Roderick Lucas, cofondateur et PDG de Moonlit – Série d’entretiens

Roderick Lucas est cofondateur et PDG de Moonlit. Il possède une expérience en intelligence artificielle, en science des données et en technologies juridiques. Il a travaillé près de dix ans chez Deloitte, où il a occupé le poste de responsable de l’intelligence artificielle, et a enseigné des cours de technologie à la Vrije Universiteit Amsterdam et à Tilburg University. Ses travaux visent à rendre la recherche juridique plus accessible grâce aux données structurées, aux sources vérifiables et à l’IA.

Moonlit fournit des infrastructures de données juridiques et des outils de recherche qui mettent en relation les textes législatifs officiels, les décisions de justice et les informations réglementaires dans les différentes juridictions européennes. Sa plateforme, son API de données et son serveur MCP donnent aux chercheurs et aux assistants d’IA accès à des sources juridiques structurées. Sa bibliothèque de commentaires associe des analyses générées par l’IA à l’examen de juristes nommément identifiés. Dans cet entretien, Lucas évoque les hallucinations juridiques, la recherche transfrontalière, la vérification par des experts et l’accès à une information juridique fiable.

Vous avez travaillé près de dix ans chez Deloitte, où vous avez fini par occuper le poste de responsable de l’intelligence artificielle, tout en enseignant des cours de technologie à la Vrije Universiteit Amsterdam et à Tilburg University. Moonlit a d’abord vu le jour comme projet interne chez Deloitte, avant de devenir une entreprise indépendante en 2024. Qu’est-ce qui vous a incité à développer la plateforme, et qu’est-ce qui vous a convaincu que la recherche juridique nécessitait une approche fondamentalement différente ?

Moonlit a vu le jour chez Deloitte, car le problème se trouvait juste là. En Europe, toute question juridique ou fiscale sérieuse franchit tôt ou tard une frontière, alors que les sources nécessaires sont dispersées sur des dizaines de portails nationaux, chacun ayant son propre format, sa propre langue et son propre style de citation. Les spécialistes consacrent la majeure partie de leurs heures de recherche à rassembler des documents et à vérifier qu’il ne manque rien. Pendant ce temps, les outils conçus pour les aider sont inefficaces pour les travaux transfrontaliers. Ils facturent par utilisateur et par pays et exigent des identifiants distincts simplement pour comparer la manière dont différentes juridictions traitent la même question.

Lorsque les modèles de langage sont apparus, deux choses sont devenues évidentes à la fois : ils étaient capables de raisonner sur des textes juridiques bien mieux que quiconque ne l’avait prévu, mais ils ne disposaient d’aucune source fiable sur laquelle s’appuyer. L’extraction directe de textes depuis les portails publics des tribunaux produit des données désordonnées et incohérentes, tandis que les éditeurs juridiques commerciaux restreignent l’accès automatisé par des limitations liées aux licences. Les technologies juridiques manquaient d’un socle commun : des sources officielles couvrant plusieurs juridictions, harmonisées dans une structure de données claire et uniforme, mises en relation et actualisées chaque jour.

C’est cette couche que nous avons entrepris de construire, et c’est pourquoi Moonlit est devenue une entreprise en 2024 plutôt que de rester un simple outil destiné à un seul cabinet. Un tel socle gagne en valeur à mesure que davantage de personnes et de systèmes le consultent et y contribuent. Notre conviction n’a pas changé : le droit est public, et les connaissances qui en découlent devraient être accessibles à un prix abordable pour tous ceux qui doivent le respecter.

Moonlit a été fondée sur la conviction que l’accès aux connaissances juridiques est essentiel à la justice. Si les textes de loi et les décisions de justice sont souvent accessibles au public, les commentaires d’experts qui en expliquent les implications restent fréquemment derrière des barrières payantes coûteuses. Comment Moonlit entend-elle démocratiser l’accès à cette couche interprétative, et pourquoi est-elle particulièrement importante pour le développement d’une IA juridique fiable ?

