🤖 AI

Deterministic Legal Agents: A Canonical Primitive API for Auditable Reasoning over Temporal Knowledge Graphs

Ce document présente l'API SAT-Graph, une interface primitive canonique qui permet un raisonnement juridique auditable et déterministe en confinant l'incertitude des LLM à la traduction d'intention et à la synthèse narrative, tout en exécutant tous les parcours de graphes structurels, temporels et causaux par le biais d'opérations symboliques fiables.

Auteurs originaux : Hudson de Martim

Publié 2026-04-30

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hudson de Martim

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre un mystère juridique complexe, comme déterminer exactement ce qu'une loi spécifique disait à une date précise dans le passé.

Dans le monde de l'IA standard (comme les chatbots que nous utilisons aujourd'hui), le système agit un peu comme un libraire qui ne sait que deviner. Si vous demandez : « Que disait la loi sur le logement en 2001 ? », le libraire parcourt la bibliothèque, trouve des pages qui ressemblent à votre question et vous les remet. Mais voici le problème : le libraire pourrait saisir une page de 2024, ou une page d'un pays différent, ou une page qui a été supprimée il y a des années. Le libraire est bon pour deviner les mots, mais terrible pour comprendre l'histoire ou les règles de la bibliothèque.

Ce papier propose une nouvelle façon de construire une IA juridique, appelée Agents Juridiques Déterministes. Au lieu d'un libraire qui devine, ils veulent construire un archiviste robotisé qui suit un ensemble de règles strictes et inébranlables.

Voici comment le papier explique ce nouveau système en utilisant des concepts simples :

1. Le Problème : La Bibliothèque « Plate »

L'IA actuelle traite les lois comme un tas de feuilles en vrac. Elle ne comprend pas qu'une loi fait partie d'un livre plus vaste, que les livres ont des chapitres, et que les lois évoluent dans le temps.

L'Analogie : Imaginez essayer de trouver une phrase spécifique dans un roman, mais que l'IA saisisse au hasard des phrases du livre contenant les mêmes mots. Elle pourrait saisir une phrase du début du livre alors que vous en aviez besoin à la fin, ou une phrase d'une ébauche jetée. En droit, c'est dangereux car une loi qui était vraie hier peut être fausse aujourd'hui.

2. La Solution : Le « SAT-Graph » (Le Plan Maître)

Les auteurs ont précédemment construit une base de données spéciale appelée SAT-Graph. Imaginez cela non pas comme un tas de papiers, mais comme un arbre généalogique vivant et respirant pour les lois.

Chaque loi est un « Élément ».
Chaque fois qu'une loi change, une nouvelle « Version » naît.
Chaque changement est causé par une « Action » spécifique (comme la signature d'un nouveau projet de loi).
Ce graphe connaît l'histoire exacte : quelle est la loi parente ? Qu'est-ce qui l'a modifiée ? Quand a-t-elle expiré ?

3. La Nouvelle Interface : L'« API Primitive » (Le Menu Strict)

La grande question que le papier répond est : Comment permettons-nous à l'IA de parler à cet arbre généalogique complexe sans lui permettre de faire des erreurs ?

Si nous laissions l'IA écrire ses propres requêtes de base de données (comme lui demander d'écrire du code SQL), elle pourrait se confondre et demander la mauvaise chose. Ainsi, les auteurs ont créé une API Primitive Canonique.

L'Analogie : Imaginez que l'IA est un client dans un restaurant très chic.
- Ancienne Méthode : Le client entre dans la cuisine et se met à crier des commandes au chef, essayant de cuisiner lui-même. Il pourrait brûler la soupe ou utiliser les mauvais ingrédients.
- Nouvelle Méthode (L'API) : Le client ne peut commander que depuis un menu strict et pré-approuvé. Le menu possède des boutons spécifiques comme « Obtenir la version de 2001 de l'Article 6 » ou « Montrez-moi qui a modifié cette loi ». L'IA ne peut pas errer dans la cuisine ; elle ne peut que presser des boutons.

