La porosité entre le droit et l’intelligence artificielle a aujourd’hui soixante ans. Cette porosité qui devait, à l’origine, permettre aux informaticiens d’améliorer les performances cognitives de leurs algorithmes, ce, grâce au syllogisme juridique, a très vite suscité, en retour, l’intérêt des juristes pour l’informatique. Ces derniers ont compris qu’ils pouvaient tirer avantage des opportunités offertes par l’automatisation du droit, grâce aux nouvelles technologies. Ainsi, à l’aube de la décennie 2020, le machine learning, l’un des sous champ disciplinaires les plus récents de l’intelligence artificielle, permet autant d’améliorer les modalités d’application des lois et sanctions que de calculer les citoyens (police prédictive, justice prédictive, mais aussi accès au droit et à la justice en ligne). Ce déploiement du machine learning, qui s’opère autant dans les pays common lawyer que dans les pays de tradition civiliste, s’opère surtout dans un contexte d’a-légalité, au préjudice des droits des citoyens calculés. Les juristes nord-américains ont résolu ce défaut d’encadrement législatif en usant de la technique du judge made law. Cette technique, qui présente l’avantage de son adaptabilité, à la fois à chaque situation de vide législatif, mais aussi aux tendances de la société et des époques, sera à nouveau mobilisée, à l’avenir, lorsque les prochains sous champs disciplinaires de l’intelligence artificielle, dont le deep learning, seront déployés. La souplesse du système common lawyer nord américain peut servir de modèle au système français, pour mettre en place un cadre juridique régulant, aujourd’hui, le machine learning et, demain, les prochains sous champs disciplinaires de l’intelligence artificielle. Il convient toutefois d’adapter la dimension casuistique du modèle nord-américain au système français, en proposant d’user des normativités alternatives, et de l’éthique, comme instruments équivalant à la souplesse du judge made law. Cette approche permettrait d’observer les questions de droit qui se posent à chaque progrès technologique et d’envisager des réponses juridiques, dans un contexte enclin à légiférer une fois que l’ensemble des achoppements techniques et des problèmes de droit, que ceux-ci posent, a été saisi. Cette méthode, qui impose d’observer les nouveaux phénomènes technologiques au prisme des normativités alternatives avant de légiférer, devrait permettre d’orienter et d’influencer le travail de légistique du législateur français pour améliorer l’effectivité du droit du numérique quant à la protection des personnes calculées par des algorithmes, déployés autant par les administrations que par les sociétés de type legaltech. / The porosity between law and artificial intelligence is now sixty years old. This porosity, which was originally intended to enable computer scientists to improve the cognitive performances of their algorithms, thanks to the legal syllogism, quickly aroused, in return, the interest of jurists in computer science. They understood that they could take advantage of the opportunities offered by the automation of the law, thanks to new technologies. Thus, at the dawn of the 2020s, machine learning, one of the most recent disciplinary subfields of artificial intelligence, allows as much to improve the methods of application of the laws and sanctions than to calculate the citizens (predictive policing, predictive justice, but also access to legal information and justice, online). This deployment of machine learning, which operates as much in the common law countries as in the countries of civil law tradition, takes place mainly in a context of a legality, to the detriment of the rights of the scored citizens. North American lawyers have resolved this lack of legislative framework by using the technique of judge-made law. This technique, which has the advantage of its adaptability, at the same time to each situation of legislative gap, but also to the tendencies of the society and the times, will be mobilized again, in the future, when the next disciplinary subfields of artificial intelligence, including deep learning, will be deployed. The flexibility of the North American common lawyer system can serve as a model for the French system, to set up a legal framework regulating, today, machine learning and, tomorrow, the next disciplinary subfields of artificial intelligence. However, the casuistic dimension of the North American model should be adapted to the French system, proposing the use of alternative normativities and ethics as instruments equivalent to the flexibility of the judge-made law. This approach would make it possible to observe the legal issues that arise with each technological advance and to consider legal responses, in a context inclined to legislate once the whole set of technical and legal issues, such as these pose, has been seized. This method, which requires observing new technological phenomena through the prism of alternative normativities before legislating, should make it possible to guide and influence the legislative work of the French legislator to improve the effectiveness of the digital law in terms of protecting people scored by algorithms, deployed as much by administrations as by legaltech type companies.