Aux Pays-Bas, environ 40 centimes de chaque euro que vous gagnez vont à l’État, et une partie de cette somme finance les universités publiques et le système judiciaire. Une grande partie des commentaires qui expliquent le droit est rédigée par des universitaires rémunérés sur fonds publics. Des éditeurs commerciaux comme Wolters Kluwer et Thomson Reuters rassemblent ces analyses et les revendent aux tribunaux, aux ministères, aux universités et aux professionnels qui en ont besoin. Un abonnement à ces commentaires coûte plusieurs centaines d’euros par utilisateur et par mois. Avec ces abonnements, le public paie de fait deux fois pour le droit qu’il doit respecter. Un système juridique équitable ne devrait pas coûter chaque mois plus cher que votre abonnement à Netflix.

Nous avons créé les Commentaires pour proposer une solution ouverte : une bibliothèque d’analyses juridiques, article par article, accessible avec un compte Moonlit gratuit. Chaque commentaire est généré à partir de sources primaires par nos modèles d’IA, puis vérifié par des spécialistes du droit avant sa publication. Chaque citation est vérifiée et renvoie directement au document officiel du gouvernement ou du tribunal. Si un lecteur remarque une nuance manquante ou une évolution récente, il peut proposer une modification à l’aide du formulaire figurant sur la page, afin qu’elle soit examinée par l’équipe éditoriale. Les éditeurs peuvent ensuite la vérifier et republier le contenu. À notre connaissance, aucun autre éditeur ne propose une telle combinaison. Au lancement, les commentaires disponibles portent sur la fiscalité indirecte (TVA) ; des commentaires sur la protection des données sont en préparation.

Cette couche interprétative est tout aussi essentielle à l’IA juridique. Les modèles peuvent ingérer des textes de loi et des décisions de justice accessibles au public, mais ils ne peuvent pas lire les commentaires secondaires qui expliquent comment une règle s’applique en pratique ou quelles en sont les exceptions. Privés de ce contexte, ils extrapolent et produisent des réponses peu fiables. Nous avons conçu les Commentaires de sorte que chaque affirmation soit explicitement rattachée à la disposition qu’elle interprète et à la décision sur laquelle elle s’appuie. Un professionnel peut vérifier la source en un seul clic, et un flux de travail d’IA peut s’appuyer sur des données fiables grâce à l’API de données de Moonlit et à son connecteur MCP.

Les hallucinations juridiques générées par l’IA suscitent de plus en plus d’inquiétude : avocats et tribunaux sont confrontés à des références jurisprudentielles inventées et à des interprétations erronées du droit. Pourquoi même les grands modèles de langage les plus sophistiqués peinent-ils à produire des réponses juridiquement exactes, et comment un contexte juridique structuré et vérifié peut-il contribuer à remédier à ces limites ?

Les modèles de langage peinent avec le droit pour des raisons qui ont peu à voir avec l’intelligence. Le raisonnement juridique repose entièrement sur des sources faisant autorité et vérifiables. Une conclusion ne vaut que par la disposition ou la décision sur laquelle elle s’appuie ; or, un modèle traite les numéros d’affaires et les références aux textes législatifs comme des suites de mots probabilistes plutôt que comme des données fiables issues d’une base de données. Il produit des références convaincantes en apparence parce qu’il prédit la forme que devrait prendre une citation, et non parce qu’il a vérifié l’existence d’un document. Les conséquences sont bien réelles : au moment de la rédaction, plus de 2 100 décisions de justice recensées impliquaient des hallucinations de l’IA, dont plus de 800 concernaient directement des professionnels du droit.

Le droit évolue aussi constamment. Les connaissances d’un modèle s’arrêtent à la date limite de ses données d’entraînement, alors que les décisions fiscales et les arrêts des juridictions d’appel sont mis à jour chaque semaine. Lorsque les commentaires qui expliquent la portée de ces règles sont réservés aux abonnés des éditeurs, le modèle a accès au texte de loi brut, mais pas au contexte opérationnel ; il invente alors des explications plausibles pour combler le manque.

