Se préparer pour l'avenir de l'eDiscovery : Une philosophie pragmatique de la révision assistée par l'IA

Préparer l'eDiscovery : Une philosophie pragmatique de l'examen assisté par l'IA

Introduction : Faire face au déluge de données de l'eDiscovery

La profession juridique est à un carrefour : les preuves explosent en volume et en variété, tandis que les délais et les budgets restent serrés. Il y a des décennies, une seule boîte de dossiers papier pouvait décider d'une affaire. Aujourd'hui, un seul procès peut impliquer des dizaines de milliers de documents électroniques – sinon des millions – couvrant des emails, des discussions, des bases de données, et plus encore. Des études montrent que le département juridique moyen des entreprises dépense environ 3 millions de dollars par affaire pour la découverte, l'examen des documents représentant à lui seul environ 70–75 % de ces coûts[^1]. Il n'est plus inhabituel que des affaires impliquent des millions de pages de preuves électroniques, comme l'illustre un contentieux technologique à fort enjeu qui a nécessité l'examen de plus de 11 millions de documents (3,6 téraoctets) – un effort de découverte qui a coûté huit chiffres rien que pour le traitement et l'hébergement[^2]. Ce déluge de données met à rude épreuve les méthodes d'examen traditionnelles jusqu'à leur point de rupture. Les avocats et les équipes de soutien au litige se retrouvent à travailler plus longtemps ou à bâcler le travail, et les clients rechignent aux coûts croissants.

Pourtant, la technologie de l'eDiscovery a toujours consisté à rattraper la croissance des données. Du premier tampon Bates au 19ème siècle à l'intelligence artificielle d'aujourd'hui, chaque innovation dans la gestion des preuves visait à garder l'examen légal efficace et défendable même avec la prolifération de l'information. Nous sommes maintenant au seuil du prochain grand saut : l'examen des documents assisté par l'IA. Ce n'est pas une promesse remplie de buzzwords pour remplacer les avocats par des robots. C'est une approche pragmatique, axée sur la pratique, pour tirer profit de l'IA moderne en tant que multiplicateur de force pour les équipes juridiques. En automatisant intelligemment les parties les plus laborieuses de l'examen, l'IA peut aider les avocats et les parajuristes à prendre le contrôle de volumes énormes de documents – plus rapidement, plus précisément et plus économiquement – tout en maintenant la supervision et le jugement qu'exigent l'éthique et la qualité juridiques.

Dans cet article, nous retraçons l'évolution de la technologie de l'eDiscovery et de la prochaine vague d'examen assisté par l'IA. Nous verrons comment nous en sommes arrivés là, ce que l'IA peut (et ne peut pas) faire pour l'examen des documents aujourd'hui, et comment les cabinets pionniers peuvent adopter ces outils de manière défendable et crédible. L'objectif est de brosser un tableau clair d'une “philosophie de l'examen par IA” – une feuille de route pour intégrer l'IA dans votre pratique qui vous conservera à l'épreuve du futur et impressionnera les clients, sans jamais déléguer votre esprit critique à une machine. Cette philosophie est ancrée dans la pratique réelle et le contexte canadien, mais applicable à toute juridiction naviguant les défis modernes de l'eDiscovery. Commençons par examiner le chemin parcouru par la technologie.

Des Tampons Bates aux Big Data : L'évolution de l'eDiscovery

L'ère du papier – Organiser l'analogique : Le concept d'identification systématique des documents remonte à plus d'un siècle. À la fin des années 1800, Edwin G. Bates a inventé la machine à numéroter Bates – un tampon manuel qui pouvait imprimer un numéro séquentiel unique sur chaque page[^3]. Cette simple innovation a révolutionné la gestion des preuves à l'ère du papier. Les avocats pouvaient soudainement se référer à la “page 100” d'un dossier et s'assurer que tout le monde était littéralement sur la même page. La numérotation Bates a introduit une précision et une référence indispensables dans les boîtes de documents en papier, posant les bases des pratiques modernes de découverte. Pendant la majeure partie du 20ème siècle, la gestion des preuves signifiait manipuler du papier dans des salles de dossiers, tamponner des pages et suivre manuellement des index par dossiers et numéros de boîtes. C'était fastidieux, mais les volumes étaient gérables par l'effort humain – du moins jusqu'à ce que le monde devienne numérique.

L'essor de la preuve électronique – Les débuts de l'eDiscovery : À la fin du 20ème siècle, les entreprises et les particuliers ont commencé à générer les premières vagues d'informations stockées électroniquement (ISE) – emails, fichiers traités par traitement de texte, feuilles de calcul, etc. Les tribunaux ont reconnu que ces enregistrements numériques étaient sujets à la découverte, tout comme le papier. Mais comment les avocats pouvaient-ils examiner des fichiers électroniques à grande échelle ? La solution qui a émergé dans les années 1980 et 1990 était d'adapter l'ancien paradigme du papier au nouveau support. Les documents papier étaient numérisés en images TIFF, et des outils logiciels étaient utilisés pour effectuer une reconnaissance optique de caractères (OCR) sur ces images pour extraire un texte searchable. Pour gérer les métadonnées (comme les dates, les auteurs, etc.) et organiser des milliers de fichiers image, l'industrie a introduit des fichiers de charge eDiscovery – des fichiers texte spécialisés qui “chargent” dans une base de données toutes les informations qui n'apparaissent pas sur la page numérisée[^4]. Dans un fichier de charge typique (souvent avec une extension .DAT ou .OPT), chaque ligne représente un document et contient des champs pour des choses comme les numéros Bates, les détenteurs, les dates et les chemins d'accès aux images ou fichiers natifs du document. Les fichiers de charge étaient essentiellement le pont entre les fichiers bruts et les bases de données d'examen – ils permettaient aux premiers logiciels de soutien au litige d'assembler toutes les pages, le texte et les métadonnées en un tout cohérent et searchable[^4].

Cette période a vu l'ascension des premières bases de données de soutien au litige (les légendaires prédécesseurs des plateformes d'aujourd'hui). Elles étaient rudimentaires selon les standards modernes – nécessitant des installations locales, des configurations complexes et souvent des formats propriétaires – mais elles permettaient aux examinateurs de réaliser des recherches par mots-clés sur les documents numérisés et d'étiqueter électroniquement les documents avec des codes d'enjeux. En convertissant le papier en données structurées, ces outils offraient une technologie au niveau “Star Wars” aux avocats de l'ère Reagan[^4]. Néanmoins, comparées à aujourd'hui, les volumes de données étaient relativement petits (quelques gigaoctets représentaient une grande affaire), et l'objectif était de rendre les flux de travail papier légèrement plus efficaces par la numérisation.

