Pendant quelques années, nous nous sommes raconté que chaque entreprise était assise sur une mine d’or appelée données propriétaires. La formule était simple et semblait inattaquable : modèle généraliste plus données que personne d’autre ne possède égale meilleure IA verticale. Il suffisait d’attendre que les modèles deviennent assez intelligents, de les brancher sur nos archives, et de laisser vingt ans d’activité faire le reste.
C’est une métaphore rassurante. Je soupçonne qu’elle est aussi fausse, ou du moins incomplète sur un point décisif.
Une archive contient ce qu’une institution a fait. Pas nécessairement ce qu’elle a appris.
Une thèse à prendre au sérieux
Avant de la démonter, la thèse des données propriétaires mérite le respect, car l’argument est solide. Les foundation models apprennent à partir de quantités énormes d’information publique ou sous licence. Quand la qualité des modèles converge, ce qu’un concurrent ne peut ni télécharger ni acheter devient naturellement la source de différenciation. Un hôpital possède des données cliniques qu’OpenAI ne possède pas. Une banque voit des transactions qu’Anthropic ne voit pas. Un cabinet d’avocats conserve des avis et des précédents qui ne sont pas sur Internet.
Et ces données sont difficiles à répliquer pour une raison structurelle : elles sont le sous-produit d’années d’activité. Un concurrent nouveau peut acheter des GPU, recruter des chercheurs, prendre un foundation model sous licence. Il ne peut pas recréer en un trimestre vingt ans d’interactions avec des clients réels, d’échecs réels, de décisions prises dans le monde réel.
Le cas le plus cité de cet été semble tout confirmer. Le 24 août, Thomson Reuters a annoncé Thomson, un modèle propriétaire construit sur une base open source avec ses propres techniques de mid-training et de post-training, spécialisé avec le patrimoine de Westlaw, Practical Law, Checkpoint et Reuters, pour un investissement déclaré de 40 millions de dollars entre talents et compute. Une fraction minuscule de ce que coûte un frontier model. Cela ressemble à la démonstration idéale du data moat : ils possédaient des contenus qu’OpenAI, Google et Anthropic n’ont pas aux mêmes conditions, et ils ont construit dessus.
Puis on lit le détail le plus intéressant de l’annonce, et c’est celui qui rend toute cette interprétation insuffisante.
Ce que Thomson Reuters n’a pas fait
Thomson Reuters déclare avoir utilisé, à ce jour, moins de dix pour cent de ses propres contenus dans le continued pre-training du modèle. Et elle attribue explicitement les résultats non pas à l’accès aux documents, mais à la combinaison entre contenus faisant autorité, spécialistes du domaine, outils professionnels, objectifs d’entraînement et évaluations construites avec des centaines de subject matter experts. Les experts n’ont pas fourni des exemples de réponses correctes : ils ont évalué des outputs, écrit des rubriques qui énumèrent ce qu’une réponse correcte doit nécessairement contenir ; les failure modes sont venus de milliers d’experts internes qui ont utilisé le modèle sur leurs problèmes les plus difficiles, des erreurs signalées par des personnes qualifiées pour les diagnostiquer.
Arrêtons-nous sur ce point, car c’est le cœur de l’essai. L’entreprise qui détient l’un des corpus professionnels les plus précieux de la planète n’a pas versé le corpus dans le modèle. Elle a dépensé la partie difficile du projet à décider ce que signifiait apprendre correctement de ce corpus. Quatre-vingt-dix pour cent des contenus sont restés dehors, et personne ne semble y voir du gaspillage.
La formule « modèle plus données » confond la matière première avec le processus industriel qui lui donne sa valeur. Deux organisations peuvent posséder des quantités comparables de données et en tirer des résultats radicalement différents. L’une peut avoir des millions de documents sans savoir lesquels sont fiables, des milliers de tickets sans savoir lesquels représentent des exceptions significatives, des décennies de décisions sans avoir conservé les raisons pour lesquelles elles furent prises.
Le fossé concurrentiel le plus profond pourrait ne pas être la donnée propriétaire. Ce pourrait être le jugement propriétaire. Et le jugement, à la différence de la donnée, ne vit pas dans une base de données. Il vit dans la culture de l’institution.
Nous avons archivé les outputs, pas les décisions
Imaginons deux cabinets d’avocats. Même secteur, vingt ans de contrats, à peu près la même quantité de tokens. Le premier conserve les versions signées. Le second conserve aussi les brouillons, les clauses refusées, les commentaires des associés, les alternatives envisagées, les raisons pour lesquelles une formulation apparemment standard n’a pas été utilisée, les incidents survenus après la signature.
