Quand l'IA écrit la loi : comment l'IA bâclée et les erreurs juridiques menacent la législation américaine et européenne

Cet écart devient l'histoire la plus importante.

Le goulot d'étranglement n'est plus la rédaction

La Chambre a longtemps eu plus de propositions de loi qu'elle ne pouvait en traiter. Au cours du Congrès précédent, le Bureau du conseil législatif a préparé plus de 30 000 projets, soit près de trois fois le nombre de ceux qui ont été effectivement déposés.

L'IA ajoute une nouvelle dimension à ce déséquilibre. Les bureaux du Congrès, les organisations de défense et les groupes d'intérêt extérieurs peuvent désormais produire un langage législatif à une vitesse et en un volume qui auraient autrefois exigé un temps de personnel considérable.

Le résultat n'est pas nécessairement une meilleure législation. C'est davantage de législation qui semble terminée.

Des systèmes commerciaux tels que ChatGPT d'OpenAI et Claude d'Anthropic peuvent générer un langage statutaire convaincant tout en commettant des erreurs qui seraient inacceptables dans un document juridique. Ils peuvent inventer ou mal identifier des sections du Code des États-Unis. Ils peuvent confondre les crédits d'impôt avec les déductions, les exclusions ou les subventions. Ils peuvent définir « État » d'une manière qui exclut par inadvertance Washington, D.C., ou les nations tribales.

Ce ne sont pas des défauts cosmétiques.

Un texte de loi peut être grammaticalement parfait et juridiquement faux.

Cette distinction est au cœur du problème auquel sont confrontés les juristes du Congrès. Corriger un projet de loi généré par l'IA peut prendre plus de temps que de le rédiger de toutes pièces, car le juriste doit d'abord identifier les parties du texte auxquelles on peut se fier. L'efficacité apparente de la rédaction automatisée déplace donc le travail plutôt que de l'éliminer, faisant peser la charge sur le petit groupe de professionnels chargés de valider le résultat.

L'ancien conseiller législatif de la Chambre, Wade Ballou, qui a exercé de 2016 à 2024, a décrit le danger d'appliquer une IA générative sujette aux erreurs à un langage statutaire fondamental comme « le risque le plus élevé au sommet de la défaillance ».

Cette formule résume le problème institutionnel : plus l'IA se rapproche du texte juridique final, moins il y a de place pour des erreurs plausibles.

Le coût caché est l'expertise

Une autre conséquence ne peut pas être mesurée simplement en comptant les projets défectueux.

La rédaction législative traditionnelle oblige le personnel du Congrès à comprendre les mécanismes de la politique qu'il tente d'adopter. Travailler sur les définitions, les renvois et les interactions avec le droit existant fait partie de la compréhension de la législation elle-même.

Déléguer ce travail à un système d'IA peut briser le lien entre la connaissance des politiques et le langage statutaire.

Un collaborateur peut savoir ce qu'une proposition vise à accomplir sans comprendre pleinement comment le libellé nécessaire pour y parvenir interagit avec les lois existantes. Si la machine produit le langage, le rôle humain peut progressivement devenir celui de sélectionner, d'éditer et d'approuver le texte plutôt que de maîtriser son architecture juridique.

Cela crée une dépendance particulièrement délicate. Le Bureau du conseil législatif est alors censé agir à la fois comme un service de rédaction et comme un dernier rempart humain contre la technologie utilisée ailleurs dans le processus législatif.

La représentante Norma Torres a averti qu'une dépendance excessive à l'égard du langage législatif généré par l'IA pourrait introduire des erreurs, créer des conséquences juridiques imprévues ou produire un libellé qui ne reflète pas fidèlement l'intention politique d'un membre. Le représentant Joe Morelle a également fait valoir que l'IA ne peut pas remplacer les professionnels du bureau du conseil législatif et a soutenu la fourniture à l'institution des ressources dont elle a besoin.

La question n'est donc pas de savoir si les juristes du Congrès continueront d'être nécessaires. C'est de savoir s'ils peuvent absorber les conséquences d'une technologie qui augmente considérablement la quantité de texte qu'ils sont censés contrôler.

Un type différent de technologie juridique

La réponse de la Chambre met en évidence une distinction importante entre l'utilisation de l'IA pour générer du langage et l'utilisation de la technologie pour le vérifier.

La suite Comparative Print, développée pour la Chambre par le technologue Ari Hershowitz et la conceptrice stratégique Charlotte Lee de Granicus, est conçue pour visualiser les modifications du Code des États-Unis à l'aide du traitement du langage naturel. Sa caractéristique cruciale n'est pas qu'elle produit plus de texte. C'est qu'elle peut signaler l'incertitude plutôt que d'inventer une réponse.