Email et Ediscovery 1.0 – Le début de l'explosion : Le véritable déluge de données a frappé à la fin des années 1990 et au début des années 2000 avec les emails et les bases de données d'entreprise. Soudainement, même les litiges de taille moyenne impliquaient des gigaoctets de données répartis sur des serveurs de messagerie, des PC et des bandes de sauvegarde. En 2006, la découverte électronique a été formellement reconnue dans les Règles fédérales (aux États-Unis) et des développements similaires ont eu lieu au Canada (par exemple, les Principes Sedona Canada en 2008), forçant chaque avocat en litige à se confronter à l'ISE. Les fournisseurs et les cabinets d'avocats ont couru pour suivre le rythme. L'examen linéaire traditionnel – les avocats lisant manuellement chaque document un par un – est devenu un goulot d'étranglement sérieux. Si 1 gigaoctet de données peut contenir 50 000+ pages de contenu (environ 30 000 documents)[^1], alors une affaire avec 100 Go d'emails pourrait facilement avoir plusieurs millions de pages à examiner. Il était évident qu'examiner manuellement chaque page était irréalisable dans de nombreux cas. Le résultat a été une industrie croissante de services et technologies eDiscovery : experts en collecte judiciaire, logiciels de traitement pour dédupliquer et indexer les données, et plateformes de révision en cloud accessibles 24/7 par des équipes d'armées contractuelles d'avocats. Ces innovations (parfois appelées “Discovery 2.0”) ont rendu la gestion des données légèrement plus facile, mais elles ont également introduit de nouveaux coûts et complexités. En 2011, un rapport célèbre estimait qu'un processus complet d'eDiscovery pouvait coûter 30 000 $ par gigaoctet de données lorsque tous les coûts des fournisseurs et des avocats étaient pris en compte[^2]. L'examen des documents est resté le plus grand coût unique de loin – souvent plus de 70 % du budget de découverte – parce que des armées d'examinateurs étaient toujours nécessaires pour broyer les documents pour pertinence et privilège.

Les tribunaux et les rédacteurs de règles ont commencé à s'inquiéter de ces tendances. Des concepts comme la proportionnalité ont été soulignés pour contrôler les demandes de découverte excessives. Au Canada, la proportionnalité est intégrée dans la procédure civile et dans les Principes Sedona Canada, qui soutiennent explicitement l'utilisation de la technologie pour contrôler les coûts et le volume. Le principe 7 des Principes Sedona Canada déclare qu'une partie peut utiliser des outils et des processus électroniques pour satisfaire à ses obligations de découverte, et cette approche a été reconnue par les tribunaux canadiens comme compatible avec le devoir de proportionnalité dans la découverte[^5]. En d'autres termes, le système juridique a commencé à signaler qu'il est acceptable – voire conseillé – d'utiliser des outils avancés pour réduire les ensembles de données énormes à ce qui est vraiment pertinent et nécessaire. De cet environnement, la prochaine évolution de la technologie eDiscovery a émergé : l'analyse et l'apprentissage automatique pour assister les examinateurs humains.

Analytique et TAR – eDiscovery 2.0:  Vers les années 2010, les principales plateformes eDiscovery ont introduit des fonctionnalités analytiques comme le regroupement de fils d'e-mails (pour regrouper les e-mails connexes), la détection des documents quasi-dupliqués, le regroupement par concepts et la Technology-Assisted Review (TAR). TAR, souvent utilisé synonyme de codage prédictif, applique des algorithmes d'apprentissage automatique pour aider à identifier les documents pertinents. Plutôt que de simples mots-clés, TAR apprend à partir des jugements des examinateurs humains sur un ensemble d'entraînement de documents, puis classe ou catégorise les documents restants par probabilité de pertinence. En 2012, les tribunaux américains (notamment dans Da Silva Moore v. Publicis Groupe, S.D.N.Y. 2012) ont approuvé TAR comme outil de découverte admissible, et la jurisprudence subséquente dans plusieurs juridictions (y compris les tribunaux de l'Ontario et fédéraux au Canada) a affirmé que l'utilisation du codage prédictif est compatible avec les obligations de découverte lorsqu'elle est effectuée correctement sous le principe de proportionnalité. TAR 1.0 impliquait généralement un protocole complexe : des avocats seniors étiquetaient un “ensemble de semences” de documents, le système formait un modèle, et à travers des itérations et des échantillons statistiques, l'équipe décidait quand la précision de la machine était suffisamment bonne pour procéder. TAR 2.0 (souvent appelé l'apprentissage actif continu ou CAL) a amélioré cela en mettant à jour en continu le modèle à mesure que les examinateurs travaillaient, éliminant les tours de formation formels. Ces techniques ont offert des gains d'efficacité substantiels – des études ont rapporté que TAR pourrait réduire de 50–80 % les populations d'examen dans de nombreux cas, économisant un temps et un argent significatifs.

Cependant, TAR n'était pas une solution miracle. Il fonctionnait mieux pour les ensembles de données homogènes de grande taille focalisés sur les déterminations de pertinence (oui/non). Tous les projets ne se prêtaient pas au codage prédictif – par exemple, des collections avec principalement des images ou des feuilles de calcul, ou des examens axés sur des questions nuancées au-delà de la pertinence binaire, pouvaient poser des défis[^6]. Il est important de noter que même lorsque TAR réduisait considérablement le nombre de documents nécessitant un examen manuel, il n'éliminait pas le besoin d'expertise humaine. Les avocats devaient toujours examiner les documents les mieux classés, effectuer un contrôle qualité sur les décisions de la machine, et surtout mener un examen de privilège car aucun cabinet responsable ne produirait de documents sans que les yeux d'un humain vérifient le privilège. Dans la pratique, TAR a déplacé l'effort humain du travail fastidieux de première passe à un rôle plus de supervision et de validation. C'était un aperçu du partenariat humano-IA, bien que l'« IA » soit relativement étroite dans sa fonction. À la fin des années 2010, l'utilisation de TAR et d'analytique est devenue une pratique standard de référence pour les équipes juridiques tournées vers l'avenir, et l'économie de la découverte s'est quelque peu améliorée en conséquence. Mais les volumes de données ont continué à croître sans relâche – comprenant maintenant des données mobiles, des réseaux sociaux, des données d'appareils IoT, et plus – et les coûts d'eDiscovery n'ont cessé d'augmenter. Le moment était propice à la prochaine étape : appliquer la nouvelle vague d'intelligence artificielle – en particulier l'IA générative et le traitement avancé du langage naturel – au problème de l'examen des documents.

