Une règle sur l'intelligence artificielle en formation juridique devrait commencer par une question plus simple que « l'IA est-elle bonne ou mauvaise ? » : quelle aptitude ce devoir doit-il démontrer ? Si un mémoire doit montrer qu'un étudiant sait identifier les questions, peser les sources et construire un argument défendable, un assistant qui fournit le plan ou la prose peut cacher le travail même que le cours évalue. Si l'exercice vise à apprendre à superviser avec soin une sortie d'IA, une interdiction générale peut masquer une autre compétence essentielle.
La politique par défaut de Berkeley Law, effective à l'été 2026, rend cette distinction explicite. Pour les travaux donnant droit à des crédits, elle interdit l'IA pour conceptualiser, faire un plan, rédiger, réviser, traduire et éditer. Elle l'interdit aussi aux examens, limite la recherche par IA à l'identification de sources et interdit le téléversement des documents du cours dans des systèmes génératifs. Elle permet cependant aux enseignants de prévoir à l'avance des exceptions écrites propres au cours et d'exiger une déclaration.
La leçon n'est pas que tout exercice juridique appelle la même limite. La limite doit nommer la compétence mesurée, les données à protéger et les éléments que l'étudiant doit conserver pour expliquer son emploi d'un outil.
Définir la compétence évaluée avant de nommer un outil
Une politique qui dit seulement « pas de ChatGPT » vieillit vite et aide peu face aux outils voisins. Les moteurs de recherche, applications de rédaction, services de recherche juridique, produits de transcription et plateformes de revue documentaire ajoutent tous des fonctions génératives. La question pédagogique n'est pas le nom du produit, mais le fait que la fonction remplace ou non une décision de l'étudiant que le devoir doit évaluer.
Lors d'un examen d'analyse juridique, le travail protégé peut comprendre la sélection des faits pertinents, l'identification d'une règle, la distinction d'un précédent et l'expression d'une conclusion sous contrainte de temps. Une règle peut interdire l'assistance générative dans ce flux sans prétendre que toute IA est inappropriée partout. Dans un devoir de recherche, la frontière peut être plus étroite : un système peut aider à repérer des affaires possibles, mais l'étudiant doit lire les autorités, vérifier les citations et décider lui-même si elles étayent la proposition.
Adopter un modèle d'autorisation en quatre parties
Une politique de cours pratique peut classer l'usage de l'IA en quatre catégories. Premièrement, le travail à accomplir de manière autonome : réponses d'examen, première analyse juridique ou premier plan. Deuxièmement, l'aide encadrée qui peut être admise, comme trouver des sources publiques, générer des questions d'entraînement ou critiquer un brouillon achevé. Troisièmement, les situations qui exigent une autorisation écrite préalable. Quatrièmement, les informations à ne jamais téléverser : hypothèses proches de dossiers clients, documents de cours non publiés, enregistrements ou documents contenant des données personnelles.
Les catégories doivent employer des verbes observables. « L'IA peut être utilisée pour la recherche » est ambigu. « L'IA peut suggérer des termes de recherche ; il est interdit de s'appuyer sur un résumé d'affaire ou une citation générés par IA sans lire et vérifier la source citée » donne une consigne concrète. La séparation opérée par Berkeley entre l'identification d'une source et le travail remis illustre cette précision.
Rendre l'usage autorisé contrôlable, et non invisible
La déclaration est la plus utile lorsqu'elle documente assez de contexte pour évaluer un processus sans exiger le journal de chaque frappe. Une courte déclaration peut indiquer l'outil, l'objectif permis, les éléments fournis et la manière dont l'étudiant a vérifié tout résultat utilisé. Pour les projets à forts enjeux, un journal de prompts ou un historique de versions peut être pertinent.
Cette trace transforme la discussion éducative. Au lieu de déduire l'auteur d'une prose soignée, l'enseignant peut demander pourquoi une source a été choisie, pourquoi une suggestion de l'IA a été acceptée ou rejetée et comment elle a été contrôlée. Questions orales, brouillons par étapes et devoirs itératifs testent directement le raisonnement. La FAQ de Berkeley cite elle aussi des méthodes dépendantes du contexte, comme les présentations orales et la rédaction itérative.
Faire de la confidentialité et de la responsabilité professionnelle une compétence
Le travail juridique contient souvent des informations qui ne doivent pas être envoyées à un service génératif public. Même en classe, lectures, devoirs, échanges enregistrés et faits hypothétiques de clients peuvent soulever des enjeux de confidentialité, de propriété intellectuelle ou de vie privée. Une politique solide énonce ces limites séparément de la règle d'intégrité académique. Un outil peut être inadapté même s'il ne rédige pas la réponse finale.
Cette séparation reflète la pratique juridique. L'American Bar Association a indiqué que les obligations existantes des avocats continuent de s'appliquer lorsqu'ils utilisent l'IA générative. Les étudiants doivent donc apprendre davantage que l'évaluation de la qualité d'une sortie : ils doivent se demander quelles données reçoit un service, ce qu'une réponse générée établit réellement et qui reste responsable d'une erreur.
Réviser la règle au travers des devoirs, pas des slogans
Une politique d'IA efficace est une conception pédagogique que l'on peut tester. Après un semestre, les enseignants peuvent examiner si les usages permis ont été compris, si la règle a fonctionné pour l'accessibilité, où les malentendus sont apparus et si le devoir mesure toujours la compétence voulue. La réponse peut être un exemple plus précis, un meilleur formulaire de déclaration ou une autre évaluation, et non simplement une interdiction plus stricte.
Le principe central est durable : la formation juridique doit protéger le raisonnement autonome lorsqu'il est l'objet de l'évaluation et enseigner l'usage supervisé de l'IA lorsque cette supervision est l'objectif de l'enseignement. Des limites claires, une déclaration explicite, des sources vérifiées et des données protégées facilitent les deux objectifs.
Nous croisons sources primaires, documentation produit et cas d’usage réels pour vous aider à déterminer si un outil convient à votre manière de travailler.