4. La Règle d'Or : « L'Isolement des Probabilités »

C'est le concept le plus important du papier. Les auteurs ont réalisé que l'IA est naturellement « floue » (elle devine), mais les faits juridiques doivent être « nets » (ils sont soit vrais, soit faux).

Ils ont créé une règle appelée Isolement des Probabilités. Imaginez cela comme un poste de contrôle de sécurité :

Zone 1 (La Zone Floue) : L'IA est autorisée à deviner ici. Elle prend votre question (« Qu'en est-il du logement ? ») et devine de quelle loi vous parlez. Elle pourrait dire : « Je pense que vous voulez dire l'Article 6, mais je suis sûr à 80 %. »
Le Poste de Contrôle : Une fois que l'IA a sélectionné un ID de loi spécifique (comme « Article 6 »), elle passe par un poste de contrôle.
Zone 2 (La Zone Stricte) : À partir de ce moment, aucune devinette n'est autorisée. L'IA appuie sur un bouton pour obtenir la version de 2001. L'archiviste robot doit fournir le texte exact de cette date. Il ne peut pas deviner. Il ne peut pas halluciner. Il récupère simplement les données exactes.
Zone 3 (La Zone Floue à nouveau) : Une fois que le robot fournit le texte exact, l'IA est à nouveau autorisée à deviner pour rédiger un résumé agréable pour vous.

5. Fonctionnement dans la Vie Réelle (Les Cas d'Usage)

Le papier montre comment cela fonctionne avec trois exemples :

Voyage dans le Temps : Vous demandez : « Que disait la loi le 20 mai 2001 ? »
- Ancienne IA : Pourrait vous montrer la loi telle qu'elle est aujourd'hui.
- Nouvelle IA : Devine le nom de la loi, puis appuie sur le bouton « Obtenir la version de 2001 ». Le robot fournit le texte exact de ce jour-là.
Travail de Détective : Vous demandez : « Comment la loi a-t-elle changé lorsque le « logement » a été ajouté ? »
- Ancienne IA : Pourrait trouver le mot « logement » et vous montrer un paragraphe.
- Nouvelle IA : Trouve la loi, examine son historique, trouve le moment exact où « logement » a été ajouté, et vous montre le texte avant et après le changement, ainsi que le projet de loi spécifique qui l'a causé.
L'Effet de Rive : Vous demandez : « Quelles lois cette nouvelle modification a-t-elle changées ? »
- Ancienne IA : Pourrait rechercher le nom de la modification dans d'autres lois (ce qui fonctionne souvent mal).
- Nouvelle IA : Suit la piste de l'« Action ». Elle voit que la modification était un « parent » qui a créé de nouvelles versions d'autres lois. Elle liste exactement ce qui a changé.

Résumé

Le papier ne prétend pas que cette IA est parfaite pour être avocat. Il prétend résoudre le problème de fiabilité.

Il construit un système où l'IA est autorisée à être créative pour comprendre votre question et rédiger la réponse finale, mais contrainte d'être un robot lorsqu'elle consulte les faits. Il sépare la « devinette » de la « vérification des faits » afin que chaque élément de preuve utilisé par l'IA puisse être retracé jusqu'à un enregistrement spécifique et immuable dans la base de données.

C'est comme donner à un détective une loupe qui ne montre que la vérité, plutôt qu'une boule de cristal qui montre ce qui pourrait être vrai.

1. Énoncé du problème

L'article aborde les limitations critiques de l'application de la génération augmentée par récupération (RAG) aux domaines juridiques à haut risque. Les systèmes RAG standards reposent sur la similarité sémantique appliquée à des fragments de texte plats, ce qui échoue à capturer la nature complexe des connaissances juridiques. Les auteurs identifient trois modes de défaillance spécifiques aux RAG juridiques actuels :

Aveuglement méreologique : Incapacité à reconnaître les relations partie-tout (par exemple, clause $\subset$ article $\subset$ loi).
Naïveté diachronique : Impossibilité de distinguer les normes abrogées des normes actuellement en vigueur, conduisant à la confusion entre le droit historique et le droit actuel.
Opacité causale : Manque de traçabilité concernant la provenance législative (les actes spécifiques ayant créé, modifié ou abrogé une norme).