L'essor de l'examen des documents assisté par l'IA (eDiscovery 3.0)

Nous sommes maintenant entrés dans l'ère de l'examen assisté par l'IA – l'étape la plus récente de l'évolution de l'eDiscovery. Contrairement aux systèmes TAR antérieurs qui se contentaient principalement de classer les documents comme pertinents ou non, les derniers outils d'IA peuvent lire et comprendre les documents de manière bien plus humaine. Grâce à des percées dans le traitement du langage naturel (NLP) et l'apprentissage automatique (notamment les modèles basés sur des transformateurs, alias “Gen AI”), les plateformes d'eDiscovery peuvent effectuer des tâches qui étaient auparavant le seul domaine des examinateurs humains. Il est important de souligner : l'IA dans ce contexte ne vise pas à remplacer les avocats – il s'agit de gérer l'échelle et le labeur de la découverte moderne de manière plus intelligente, afin que les avocats et les parajuristes puissent se concentrer sur le travail stratégique et substantiel qui nécessite réellement leur expertise.

Que peut faire l'IA dans l'examen des documents ? Les meilleurs outils d'eDiscovery pilotés par l'IA aujourd'hui (comme Claira, un assistant de révision d'IA intégré à Nuix Discover) sont capables des fonctions de grande valeur suivantes :

• Accélération de l'examen de première passe (résumés de documents) : Plutôt que de lire chaque document ligne par ligne, les examinateurs peuvent s'appuyer sur des résumés générés par l'IA pour les documents pour les trier. L'IA peut produire un aperçu concis d'un email ou d'un rapport de 50 pages en quelques secondes, soulignant les points clés. Cela permet à un examinateur humain de décider rapidement si un document est probablement pertinent, non pertinent, ou nécessite une attention plus approfondie, accélérant considérablement l'examen de première passe[^7].

• Extraction automatique des métadonnées et codage : Les tâches de codage objectif – comme extraire les dates, auteurs, destinataires, types de documents, ou plages Bates – peuvent être effectuées automatiquement par l'IA avec un haut degré de précision. Par exemple, au lieu qu'un parajuriste passe des dizaines d'heures à coder les champs d'email ou à identifier tous les documents marqués “Confidentiel”, l'IA peut extraire ces attributs à travers des milliers de documents en minutes[^7]. Cela garantit la cohérence et libère les humains pour un travail plus nuancé.

• Analyse thématique et détection de modèles : L'IA peut analyser un ensemble de données complet pour identifier des thèmes, des modèles et des anomalies qui pourraient ne pas être évidents à partir de documents individuels. Elle peut regrouper les documents par sujet, signaler des modèles de communication inhabituels, ou déterminer quels acteurs clés sont les plus centraux dans les échanges d'e-mails. Ces informations aident les avocats à saisir rapidement ce que racontent les documents. Par exemple, l'IA pourrait révéler qu'un certain nom de projet réapparaît dans de nombreux fichiers disparates, ou que le nom d'un employé est fréquemment mentionné avec des phrases spécifiques – des indices qu'un examen manuel pourrait manquer jusqu'à très tard[^7].

• Signalisation intelligente des problèmes : L'IA moderne est forte pour repérer des catégories spécifiques de contenu. Elle peut signaler des communications potentiellement privilégiées (comme un fil d'e-mails incluant un conseiller juridique interne), trouver des documents qui contiennent probablement des informations personnelles ou d'autres données sensibles nécessitant une anonymisation, ou alerter l'équipe sur des documents liés à des questions juridiques particulières (par exemple, un modèle d'IA pourrait être demandé pour “trouver tous les documents discutant d'une éventuelle révision des bénéfices”). Plutôt que de compter sur la chance ou des recherches par mots-clés trop larges, l'IA peut mettre en lumière ces documents critiques pour un examen humain beaucoup plus tôt dans le processus[^7].

• Extraction et résumés de données structurées : Au-delà de la classification, l'IA peut extraire des faits et créer un produit de travail. Par exemple, elle peut extraire toutes les données financières d'un ensemble de feuilles de calcul ou construire une chronologie des événements à partir d'un tas d'emails (en identifiant les phrases qui mentionnent des dates et des événements clés). Elle peut identifier des clauses contractuelles dans un ensemble de contrats ou résumer les principaux termes de chaque accord. Essentiellement, l'IA peut faire le premier jet d'analyses substantielles qui nécessiteraient normalement la lecture de centaines de pages – puis les avocats peuvent vérifier et affiner ces résultats[^7].

Ces capacités représentent un bond quantique en termes d'efficacité. Plutôt que de considérer l'IA comme une boîte noire mystérieuse, pensez-y comme un analyste junior extrêmement rapide : un qui peut parcourir un million de documents et rapporter instantanément “ces 500 semblent les plus pertinents”, résumer chacun d'eux, étiqueter leurs propriétés clés, et souligner des modèles notables. Vous, l'avocat ou parajuriste, restez aux commandes – vous décidez de ce que l'IA recherche, vous examinez ses résultats, et vous prenez les décisions finales sur la pertinence, le privilège et la stratégie. Mais avec l'IA prenant en charge le gros du travail, votre expertise est appliquée là où elle est la plus précieuse, plutôt que d'être gaspillée à feuilleter ennuyeusement des documents banals.