Statistiquement, les deux possèdent des « données propriétaires ». Mais seul le second possède la trace du jugement. Le contrat signé raconte ce que nous avons décidé ; l’histoire de la négociation raconte pourquoi nous avons décidé précisément cela plutôt que les alternatives disponibles. Et c’est presque toujours le second élément qui contient l’avantage professionnel.
Les organisations modernes sont extraordinairement douées pour conserver des artefacts : documents, tickets, commits, contrats, comptes rendus. Elles sont beaucoup moins douées pour conserver l’espace des alternatives traversé pour les produire. Nous voyons le merge final, pas les trois architectures qu’un senior a écartées mentalement avant de le proposer. Nous voyons la clause, pas le risque qui a fait rejeter la clause plus avantageuse. Nous voyons le devis accepté, pas l’évaluation informelle par laquelle quelqu’un a compris qu’une exigence apparemment mineure allait faire exploser le projet.
Le patrimoine le plus important de l’organisation pourrait être précisément ce qui n’est jamais devenu une donnée.
Le matériau à l’intérieur de « ça dépend »
Michael Polanyi a donné à ce problème son nom le plus durable : nous savons plus que ce que nous sommes capables de dire. Une part significative de la compétence professionnelle est tacite. Un senior regarde une proposition technique et sent que quelque chose cloche. Un avocat reconnaît qu’une clause théoriquement correcte est dangereuse dans ce contexte précis. Un médecin lit une combinaison de signaux qui, isolés, ne diraient rien.
Si vous demandez « quelle règle as-tu appliquée ? », la réponse est souvent « ça dépend ». Dans la rhétorique de l’automatisation, « ça dépend » est l’ennemi : le signe que le processus n’est pas formalisable. Je crois le contraire. Derrière ce « ça dépend » se trouve une structure d’exceptions, de priorités et de trade-offs que l’expert a intériorisée au fil d’années de cas. C’est le matériau le plus précieux que l’organisation possède, et c’est exactement celui qu’aucun export de SharePoint ne contient.
L’IA verticale vraiment différenciée pourrait être la technologie par laquelle une organisation rend graduellement explicite son propre « ça dépend ». Pas en interviewant les experts, ce qui est presque toujours la pire méthode : le savoir tacite ne se verbalise pas dans l’abstrait. En les faisant juger. Deux réponses, deux architectures, deux clauses : laquelle choisis-tu ? Pourquoi ? Et si je change ce détail du cas ? Le point où l’expert change d’avis révèle la frontière de la règle. Le modèle peut générer les alternatives ; l’expert les juge ; le système recueille non pas la préférence, mais la raison, et les conditions dans lesquelles la préférence se renverserait.
La fréquence ne fait pas autorité
Il existe une erreur symétrique à celle d’ignorer sa propre archive : lui faire trop confiance. Supposons que nous ayons un million de tickets d’assistance. Cela ressemble à un dataset magnifique. Il contient des tickets bien clos, des workarounds désastreux devenus habitude, des erreurs d’opérateurs, des solutions temporaires qui ont survécu aux contraintes qui les justifiaient, des comportements qui ont fonctionné une fois par hasard.
Entraîner sans discernement sur ce corpus, c’est transformer la fréquence historique en autorité épistémique. La culture institutionnelle sert précisément à l’empêcher : à dire « cela est arrivé souvent, mais ce n’était pas juste », ou bien « ce cas s’est présenté trois fois, et ces trois fois décrivent l’exception la plus importante de notre domaine ». La donnée compte les occurrences. Le jugement leur attribue un sens.
Dans le machine learning, il existe un nom précis pour le mécanisme qui établit ce que signifie se tromper : la loss function. Deux modèles peuvent observer les mêmes données et apprendre des comportements différents s’ils sont optimisés sur des objectifs différents. Les organisations fonctionnent de la même manière. Pour une société de logiciel, un bug esthétique, une vulnérabilité, une régression d’accessibilité et un retard de livraison n’ont pas le même coût, et deux entreprises attribuent des coûts différents aux mêmes événements. La culture institutionnelle est, pour une bonne part, la loss function accumulée de l’organisation : elle dit quelles erreurs sont impardonnables, quels trade-offs acceptables, quel risque mérite une escalade, où il convient d’être conservateur et où expérimenter.