Alors que des travaux antérieurs (SAT-Graph) ont résolu le problème de représentation en modélisant les normes juridiques comme des graphes de connaissances temporels conscients de la structure, un nouveau problème d'interaction est apparu : Comment un agent LLM probabiliste peut-il interroger ce graphe déterministe sans réintroduire l'irréliabilité que le graphe était conçu pour éviter ? Autoriser les agents à générer des requêtes de base de données arbitraires (SQL/SPARQL) ou à se fier uniquement à la recherche sémantique risque de provoquer des erreurs silencieuses, des hallucinations et de contourner les contraintes temporelles ou structurelles.

2. Méthodologie : L'API SAT-Graph

L'article propose l'API SAT-Graph, une interface primitive canonique conçue pour faire l'intermédiaire entre un agent LLM probabiliste et un substrat symbolique déterministe (le Graphe de Connaissances Temporelles).

Principe de conception central : Isolation de la probabilité

L'architecture confine strictement l'incertitude stochastique à trois étapes bornées, garantissant qu'une fois une référence résolue, toutes les opérations subséquentes sont déterministes :

Traduction de l'intention : Le LLM convertit une requête en langage naturel en un plan d'exécution.
Ancrage sémantique initial : Le système utilise une recherche probabiliste (sémantique/lexicale) pour mapper des références ambiguës vers des ancres de graphe candidates classées (Éléments, Thèmes, UnitésTextuelles).
Synthèse narrative : Le LLM génère la réponse finale en prose basée sur des preuves vérifiées.

Cœur déterministe : Une fois un identifiant canonique et des paramètres temporels établis, toutes les traversées de graphe (structurelles, temporelles, causales) sont exécutées via des primitives typées et atomiques. Cela garantit que le processus de récupération lui-même est reproductible et auditable.

Composants architecturaux

Le Substrat (SAT-Graph) : Un graphe de connaissances temporel modélisant les instruments juridiques comme des entités versionnables avec une hiérarchie de contenance explicite et une causalité législative.
Le Protocole d'interaction (API) : Une bibliothèque de primitives typées et composables agissant comme une façade procédurale. L'agent ne voit pas le schéma physique de la base de données mais interagit via un vocabulaire fixe.
L'Agent : Un planificateur probabiliste qui décompose les questions en une séquence d'appels primitifs, observe les résultats intermédiaires et synthétise les réponses.

Modèles de données clés

L'API opère sur cinq modèles de données canoniques et portables entre domaines :

Élément (Item) : Une entité de graphe canonique avec une identité stable (par exemple, un article spécifique).
Version : Un instantané temporellement borné d'un Élément, capturant les intervalles de validité et d'applicabilité.
UnitéTextuelle (TextUnit) : La réalisation textuelle attachée à une entité de graphe, faisant le pont entre la recherche sémantique et la récupération déterministe.
Action : Un événement de transition d'état réifié (par exemple, promulgation, amendement) qui produit ou termine des versions.
Relation : Arêtes sémantiques typées (citations, dépendances) entre les entités.

Catégories de primitives

L'API expose des groupes fonctionnels de primitives :

Découverte et Recherche : resolveItemReference, searchTextUnits (renvoie des candidats classés avec des scores de confiance).
Résolution temporelle : getValidVersions, getItemVersions (récupération déterministe des versions valides à un moment spécifique).
Navigation structurelle : getItemHierarchy, getItemAncestors (reconstruit le contexte sans dépendre de l'adjacence textuelle).
Causalité et Impact : getItemHistory, getActionsBySource (trace la provenance et l'impact en aval).
Introspection : getRootItemTypes, getSupportedActionTypes (permet aux agents de découvrir les limites du schéma).
Hydratation : getVersionTextUnits (convertit des identifiants légers en preuves textuelles complètes).