Crucialement, l'examen assisté par l'IA ne se tient pas seul – il s'intègre dans le flux de travail éprouvé de l'eDiscovery. Des plateformes comme Nuix Discover ne sont pas remplacées par l'IA ; au contraire, les outils d'IA s'y intègrent. Par exemple, l'intégration de Claira avec Nuix signifie qu'après que Nuix a effectué le traitement, l'indexation, la déduplication et d'autres étapes de l'EDRM, les algorithmes d'IA de Claira analysent le texte des documents et écrivent ensuite les résultats (résumés, champs extraits, étiquettes, etc.) directement dans les champs de la base de données de Nuix[^8]. Il n'y a pas d'exportation maladroite ou d'interface séparée – les examinateurs voient les insights générés par l'IA juste à côté du document original dans leur plateforme d'examen. Les champs ajoutés par l'IA sont recherchables, triables et inclus dans vos flux de travail existants[^8]. Si l'IA étiquette un document comme “potentiellement privilégié”, vous pouvez filtrer par cette étiquette dans Nuix. Si l'IA résume un document, ce résumé est stocké et peut être examiné ou exporté comme tout autre élément de métadonnées. Cette intégration étroite est cruciale pour garder l'examen défendable – toutes les actions sont suivies dans le système, et les contributions de l'IA peuvent être validées et auditées au besoin.

Considérez un scénario concret qui contraste entre l'examen traditionnel et l'examen assisté par l'IA[^9] : avant l'IA, une équipe de jeunes avocats pourrait passer des semaines à lire de manière brute-force 100 000 documents, souvent en travaillant les nuits et les week-ends, pour identifier les pertinents et enregistrer les informations clés. Des preuves importantes pourraient n'apparaître que tard dans le jeu, après des dizaines de milliers d'heures facturables. Avec l'IA, cette même équipe peut accomplir bien plus en une fraction du temps – l'IA pourrait instantanément regrouper ces 100 000 documents par sujet, résumer chaque groupe, et signaler les probablement 5 000 les plus pertinents pour un examen plus approfondi. Un parajuriste peut exécuter une invite d'IA pour coder automatiquement l'ensemble complet pour les champs de base (date, détenteur, type de document), puis passer une journée à vérifier et corriger toute anomalie. Un associé senior pourrait demander à l'IA d'extraire tous les événements (qui a rencontré qui, quand) mentionnés dans la collection, obtenant une chronologie qui aurait pris des jours de travail manuel à compiler. Armés de ces informations tôt, les avocats peuvent planifier plus rapidement et plus intelligemment. Pendant tout ce temps, aucun document privilégié n'est produit sans approbation humaine ; aucun résumé n'est pris pour argent comptant sans un coup d'œil d'avocat. Mais en éliminant la monotonie, l'IA permet à l'équipe juridique de se concentrer sur l'analyse et le plaidoyer plus tôt.

Le partenariat Humain-IA : Crédibilité, Contrôle et Défendabilité

Avec tous ces progrès, un avocat raisonnable pourrait se demander : “Cela semble puissant – mais puis-je faire confiance ? Qu'en est-il des erreurs ? Et comment puis-je expliquer cela à un juge si c'est contesté ?” Ce sont des questions cruciales. Une philosophie d'examen par IA doit être ancrée dans la crédibilité et la défendabilité. La réponse réside dans la reconnaissance que l'IA est un outil pour améliorer, non pas remplacer, le jugement humain. L'objectif n'est pas de créer un “avocat robot” de science-fiction qui mène des découvertes de manière autonome ; il s'agit de créer une collaboration entre experts humains et IA afin que le résultat final soit plus rapide, meilleur et toujours fiable.

Tout d'abord, il est important de comprendre que les tribunaux et les rédacteurs de lois sont favorables à l'utilisation prudente de l'IA pour la découverte. L'utilisation de l'apprentissage automatique pour l'examen des documents n'est plus nouvelle ou controversée dans les litiges – c'est une pratique acceptée tant qu'elle est effectuée de manière transparente et raisonnable. En fait, au Canada, l'utilisation de TAR et d'outils similaires a été explicitement reconnue comme une voie pour parvenir à une découverte proportionnelle. L'accent de la part du banc est généralement mis sur le processus, pas sur la technologie : si vous pouvez montrer que votre utilisation de l'IA était destinée à découvrir la vérité plus efficacement et que vous avez validé les résultats, un tribunal sera réceptif. Le devoir professionnel des avocats reste le même qu'auparavant : vous devez prendre des mesures raisonnables pour identifier et produire des preuves pertinentes, et protéger les informations privilégiées. L'IA n'est qu'une aide pour remplir ce devoir, non une abdication de celui-ci.

Pour maintenir la crédibilité, la supervision humaine est non négociable. Pensez au rôle de l'IA comme analogue à celui d'un avocat ou parajuriste junior compétent : vous déléguez des tâches, mais vous supervisez et révisez également leur travail. Par exemple, si l'IA dit qu'un document est “non pertinent”, vous n'acceptez pas cela aveuglément pour tous les usages – vous pourriez encore échantillonner certains de ces documents pour vous assurer que rien d'important n'est manqué. Si le résumé de l'IA d'un document clé semble étrange ou si vous savez que ce document pourrait être un élément clé, vous lirez l'original dans son intégralité. En particulier pour l'examen de privilège et le contrôle qualité final, les avocats humains doivent rester fermement aux commandes. Aujourd'hui, aucune IA ne peut prendre des décisions concernant le privilège avec une certitude de 100 % ; elle ne peut que signaler des candidats. Le journal final de privilège et les décisions doivent être vérifiés par le conseil.

Les outils d'IA modernes incluent souvent des fonctionnalités pour faciliter cette surveillance. Par exemple, ils pourraient fournir des scores de confiance ou souligner les parties exactes du texte qui ont conduit à une classification (afin que vous puissiez rapidement voir pourquoi l'IA pensait qu'un document était réactif). Ils permettent également des retours itératifs : si vous repérez que l'IA commet une certaine erreur (disons, identifier systématiquement un nom de code comme un nom de personne), vous pouvez souvent ajuster les instructions ou fournir des exemples pour corriger cela. Cette approche d'apprentissage continu transforme le processus de révision en un dialogue entre avocat et IA – de la même manière que vous corrigeriez et guideriez un membre junior de l'équipe, vous le faites avec le système d'IA.

Il est important de noter que toute sortie générée par l'IA peut être validée. Parce que l'IA dans l'eDiscovery fonctionne dans votre système, vous avez un enregistrement de ce qu'elle a fait. Si besoin est, vous pouvez produire les entrées (ensemble d'entraînement, invites utilisées) et sorties au tribunal pour démontrer que votre processus était raisonnable. Il y a déjà eu des cas où les parties ont accepté de partager des informations sur leur processus TAR pour dissiper les préoccupations ; une approche coopérative similaire peut être prise avec l'IA. Le principal critère n'est pas “chaque décision était-elle parfaite ?” – aucun examen humain n'est parfait non plus – mais “le processus était-il raisonnable et défendable compte tenu des besoins de l'affaire ?” Avec un processus humain guidé par l'IA, il est plus facile d'argumenter que vous avez effectivement obtenu un résultat plus approfondi et efficace qu'une corvée purement manuelle, car l'IA a aidé à éliminer les efforts inutiles et à faire apparaître les preuves importantes plus tôt.