Les données s’achètent, et elles deviennent moins exclusives : les datasets se licencient, les données synthétiques comblent les lacunes, le retrieval utilise du contenu sans l’incorporer dans les poids. Une bonne loss function organisationnelle demande des années, parce qu’elle est faite de formation, de sélection, de conflit, de correction et de mémoire. Un concurrent peut acheter dix millions de décisions de justice ; il n’achète pas la capacité de comprendre quel argument est juridiquement correct mais stratégiquement suicidaire.
Qui possède le benchmark possède la définition de « bon »
D’où la conséquence la plus technique du raisonnement. Ces dernières années, nous avons donné une importance énorme au training, au fine-tuning, au RAG, aux vector databases. Si les modèles continuent de s’améliorer et de devenir interchangeables, la partie la plus durable du stack pourrait être ailleurs : le système d’évaluation.
Non pas « notre modèle sait répondre aux questions fiscales », mais « nous possédons deux mille cas qui représentent exactement ce que signifie donner une réponse fiscalement correcte dans les situations qui comptent pour nos clients ». Chaque cas avec son contexte, la réponse attendue, les alternatives qui semblent correctes et ne le sont pas, la gravité de chaque erreur, les sources acceptables, les conditions dans lesquelles il faut s’arrêter et appeler un humain.
À ce moment-là, vous pouvez remplacer GPT par Claude, Claude par un modèle open-weight, ce modèle par le suivant. L’avantage demeure, parce que vous savez mesurer quel moteur mérite d’entrer dans votre processus. Les frontier models sont déjà excellents pour produire des résultats plausibles ; l’avantage vertical émerge dans les régions où plausible et acceptable divergent, et c’est là que l’expert est nécessaire.
Thomson Reuters avance exactement dans cette direction avec CoCoBench : plus de mille tâches écrites par des avocats sur les travaux que les professionnels effectuent vraiment, jugées par rapport à des réponses de référence rédigées et relues par des avocats, plus de quinze mille heures de travail de plus de cent experts juridiques. Un détail de calendrier dit tout : CoCoBench date de mai, le modèle d’août. La mesure est arrivée avant le moteur. Et l’observation qui accompagne le benchmark vaut bien au-delà du secteur juridique : quand vous changez le niveau auquel vous évaluez, de la tâche isolée au workflow, ce qui compte comme bon change aussi. Les benchmarks semblent des instruments neutres et ne le sont jamais : chacun contient une théorie implicite de ce qui compte. Si je mesure un coding agent à la quantité de code produite, je récompense une chose ; si je le mesure à sa capacité de reconnaître qu’il n’a pas assez d’informations, j’en récompense une autre. Construire des evals propriétaires est un geste organisationnel déguisé en geste technique : cela formalise ce que l’institution considère comme un bon jugement.
Et la même plateforme CoCounsel reste délibérément multi-modèle : elle utilise Thomson là où il offre l’avantage le plus net et d’autres modèles là où ils sont meilleurs. Quant à la base, ils écrivent avoir déjà changé plusieurs fois le modèle racine et vouloir recommencer à mesure que la frontière des open-weight se déplace. Le message implicite n’est pas « nous avons réussi à construire notre GPT ». C’est : nous pouvons changer le moteur sans perdre notre définition de ce qui est correct.
La culture peut avoir tort
Voici l’objection sérieuse, qui mérite de la place parce qu’elle est fondée. Célébrer la culture institutionnelle comme avantage compétitif risque de se transformer en défense conservatrice de l’existant. Les organisations accumulent aussi des préjugés, des procédures obsolètes, des hiérarchies pathologiques, du consensus apparent, des règles nées d’incidents devenus sans objet, des erreurs transmises avec soin de senior à junior. Si nous codifions tout cela dans des evals et des données d’entraînement, nous ne préservons pas de la sagesse : nous industrialisons la tradition.
L’avantage ne consiste pas à enseigner à l’IA « comment on fait les choses ici ». Il consiste à savoir distinguer quelles parties de notre façon de faire méritent d’être conservées et lesquelles doivent rester contestables.
La défense la plus concrète que je connaisse est de conserver le désaccord. Si nous construisons des datasets uniquement avec les décisions définitives, nous effaçons une partie fondamentale de l’intelligence de l’organisation : le dissentiment. Trois seniors évaluent une architecture, deux l’approuvent, un la juge risquée pour une raison précise. Le knowledge management traditionnel archive « architecture approuvée ». Un système qui gère le jugement devrait archiver « approuvée deux contre un ; risque X considéré et jugé acceptable parce que Y ». Six mois plus tard, c’est précisément X qui se produit, et le désaccord minoritaire devient l’information la plus précieuse de l’archive. Une culture computable sans mémoire du désaccord transforme le consensus historique en vérité.
