Préjudices produits par un système d’IA : reconnaissance, lisibilité, recevabilité

1. Cadre de départ

Un droit positif partiellement stabilisé face aux effets produits par les systèmes d’IA

Les systèmes d’intelligence artificielle (SIA), qu’ils relèvent de l’automatisation décisionnelle, du scoring prédictif, des grands modèles de langage (LLM) ou des systèmes experts, produisent des effets observables ou documentés sur les personnes, les structures sociales et les environnements professionnels.

Dans un nombre croissant de contentieux, leur reconnaissance juridique se trouve limitée par trois types d’obstacles :

• l’absence de qualification juridique stabilisée pour certains effets (captation cognitive, isolement algorithmique, effacement symbolique) ;
• des difficultés probatoires liées à l’opacité technologique (traçabilité partielle, causalité incertaine, absence de transparence sur les paramètres utilisés) ;

• une fragmentation des régimes juridiques potentiellement mobilisables (responsabilité pour faute, fait des choses, produits défectueux, contrefaçon).

Les référentiels récemment consolidés (fiche n°24 de la Cour d’appel de Paris (19 juin 2025)^[9], AI Act (règlement 2024/1689), Directive Produits défectueux (directive 2024/2853)^[3]) permettent une lecture intégrée fondée sur les articulations croisées entre régimes. Il ne s’agit pas uniquement d’appliquer les catégories existantes, mais de structurer l’analyse à partir de l’effet produit, pour en faciliter la lisibilité et, le cas échéant, la recevabilité.

La structure analytique mobilisée ici n’a pas de visée prescriptive : elle permet d’objectiver les effets, de clarifier leur recevabilité, et d’outiller le raisonnement sans produire de norme.

Elle formalise les conditions permettant d’examiner un effet observable dans un cadre contentieux ou expertal, sans préjuger de la qualification finale retenue.

L’originalité de l’analyse fonctionnelle tient à trois éléments formalisés :


• une structuration non prescriptive des éléments permettant d’identifier un effet produit, y compris en l’absence de catégorie juridique préexistante ;
• une articulation de critères objectifs (recevabilité, évaluabilité, soutenabilité) pour outiller le raisonnement juridico-technique sans anticiper sa conclusion ;
• une localisation des obstacles à la reconnaissance d’un préjudice, incertitude causale, opacité algorithmique, absence de régime mobilisable, permettant de formuler une argumentation recevable sans extrapolation interprétative.

Cette formalisation permet d’outiller l’analyse juridique sans se substituer au droit : elle intervient en amont de la qualification, en structurant l’effet produit selon des critères observables, mobilisables même en l’absence de régime normatif applicable.

2. Apport méthodologique

2.1 Objectiver l’effet, qualifier le préjudice, localiser l’obstacle

Dans les contentieux impliquant un système d’IA, la première difficulté tient souvent à la nature de l’effet lui-même : il peut être ressenti, observé, même mesuré, sans pour autant entrer dans une catégorie juridique préexistante.

Il est donc indispensable de partir de l’effet concret, tel qu’il se manifeste dans la réalité des usages.

Cela suppose :

• de documenter les conditions d’apparition de l’effet (ex : déclenchement d’une décision automatisée, suggestion algorithmique, interaction avec un modèle génératif) ;
• d’en décrire la structure : effet ponctuel, récurrent, différé, diffus, observable sur l’individu, sur un groupe, ou sur une représentation sociale ;
• d’en identifier la portée : ce qui est altéré, empêché, amplifié, détourné, sur les faits, les trajectoires, ou les représentations.

L’effet devient ainsi une unité d’analyse, non dépendante de son statut juridique initial, mais de sa lisibilité structurelle : ce que le système a produit, de manière directe ou induite.

L’analyse fonctionnelle permet ici :

• une typologie des effets selon leur configuration structurelle (exclusion, altération, amplification…),
  en prenant en compte leur forme (ponctuelle, itérative, diffuse), leur origine (déclenchement, renforcement, effacement),
  leur cible (individu, collectif, symbole), et leur mode de production (direct ou induit) ;
• des critères d’analyse indépendants du droit : observabilité (peut-on décrire l’effet ?), densité (est-il mesurable ? durable ?),
  réversibilité (peut-il être annulé ? compensé ?), autant d’éléments objectivables en expertise, même en dehors d’un régime normatif ;
• une interprétation en couches : effet direct (observable immédiatement), effet latéral (secondaire mais persistant),
  effet symbolique (altérant la perception, la légitimité, la confiance).

