Pour l’heure, deux paradigmes semblent identifiables quant à l’intégration de ces modèles : une utilisation sur les infrastructures d’un tiers, concepteur ou non du réseau de neurones artificiels, ou un déploiement en interne sur les systèmes du fiscaliste. Lorsque l’on envisage les possibilités d’appropriation de la technologie par les métiers du droit, cette distinction semble en réalité décisive sur le sort réservé d’une part à la confidentialité des données clients, et d’autre part à l’expertise métier pouvant transparaître dans le cadre des interactions avec la machine. Une chose est toutefois sûre, l’apprentissage profond redéfinit le traitement de l’information en ce que sa conservation transcende le postulat d’une présence explicitement identifiable au sein d’une base de données : le système intègre le raisonnement ayant obtenu la validation de son utilisateur et affine ses paramètres pour l’appréhension des entrées futures. Ce renforcement perpétuel pourrait ne pas être l’unique source de « créativité ». En effet, l’aide à la génération de documents verrait probablement ses applications se diversifier et ses performances être décuplées par des systèmes tirant parti du couplage entre ces modèles de langage et les moteurs de recherche existants (académiques, conventionnels, privés…), palliant ainsi une limitation souvent constatée : la non-actualisation des résultats des robots conversationnels. Est-il en ces conditions envisageable de participer potentiellement à l’enrichissement d’un modèle public à l’aide de données casuistiques ? Pour le technicien fiscaliste, probablement pas.