Il est également à noter que les outils d'IA ont progressé pour réduire de manière significative les erreurs. Le codage prédictif précoce pourrait avoir été un peu une boîte noire, mais l'IA moderne (en particulier les modèles de langage de grande envergure) peut être étonnamment précise pour comprendre le contexte. Par exemple, une IA peut distinguer un email à un avocat demandant un avis juridique (probablement privilégié) d'un email qui ne fait que CC le département juridique pour une mise à jour de routine (non privilégié), en se basant sur des indices subtils dans le langage – une tâche que les filtres de mots-clés se trompent souvent. Néanmoins, nous considérons la sortie de l'IA comme des suggestions, non des évangiles. La philosophie ici est : confiance, mais vérification. Utiliser l'IA pour réduire considérablement le champ et organiser l'information, puis appliquer le jugement humain à l'ensemble raffiné.

Les voix principales de l'eDiscovery soutiennent cette approche équilibrée. Un récent aperçu d'un grand cabinet d'avocats canadien met en garde que même si l'IA générative accélérera l'examen des documents par un “bond quantique”, rien de tout cela ne dégage les avocats de leurs obligations professionnelles de superviser le processus et d'assurer l'exactitude[^9]. En fait, les “examinateurs robotisés” totalement autonomes – des systèmes qui décident de la réactivité ou du privilège sans humain dans la boucle – sont considérés comme risqués et probablement inacceptables selon les normes actuelles[^9]. L'utilisation la plus sûre et la plus efficace de l'IA est l'examen assisté, non l'examen autonome. Votre équipe reste l'arbitre final de ce qui est produit ou retenu. Pensez à l'IA comme votre agent sur le terrain, effectuant des reconnaissances et des travaux lourds, mais toujours vous rendant compte pour les décisions ultimes.

En adhérant à ces principes, vous pouvez intégrer de manière défendable l'IA dans la découverte. Des points de contrôle de la qualité doivent être intégrés dans tout flux de travail piloté par l'IA : par exemple, après que l'IA a étiqueté l'ensemble de documents, laissez des avocats examiner un échantillon statistiquement représentatif de chaque catégorie (pertinent, non pertinent, privilégié) pour vérifier les taux de précision. Toute erreur systématique découverte peut être corrigée (parfois en réentraînant l'IA ou en ajustant une invite, d'autres fois en corrigeant simplement manuellement ces instances). Documentez tout : si vous devez un jour justifier le processus, vous pouvez montrer, par exemple, que vous avez testé la précision et le rappel de l'IA et les avez trouvés acceptables pour la tâche, et qu'un humain a examiné tous les cas “l'IA dit peut-être”. Ce niveau de diligence maintient l'utilisation de l'IA bien dans les limites d'un processus de découverte défendable – que tout avocat adverse ou juge raisonnable devrait respecter, surtout lorsque l'alternative (examen manuel de millions de documents) est impraticable.

En résumé, la philosophie de l'examen par IA est celle d'un partenariat: utiliser les meilleures capacités des machines – vitesse, évolutivité, reconnaissance de modèles – avec les forces irremplaçables des avocats humains – jugement, éthique, compréhension contextuelle – pour relever les défis de l'eDiscovery qu'aucun des deux ne pourrait gérer seul. Lorsqu'il est bien fait, l'examen assisté par l'IA n'est pas seulement crédible, il est plus efficace pour découvrir la vérité dans un océan de données que les méthodes traditionnelles. Et il permet aux avocats de rediriger leur temps vers des analyses de meilleure valeur et un raisonnement stratégique, ce qui profite finalement aux clients.

Mettre en œuvre l'examen par IA en pratique : Une feuille de route

Adopter l'IA dans votre flux de travail eDiscovery peut sembler intimidant, mais cela peut être abordé de manière pragmatique. Voici un guide étape par étape pour les équipes juridiques (en particulier dans les petits à moyens cabinets ou organisations) pour commencer à intégrer l'examen par IA de manière pratique et défendable :

1. Restez fidèle à votre fondation de flux de travail éprouvée : Commencez avec le processus eDiscovery que vous avez déjà confiance. Utilisez vos outils existants (par ex., Nuix ou toute autre plateforme de traitement) pour effectuer les étapes éprouvées : collecte de données, traitement, déduplication, et mise en place de votre sujet dans une base de données d'examen. L'IA fonctionne mieux sur les données qui ont été normalisées et organisées. Assurez-vous d'avoir extrait tout le texte et effectué les filtrages de base (par ex., plages de dates, réduction des détenteurs) comme vous le feriez normalement. En d'autres termes, l'IA ne remplace pas le besoin d'organiser correctement vos documents électroniques – elle s'appuie sur cette fondation[^8].

2. Identifiez les points de douleur (tâches répétitives) : Examinez vos phases d'examen typiques et identifiez où se trouvent les goulots d'étranglement ou les tâches sans réflexion. Vos membres d'équipe passent-ils un temps excessif sur des tâches qui ne nécessitent pas un raisonnement juridique approfondi, comme parcourir des documents génériques, coder des champs d'email, ou chercher un détail spécifique à travers des milliers de pages ? Ce sont des candidats de choix pour l'assistance de l'IA. Des exemples courants incluent l'examen de pertinence de première passe, le filtrage de privilèges, le codage objectif, trouver toutes les instances d'une clause ou d'un point de données particulier, et compiler des chronologies ou des résumés. Faites une liste de ces tâches “à portée de main” qui, si accélérées, auraient le plus grand impact sur votre calendrier et votre budget[^7].

