Mikhail Yatsuha, PDG et cofondateur de CaseCraft.AI

Mikhail Yatsuha, PDG et cofondateur de CaseCraft.AI, est un solicitor britannique et entrepreneur en technologie juridique avec plus d’une décennie d’expérience dans les services juridiques. Il est passé d’un stage et d’un poste de solicitor stagiaire à associé chez Sterling Law, où il a dirigé le département commercial et a fréquemment rencontré des litiges de faible valeur viables qui devenaient non rentables une fois les coûts juridiques traditionnels pris en compte. Fin 2023, il a cofondé CaseCraft.AI pour repenser la façon dont les réclamations civiles sont évaluées, préparées et traitées à l’aide de flux de travail activés par l’IA plutôt que de simplement appliquer l’IA à la rédaction juridique.

CaseCraft.AI est une société britannique de technologie juridique qui construit une plateforme native IA pour les litiges civils. La plateforme regroupe l’évaluation des dossiers, le traitement des preuves, la correspondance pré-action, la génération de documents, le suivi procédural et la révision juridique humaine en un seul flux de travail, desservant les particuliers sur une base « no win no fee » et les entreprises via des outils de réclamation groupée et de gestion de dossiers basés sur l’abonnement. La société a levé environ £1.8m lors de trois tours de financement et, en août 2026, avait enregistré 4 562 dossiers créés pour une valeur cumulative de £14.9M, 51 % ayant été réglés ou remportés par jugement par défaut, et 373 dossiers en cours de travail juridique ; elle pilote également son premier déploiement d’entreprise et teste un MVP en droit du travail.

Vous avez passé des années à passer d’un stage et d’un poste de solicitor stagiaire à associé chez Sterling Law avant de co-fonder CaseCraft.AI en 2023. Qu’avez‑vous observé de façon récurrente dans la pratique juridique qui vous a convaincu que le processus des petites créances pouvait être fondamentalement repensé avec l’IA plutôt que simplement rendu plus efficace grâce à un meilleur logiciel juridique ?

Ce qui m’a convaincu, ce n’était pas que les avocats avaient besoin d’un meilleur outil de rédaction. C’était que, pour de nombreux litiges de faible valeur, l’économie échoue avant même qu’un avocat puisse intervenir. Le coût de la représentation peut approcher ou dépasser la valeur en jeu, et la plupart des frais juridiques ne sont généralement pas récupérables dans les petites créances. J’ai vu des réclamations viables abandonnées pour cette raison chez Sterling Law, et plus tard j’ai observé la même logique avec des entreprises radiées des factures impayées. Il s’agit d’un problème de modèle de prestation, pas d’un problème de rédaction. L’IA a rendu possible de repenser davantage le parcours autour de la personne qui dépose la réclamation plutôt que de simplement rendre l’avocat qui travaille dessus un peu plus rapide.

CaseCraft.AI a maintenant été utilisé pour créer des milliers de dossiers juridiques, avec des centaines passant en travail juridique actif. Qu’avez‑vous appris en déployant l’IA sur des cas réels que vous n’auriez jamais pu découvrir à partir de prototypes, de simulations ou de tests de référence seuls ?

Deux points ressortent. Premièrement, générer un document est la partie facile ; gérer un dossier est difficile. Un cas en cours signifie que les preuves, les paiements, les échéances, les réponses et les étapes suivantes doivent rester cohérents pendant des mois. En août 2026, plus de 4 500 dossiers avaient été créés via CaseCraft, plus de 400 étaient passés en travail juridique actif, et 130 réclamations avaient été déposées au tribunal.

Deuxièmement, les gens se comportent différemment avec l’IA. Ils peuvent être plus francs, ce qui aide à faire émerger les faits importants plus tôt, mais le système doit également établir des limites et savoir quand un humain doit intervenir. Nous l’avons constaté directement lorsqu’introduire un appel humain à une étape sensible à la confiance a amélioré la conversion d’au moins 15 %.

Une grande partie de la première vague d’IA générative s’est concentrée sur la production de texte. CaseCraft.AI, en revanche, doit collecter des preuves, déterminer l’éligibilité, suivre les règles procédurales, déclencher des actions et suivre un dossier dans le temps. En quoi la construction de ce type de flux de travail agentique diffère-t-elle techniquement de la création d’un assistant IA ou d’un chatbot ?

