RAG juridique : des réponses sourcées dans vos textes

Un RAG juridique cherche les passages pertinents dans vos conventions collectives, vos contrats et votre doctrine avant de laisser l'IA rédiger une réponse qui cite chaque texte utilisé. Le RAG (Retrieval-Augmented Generation) est cette technique qui fait chercher l'IA dans vos documents plutôt que de la laisser répondre de mémoire : pour la mécanique générale, commencez par ce qu'est le RAG et comment il fonctionne. Ce guide-ci se concentre sur son application aux corpus de droit. C'est le terrain le plus favorable que je connaisse pour cette technologie, parce que le droit est écrit, structuré et cité par nature. C'est aussi le plus exigeant, parce qu'un texte abrogé ne vaut rien, qu'une référence approximative détruit la confiance d'un juriste et qu'un cabinet manipule en permanence des sources publiques et un patrimoine documentaire privé. Voici comment ces contraintes façonnent l'architecture, et la preuve par un moteur en production sur plus de 200 000 articles.

Pourquoi le droit est le terrain idéal du RAG, et le plus exigeant

Des textes hiérarchiques et versionnés

Un corpus juridique n'est pas un tas de documents, c'est un arbre. Une convention collective contient des textes, qui contiennent des sections, qui contiennent des articles, et chaque article existe en plusieurs versions successives à mesure que les avenants s'empilent. Cette structure est une aubaine pour la recherche : chaque passage retrouvé se rattache à une position précise dans l'arbre, donc se cite sans ambiguïté. C'est aussi un piège : un moteur qui aplatit tout en « documents » perd exactement l'information qui fait la valeur juridique de la réponse. Un RAG sérieux conserve la hiérarchie et l'historique des versions jusque dans son index.

La traçabilité des citations, une exigence de métier

En droit, une réponse sans source n'existe pas. Un juriste ne peut rien faire d'une affirmation, aussi juste soit-elle, s'il ne peut pas remonter à l'article qui la fonde et vérifier son état. C'est précisément ce qu'une IA générique interrogée directement ne sait pas offrir : elle répond de mémoire, avec des connaissances figées à la date de son entraînement. Une hallucination, cette information plausible mais fausse qu'un modèle produit quand il ne sait pas, prend en droit une forme particulièrement toxique : un numéro d'article inventé, ou un texte périmé cité comme s'il était encore applicable. Le RAG inverse la charge : la réponse se construit à partir des textes réellement retrouvés, et chaque affirmation pointe vers sa source. Des garde-fous complémentaires restent nécessaires en production, mais la traçabilité est la fondation sur laquelle tout le reste s'appuie.

Des corpus publics et privés qui coexistent

Troisième spécificité : un professionnel du droit travaille en permanence sur deux fonds de nature différente. D'un côté le droit public consolidé (codes, conventions collectives, textes officiels), accessible à tous mais massif et mouvant. De l'autre, son patrimoine propre : notes internes, modèles d'actes, doctrine maison, dossiers clients. Les deux doivent être interrogeables dans le même mouvement, car une vraie question de juriste mobilise souvent les deux. Et pourtant ils ne doivent jamais se confondre : une note interne n'a pas l'autorité d'un texte officiel, et une réponse qui mélange les deux sans le dire est pire qu'inutile.

L'architecture qui répond à ces trois contraintes

La couche de génération est paradoxalement la partie la plus simple. Le LLM, ce grand modèle de langage qui comprend et rédige du texte, reçoit la question et les passages retenus, puis rédige en citant. Tout le travail propre au droit se joue en amont, dans quatre briques.

Une ingestion qui suit la loi qui bouge

Le droit change en continu, l'index doit suivre sans intervention humaine. Concrètement, cela signifie une ingestion automatisée depuis la source officielle (pour les conventions collectives, l'API officielle de Légifrance), une empreinte de contenu qui détecte chaque modification de texte pour en historiser les versions, et une synchronisation à deux vitesses : une passe complète régulière et une passe différentielle qui capte les changements du quotidien. S'y ajoute le chunking, ce découpage des documents en passages courts et cohérents avant indexation : les articles longs sont scindés pour que la recherche retrouve le bon alinéa, pas un bloc de dix pages.

Une recherche hybride avec des priorités par statut juridique

La recherche juridique impose deux talents contradictoires. Il faut retrouver des références exactes, un numéro d'article, un intitulé précis, ce que fait très bien une recherche par mots-clés classique. Et il faut comprendre des questions posées en langage courant, qui ne reprennent jamais les termes du texte, ce que permet la recherche par le sens grâce aux embeddings, ces représentations mathématiques du sens d'un passage, stockées et interrogées avec une extension de base de données comme pgvector. La recherche hybride combine ces deux branches : chacune produit son classement, les deux sont fusionnés en une seule liste de candidats. Un reranking, ce second tri plus fin opéré par un modèle spécialisé, reclasse ensuite les candidats face à la question. Enfin, spécificité juridique décisive : le classement est pondéré par le statut des textes. Un article en vigueur passe devant un article abrogé, un texte étendu, c'est-à-dire rendu applicable au-delà des seuls signataires, est priorisé en conséquence. Sans cette pondération, le moteur ressort des textes morts avec la même assurance que le droit applicable.

