Open data des décisions de justice : comment la Cour de cassation pseudonymise

La France s'est engagée à publier gratuitement toutes ses décisions de justice : des millions de documents remplis de noms, d'adresses et de situations familiales. Pour y parvenir, la Cour de cassation et le Conseil d'État ont dû résoudre, à l'échelle nationale, le problème que tout cabinet rencontre aujourd'hui avec l'IA : retirer ce qui identifie les personnes sans détruire ce qui rend le texte utile. Voici comment ils s'y prennent, et ce que cela enseigne pour vos propres dossiers.

1. Ce qu'impose la loi

Le principe de l'open data des décisions vient de la loi pour une République numérique de 2016. Ses règles d'occultation ont été réécrites par l'article 33 de la loi n° 2019-222 du 23 mars 2019, qui modifie à l'identique l'article L. 10 du code de justice administrative et l'article L. 111-13 du code de l'organisation judiciaire. Elles tiennent en deux niveaux.

Le même article interdit de réutiliser l'identité des magistrats et des membres du greffe pour « évaluer, analyser, comparer ou prédire leurs pratiques professionnelles réelles ou supposées », sous peine de sanctions pénales.

Le décret n° 2020-797 du 29 juin 2020 en organise la mise en œuvre, et un arrêté du 28 avril 2021 en fixe le calendrier, juridiction par juridiction. Selon le ministère de la Justice, les décisions administratives, celles de la Cour de cassation et celles des cours d'appel en matière civile sont déjà disponibles ; le calendrier court jusqu'au 31 décembre 2027 pour les contraventions.

2. Qui s'en charge, et comment

Les occultations sont réalisées par la Cour de cassation, qui diffuse les décisions judiciaires sur Judilibre, et par le Conseil d'État, qui diffuse les décisions administratives sur son portail open data. Le ministère le résume ainsi :

La Cour de cassation documente publiquement son approche sur son dépôt GitHub. Jusqu'en décembre 2019, elle utilisait un moteur de règles dont le taux d'erreur « s'approchait de 5 % » et qui demandait « un temps important de correction manuelle ». Dans le cadre du programme Entrepreneurs d'intérêt général, elle a développé un moteur d'apprentissage automatique qui repère les données à pseudonymiser. Les décisions pré-annotées par ce moteur sont ensuite relues par des agents dans LABEL, un logiciel d'annotation que la Cour a publié en open source.

3. Le débat n'est pas clos

Un rapport remis au garde des Sceaux le 11 juillet 2025 par Daniel Ludet, conseiller honoraire à la Cour de cassation, propose d'étendre les occultations systématiques aux raisons sociales des sociétés, aux adresses et localités, aux dates relatives à l'état des personnes et aux chaînes de caractères directement identifiantes (Next, 16 juillet 2025). Que ces propositions soient reprises ou non, elles disent la même chose que l'expérience : les noms seuls ne suffisent pas.

4. Ce qu'un cabinet peut en retenir

• Les noms sont un plancher, pas un plafond. La loi elle-même vise « tout élément permettant d'identifier ». Une adresse, une date de naissance, une raison sociale ou une fonction rare suffisent souvent à retrouver quelqu'un. C'est le sujet de notre article sur le risque de réidentification.
• Automatisation plus relecture humaine. Le modèle retenu par l'État lui-même, c'est un moteur de détection suivi d'une relecture humaine. C'est aussi la façon dont fonctionne Hexagone AI : chaque détection apparaît dans le volet d'aperçu et peut être corrigée avant l'export.
• Les moteurs de règles plafonnent. La Cour de cassation est passée des règles à l'apprentissage automatique parce que les règles ne suivaient plus le volume et la diversité des documents. Une liste de noms à rechercher-remplacer a la même limite dans un cabinet.
• Publier et travailler avec l'IA sont deux objectifs différents. Une décision publiée en open data n'a pas vocation à être réidentifiée. Un dossier envoyé à une IA, si : vous voulez récupérer une réponse avec les vrais noms. D'où une pseudonymisation réversible, dont la table de correspondance reste au cabinet. La différence est expliquée dans anonymisation ou pseudonymisation.