Un contexte structuré et vérifié change fondamentalement la tâche. Chez Moonlit, le modèle recherche le droit au lieu d’essayer de le retrouver de mémoire et travaille directement à partir de documents officiels. Une recherche renvoie des documents provenant de sources officielles, chacun accompagné de sa référence et d’un lien. Le graphe des références montre quelles sources une décision cite et quels documents ultérieurs la citent. Une référence renvoie soit à un document authentique de notre référentiel, soit elle n’apparaît pas. Cela élimine les références inventées. Toutefois, des données fiables ne suffisent pas à éviter les erreurs d’interprétation ; c’est pourquoi Commentaries interpose toujours un expert juridique nommément désigné entre le projet de texte et le lecteur.

Moonlit rassemble des textes législatifs, des décisions de justice et des informations réglementaires provenant de dizaines de juridictions, et relie les documents juridiques au moyen d’un vaste graphe de références. Pouvez-vous nous expliquer l’architecture sous-jacente de l’IA et des données, notamment la façon dont la plateforme repère les liens entre les sources juridiques, compose avec les différentes langues et les différents systèmes juridiques, et rend ces informations accessibles aux modèles d’IA ?

Imaginez une chaîne continue, depuis la publication officielle jusqu’à une référence vérifiée.

Dans chaque juridiction, nous nous connectons directement aux portails officiels, notamment aux journaux officiels, aux bases de données des tribunaux, aux autorités de régulation et à EUR-Lex pour le droit de l’UE. Chaque portail a ses particularités et ses formats, qui peuvent changer sans préavis ; une part importante de notre travail d’ingénierie consiste donc à surveiller chaque portail et à automatiser la reprise en cas de problème. Chaque document que nous intégrons conserve sa provenance et un lien permanent vers le document officiel du gouvernement. Ce lien est le fondement de tout le reste.

Tout est intégré dans un modèle unique couvrant plusieurs juridictions et comprenant les textes législatifs, la jurisprudence, les documents parlementaires, les décisions des autorités et les recommandations. Les textes législatifs sont découpés article par article afin de pouvoir retrouver et citer avec précision une disposition donnée. Une décision néerlandaise et une décision allemande conservent les champs propres à leur système juridique national, tandis que nous harmonisons la manière dont ces documents sont identifiés, classés et reliés d’un pays à l’autre.

Les textes juridiques se citent constamment les uns les autres. Une décision cite les articles qu’elle applique et les décisions qu’elle suit, tandis qu’une loi renvoie à d’autres textes législatifs. Notre moteur détecte ces références, qui prennent des formes très différentes selon la juridiction, les rattache à des documents authentiques dans notre Data Layer et enregistre les liens dans les deux sens. Des ingénieurs juridiques vérifient les règles d’extraction. Le résultat est un graphe de références qui contient des centaines de millions de liens et permet, pour chaque document, de voir les références qu’il contient et celles qui y renvoient.

Pour gérer les langues, nous laissons les documents sources intacts. Nous ne traduisons pas les textes originaux. Une décision belge reste en français ou en néerlandais, et les recherches sont effectuées directement dans la langue d’origine. Nous combinons recherche par mots-clés et recherche sémantique, réordonnons les résultats et limitons chaque requête à la juridiction concernée. Luna, notre assistant de recherche, répond dans la langue de votre choix tout en interrogeant chaque source sous-jacente dans sa langue d’origine.

La plateforme Moonlit, notre Data API et le serveur MCP lisent tous dans la même Data Layer. L’API donne accès par programmation à nos modes de recherche, au graphe de références et à la recherche en texte intégral, tandis que le serveur MCP met neuf outils en lecture seule à la disposition de tout assistant d’IA externe. Lorsque nous améliorons les données sous-jacentes, cette amélioration est répercutée simultanément dans tous les services.

