Cet article présente LawFlow, un ensemble complet de données de workflows juridiques de bout en bout, collectées auprès d'étudiants en droit formés et basées sur un scénario réel de constitution d'entreprise. Il vise à soutenir les tâches complexes et critiques des professionnels du droit, notamment en début de carrière. Contrairement aux ensembles de données existants qui se concentrent sur les paires entrée-sortie ou les processus de pensée linéaires, LawFlow capture des processus de raisonnement dynamiques, modulaires et itératifs qui reflètent l'ambiguïté, la modification et les stratégies d'adaptation des clients de la pratique juridique. Grâce à LawFlow, nous comparons et analysons les workflows humains et ceux générés par les LLM, révélant des différences systématiques en termes de structure, de flexibilité du raisonnement et d'exécution planifiée. Les workflows humains sont modulaires et adaptatifs, tandis que les workflows LLM sont séquentiels, exhaustifs et moins sensibles aux influences en aval. De plus, nous suggérons que les professionnels du droit ont tendance à privilégier l'IA pour des fonctions de soutien, telles que le brainstorming, l'identification des angles morts et la suggestion d'alternatives, plutôt que pour l'exécution de workflows complexes de bout en bout. Par conséquent, nous soulignons les limites actuelles du LLM dans la prise en charge des flux de travail juridiques complexes et les opportunités de développement de systèmes d’IA juridique plus collaboratifs et plus sensibles au raisonnement.