3. Contributions clés

Spécification d'API primitive canonique : Une interface formelle pour interroger des graphes de connaissances temporels conscients de la structure, instanciée pour les normes juridiques mais conçue pour être portable entre domaines.
Principe d'isolation de la probabilité : Un modèle de conception neuro-symbolique qui sépare la planification/ancrage probabiliste de l'exécution de graphe déterministe, rendant les erreurs du système localisables et inspectables.
Paradigme Raison-Agir-Observer : Déplace le RAG juridique d'un pipeline passif « Récupérer puis Générer » vers un processus actif où l'agent décompose les questions en plans d'exécution explicites et auditable.
Séparation formelle des préoccupations : Découple la représentation des connaissances juridiques (le graphe) du raisonnement agentique (le LLM) via un protocole d'interaction typé, empêchant le couplage de schéma et la confabulation de requêtes.
Démonstrations de cas d'usage : Illustre comment des requêtes juridiques complexes (récupération à un instant précis, comparaison de versions, causalité en aval, analyse d'impact thématique) sont décomposées en séquences primitives vérifiables.

4. Résultats et évaluation

L'article ne présente pas de résultats de benchmark empiriques (par exemple, des scores de précision par rapport à des bases de référence) mais fournit une spécification architecturale formelle et une validation qualitative à travers des cas d'usage :

Récupération déterministe à un instant précis : Démonstration de la manière dont un agent peut récupérer le texte exact d'une loi valable à une date passée spécifique, évitant la « naïveté temporelle » du RAG standard.
Repérage causal : Montrer comment un agent peut tracer l'action législative exacte ayant introduit un droit spécifique (par exemple, « logement ») et comparer le texte avant et après l'amendement.
Causalité en aval : Illustration de la manière d'identifier toutes les dispositions affectées par un amendement spécifique, une tâche difficile pour la recherche sémantique en raison du manque de chevauchement lexical.
Analyse d'impact thématique : Démonstration de la capacité à agréger les changements historiques à travers une hiérarchie thématique (par exemple, « Sécurité numérique ») en combinant la résolution thématique avec des requêtes d'événements temporels.

Les « résultats » sont les journaux d'exécution auditable générés par ces processus, qui permettent aux examinateurs humains de retracer exactement quelle entité a été résolue, quelle version a été sélectionnée et quelle action a produit la preuve.

5. Signification et implications

IA juridique fiable : L'architecture fournit une fondation pour des systèmes juridiques où la base probatoire d'une réponse est entièrement inspectable, reproductible et traçable vers des objets de graphe canoniques.
Auditabilité comme propriété de récupération : Contrairement au RAG traditionnel où l'auditabilité est une fonctionnalité a posteriori, ce système rend l'auditabilité intrinsèque au processus de récupération lui-même. Chaque étape est une opération typée sur un objet canonique.
Portabilité des domaines : Bien qu'illustré dans le droit, les abstractions (Éléments, Versions, Actions) s'appliquent à tout domaine régi par une autorité nécessitant une exactitude historique et une provenance (par exemple, normes techniques, conformité réglementaire, spécifications d'ingénierie).
Changement de charge d'ingénierie : La complexité de la logique temporelle et de la validation structurelle est déplacée du prompt du LLM (où elle est sujette aux erreurs) vers la couche API (où elle peut être rigoureusement testée et appliquée).

6. Limites et travaux futurs

Dépendance à la qualité du graphe : Le déterminisme du système est conditionnel à la correction et à l'exhaustivité de l'ingestion du graphe de connaissances sous-jacent.
Erreurs d'ancrage sémantique : Bien que l'incertitude soit exposée, le mappage initial du langage naturel vers les ancres de graphe reste probabiliste et peut échouer sur des requêtes ambiguës.
Erreurs de planification : L'architecture n'empêche pas les agents de générer des plans logiquement inadéquats (par exemple, interroger le mauvais instrument), bien qu'elle rende ces erreurs auditable.
Directions futures : Les auteurs appellent à un benchmark empirique contre le RAG standard, au développement de modèles d'apprentissage « Texte-à-Plan » et à la construction de jeux de données de référence pour le raisonnement juridique temporel.

En conclusion, l'article soutient que pour les domaines à haut risque, la récupération doit être un processus d'exécution auditable, et non une recherche boîte noire. L'API SAT-Graph fournit l'interface nécessaire pour y parvenir en isolant strictement l'incertitude probabiliste du raisonnement déterministe.