Pour la même raison, il vaut la peine de conserver les contrefactuels. « Nous avons choisi PostgreSQL » vaut peu. « Nous avons choisi PostgreSQL parce que l’exigence X imposait Y ; sans X nous aurions préféré SQLite » vaut beaucoup, parce que cela permet à un agent futur de comprendre quand il ne doit pas imiter le passé. C’est la différence entre mémoire et intelligence, et c’est la raison pour laquelle le retrieval naïf est dangereux : il trouve le précédent le plus proche et l’applique, tandis qu’une organisation intelligente sait reconnaître quand le cas nouveau est assez différent pour rendre le précédent inutilisable.
Et comme tout ce qui peut se tromper, le jugement codifié doit être versionné. Qui peut modifier une rubrique, qui décide qu’un failure mode n’est plus pertinent, qui change un seuil d’escalade, à quelle fréquence les evals sont remises en discussion : ce sont des décisions de gouvernance, pas des détails d’implémentation. Une archive de jugement saine doit pouvoir dire « ceci était notre conviction en 2026, ces incidents l’ont mise en crise, depuis 2028 nous utilisons une règle différente ». La mémoire institutionnelle sert à mieux changer d’avis, pas à rendre le changement impossible.
Le paradoxe de l’apprentissage
Il existe pourtant un risque plus profond que tous les autres, et c’est un paradoxe. La culture professionnelle ne naît pas spontanément : elle se forme par apprentissage. Le junior lit, compare, se trompe, reçoit des corrections, observe comment un senior traite un cas ambigu, apprend quels détails méritent attention. Une grande partie de ce parcours coïncide avec les activités que l’IA rend justement moins coûteuses à automatiser.
Le rapport Future of Professionals 2026 de Thomson Reuters met des chiffres sur cette peur : 48 % des professionnels craignent un impact négatif de l’IA sur le développement du jugement indépendant, et les répondants du secteur juridique estiment que le parcours vers un jugement professionnel fiable pourrait s’allonger de presque deux ans (1,7, pour être précis ; les fiscalistes, il faut le dire, s’attendent à l’inverse). La peur que le rapport enregistre est celle d’un métier vidé de sa substance : que le jugement, la compétence et la relation humaine cessent d’être valorisés. Je l’appellerais plutôt l’assèchement de la pipeline du jugement. En éliminant le travail par lequel les professionnels apprenaient, nous rendons l’organisation présente plus efficace en consommant le mécanisme par lequel elle produit ses propres experts futurs.
J’en ai parlé quand j’ai soutenu que le niveau du jugement ne se délègue pas : ici, le paradoxe devient stratégique. La meilleure IA verticale exige une culture institutionnelle mûre ; l’IA elle-même érode le processus social par lequel cette culture se transmet. Une entreprise rationnelle à l’échelle du trimestre élimine toute activité que le modèle exécute mieux et à moindre coût. Une entreprise rationnelle à l’échelle de la décennie se demande quelles activités apparemment inefficaces sont en réalité le laboratoire où naît le prochain senior.
Il me semble utile de donner un nom à ce qui se consume : le capital épistémique. La capacité accumulée de distinguer les bonnes décisions des mauvaises, de reconnaître les exceptions, de diagnostiquer les erreurs, de transmettre ces critères à la génération suivante. Quand nous confions à l’IA le travail junior, nous obtenons de la productivité immédiate et nous entamons, peut-être, ce capital. Le problème est que la facture n’apparaît pas au bilan : les indicateurs s’améliorent, plus d’output, moins d’heures, plus de marge. Le dommage se voit des années plus tard, quand on découvre qu’on a énormément d’opérateurs capables d’utiliser le système et très peu de personnes capables de s’apercevoir que le système est en train de se tromper.
La parade n’est pas de ralentir l’adoption. C’est de changer ce que produisent seniors et juniors. Le senior cesse d’être seulement celui qui résout les cas difficiles et devient celui qui définit les evals, identifie les failure modes, choisit les cas limites, explicite les seuils : son travail produit de la valeur deux fois, parce qu’il résout le problème présent et améliore le système qui résoudra les suivants. Et le junior ne passe pas moins de temps à penser : il passe moins de temps à produire mécaniquement le premier draft et plus de temps à évaluer des outputs, comparer des alternatives, expliquer des erreurs, observer les corrections. Un apprentissage explicite du jugement au lieu de la production. Le temps de ses propres experts consacré à rendre leur jugement transférable est le véritable investissement IA de beaucoup d’entreprises ; l’appeler capex épistémique aide à le défendre devant un board, où il figurerait sinon comme un coût indirect.
