Les embeddings (ou plongements vectoriels) sont la technologie qui permet à l'IA de "comprendre" la proximité sémantique entre des textes. Concrètement, chaque mot, phrase ou document est transformé en un vecteur numérique — une liste de coordonnées dans un espace mathématique de haute dimension (typiquement 768 à 8 192 dimensions). Dans cet espace, les textes qui parlent du même sujet se retrouvent proches les uns des autres, indépendamment des mots exacts utilisés.
Pour le droit, cette technologie est révolutionnaire. La recherche juridique classique repose sur des mots-clés : si vous cherchez "licenciement abusif" mais que la décision utilise "rupture injustifiée du contrat de travail", la recherche traditionnelle échoue. Avec les embeddings, la recherche sémantique comprend que ces deux formulations désignent le même concept et retourne les résultats pertinents. C'est la base des systèmes RAG utilisés par les solutions legaltech modernes.
Les embeddings sont stockés dans des bases de données vectorielles spécialisées (Qdrant, Pinecone, Weaviate) optimisées pour la recherche par similarité à grande échelle. L'indexation de millions de décisions de justice, d'articles de doctrine ou de textes législatifs sous forme d'embeddings permet une recherche juridique plus intelligente, plus rapide et plus exhaustive que les approches traditionnelles.