Moonlit a lancé des commentaires juridiques générés par l’IA et révisés par des experts juridiques nommément désignés, associant rédaction automatisée et vérification humaine. Comment ce processus se déroule-t-il en pratique, et quelles garanties permettent d’assurer que les interprétations générées par l’IA sont exactes, transparentes et traçables jusqu’à des sources juridiques faisant autorité ?

Un commentaire juridique commence par le texte de loi lui-même. Notre moteur élabore un projet à partir des sources primaires de la Data Layer, notamment les textes législatifs, la jurisprudence, les directives et les travaux parlementaires à l’origine d’une disposition. Il ne peut citer que les documents dont nous disposons : chaque proposition est donc reliée à la disposition qu’elle interprète et à la source qui l’étaye. Par exemple, l’un de nos commentaires publiés au lancement renvoie à 165 sources vérifiées.

Avant la publication d’un commentaire, un expert juridique du domaine compare le projet à ces sources primaires. Nos rédacteurs sont des universitaires et des praticiens qui écrivent et sont rémunérés pour leur travail. Le groupe constitué pour le lancement réunit des personnes issues d’universités, de tribunaux, d’organismes publics, de cabinets de conseil et de cabinets d’avocats. Elles corrigent le projet, suppriment ce qui n’a pas sa place et ajoutent ce qui manque. Leurs noms figurent directement sur la page.

Des badges de validation indiquent les passages vérifiés par un rédacteur, afin que l’on sache toujours quelles sections sont cautionnées par un expert humain.

Chaque commentaire précise également sa date de référence, qui indique l’état exact du droit qu’il décrit. La Data Layer est mise à jour quotidiennement et signale au rédacteur les nouvelles décisions pertinentes, qui révise ensuite le texte et actualise la date de référence.

Le garde-fou fondamental, c’est le lien. Si l’on ne peut pas cliquer pour accéder à la décision qui étaye une conclusion, on vous demande de la croire sur parole. Nous avons conçu Commentaries pour que personne n’ait à le faire.

Grâce aux intégrations du protocole Model Context Protocol (MCP), Moonlit peut intégrer directement des connaissances juridiques à des assistants IA tels que ChatGPT, Claude et Microsoft Copilot. Qu’est-ce que cette architecture permet d’accomplir que les systèmes classiques de génération augmentée par récupération (RAG) pourraient avoir du mal à réaliser, et comment veillez-vous à ce que ces assistants utilisent de manière responsable les informations juridiques récupérées ?

Les systèmes RAG classiques prennent un instantané de certains documents, les découpent en fragments, les vectorisent, puis transmettent au modèle ceux qui obtiennent le meilleur score de similarité. Dans le domaine juridique, cette approche échoue à trois égards. L’instantané devient obsolète. La similarité ne permet pas de retrouver de manière assez fiable un article précis ou un numéro d’affaire. Enfin, un fragment ne dit rien des références citées par le document ni de la manière dont des décisions ultérieures l’ont affecté.

Avec le serveur MCP, l’assistant effectue lui-même les recherches. Il peut chercher par sens ou à l’aide de termes et de références exacts, en utilisant des opérateurs booléens, suivre les renvois entre les documents, consulter les textes intégraux et récupérer des articles précis d’une loi. Il peut aussi vérifier quels ressorts et portails officiels sont disponibles. Le modèle détermine ce dont il a besoin, consulte les résultats, puis relance des recherches jusqu’à obtenir une réponse suffisamment étayée. C’est cette boucle qui fait la différence. Luna est passé au même serveur MCP en septembre, ce qui a permis d’obtenir des réponses à la fois plus rapides et de meilleure qualité. Les données sont également à jour : l’assistant consulte la Data Layer dans son état actuel.

Un usage responsable commence par des limites clairement définies. Nos outils sont en lecture seule, et les résultats renvoient à la source officielle. Nous publions également des consignes de recherche simples que les assistants peuvent suivre. Elles expliquent comment effectuer des recherches dans la langue originale de la source, vérifier le passage avant de le citer, contrôler la version et signaler clairement les lacunes des sources disponibles.