2.2. Qualifier le préjudice : transposer sans forcer

Une fois l’effet objectivé, il devient possible de le rapprocher des catégories juridiques disponibles, sans y contraindre artificiellement le réel.

Deux voies sont possibles :

=> Qualification par analogie : rattacher l’effet à une catégorie existante (ex : stress algorithmique → préjudice moral ; déclassement IA → préjudice économique).

=> Qualification émergente : faire apparaître un nouveau type de dommage dans une logique jurisprudentielle évolutive (ex : captation cognitive, effacement symbolique, assignation algorithmique…).

Cette opération suppose :

• de démontrer le caractère certain de l’effet (ou sa probabilité structurelle dans un usage donné) ;
• d’examiner si l’effet peut être rattaché à un intérêt juridiquement protégé ;
• d’anticiper les conséquences de la reconnaissance de ce préjudice (indemnisation, régulation, désignation d’un responsable…).

L’objectif est de stabiliser un faisceau d’indices permettant au juge d’argumenter la recevabilité, même en l’absence de régime explicite.

2.3. Localiser l’obstacle : comprendre pourquoi l’effet n’est pas reconnu

Lorsque l’effet est produit mais que le droit positif ne permet pas de le réparer, il est utile de localiser l’obstacle exact à sa reconnaissance. Trois zones critiques sont typiquement en cause :

A. Obstacle probatoire

• Absence de logs, de documentation, ou de traçabilité de la décision IA ;
• Complexité technique interdisant l’analyse par un expert ordinaire ;
• Chaîne d’intermédiation trop longue entre l’effet et son déclencheur.

Effet : le dommage existe, mais ne peut être démontré selon les standards actuels de preuve.

B. Obstacle normatif

• Aucune norme ne reconnaît la valeur juridique de l’effet (ex : isolement algorithmique) ;
• Le droit ne considère pas comme protégé l’intérêt atteint (ex : effacement de présence numérique) ;
• Aucun régime de responsabilité ne s’applique clairement au cas.

Effet : l’effet est lisible, mais ne peut être qualifié juridiquement.

C. Obstacle structurel

• L’auteur de l’effet est indéterminable (développement vs déploiement) ;
• Le SIA agit sans intervention humaine directe (difficulté à imputer) ;
• Le dommage est distribué ou diffus (ex : biais dans un système de tri de candidatures) ;
• Le régime de responsabilité applicable est éclaté, incertain ou contradictoire.

Effet : le dommage est reconnu, mais ne peut être rattaché clairement à un responsable.

2.4. Fonction stratégique de cette approche dans le raisonnement judiciaire

Cette méthode apporte plusieurs bénéfices pour le juge ou l’expert :

• Neutraliser les biais de non-recevabilité fondés sur l’absence de régime applicable ;
• Ancrer l’analyse sur des faits, non sur des qualifications préalables ;
• Construire une traçabilité argumentaire, en montrant comment un effet a été produit, en quoi il est problématique, et ce qui empêche sa réparation.

Elle permet au juge d’assumer un raisonnement évolutif, sans sortir de son cadre, et de préparer une assise contentieuse pour les dommages encore non stabilisés par la loi.

3. Typologie élargie des préjudices

La typologie suivante articule :

• le droit positif (code civil, RGPD, AI Act, directive responsabilité) ;
• les catégories doctrinales (préjudice certain, moral, écologique…) ;
• les effets observables dans les usages réels des SIA.

La typologie présentée propose une structure d’identification des effets préjudiciables potentiels issus de l’usage d’un système d’intelligence artificielle, qu’ils soient ou non encore juridiquement qualifiés.

Elle a pour visée d’outiller l’analyse judiciaire en amont : nommer, décrire, objectiver un effet, même lorsqu’aucune catégorie juridique ne le recouvre encore de manière stabilisée.

Cette logique d’anticipation des effets est conforme à l’approche par les risques posée par l’AI Act (Règlement 2024/1689) et à la nécessité, soulignée par la Cour d’appel de Paris (fiche n°24), d’adapter les régimes de responsabilité aux spécificités techniques des systèmes à boîte noire.

Elle peut ainsi être mobilisée :


• en phase d’expertise (technique, amiable, judiciaire) pour circonscrire les effets observables ou déduits,
• en phase d’instruction, pour objectiver une atteinte avant ou sans reconnaissance juridique consolidée,
• en phase de réparation, pour justifier une pluralité de chefs de préjudices, y compris non économiques.