Un chatbot répond à une question ; un flux de travail agentique doit maintenir l’état d’un vrai dossier au fil du temps – ce qui s’est passé, quelles preuves existent, ce qui manque et ce qui peut se produire ensuite. Nous concevons donc le système comme des composants spécialisés plutôt qu’un seul modèle qui fait tout : certains collectent et valident les informations, d’autres assurent le raisonnement juridique ou traitent les documents entrants. L’objectif n’est pas le meilleur paragraphe, mais une séquence fiable de décisions et d’actions qui fait progresser le dossier vers le meilleur résultat possible.

Dans un flux de travail juridique, un modèle peut produire quelque chose qui semble totalement convaincant tout en étant procéduralement ou factuellement erroné. Comment avez‑vous conçu CaseCraft.AI pour distinguer les sorties d’IA plausibles de l’information réellement fiable à utiliser dans un dossier juridique ?

Le principe directeur est que le modèle ne doit pas inventer l’univers juridique dans lequel il opère. Nous limitons le système aux preuves du dossier et aux sources juridiques autoritaires, plutôt que de demander à un modèle à usage général de répondre à partir de la mémoire. CaseCraft.AI a accès aux dernières modifications législatives, aux précédents pertinents et aux meilleures pratiques établies via les API gouvernementales et d’autres sources autoritaires, de sorte que le contexte juridique reste à jour.

Nous séparons également la génération de la validation et maintenons la révision professionnelle au sein du cadre réglementé des services juridiques. Le test ne porte pas sur le fait qu’une sortie ressemble à un texte rédigé par un avocat, mais sur la possibilité de vérifier la source, les preuves et l’étape procédurale.

Vous avez parlé de l’importance d’une « surveillance humaine mesurable ». Qu’est‑ce que cela signifie concrètement, et comment déterminez‑vous quelles décisions un système d’IA peut prendre de façon autonome versus celles où un humain doit rester responsable ?

Une surveillance humaine mesurable signifie que l’implication humaine est liée à un risque identifiable, et nous pouvons voir où l’intervention se produit et pourquoi. « Humain dans la boucle » ne doit pas être seulement une phrase rassurante ; nous devons pouvoir identifier le déclencheur, la révision et la décision qui en a découlé.

Nous construisons encore la base de preuves sur l’emplacement de ces limites. Une mesure que nous pouvons déjà citer est le temps de révision : depuis le lancement, le temps requis pour la révision humaine a diminué d’un facteur quatre à mesure que le système s’est amélioré. À terme, l’objectif est de rendre la révision davantage basée sur le risque, tout en conservant le jugement professionnel responsable là où il est légalement requis.

Les preuves sont centrales dans les petites créances, mais elles peuvent se présenter sous forme de contrats, factures, courriels, messages, photographies et autres informations non structurées. Comment transformez‑vous ce matériel en entrées structurées qu’un système d’IA peut exploiter tout en préservant la provenance et en évitant des conclusions non étayées ?

Le principe clé est de garder l’extraction distincte de l’inférence. Si un utilisateur téléverse une discussion WhatsApp avec un constructeur, les dates, le prix indiqué et les termes employés sont des faits extraits ; une conclusion sur la portée juridique de cet échange relève de l’inférence. Les deux ne doivent jamais être présentés comme identiques. Nous structurons les documents afin que le flux de travail puisse les utiliser tout en préservant le lien vers la preuve originale. Si ce lien disparaît, vous pouvez créer un dossier qui semble cohérent mais qui s’effondre lorsqu’il est contesté.

L’un des problèmes les plus difficiles pour les systèmes autonomes est de savoir quand ne pas agir. Quels signaux indiquent à CaseCraft.AI qu’une réclamation est devenue trop ambiguë, complexe ou risquée pour l’automatisation et doit plutôt être escaladée à un professionnel du droit ?

L’une de nos mesures de protection est contre‑intuitive : nous prêtons attention non seulement aux dossiers que l’IA souhaite faire progresser, mais aussi à ceux qu’elle a tendance à rejeter. La surveillance humaine ne consiste pas seulement à empêcher une IA d’être trop agressive ; elle peut également empêcher le système d’être trop conservateur et d’écarter un argument légitime.