Il y a aussi un corollaire presque amusant : l’entreprise qui documente le mieux ses erreurs pourrait gagner. Un incident analysé honnêtement produit une eval, un failure mode, un test, un précédent. Deux entreprises commettent la même erreur ; l’une la corrige et l’oublie, l’autre la transforme en un artefact qui rend difficile, pour n’importe quel agent futur, de la répéter de la même manière. La seconde a converti une perte en capital institutionnel. Les post-mortem honnêtes sont sur le point de devenir l’un des matériaux d’entraînement les plus précieux de l’ère agentique, notamment parce que c’est exactement le genre de connaissance que l’Internet public ne possède pas.
Le Judgment Stack
Pour ne pas laisser la thèse à l’état gazeux, la structure que je proposerais à une organisation compte cinq couches.
La première est l’evidence layer : les données et les sources. Documents, code, réglementation, télémétrie, précédents. C’est la couche dont tout le monde parle, et la moins différenciante.
La deuxième est la memory layer : ce que l’organisation a fait. Decision records, incidents, résultats, historique des choix avec leur contexte.
La troisième est la judgment layer : comment elle distingue le bon du mauvais. Rubriques, evals, failure modes, seuils, exceptions, désaccords conservés. C’est ici que vit l’avantage.
La quatrième est la governance layer : qui peut modifier la troisième. Ownership, versioning, révision, dépréciation.
La cinquième, délibérément dernière, est l’execution layer : les modèles et les agents. Le moteur exécute une culture déjà structurée ; il n’est pas le lieu d’où cette culture devrait magiquement émerger.
Présentée ainsi, l’affaire change jusqu’au procurement. La question cesse d’être « quel LLM est le meilleur ? » et devient « quel moteur exécute le mieux notre Judgment Stack ? ». L’organisation cesse d’adapter sa façon de travailler aux particularités du modèle du moment et met les modèles en compétition par rapport à sa propre définition de la valeur.
La souveraineté des critères
Cette architecture a une conséquence qui me tient particulièrement à cœur, parce qu’elle renverse un débat que nous menons mal en Europe. Si l’avantage se trouve dans la judgment layer, une entreprise peut utiliser des foundation models open-weight, des frameworks open source, des standards ouverts et une infrastructure portable sans renoncer à son différentiel. Au contraire : plus le composant remplaçable est ouvert et standardisé, plus le patrimoine spécifique se concentre là où il est défendable, dans les evals, dans les policies, dans les données de jugement.
J’ai écrit que le prochain verrouillage ne retiendra pas les données mais l’état accumulé : voici la face constructive du même argument. La souveraineté ne consiste pas à posséder l’intelligence. Elle consiste à posséder les critères par lesquels nous décidons si cette intelligence mérite confiance. Une organisation qui peut dire « nous changeons de modèle sans perdre ce que nous savons » est plus souveraine qu’une organisation qui a entraîné son propre modèle et ne sait pas l’évaluer.
Cela vaut aussi en grand. L’Europe gagnera difficilement une course jouée sur les GPU, le capex et les foundation models d’échelle maximale. Elle possède en revanche des secteurs d’une densité institutionnelle énorme : santé, industrie, ingénierie, administration publique, pharmacie, droit. La question stratégique intéressante n’est pas « comment construisons-nous un OpenAI européen ? ». C’est : comment transformons-nous des décennies de culture professionnelle européenne en systèmes vérifiables, portables et souverains ? Ce n’est pas une consolation de vaincus. C’est une stratégie différente, et probablement plus plausible.
Succession, pas substitution
La version la plus concrète de cette thèse, je la vois dans les petites et moyennes entreprises italiennes, qui de « big data » n’en ont presque pas. Pas de milliards d’événements, pas de data lake. Elles ont autre chose : des personnes qui font depuis vingt-cinq ans un travail extrêmement spécifique, des procédures jamais complètement documentées, des exceptions connues de trois personnes, des clients qui ont enseigné où une spécification apparemment correcte vole en éclats. D’habitude, nous appelons cela une limite : trop de savoir dans la tête des gens. Et ce savoir s’en va, non à cause de l’IA mais à cause de la pyramide des âges.