Cette philosophie de conception compte.

Les grands modèles de langage commerciaux sont conçus pour générer des continuations plausibles. Les systèmes législatifs exigent quelque chose de plus proche d'un refus discipliné : lorsqu'une citation ne peut pas être établie ou qu'une relation juridique est incertaine, le système doit le dire.

La différence est fondamentale. Dans l'écriture ordinaire, une approximation confiante peut être inoffensive. Dans la rédaction de textes de loi, un numéro de section inventé peut modifier le sens d'une disposition entière.

La leçon qui émerge pour les gouvernements est donc moins de savoir si les institutions publiques devraient utiliser l'IA que de savoir quelles tâches conviennent aux systèmes probabilistes. La technologie la plus précieuse n'est peut-être pas celle qui est capable de produire un projet de loi en quelques secondes, mais celle qui est capable d'indiquer précisément à un juriste où la machine - ou l'humain - a pu se tromper.

L'Europe est confrontée au même problème différemment

Les États-Unis ne sont pas les seuls à découvrir que l'IA peut augmenter l'offre de textes législatifs plus rapidement que les institutions ne peuvent les vérifier.

Les responsables du Parlement européen ont également exprimé des inquiétudes concernant les « AI slop », les références juridiques hallucinées et l'utilisation croissante d'amendements assistés par l'IA. Mais la réponse institutionnelle se développe sur une voie différente.

La loi sur l'IA de l'UE a été complétée par le Digital Omnibus sur l'IA de juillet 2026, tandis que les exigences de transparence de l'article 50 ont pris effet le 2 août. Au Parlement européen, cependant, la divulgation de l'utilisation de l'IA par les membres reste volontaire. L'institution développe également son pôle EPGenAI pour fournir un accès sécurisé aux modèles approuvés.

Le contraste est révélateur. L'Europe construit un cadre autour de l'utilisation contrôlée et de la transparence, tandis que le système législatif fédéral américain reste sans cadre global régissant le déploiement de l'IA dans le processus législatif. La législation fédérale proposée, y compris la Great American AI Act, reste bloquée au milieu de différends sur la préemption fédérale.

Aucune des deux approches ne résout le problème de capacité sous-jacent.

Les règles peuvent exiger la divulgation. Les plateformes sécurisées peuvent contrôler l'accès. Ni l'un ni l'autre ne fournit automatiquement les juristes nécessaires pour vérifier des millions de lignes de langage juridique généré par machine.

Qui profite de la nouvelle abondance ?

Le changement modifie également l'équilibre entre les législateurs, les fonctionnaires et les organisations qui tentent d'influencer la législation.

Les groupes de défense et les intérêts particuliers peuvent désormais générer rapidement un langage statutaire hautement personnalisé, réduisant ainsi l'un des obstacles pratiques entre le lobbying et la rédaction législative. La capacité d'arriver avec un langage prêt à l'emploi a toujours compté à Washington ; réduire le coût de production de ce langage rend l'avantage plus facile à étendre.

La pression correspondante retombe sur le personnel non partisan du Congrès.

Si le volume de langage proposé augmente tandis que la capacité d'examen juridique reste en grande partie fixe, la ressource rare de l'institution devient la vérification. Les personnes qui possèdent cette expertise deviennent les gardiens d'un pipeline législatif de plus en plus automatisé.

Cela crée une inversion particulière de la promesse de l'IA. La technologie est censée supprimer les goulots d'étranglement. Dans ce cas, elle peut rendre le goulot d'étranglement plus conséquent.

Le danger n'est pas que le Congrès permette soudainement à un chatbot d'écrire la loi sans implication humaine. La défaillance institutionnelle la plus plausible est plus subtile : les humains restent formellement responsables tandis que la quantité de matériel produit par machine devient trop importante pour qu'ils l'examinent avec la même profondeur.

Si des dispositions défectueuses survivent à ce processus et deviennent loi, les conséquences se répercutent en aval. Les agences fédérales peuvent devoir mettre en œuvre des dispositions ambiguës ; les tribunaux peuvent être appelés à résoudre un langage contradictoire ; les entreprises et les citoyens peuvent faire face à une incertitude prolongée quant à ce que le Congrès avait réellement l'intention. Le coût d'un premier jet bon marché peut alors réapparaître sous forme de litiges, de retards administratifs et de confusion réglementaire.

Le Congrès a passé des décennies à construire des institutions pour rendre le langage statutaire précis. L'IA a rendu la production de ce langage bon marché.