Un routage multi-corpus qui ne mélange jamais les fonds

Pour interroger ensemble le droit public et les documents internes sans les confondre, chaque fonds vit dans son propre corpus, et un aiguillage explicite route la question vers le ou les corpus pertinents. Le moteur de recherche s'expose alors de deux façons : une API classique pour les applications, et un serveur MCP, ce standard qui permet à une IA d'utiliser des outils métier dans un cadre contrôlé, pour les assistants conversationnels. Chaque citation conserve la provenance du passage : le juriste sait toujours s'il lit un texte officiel ou une note interne. Ces règles de séparation ne sont pas confiées au bon vouloir du modèle, elles sont codées en dur dans le système.

Un déploiement qui garde le corpus chez vous

Le fonds documentaire d'un cabinet est un actif sensible : il contient sa doctrine, ses modèles, parfois des éléments de dossiers. L'auto-hébergement, qui consiste à faire tourner le système sur vos propres serveurs plutôt que dans le cloud d'un éditeur, garantit que l'index, la base et les journaux ne quittent pas votre périmètre. Le modèle d'IA, lui, se choisit avec son hébergement selon vos exigences de confidentialité. Pour un corpus juridique privé, ce niveau de maîtrise est rarement négociable.

Le tableau résume la correspondance entre les contraintes du droit et les réponses d'architecture.

La preuve : un RAG juridique en production sur plus de 200 000 articles de droit social

Cette architecture n'est pas un exercice théorique, je l'ai construite pour un acteur du conseil en droit social dont les juristes ne pouvaient pas travailler avec des réponses approximatives : chaque réponse servie devait citer ses textes, dans leur version en vigueur. Côté corpus, l'index couvre l'intégralité des conventions collectives nationales, soit plus de 200 000 articles, ingérés en continu depuis l'API officielle Légifrance avec versionnage par empreinte de contenu. La recherche y est hybride : une branche lexicale et une branche sémantique fusionnées en un classement unique, affiné par reranking puis pondéré par statut juridique (en vigueur, étendu, abrogé).

Le système est multi-corpus : le même point d'entrée interroge le droit public consolidé et le fonds propre du cabinet, plusieurs dizaines de milliers de documents internes, sans jamais confondre les deux. Le moteur est exposé en API et en serveur MCP de 7 outils, consommé par un agent conversationnel qui route chaque question vers les bons corpus et rend des réponses sourcées et traçables jusqu'à l'article. Le déploiement est conteneurisé et auto-hébergé : base, index et journaux restent sur l'infrastructure du client. Le détail complet, briques et chiffres, est dans la fiche mission du moteur juridique RAG. La même mécanique de recherche hybride et de réponses sourcées fait d'ailleurs tourner, dans un tout autre secteur, la plateforme conversationnelle de Labo M sur un catalogue de 72 000 références.

Par où commencer avec vos propres textes

La première étape n'est pas technique, c'est un inventaire du corpus. Trois questions suffisent à cadrer un projet de RAG juridique. Quelles sources faire entrer, et lesquelles sont publiques ou privées ? Une convention collective s'ingère depuis une API officielle, un fonds de doctrine interne demande un travail d'extraction et de tri. Quelle fraîcheur est exigée ? Un corpus qui bouge chaque semaine impose une ingestion continue, un fonds stable se réindexe à la demande. Quel niveau de traçabilité attendent vos utilisateurs ? Un juriste veut l'article et sa version, un client final se contente souvent du document. Les réponses dessinent le périmètre du premier socle, et un périmètre resserré vaut toujours mieux qu'un projet total. La recherche documentaire n'est d'ailleurs qu'un usage de l'IA parmi d'autres pour une structure juridique : le panorama complet est dans le guide dédié à l'IA pour un cabinet juridique.

Vous avez un corpus de textes, de contrats ou de doctrine et vous voulez savoir ce qu'un moteur sourcé pourrait en tirer ? C'est exactement le périmètre de ma prestation base de connaissances IA : l'ingestion, la recherche hybride, les citations traçables et l'hébergement maîtrisé, du cadrage à la production. Le premier échange est gratuit : il permet de passer vos textes en revue et d'en tirer un premier périmètre réaliste. Je suis Antoine Guerra, développeur IA freelance, et je réponds avec un devis sous 48 h.