Une citation inventée par un modèle d'IA ressemble exactement à une vraie — même format, même ton assuré. Les tribunaux ont sanctionné des avocats pour plus de 145 000 $ au premier trimestre 2026, rien qu'aux États-Unis, pour les avoir déposées. Voici ce qui s'est réellement passé, et où le recoupement d'une citation sur plusieurs modèles d'IA détecte la fabrication avant qu'elle n'atteigne des conclusions — et où il ne la détecte pas.
Nous ne prétendons pas que 6 modèles d'IA signifient zéro citation fabriquée. Si tous les modèles partagent la même lacune dans leurs données d'entraînement, ils peuvent produire un faux également plausible, et leur accord ne prouve rien. Ce que la comparaison multi-modèles détecte de façon fiable, c'est le cas bien plus courant : un modèle invente une citation que les autres ne reconnaissent pas. Voir les questions fréquentes ci-dessous pour la limite honnête de cette méthode.
New York, juillet 2026
L'avocat Michael Sanders sanctionné à hauteur de 10 500 $ après avoir déposé des conclusions contenant des citations générées par IA renvoyant à des affaires qui n'existent pas.
Sixth Circuit Court of Appeals
Deux avocats sanctionnés — honoraires de la partie adverse plus 15 000 $ de dommages punitifs chacun — pour plus de 24 citations fabriquées dans des conclusions d'appel.
Affaire d'immigration fédérale (habeas corpus)
Des citations fabriquées par un modèle d'IA ont été déposées dans une requête fédérale en habeas corpus ; l'avocat a été sanctionné une fois prouvé que les affaires citées n'existaient pas.
Périgueux, France — 18 décembre 2025
Premier cas français documenté de conclusions d'un avocat contenant des références fictives générées par IA, identifié par le tribunal judiciaire.
Q1 2026, tout le pays (États-Unis)
Les outils de veille juridique (LexisNexis, Bloomberg Law) ont enregistré environ 145 000 $ de sanctions cumulées et plus de 700 dépôts concernés par des hallucinations d'IA en un seul trimestre.
Les montants de sanctions et le nombre de dossiers sont tels que rapportés par les outils de veille juridique (LexisNexis, Bloomberg Law) et les décisions de justice au T1–T2 2026 ; les chiffres sont cités à titre de référence et doivent être vérifiés contre le dossier primaire avant republication.
Un modèle seul n'a aucune raison de signaler les citations qu'il a inventées. Le nom d'affaire, le numéro de rôle et le dispositif fabriqués sont générés avec la même aisance qu'un vrai — il n'y a aucun indice stylistique. Un avocat sous pression de délai, lisant une citation qui ressemble exactement à toutes les autres du dossier, n'a aucun signal local pour savoir laquelle est fausse.
Recouper la même citation sur des modèles indépendants change ce qui est visible avant qu'elle n'atteigne des conclusions : si cinq modèles ne peuvent pas corroborer une affaire qu'un modèle vient de citer avec assurance, cette divergence est le signal qu'un flux à modèle unique ne produit jamais — même si cela ne remplace toujours pas la vérification en source primaire.
La comparaison multi-modèles ne peut pas détecter une fabrication que tous les modèles commettent de la même façon — une lacune partagée des données d'entraînement produit une confiance partagée, pas un désaccord. Elle ne remplace pas non plus la vérification en source primaire : une citation que les six modèles « confirment » exister doit encore être vérifiée sur Westlaw, Lexis ou le rôle du tribunal avant d'entrer dans des conclusions. Considérez l'accord entre modèles comme une raison d'accélérer vers cette étape de vérification, pas de la sauter.
Pourquoi les modèles d'IA inventent-ils des citations juridiques ?
Les grands modèles de langage génèrent du texte qui reproduit la forme statistique d'une vraie citation — nom d'affaire, recueil, année, format de numéro de rôle — sans vérifier que l'affaire existe. Le résultat se lit exactement comme une vraie citation, ce qui le rend dangereux dans des conclusions : rien dans le format ne signale qu'elle a été fabriquée.
Utiliser un modèle plus avancé règle-t-il le problème ?
Aucun modèle n'est immunisé. Des citations fabriquées ont été documentées sur GPT-4, Claude et d'autres modèles de pointe. Un modèle plus puissant réduit le taux de fabrication ; il ne l'élimine pas, et un modèle seul n'a aucun moyen intrinsèque de signaler sa propre fabrication comme incertaine.
Utiliser 6 modèles d'IA garantit-il qu'aucune citation fabriquée ne passe ?
Non, et nous ne le prétendons pas. Si l'erreur de citation est un angle mort partagé — aucun des modèles n'a vu l'affaire réelle et tous génèrent un faux plausible — le recoupement seul ne la détectera pas. Ce que le recoupement détecte de façon fiable, c'est le mode de défaillance bien plus fréquent : un modèle invente une citation que les autres ne reconnaissent pas ou ne peuvent pas corroborer. Cette divergence est le signal qu'un flux à modèle unique ne produit jamais.
Que devrait réellement faire un avocat avant de déposer ?
Recouper chaque citation suggérée par l'IA contre une base juridique primaire (Westlaw, Lexis, Légifrance, le système de rôle du tribunal) avant qu'elle n'entre dans des conclusions. La comparaison multi-modèles est un moyen rapide de repérer quelles citations sont suspectes et méritent cette vérification en source primaire en premier — c'est une étape de triage, pas un remplacement de la vérification.
Est-ce un problème uniquement américain ?
Non. L'affaire du tribunal judiciaire de Périgueux (France, décembre 2025) montre le même mode de défaillance hors des juridictions de common law — un avocat a déposé des références fictives générées par IA dans le cadre d'une procédure civile française.
Recoupez avant de déposer
Cinq vérifications gratuites par jour. Sans carte bancaire.
Vérifier une citation — gratuitSatcove — Un produit d'Abyssal Group