L’un des signaux d’escalade les plus clairs aujourd’hui est l’absence de preuves. Les personnes peuvent ne pas téléverser les documents pertinents, les avoir perdus avec le temps, ou ne pas réaliser quelles preuves sont importantes pour la réclamation. Lorsque le dossier n’est pas suffisamment clair ou complet, l’étape suivante peut être une révision humaine plutôt qu’une progression automatique. Les avocats gèrent encore le contexte et les zones grises de manière plus cohérente que les systèmes actuels.

À mesure que les systèmes d’IA prennent en charge davantage d’étapes traditionnellement effectuées par les avocats, comment pensez‑vous que la frontière entre l’automatisation logicielle et les services juridiques réglementés évoluera ?

La frontière bougera, mais plus lentement que ne l’imaginent de nombreuses personnes du secteur technologique. Les systèmes à enjeux élevés ne peuvent pas se fier à la promesse que le prochain modèle sera meilleur ; la fiabilité doit être démontrée via des sources autoritaires, la validation, les contrôles et la révision humaine responsable. À terme, je m’attends à ce que l’IA devienne un outil sur lequel les professionnels peuvent compter dans des limites clairement définies, mais l’autonomie doit être gagnée grâce à la performance observée et aux résultats réels. La question pertinente n’est pas « logiciel ou avocat ? », mais quelle activité est exécutée, quelles preuves la soutiennent, et qui reste responsable.

Les modèles d’IA à usage général deviennent très rapidement plus performants. Qu’est‑ce qui crée un avantage durable pour une entreprise d’IA verticale comme CaseCraft.AI lorsque les modèles de base sous‑jacents accessibles à tous continuent de s’améliorer ?

Notre avantage n’a jamais été de posséder un modèle de base. Des modèles généraux meilleurs sont une bonne nouvelle pour nous. La partie difficile réside dans tout ce qui les entoure : la récupération, la base de données des dossiers, le savoir juridique, l’infrastructure des flux de travail, les intégrations, les contrôles et la compréhension opérationnelle de la façon dont une réclamation progresse du début à la fin. Ce travail ne disparaît pas lorsqu’un nouveau modèle est déployé.

Pour l’utilisateur, cela doit donner l’impression d’un seul endroit où le dossier se déroule, tandis que l’orchestration reste en arrière‑plan. La même infrastructure commence maintenant à soutenir à la fois les particuliers et les entreprises grâce à des réclamations groupées allant jusqu’à 150 dossiers en un clic et à des flux de gestion de cas. Je pense que l’orchestration et l’exécution sectorielle constituent le fossé durable pour l’IA verticale.

En regardant au‑delà des petites créances, qu’avez‑vous appris de CaseCraft.AI sur l’avenir plus large de l’IA agentique ? Quels autres secteurs à enjeux élevés estimez‑vous particulièrement adaptés à des systèmes capables de gérer des flux de travail complexes tout en maintenant les humains responsables des décisions critiques ?

Je suis optimiste quant à l’IA agentique, mais le travail difficile se situe autour du modèle : repenser les processus, structurer l’information, définir ce que le système peut faire, et construire la validation et l’escalade. C’est pourquoi les industries réglementées avancent souvent plus lentement – les personnes qui comprennent suffisamment le flux de travail pour l’automatiser sont généralement les experts les plus occupés de l’organisation.

Les meilleures opportunités sont les flux de travail avec beaucoup de collecte d’informations et de traitement de documents répétables, mais un nombre plus restreint d’exceptions qui nécessitent encore un jugement responsable. Pour CaseCraft, le droit du travail est l’expansion la plus proche, avec un MVP en phase de test actif, et nous explorons les dommages corporels avec un cabinet de contentieux spécialisé. Au‑delà du droit, l’assurance, les services financiers et la conformité ont une forme similaire. Les systèmes qui réussiront sauront non seulement comment automatiser la conversation, mais aussi exactement quand la machine doit s’arrêter et qu’un humain doit prendre le relais.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter CaseCraft.AI.