Ici, l’IA peut faire autre chose que de l’automatisation : interroger ces personnes, les mettre devant des cas et des alternatives, faire émerger les exceptions, transformer une partie de leur jugement en patrimoine institutionnel avant qu’il ne passe la porte avec la dernière vague de départs à la retraite. Pas une substitution : une succession. Cela me semble une lecture de l’IA plus européenne, et franchement plus utile, que celle qui ne compte que les emplois à défendre ou à supprimer.
Reste la limite à ne pas franchir, et je le dis contre mon propre enthousiasme : une culture complètement exécutable serait une culture morte. Les cultures vivantes changent parce que les experts contestent les règles, que les exceptions engendrent des règles nouvelles, que la réglementation et le marché bougent. La fonction de l’IA n’est pas de congeler le jugement passé. C’est de rendre visible le point où le présent cesse de ressembler suffisamment au passé. Le meilleur système n’est pas celui qui réplique parfaitement l’institution : c’est celui qui sait dire « ici, le précédent ne suffit plus ».
Nous avons passé les premières années de l’IA générative à chercher ce que les entreprises possédaient et les modèles non, et la réponse la plus immédiate était les données. C’était raisonnable. Mais une entreprise ne devient pas compétente en accumulant ce qu’elle a fait : elle devient compétente en construisant dans le temps la distinction entre ce qui a fonctionné et ce qui ne doit pas être répété, entre la règle et son exception, entre une réponse plausible et une réponse dont quelqu’un est prêt à assumer la responsabilité. Cette distinction vit dans les personnes, dans les corrections, dans les conflits, dans les erreurs dont on se souvient, dans les choses qu’un senior voit et qu’un junior ne voit pas encore.
Les données propriétaires racontent au modèle ce que l’institution a vu. La culture institutionnelle lui enseigne ce qui, de tout ce qu’elle a vu, mérite de devenir jugement. Le foundation model peut devenir une commodity : américain, européen, open-weight, remplacé tous les six mois. L’organisation continue de posséder la chose qui compte vraiment. Pas les réponses, mais sa propre définition, continuellement contestable, de ce qu’est une bonne réponse.
Ce qu'il faut retenir
Thomson Reuters a utilisé moins de dix pour cent de ses propres contenus dans le continued pre-training de Thomson et attribue les résultats à des centaines de subject matter experts : des rubriques qui énumèrent ce qu’une réponse correcte doit contenir, des failure modes signalés par des personnes qualifiées pour les diagnostiquer. CoCoBench, le benchmark de plus de mille tâches écrites par des avocats, date de mai : la mesure est arrivée trois mois avant le moteur. Le corpus était la matière première ; la partie difficile était de décider ce que signifie en apprendre correctement.
La culture institutionnelle est la loss function accumulée de l’organisation : elle dit quelles erreurs sont impardonnables, quels trade-offs acceptables, où la fréquence historique ne fait pas autorité. Les archives conservent les outputs, pas les décisions : pour rendre le jugement computable, il faut la trace des alternatives écartées, le désaccord conservé (approuvée deux contre un, risque X accepté parce que Y), les contrefactuels qui disent quand ne pas imiter le passé, et un versioning avec sa gouvernance, parce que la culture peut aussi avoir tort et doit rester contestable.
Le paradoxe stratégique : la meilleure IA verticale exige un jugement mûr, mais l’IA consume l’apprentissage qui le produit. 48 % des professionnels craignent pour le développement du jugement indépendant et les juristes estiment presque deux ans de plus pour le former. La réponse est de traiter le temps des experts consacré aux evals et aux rubriques comme du capex épistémique, de redessiner le travail junior comme un apprentissage du jugement, et de placer le modèle à la dernière couche d’un Judgment Stack : la souveraineté, c’est pouvoir changer le moteur sans perdre sa propre définition de ce qui est correct.
Sources
- Thomson Reuters Leverages its World-Class Data Assets to Launch Its Own Frontier Model, Thomson Reuters, 24 août 2026
- How we built Thomson, Thomson Reuters, 24 août 2026
- Thomson: a purpose-built foundation model for professionals, Thomson Reuters, 24 août 2026
- Why Legal AI Needs a New Standard: Inside Thomson Reuters CoCoBench, Thomson Reuters, 4 mai 2026
- Future of Professionals Report 2026, Thomson Reuters, 2026 mai 2026-06
- The Tacit Dimension, University of Chicago Press, 1 janvier 1970
L'auteur
