RAG ?
Les experts en IA appliquée recommandent en 2026 de commencer par le RAG pour la plupart des usages juridiques, puis d'ajouter du fine-tuning si nécessaire. Les raisons sont structurelles :
- Mise à jour fréquente : le droit change régulièrement — réformes, jurisprudence nouvelle, amendements. Un RAG sur une base tenue à jour permet de rester en phase sans ré-entraîner le modèle à chaque réforme.
- Confiance accrue : les avocats, notaires et juristes veulent voir la source, pas juste une réponse « magique ». Le RAG permet de citer le texte, l'arrêt ou la clause qui fonde chaque réponse — ce qui est indispensable pour la responsabilité professionnelle.
- Flexibilité multi-juridictions : un même modèle peut servir pour le droit français, OHADA, Maghreb et Golfe, dès lors que la base de données est structurée par juridiction. Le fine-tuning nécessiterait autant de variantes du modèle que de territoires couverts.
3.2 RAG concret en droit francophone
Une architecture RAG pour le droit francophone intègre plusieurs couches :
- Textes juridiques (Légifrance, codes OHADA, droit marocain, tunisien), jurisprudence, templates, contrats, FAQ — encodés et indexés dans pgvector ou FAISS.
- Index hiérarchisé par juridiction (France, OHADA, Maghreb, Golfe, Common Law, finance islamique) et par spécialité (corporate, fiscal, social-paie, immobilier, compliance).
- Pas des blocs de 512 tokens : des sections, articles, clauses et décisions — avec métadonnées (date, juridiction, code, tribunal, thème).
- Fenêtres de chevauchement pour préserver la continuité des raisonnements à cheval sur plusieurs articles.
- Un Agent Bail qui récupère le Code civil, la jurisprudence locative et vos modèles de baux internes.
- Un Agent Conformité RGPD qui tire de la base vos politiques internes, la réglementation européenne et la jurisprudence CNIL.
- Un Agent Multi-juridiction qui bascule automatiquement entre droit français, OHADA et droit marocain/tunisien selon le contexte du dossier.
4. Fine-tuning : la spécialisation fine du comportement
4.1 Quand le fine-tuning est pertinent
Le fine-tuning devient pertinent lorsque le RAG seul ne suffit plus à standardiser le comportement du modèle. Les cas d'usage typiques en droit francophone :
- Ton et format : style de cabinet, niveau de technicité, type de courrier, format de résumé, structure des notes de consultation.
- Procédures internes : manière de répondre à un client, vérification systématique de certains points (délais, compétence territoriale, formalités d'opposabilité).
- Tâches répétitives : rédaction de baux, contrats, actes notariaux dans un style maison ; classification automatique de dossiers par juridiction et spécialité.
4.2 Limites du fine-tuning pur
Le fine-tuning ne peut pas remplacer le RAG pour les raisons suivantes :
- Fige les connaissances : une fois le modèle ajusté, il intègre les textes disponibles au moment de l'entraînement. Pour une IA juridique, cela signifie un risque concret de rester sur un droit abrogé ou modifié.
- Peu adapté à la traçabilité : le modèle ne « sait plus » exactement quel texte a servi à produire une réponse, ce qui est problématique pour la responsabilité professionnelle et le contrôle qualité des consultations.
- Coût d'adaptation élevé : chaque nouvelle juridiction, spécialité ou réforme majeure peut exiger un nouveau cycle d'entraînement — coûteux en GPU, en données annotées et en temps de validation humaine.
Une IA juridique fondée uniquement sur le fine-tuning risque d'être obsolète, peu traçable et juridiquement dangereuse, même si le style est impeccable. L'apparence de compétence — réponses bien formulées, jargon juridique maîtrisé — masque un risque réel d'inexactitude sur le fond.
5. Combinaison RAG + fine-tuning : la stack souveraine Actelyo
Actelyo adopte une architecture RAG-d'abord, fine-tuning ensuite, déployée de façon souveraine en on-premise ou local-first.