L'intelligence artificielle est l'un des domaines les plus florissants et les plus passionnants de la recherche et de l'industrie. Au cours des dernières années, les approches utilisant l'apprentissage profond ont permis de nombreuses avancées dans divers domaines, notamment la vision par ordinateur, la traduction automatique, la reconnaissance et la génération d'images, ainsi que la compréhension et la génération de textes (tels que GPT-4). Dans cette thèse, je cherche à savoir si et comment l'intelligence artificielle peut être utilisée pour améliorer l'accès à la justice et à l'information juridique pour les justiciables. Le citoyen moyen est souvent dépassé et impuissant lorsqu'il est confronté à des problèmes juridiques. Il peut avoir du mal à comprendre comment la loi s'applique à sa situation et à utiliser le système juridique pour résoudre son problème, même s'il est conscient de ses droits. En conséquence, leurs problèmes restent irrésolus ou ils ne profitent pas des possibilités qui leur sont offertes. C'est pourquoi j'ai développé et mis en œuvre la méthodologie "JusticeBot", qui utilise l'IA pour aider les justiciables à résoudre leurs problèmes juridiques. Les outils qui en résultent utilisent une approche hybride de raisonnement basée sur des règles et des cas pour poser à l'utilisateur des questions pertinentes, analyser sa situation juridique et lui fournir des informations juridiques appropriées ainsi que des cas antérieurs similaires liés à son problème juridique particulier. L'utilisateur peut utiliser ces informations pour négocier une solution mutuellement acceptable ou pour naviguer dans le processus juridique ardu. JusticeBot est donc un outil d'intelligence augmentée, qui améliore le niveau de connaissance de l'utilisateur pour l'aider à résoudre ses problèmes juridiques. Je décris la méthodologie globale et la manière dont je l'ai mise en œuvre dans des outils logiciels, par exemple le "JusticeCreator", une interface permettant de créer et de mettre à jour les outils JusticeBot. Je présente également un outil JusticeBot déployé dans le domaine des litiges entre propriétaires et locataires, qui est accessible au public à l'adresse https://justicebot.ca. Cet outil a été utilisé plus de 17 000 fois et 86 % des utilisateurs ayant répondu à une enquête ont déclaré qu'ils recommanderaient le système à d'autres personnes. Je pense que JusticeBot peut contribuer à aider les individus à résoudre leurs problèmes juridiques, ainsi qu'à renforcer la confiance et l'identification aux institutions juridiques au niveau sociétal en améliorant l'accès à la justice et l'accès à l'information juridique pour le citoyen moyen. / Artificial intelligence is one of the most thriving and exciting areas in research and industry. Recently, approaches using deep learning have led to a number of breakthroughs in a range of areas, including computer vision, machine translation, image recognition and generation, and text understanding and generation (such as GPT-4). In this thesis, I investigate if and how artificial intelligence (AI) can be used to improve access to justice and access to legal information for laypeople, i.e. people without legal training. The average citizen is often overwhelmed and helpless when dealing with legal problems. They may struggle to understand how the law applies to their situation, and further have trouble using the judicial system to resolve their issue, even if they are aware of their rights. This results in their problems going unresolved or prevents them from benefiting from opportunities available to them. For this reason, I developed and implemented the “JusticeBot” methodology, which uses AI to support laypeople with their legal issues. The resulting tools use a hybrid rule-based and case-based reasoning approach to ask a user relevant questions, analyze their legal situation, and provide them with suitable legal information and similar previous cases related to their particular legal problem. They can use this information to negotiate a mutually agreeable solution, or to navigate the arduous legal process. Thus, JusticeBot is an augmented intelligence tool, enhancing the user’s knowledge level to help them solve their legal problems. I describe the overall methodology and how I implemented it into software tools, e.g. the “JusticeCreator”, an interface to create and update JusticeBot tools. I also elaborate on a deployed JusticeBot tool in the area of landlord-tenant disputes, which is accessible to the public at https://justicebot.ca. This tool has been used over 17k times, and 86% of users responding to a survey report that they would recommend the system to others. I believe that JusticeBot can contribute to helping individuals resolve their legal problems, as well as increasing trust in and identification with legal institutions on a societal level, by improving access to justice and access to legal information for the average citizen.