Les différents assistants présentent leur raisonnement de différentes manières, et nous ne pouvons pas intervenir sur ce point. En revanche, nous pouvons faciliter la vérification des sources. Chaque citation renvoie à un document, et chaque document renvoie à sa publication officielle.

Le droit évolue constamment : de nouvelles décisions sont publiées, les réglementations changent et des précédents existants sont contestés. Comment l’infrastructure de surveillance automatisée de Moonlit repère-t-elle ces évolutions et les intègre-t-elle, et comment la plateforme empêche-t-elle les systèmes d’IA de s’appuyer sur des textes législatifs obsolètes ou des interprétations juridiques remplacées ?

Pour empêcher une IA ou un chercheur de s’appuyer sur du droit caduc, tout repose sur les liens entre les documents. Dès qu’une nouvelle décision ou une modification législative est intégrée au système, le graphe de références la relie aux dispositions et aux affaires antérieures qu’elle cite. Si une cour d’appel annule ou restreint une décision antérieure, cette évolution est directement rattachée à la décision initiale sous la forme d’une décision qui la cite. En suivant le graphe, un modèle repère immédiatement les conséquences des décisions ultérieures, au lieu de traiter un précédent obsolète comme étant toujours applicable. Sur la plateforme, les utilisateurs peuvent transformer ce même flux entrant en Monitors actifs pour suivre les textes législatifs, les tribunaux ou les sujets qui les intéressent.

Pour les commentaires juridiques, la mise à jour des contenus a toujours été un angle mort majeur. Les séries de commentaires commerciaux ne sont souvent révisées qu’une ou deux fois par an. Dans des domaines en évolution rapide, comme la fiscalité indirecte ou la protection des données, ce délai crée de sérieux risques de non-conformité. Comme notre Data Layer évalue chaque jour les publications entrantes au regard de nos commentaires, les nouvelles décisions sont immédiatement signalées au rédacteur chargé de leur rédaction. Celui-ci actualise l’analyse et la date de référence, afin que les professionnels du droit comme les modèles d’IA s’appuient sur l’état réel du droit plutôt que sur une analyse vieille de douze mois.

La recherche juridique transfrontalière soulève des difficultés qui ne se limitent pas à la traduction des documents, notamment parce que différents pays interprètent ou mettent en œuvre différemment des réglementations similaires. Comment l’IA de Moonlit distingue-t-elle ces différences entre les ressorts, et que se passe-t-il lorsque des sources juridiques faisant autorité semblent se contredire ?

Une directive de l’UE et la loi nationale qui la transpose sont deux documents distincts, reliés lorsque l’un cite l’autre ; de même, une décision nationale qui applique un arrêt de la Cour de justice est reliée à cet arrêt. C’est aussi pour cette raison que Commentaries commence par la TVA. Les règles sont largement harmonisées à l’échelle de l’UE, puis interprétées dans chaque État membre.

Les contradictions sont normales en droit, et nous ne les dissimulons pas. Lorsque deux sources faisant autorité semblent se contredire, le lecteur a accès aux deux. La hiérarchie fait ensuite l’essentiel du travail : une décision ultérieure prévaut sur une décision antérieure, la Cour de justice sur une juridiction nationale pour une question de droit de l’UE, et c’est la disposition dans sa version en vigueur à la date de référence qui s’applique. Dans Commentaries, le rédacteur tranche ouvertement, et les sources figurent à ses côtés.

La technologie de Moonlit est utilisée par des organisations telles que la Cour suprême des Pays-Bas, Deloitte et d’autres institutions juridiques et publiques. Pourriez-vous donner un exemple concret de la manière dont la plateforme a transformé un processus de recherche juridique, et expliquer comment vous mesurez les progrès en matière d’exactitude, d’exhaustivité ou d’efficacité de la recherche par rapport aux méthodes traditionnelles ?