5.1 Architecture RAG-d'abord
Le RAG est au cœur de la plateforme Actelyo :
- AcBase — votre base documentaire juridique interne (contrats, courriers, décisions, modèles, FAQ, politiques de conformité) est ingérée, chunkée et indexée dans pgvector. Chaque chunk porte ses métadonnées : source, date, juridiction, thème.
- Sources normatives — Légifrance, les Actes Uniformes OHADA, la jurisprudence CCJA, les textes marocains et tunisiens sont intégrés en sources de référence, mises à jour régulièrement sans ré-entraînement du modèle.
- Réponses actualisées et sourcées — chaque réponse cite les extraits qui l'ont fondée, avec le texte, la date et la juridiction de référence.
5.2 Fine-tuning ciblé sur le comportement
Le fine-tuning intervient en complément, de manière ciblée :
- Spécialisation du modèle sur le droit francophone (Code civil, Code de commerce, OHADA, droit marocain, tunisien) à partir de corpus annotés par des juristes.
- Adaptation du ton et du format aux pratiques de cabinet : réponses structurées, hiérarchisées, conformes aux procédures internes.
- Optimisation pour les tâches répétitives : classification de dossiers, génération de clauses standard, calcul automatique de délais procéduraux.
En pratique : le modèle fine-tuné sait comment répondre — l'actualité normative vient du RAG. Les deux couches sont complémentaires et non substituables.
5.3 Sécurité et souveraineté
L'ensemble de la stack tourne dans une architecture souveraine :
- Instance Docker locale ou on-premise, données chiffrées en transit et au repos ;
- BYOK (Bring Your Own Key) pour le contrôle total des clés de chiffrement ;
- pgvector pour l'index documentaire, LLM fine-tuné déployé dans votre infrastructure — zéro donnée transmise à une API tierce ;
- Conformité RGPD : secret professionnel (article 226-13 du Code pénal), déontologie des avocats et notaires, absence de transfert de données vers des sous-traitants non qualifiés.
Le détail de l'infrastructure Docker, pgvector et de l'orchestration des conteneurs est documenté dans l'article n°14 : Docker, pgvector et RAG : l'infrastructure d'une IA juridique souveraine.
6. Comment choisir pour votre cabinet francophone
Voici une matrice de décision pour un cabinet francophone en 2026 :
| Votre situation | RAG d'abord | Fine-tuning en complément |
|---|---|---|
| Vos documents changent souvent ? | Oui → RAG indispensable | Non → fine-tuning peut suffire |
| Besoin de citations et de traçabilité ? | Oui → RAG fortement préféré | Non → fine-tuning acceptable |
| Sortie ultra-structurée attendue (style maison) ? | Suffisant pour la connaissance, peut manquer de cohérence formelle | Oui → fine-tuning pour le ton et la structure |
| Confidentialité maximale ? | RAG en local/on-premise → idéal | Préférer fine-tuning local — risque si entraînement externe |
| Plusieurs juridictions couvertes ? | Un même modèle, plusieurs bases — flexibilité maximale | Multiplicité de modèles fine-tunés → complexité et coût |
La recommandation pratique pour un cabinet francophone en 2026 est claire : commencez par une architecture RAG (base de données vectorielle, intégration Légifrance, jurisprudence, templates), ajoutez du fine-tuning ciblé pour le ton et les procédures internes, et déployez le tout dans une architecture souveraine — on-premise, Docker, BYOK.
Conclusion
RAG et fine-tuning ne sont pas des alternatives exclusives — ce sont deux couches complémentaires d'une IA juridique mature. Le RAG garantit l'exactitude factuelle, l'actualisation et la traçabilité ; le fine-tuning garantit la cohérence comportementale et la conformité aux pratiques du cabinet. Pris séparément, chacun est insuffisant. Combinés dans une architecture souveraine, ils forment le socle d'une IA juridique fiable, responsable et durablement à jour.
En droit francophone — où la technicité normative est élevée, les réformes fréquentes et la responsabilité professionnelle engagée à chaque consultation — cette combinaison n'est pas un luxe : c'est la condition minimale d'un déploiement éthique et professionnel de l'intelligence artificielle.