Depuis l’introduction de l’architecture sequence-to-sequence et des mécanismes d’attention (Bahdanau et al., 2015 ; Vaswani et al., 2017), la traduction automatique neuronale (NMT) a connu une avancée spectaculaire. Elle a permis des gains importants en fluidité et grammaticalité. Pourtant, malgré ces progrès, les modèles actuels restent fondamentalement inadaptés à un domaine comme le droit, où la densité normative et la technicité interprétative posent des exigences spécifiques.
Voici pourquoi.
1. Des limites structurelles liées aux corpus d'entraînement
L’efficacité d’un système NMT dépend de la qualité des corpus parallèles qui l’entraînent. Or, dans le domaine juridique, plusieurs obstacles empêchent la constitution de corpus véritablement représentatifs :
-
La plupart des documents juridiques sont confidentiels (contrats, conventions, accords) ;
-
Il n’existe pas d’interopérabilité terminologique standardisée entre systèmes juridiques différents ;
-
Les corpus disponibles manquent souvent de méta-annotations juridico-fonctionnelles.
Les moteurs NMT s’appuient en outre sur des corpus multilingues composites comme Europarl, OPUS ou JRC-Acquis. Ces ressources, enrichies de segments collectés automatiquement via scraping, introduisent un bruit terminologique important. Cela nuit à la stabilité lexicale, notamment dans les segments répétitifs tels que les clauses standards.
2. Une inadéquation face à la diversité des systèmes juridiques
La traduction juridique ne se résume pas à un transfert linguistique : elle implique une opération comparatiste entre systèmes juridiques.
Or, les modèles NMT sont entraînés sur des paires de langues, non sur des paires de systèmes normatifs. Cela pose deux problèmes majeurs :
-
L’équivalence sémantique ne garantit pas l’équivalence juridique. Un même terme ("trust", "fiducie", "Treuhand") peut désigner des concepts distincts selon les contextes.
-
En l’absence de calibrage juridique, les modèles reproduisent des incohérences, notamment lorsqu’ils croisent des corpus issus de traditions différentes (common law vs. droit civil).
La conséquence : des traductions instables, juridiquement floues, parfois incohérentes d’un point de vue systémique.
3. Des erreurs contextuelles persistantes
Malgré les progrès du deep learning, la traduction automatique reste confrontée à des erreurs de fond qui la rendent imprévisible dans un cadre juridique. Parmi les plus fréquentes :
-
Faux-sens contextuels (absence de désambiguïsation, mauvaise gestion des co-références) ;
-
Instabilité terminologique (termes définis traduits différemment selon les occurrences) ;
-
Neutralisation des structures logiques (hiérarchie argumentative, connecteurs juridiques) ;
-
Confusion terminologique (ex. : appendix, annex, schedule, exhibit, traduits indifféremment).
Ces erreurs dépassent la simple terminologie : elles touchent à la structure même du raisonnement juridique. Une IA peut produire un texte linguistiquement correct, mais juridiquement inintelligible.
4. La post-édition : une tâche experte, pas une simple relecture
Selon la norme ISO 18587:2017, la post-édition en domaine spécialisé relève du full post-editing : il s'agit d’une correction approfondie sur le fond, la forme et la terminologie, à destination d’un usage professionnel.
Ce travail ne peut être confié qu’à des profils possédant une double compétence : droit et traduction. Le post-éditeur juridique doit :
-
Identifier les ruptures logiques ou systémiques entre le texte source et sa traduction ;
-
Reconstituer la logique argumentative du document ;
-
Garantir la conformité terminologique avec les référentiels juridiques ;
-
Parfois, réinterpréter le texte à la lumière du système juridique cible (équivalence fonctionnelle).
En d’autres termes, la traduction automatique n’élimine pas l’intervention humaine : elle en change la nature. Ce n’est plus une traduction, mais une réécriture experte, fondée sur une analyse comparative et conceptuelle.
📚 Pour aller plus loin :
-
ISO 18587:2017 – Post-editing of machine translation output – Requirements
-
Wagner, Bech & Martínez (2002), Translating for the European Union Institutions
-
Cao, D. (2007), Translating Law
-
Hutchins, W.J. (2005), Current Trends in Machine Translation