Dans la fintech, par exemple, l’équipe juridique de Quantoz Payments a connecté le serveur MCP de Moonlit à Claude et l’a associé à des processus personnalisés portant sur la réglementation des paiements transfrontaliers. Le processus ainsi remplacé est la norme traditionnelle dans toute l’Europe. Un avocat doit généralement ouvrir des portails dans plusieurs pays, effectuer des recherches en plusieurs langues, copier les références dans une note et espérer n’avoir omis aucun précédent local important. Désormais, leur dispositif effectue simultanément des recherches dans plusieurs juridictions, suit le graphe des citations et fournit les documents primaires accompagnés des liens vers leurs sources officielles. Pour une équipe juridique interne, les bénéfices sont évidents. Ce dispositif élimine le risque de passer à côté de décisions étrangères et permet de consacrer moins de temps à la collecte mécanique et davantage à l’analyse juridique proprement dite et à l’évaluation des risques.

Du côté du développement, les gains d’efficacité sont d’une tout autre nature. Les équipes qui conçoivent des produits d’IA juridique mesurent les progrès en mois de travail d’ingénierie économisés. Eudia, une entreprise spécialisée dans l’IA juridique, avait besoin de données juridiques européennes structurées pour alimenter son produit ; son chef de produit a indiqué que notre API de données lui avait fourni un corpus européen complet en quelques jours. Sans infrastructure de données sous-jacente, il faudrait créer et entretenir indéfiniment des extracteurs personnalisés pour chaque portail national. D’autres plateformes, comme Saga et Legal Mind, s’appuient sur cette même base et peuvent désormais elles aussi fournir directement des contenus Commentaries vérifiés à leurs propres utilisateurs finaux.

À l’avenir, à mesure que les modèles de fondation gagneront en capacités et que les agents d’IA prendront en charge des tâches de recherche juridique plus complexes, comment voyez-vous évoluer la relation entre les modèles d’IA généralistes et les infrastructures spécialisées de données juridiques ? Quelle est votre vision à long terme pour Moonlit, notamment pour rendre des informations juridiques fiables accessibles au-delà des grands cabinets d’avocats et des institutions ?

Un modèle plus puissant raisonne mieux à partir des sources que vous lui fournissez, mais il ne peut pas faire surgir de nulle part des documents primaires fiables. À mesure que les modèles de fondation deviennent plus performants, la valeur d’une couche de données vérifiées augmente en réalité. Lorsque les capacités de raisonnement se généralisent, le véritable goulot d’étranglement se déplace vers la qualité des données, car un agent a toujours besoin de textes juridiques exacts et structurés pour fonctionner.

Les modèles généralistes et les agents autonomes se chargeront de la rédaction, de la synthèse et des échanges conversationnels. Une infrastructure spécialisée comme Moonlit prend en charge le problème complexe des données sous-jacentes : elle maintient le droit à jour, le structure et le rend vérifiable, puis le met directement à disposition au moyen des protocoles utilisés par ces agents. Nous nous sommes préparés tôt à cette évolution. Notre propre assistant repose sur exactement le même serveur MCP que celui auquel se connectent les agents externes, et des équipes font déjà fonctionner leurs propres agents personnalisés sur cette infrastructure.

Cette architecture est également au cœur de notre vision à long terme. Les informations juridiques fiables couvrant plusieurs pays ont traditionnellement été un luxe, accessible uniquement aux plus grands cabinets d’avocats et aux multinationales capables de payer de coûteux abonnements couvrant plusieurs pays. En proposant gratuitement la lecture de Commentaries et en ouvrant notre couche de données à tous les développeurs au moyen d’API et de connecteurs modernes, nous voulons rééquilibrer les chances. Un avocat indépendant qui conseille une entreprise exerçant des activités transfrontalières, ou un juriste d’entreprise dans une jeune société, devrait avoir accès à la même précision de recherche et aux mêmes références vérifiées qu’un cabinet de conseil international.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent découvrir des données juridiques vérifiées et la recherche transfrontalière assistée par l’IA peuvent consulter Moonlit.