3. Choisissez le bon outil d'IA et intégrez-le : Sélectionnez un outil d'examen par IA qui fonctionne avec votre plate-forme et répond à vos besoins en matière de sécurité des données. Pour les cabinets canadiens, la résidence des données est une considération clé – vous pouvez opter pour un outil comme Claira qui garde les données au Canada (important pour la conformité à la confidentialité et à la confidentialité). L'outil doit s'intégrer à votre base de données d'examen afin qu'il puisse écrire des résultats dans le système (comme discuté, l'intégration évite de créer de nouveaux silos ou des maux de tête liés à l'exportation). Travaillez avec le fournisseur pour installer ou connecter la solution IA et vérifiez comment elle étiquettera les documents ou créera des champs. Conduisez un test ou pilote à petite échelle : par exemple, exécutez l'IA sur un ensemble de quelques centaines de documents d'abord pour voir comment elle fonctionne et pour calibrer des invites ou des paramètres.

4. Appliquez l'IA stratégiquement – Une étape à la fois : Il est sage d'introduire l'IA de manière progressive. Commencez par un ou deux cas d'utilisation de votre liste de points de douleur. Peut-être commencez-vous par utiliser l'IA pour générer des résumés de documents pour un jeu de données initial, ou pour coder automatiquement les métadonnées des emails, ou pour signaler les documents potentiellement privilégiés. Observez les résultats et impliquez votre équipe dans leur évaluation. Les résumés de l'IA ont-ils capturé le sens correctement ? Des questions évidentes ont-elles été manquées ou mal classées ? Maintenez une surveillance humaine au fur et à mesure que vous déployez l'IA : demandez à une personne de réviser les sorties de l'IA, même si ce n'est que par échantillonnage ou en se concentrant sur les décisions prises en limites. Au fur et à mesure que la confiance se renforce, vous pouvez élargir le rôle de l'IA à des tâches supplémentaires ou à des portions plus importantes de la collection. Adoptez toujours un état d'esprit itératif : si quelque chose ne fonctionne pas comme prévu, ajustez l'approche et réessayez. L'IA s'améliore souvent à mesure qu'elle reçoit des feedbacks et que vous affine vos invites/instructions[^8].

5. Documentez et défendez le processus : Dès le départ, documentez ce que vous faites. Notez quelles fonctions IA vous avez utilisées (par ex., “utilisé Claira pour résumer 10 000 documents et identifier ceux mentionnant le projet X”), quels contrôles vous avez appliqués (par ex., “l'avocat a examiné des échantillons de documents désignés non pertinents par l'IA pour confirmer qu'ils étaient vraiment non pertinents”), et tout ajustement effectué. Ce journal n'a pas besoin d'être lourd – il est principalement là pour que si quelqu'un demande plus tard “comment avez-vous mené l'examen ?”, vous puissiez expliquer clairement votre flux de travail défendable. Dans les discussions internes ou les réunions et type-conférencières avec le conseil adverse, n'hésitez pas à mentionner que vous utilisez un outil d'IA pour accélérer la révision – encadrez-le comme un moyen de garantir une découverte plus efficace et complète, ce qui est dans l'intérêt de tous. Et surtout, soyez prêt à examiner manuellement tout ce dont l'IA n'est pas sûre ou tout ce que le conseil adverse signale comme discutable. Cette transparence et cette volonté de coopérer écarteront la plupart des défis.

6. Formez votre équipe et renforcez la confiance : La gestion du changement est une grande partie de la mise en place de l'IA. Prenez le temps de former les praticiens (avocats, parajuristes, soutien au litige) sur ce que l'IA peut faire et comment l'utiliser. Par exemple, montrez aux examinateurs comment interpréter un résumé IA ou un score de confiance, et quoi faire s'ils sont en désaccord avec la suggestion de l'IA. Encouragez un environnement où l'équipe perçoit l'IA comme une assistante utile plutôt qu'une menace. Les projets pilotes sont excellents pour cela : choisissez une affaire relativement petite ou une enquête interne pour piloter l'IA, puis partagez le succès (par ex., “nous avons examiné ces données en 3 jours au lieu de 3 semaines avec l'aide de l'IA”). À mesure que les gens voient des gains, ils deviennent des défenseurs. Aussi, identifiez une personne ou un petit groupe pour devenir les experts internes sur l'outil IA – ils peuvent affiner la manière dont votre cabinet l'utilise et tenir tout le monde au courant des nouvelles fonctionnalités ou meilleures pratiques.

7. Élargissez progressivement : Après les succès initiaux, intégrez l'IA dans votre modèle standard pour la découverte. Mettez à jour vos protocoles internes d'eDiscovery pour refléter où l'IA sera utilisée. Peut-être que chaque nouvelle affaire au-dessus d'une certaine taille inclura automatiquement une phase de révision de première passe IA. Continuez à surveiller les résultats et à recueillir des métriques – par exemple, suivez combien d'heures ont été économisées ou à quelle vitesse les documents clés ont été découverts. Cela non seulement valide le ROI de la technologie mais peut également être utilisé dans les présentations aux clients ou les rapports après action pour démontrer l'efficacité de votre cabinet. Au fil du temps, vous pourriez étendre l'utilisation de l'IA au-delà de la révision vers d'autres domaines adjacents comme l'évaluation préalable de l'affaire (par ex., utiliser l'IA pour résumer rapidement “l'essentiel” d'un ensemble de données avant la révision formelle) ou la préparation de déposition (utilisant l'IA pour extraire des éléments de preuve potentiels). Laissez le niveau de confort et les besoins spécifiques de chaque affaire guider jusqu'où vous allez.

En suivant cette feuille de route, même un petit cabinet ou une équipe juridique réduite peut commencer à réaliser des bénéfices de l'examen par IA de manière contrôlée et défendable. La clé est la stratégie, pas le battage médiatique: concentrez-vous sur les améliorations pratiques de votre flux de travail plutôt que sur la technologie pour elle-même. La situation de chaque cabinet est unique – différences dans les types de cas, types de données, budget, juridiction, attentes des clients – mais la nature flexible de l'IA signifie que vous pouvez adapter son utilisation à votre contexte. Une “philosophie” d'examen assisté par IA concerne finalement l'alliage de la technologie avec l'art de plaider : elle est là pour répondre à vos besoins et évoluer à mesure que vous apprenez ce qui fonctionne le mieux.