4. Chaînes de responsabilité et obstacles structurels à la réparation

Le juge se trouve souvent confronté à un ensemble d’incertitudes rendant difficile l’imputation juridique d’un effet dommageable produit par un système d’intelligence artificielle.

5. Intérêt pour le magistrat ou expert

Localiser l’effet, ouvrir la recevabilité

Dans les contentieux impliquant un système d’IA, les enjeux ne se limitent pas à la détermination d’un régime juridique applicable.

Ils relèvent également d’une lecture épistémologique et structurelle de l’effet produit.

Cet angle de vue permet de dégager un faisceau de recevabilité, même lorsque le droit positif ne prévoit pas de qualification explicite.

La lecture fonctionnelle des systèmes régulés apporte trois fonctions complémentaires :

• Objectiver l’effet, en prenant appui sur des éléments concrets observables, même en l’absence de typification juridique préalable.
• Qualifier le préjudice, par rapprochement analogique ou émergence progressive, à partir de critères rigoureux.
• Localiser l’obstacle à la recevabilité contentieuse ou expertale, afin d’en structurer le dépassement argumentatif.

Cas typiques d’effets produits et obstacles rencontrés

Un outil d’aide à la décision RH écarte systématiquement certaines candidatures en sous-évaluant des parcours non standardisés.
Effet observable : un déclassement professionnel, une assignation implicite à des profils dévalorisés.
Obstacle : absence de transparence sur les critères, impossibilité d’isoler une faute ou un acteur unique, difficulté à démontrer l’intention discriminatoire.
Qualification mobilisable : préjudice économique (perte d’opportunité), atteinte à l’égalité de traitement (L1132-1 Code du travail)^[8], encadrement des décisions individuelles automatisées (article 22 RGPD, effets juridiques ou similaires), article 16 AI Act.^{[7] [1]}

Un générateur de contenus réutilise des éléments stylistiques caractéristiques d’une œuvre non divulguée, issue de son jeu d’entraînement.
Effet observable : reproduction implicite d’une expression protégée, désappropriation partielle de l’œuvre originale.
Obstacle : absence de preuve directe de l’accès aux sources, transformation formelle rendant la captation difficile à prouver, absence d’intentionnalité.
Qualification mobilisable : atteinte au droit d’auteur (L112-1 et s. CPI), reproduction illicite par entraînement non autorisé, trouble à l’exploitation normale de l’œuvre.

Un assistant de conduite autonome adopte un comportement inadéquat face à une situation imprévue (signalisation temporaire, obstacle mouvant), entraînant un accident.
Effet observable : dommage matériel ou corporel sans faute humaine directe identifiable.
Obstacle : incertitude sur le responsable (concepteur, intégrateur, fournisseur de modèle), documentation lacunaire, défaut d’alerte sur les limites d’usage.
Qualification mobilisable : produit défectueux (art. 1245 s. Code civil, directive 2024/2853), défaut de vigilance dans le cycle de vie (AI Act, chap. III), responsabilité sans faute.

Valeur procédurale de l’approche

L’utilité de cette méthode réside dans la capacité à :

• rendre visibles des effets autrement invisibilisés dans le raisonnement contentieux ;
• outiller l’expert judiciaire pour structurer une argumentation recevable, même hors du droit établi ;
• fournir au juge une matrice de raisonnement, appuyée sur les faits, permettant une extension maîtrisée de la jurisprudence existante.

Conclusion

Structurer un raisonnement recevable sans dépendance à un régime unique

Dans un environnement juridique encore partiellement stabilisé, confronté à des effets difficilement typifiables et à une architecture technique peu transparente, l’enjeu est de structurer un raisonnement recevable à partir de l’effet effectivement produit, indépendamment de son statut normatif initial.

La lecture fonctionnelle vise ici deux objectifs :


• prévenir la mise à l’écart silencieuse de certains effets non qualifiés ;

• renforcer la capacité jurisprudentielle à intégrer progressivement les effets produits par les systèmes d’intelligence artificielle.

Elle constitue un dispositif d’analyse conçu pour accroître la lisibilité des effets, en en clarifiant la structure, la portée et les conditions d’évaluation.

Ce cadre permet au magistrat ou à l’expert d’ancrer son raisonnement sur des éléments observables, tout en maintenant la compatibilité avec le droit positif.

Il outille la reconnaissance contentieuse ou expertale d’un effet, même en contexte lacunaire, sans introduire de norme autonome ni empiéter sur la fonction juridictionnelle.