Regarder vers l'avenir : Embracer l'avenir de l'IA pour mieux servir les clients

La trajectoire de la technologie de l'eDiscovery ne montre aucun signe de ralentissement. Au contraire, la création de données (et les exigences de divulgation) continueront d'accélérer. D'ici 2025, la création globale de données devrait atteindre des sommets ahurissants (plusieurs centaines de zettaoctets par an selon certaines estimations), et bien que seule une fraction minuscule de cela devienne une preuve de litige, la portion qui le fait est encore énorme. Les équipes juridiques qui s'accrochent aux processus d'examen purement manuels et linéaires se retrouveront débordées – incapables de respecter les délais, ou forcées de réduire l'ampleur et de risquer de manquer des preuves clés. En revanche, ceux qui embrassent l'automatisation responsable-et l'IA seront positionnés pour gérer la marée croissante d'informations sans se noyer. C'est une question de survie et de compétitivité dans la pratique moderne des litiges.

Du point de vue du client, les avantages sont tangibles. Les clients sophistiqués – qu'il s'agisse de entreprises, de gouvernements ou même de plaideurs individuels – sont de plus en plus conscients de la façon dont la technologie peut réduire les coûts. Ils ne veulent pas payer une armée de jeunes avocats pour examiner les e-mails insignifiants si une méthode plus intelligente existe. En tirant parti de l'examen par IA, vous pouvez réduire considérablement les heures de révision pour une affaire donnée, se traduisant par des économies de coûts ou la capacité de réaffecter ces heures à une analyse de valeur supplémentaire. Imaginez dire à un client : “Nous avons un système d'IA qui résumera et catégorisera ces millions de documents en une semaine, permettant à notre équipe de se concentrer uniquement sur les 5 % qui comptent vraiment – cela signifie que votre affaire avancera plus vite et coûtera moins cher.” C'est un différenciateur puissant sur un marché concurrentiel. Les clients apprécient également lorsque leurs cabinets d'avocats sont avant-gardistes et efficaces. Cela reflète bien sur la qualité globale du service du cabinet. En fait, dans les RFP clients et les présentations, les questions sur l'innovation et l'utilisation de la technologie sont maintenant courantes. Pouvoir articuler votre approche d'“examen assisté par IA” montre que votre cabinet n'est pas coincé dans la manière de faire du 20ème siècle.

L'adoption de l'IA peut également niveler le terrain. Les petits cabinets ou les défendeurs d'intérêt public peuvent ne pas avoir la main-d'œuvre que les grands cabinets ou les agences gouvernementales ont. Mais l'IA peut agir comme le multiplicateur de force qui permet à une petite équipe de s'attaquer avec succès à un vaste ensemble de données. Nous avons vu dans le passé comment le “fardeau de la découverte” pouvait fausser les résultats – par exemple, un plaignant individuel pourrait être désarmé par un défendeur produisant des millions de documents (sachant que le coût et l'effort pour les examiner serait écrasant). L'IA a le potentiel de mitiger ces asymétries : elle injecte un degré de démocratisation de l'eDiscovery, où la taille brute de l'équipe de révision importe moins que la manière intelligente dont vous pouvez déployer la technologie. Les juges, aussi, deviennent de plus en plus conscients de ces outils et peuvent s'attendre à ce que les parties les utilisent pour maintenir les affaires en mouvement efficacement. Il pourrait arriver un moment où ne pas utiliser l'assistance IA disponible pourrait être considéré comme un manquement à faire un effort raisonnable (si cela entraîne des retards ou des coûts excessifs).

Bien sûr, l'élément humain restera toujours central. Même en nous émerveillant de la capacité de l'IA à rédiger des résumés ou détecter des motifs, nous devons nous rappeler que le droit concerne finalement les récits humains, la justice et le jugement. L'IA peut trouver les aiguilles dans la botte de foin, mais il faut un avocat pour tisser ces aiguilles en une histoire ou un argument juridique convaincant. La philosophie que nous avons exposée garantit que le rôle de l'IA est de donner aux avocats – de leur donner des superpouvoirs de rapidité et de perspicacité – plutôt que de les marginaliser. Les pratiques d'eDiscovery les plus réussies dans les années à venir seront celles qui trouveront la synergie optimale entre les capacités humaines et celles des machines.

En conclusion, le voyage des tampons Bates à l'examen par IA a été un exercice d'adaptation constante face à l'univers en expansion constante des preuves. Chaque étape – indexation du papier, numérisation en images, chargement de données dans des bases de données, recherche par mots-clés, réduction grâce à l'analyse, classement avec TAR, et maintenant révision avec IA – a construit sur la précédente pour maintenir la découverte légale efficace face au changement. L'examen assisté par IA n'est pas un départ radical, mais plutôt la prochaine étape naturelle dans cette continuité. Il offre un moyen de briser le dilemme de l'expansion des données contre le temps humain limité en nous permettant de déléguer les tâches de force brute aux machines tout en nous concentrant sur l'analyse et le plaidoyer.

Pour l'avocat individuel, le parajuriste ou le professionnel du soutien aux litiges lisant ceci, le message est habilitant : vous pouvez être le champion qui apporte ces capacités IA dans votre organisation. En comprenant et en articulant cette philosophie, vous pouvez aider votre cabinet à devenir une pratique innovante à l'épreuve du futur qui impressionne les clients et livre des résultats même lorsque les volumes de données montent en flèche. Embrasser l'examen par IA n'est pas une question de se laisser séduire par la hype – c'est une question de pratique juridique pragmatique à l'ère moderne. Cela implique d'être prêt à changer votre façon de travailler, guidé par les principes intemporels de diligence, proportionnalité et service client. Les outils sont prêts ; le cas pour eux est clair. Les cabinets qui réussiront seront ceux qui saisiront l'opportunité. L'avenir de l'eDiscovery est ici, et c'est un avenir où l'expertise humaine et la capacité de l'IA se combinent pour atteindre ce qu'aucun d'eux ne pourrait faire seul. En adoptant cette approche pragmatique et crédible de l'examen assisté par IA, vous ne faites pas que suivre le rythme du changement – vous restez une longueur d'avance, là où vos clients ont besoin que vous soyez.

Références

[^1]: Selon une enquête menée par le Conseil de conformité, de gouvernance et de surveillance (CGOC), le département juridique moyen dépense environ 3 millions de dollars par affaire en termes de découverte, et la recherche de l'Institut RAND a révélé qu'environ 73 cents de chaque dollar pour l'eDiscovery est consacré aux tâches d'examen des documents. Source : Journal de l'ABA (février 2013), citant une enquête CGOC et une étude RAND – https://calattorneysfees.com/discovery-rand-discovery-shows-ediscovery-is-expensive-and-aba-journal-article-offers-tips-to-reduce-ediscovery-costs-for-le/

[^2]: Exemple – Apple contre Samsung : Dans un litige brevet, Samsung a dû collecter et traiter plus de 11 millions de documents (3,6 To de données) pour l'eDiscovery, dépensant environ 13 millions de dollars en traitement des données et hébergement en 20 mois (sans compter les frais d'examen par les avocats). L'examen des documents représente généralement plus de 70 % du coût total de l'eDiscovery (comme le note une étude RAND). Source : Article « Discovery 3.0 » de Logikcull – https://www.logikcull.com/blog/how-small-medium-sized-firms-can-thrive-in-discovery-3-0

[^3]: Histoire de la numérotation Bates : La machine automatique de numérotation Bates a été inventée par Edwin G. Bates à la fin du 19ème siècle dans le but de simplifier l'identification et la récupération des documents. À l'époque des dossiers papier, chaque page était estampillée manuellement avec un numéro unique (souvent un code séquentiel à quatre chiffres) pour permettre une référence précise. Source : Investintech – “Bates Numbering 101: History, Usage and Tutorial” – https://www.investintech.com/resources/blog/archives/7829-bates-numbering-101-history-usage-and-tutorial.html

[^4]: Origine des fichiers de charge (années 1980) : Les fichiers de charge dit « load files » ont fait leur apparition dans l'eDiscovery dans les années 1980 comme moyen d'ajouter de la searchabilité et des métadonnées aux documents papier numérisés. Les avocats numériseraient les fichiers papier en images TIFF et effectueraient l'OCR du texte ; le texte extrait et les métadonnées des documents devaient être stockés dans des fichiers séparés (par ex. .DAT pour les métadonnées, .TXT pour le texte) pouvant être chargés dans une base de données. Ces fichiers de charge servaient à “peupler” les premières bases de données d'examen (comme Concordance ou Summation), transportant des informations que les images seules ne pouvaient contenir. Source : Craig Ball, “A Load (File) Off My Mind” (2013) – https://craigball.net/2013/07/17/a-load-file-off-my-mind/

[^5]: Utilisation de la technologie & Proportionnalité (Canada) :  Les Principes Sedona Canada (2008) soutiennent explicitement l'utilisation d'outils électroniques pour satisfaire les obligations de découverte. Le principe 7 stipule que les parties peuvent utiliser la technologie pour réduire le fardeau et le coût. Les tribunaux canadiens ont approuvé le Technology-Assisted Review comme cohérent avec la règle de proportionnalité dans la découverte – par exemple, la Cour supérieure de l'Ontario dans Commonwealth c. CSA (2019) a noté que le TAR est une méthode acceptée pour remplir efficacement les obligations de production de documents dans des affaires appropriées. Source : Insight de Torys LLP “I, Robot-Reviewer? Generative AI and the future of eDiscovery” (2023), citant le Principe 7 de Sedona Canada et la proportionnalité – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery

[^6]: Limites du TAR – La supervision humaine est nécessaire : Le codage prédictif/TAR traditionnel réduit considérablement le volume de documents pour l'examen manuel, mais il n'élimine pas le besoin d'humains. Certains types de données (par ex. images, feuilles de calcul avec principalement des chiffres, etc.) ne sont pas facilement gérés par les algorithmes TAR, et des tâches critiques comme l'examen de pertinence de second niveau, l'examen de privilège et le contrôle qualité (QC) nécessitent toujours que les avocats posent les yeux sur les documents. TAR excelle à prioriser les documents probablement pertinents, mais les avocats doivent valider les résultats et s'assurer qu'aucune information importante ou matériau privilégié n'est négligé. Source : Discussion dans l'article de Torys LLP sur le TAR et le CAL, notant que le TAR n'élimine pas la révision humaine pour le privilège et le QC – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery

[^7]: Capacités IA en révision – Exemples pratiques : Les outils d'IA modernes comme Claira pour Nuix peuvent effectuer une gamme de tâches de révision, telles que : générer des résumés de documents pour un triage rapide ; coder automatiquement les champs de métadonnées (dates, auteurs, etc.) à travers des milliers de documents ; identifier les sujets récurrents ou les motifs de communication dans un ensemble de données ; signaler les documents potentiellement privilégiés ou sensibles pour un examen plus approfondi ; et extraire des informations structurées pour construire des éléments comme des chronologies ou des listes de témoins. Ces fonctions pilotées par l'IA accélèrent le processus de révision tout en laissant la prise de décision finale aux humains. Source : Claira, “How AI Fits into Modern eDiscovery: A Practical Guide” (Dec 2025) – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide

[^8]: Intégration de l'IA avec les plateformes de révision : Il est crucial que les résultats de l'IA s'intègrent sans heurts dans votre plateforme eDiscovery existante. Par exemple, l'intégration de Claira avec Nuix signifie que les sorties générées par l'IA (résumés, faits extraits, étiquettes) sont directement écrites dans les champs standards de la base de données du cas Nuix. Les examinateurs peuvent immédiatement rechercher, trier et filtrer en fonction des annotations d'IA tout comme n'importe quelles autres métadonnées. Cela élimine les transferts manuels entre systèmes et garantit que le flux de travail IA reste dans les limites défendables de votre base de données de révision principale. Source : guide de Claira, sur pourquoi l'intégration est importante – https://www.claira.to/stories/how-ai-fits-into-modern-ediscovery-a-practical-guide

[^9]: La supervision humaine reste essentielle : Même avec des IA génératives avancées capables de rédiger des résumés et de prendre des décisions sur des documents, les professionnels du droit doivent conserver la supervision. La forme la plus extrême – une “robo-révision” entièrement autonome sans validation humaine – est jugée risquée et sujette à des erreurs (p. ex., risquant la production de documents privilégiés). Toutes les implémentations crédibles d'IA dans l'eDiscovery continuent de nécessiter l'examen par les avocats et les experts en eDiscovery pour assurer l'exactitude et protéger le privilège. Les économies de temps et de coût attendues de l'IA ne dispensent pas les avocats de leur devoir d'exercer un jugement et d'utiliser des processus défendables. Source : Torys LLP, “Generative AI and the future of eDiscovery,” soulignant que les outils Gen AI nécessitent encore une supervision humaine et que les responsabilités professionnelles du conseil restent – https://www.torys.com/en/our-latest-thinking/resources/forging-your-ai-path/generative-ai-and-the-future-of-ediscovery