LE CADRE
La gestion des risques d'entreprise (ERM) traditionnelle a été conçue pour des risques au comportement déterministe, dont les défaillances laissent une chaîne causale traçable. L'IA brise ces deux hypothèses. EW-AiRM™ est la couche qui comble l'écart, conçue pour compléter ce que vous utilisez déjà, et non pour le remplacer.
ARCHITECTURE
La plupart des cadres de risque de l'IA choisissent un niveau et s'y tiennent : EW-AiRM™ couvre délibérément trois couches, car les questions stratégiques ne peuvent pas être résolues avec des outils opérationnels seuls, et la couche opérationnelle ne peut pas anticiper les cygnes noirs. Et le HAiPECRTM filtre éthique s'exécutant sur tous. Avec un Bibliothèque de contrôles IA tirée de plus de 800 mesures d'atténuation fondées sur des données probantes, et pas seulement affirmé à partir de principes premiers.
COUCHE 1
Six piliers. Nécessité, préparation, maturité, tolérance, gouvernance et responsabilité, à travers-surveillance tout au long du cycle de vie. Définit les conditions que tout déploiement d'IA doit remplir avant d'être mis en service.
Peut être également appliqué de manière rétrospective, dans le cadre de l'évaluation de la maturité en IA d'une entreprise.
Complété par HAiPECRTM, le filtre éthique : les sept mêmes questions posées à chaque décision importante de l'IA, à travers les trois couches, aligné sur la Recommandation de l'UNESCO de 2021.
COUCHE 2
Répertoire des risques d'IA du MIT (CC BY 4.0) : plus de 1 000 risques répartis sur 7 domaines et 24 sous-domaines.
Mis en correspondance avec 831 contrôles dans 4 quadrants (Gouvernance et supervision, Technique et sécurité, Processus opérationnels, Transparence et responsabilité).
Pour les correspondances de contrôles dans les niveaux Primaire, Secondaire et Tertiaire.
Ceci la couche ne demande pas aux organisations de construire une taxonomie des risques de l'IA à partir de zéro ; elle fournit aux praticiens la base de preuves et les outils pour l'appliquer.
COUCHE 3
Huit Catégories de cygnes noirs de l'IA -gouverné, gouverné par des fondations robustes, une détection continue, une réponse adaptative.
Comprend l'émergence multi-agents et le transition cryptographique quantique (NIST FIPS 203/204/205).
Pour les risques qui ne correspondent pas à la taxonomie opérationnelle.
Le la réponse aux inconnues inattendues est la résilience, et non la prédiction.
CONDITIONS DE PLANCHER : Les 5 éléments non négociables
1
Responsabilité nommée pour chaque système d'IA déployé
2
HAIPECR exécuté comme filtre de pré-déploiement, documenté
3
Capacité de contournement humain testée avec un SLA de 4 heures
4
Acceptation documentée du risque par le conseil d'administration ou la direction
5
Procédure de signalement des incidents, avec destinataire désigné
COUCHE STRATÉGIQUE
Chaque pilier représente une question à laquelle l'organisation doit répondre par écrit avant qu'un système ne puisse être déployé, ainsi qu'un contrôle qui doit être maintenu tout au long du cycle de vie du déploiement.
P-I
Alignement stratégique
+ Évaluation de la nécessité
L'IA est-elle vraiment le bon outil pour ce problème ? Si un système déterministe fait l'affaire, l'IA est la mauvaise réponse.
P-II
P-III
Maturité technologique
Le modèle sous-jacent, le fournisseur et le modèle d'intégration sont-ils prêts pour ce cas d'utilisation à ce niveau de risque ?
P-IV
Tolérance au risque
Le conseil d'administration a-t-il approuvé le risque résiduel et la tolérance est-elle documentée au niveau de granularité approprié ?
P-V
Gouvernance et Responsabilité
Qui est responsable de la décision, et qui est responsable de l'incident ? Nommé, pas implicite.
P-VI
Surveillance tout au long du cycle de vie
+ Adaptabilité
Quels changements déclenchent une réévaluation ? Qui mène la réévaluation ? Quel est le délai d'intervention (SLA) de l'interrupteur d'urgence ?
COUCHE ÉTHIQUE
HAIPECR est le filtre éthique qui s'applique aux trois couches. Aligné sur la Recommandation de l'UNESCO de 2021 sur l'éthique de l'IA (10 principes fondamentaux, et non 9). Répertorié sur l'Observatoire des politiques d'IA de l'OCDE depuis avril 2023.
Supervision humaine - Responsabilité désignée, contournement testé.
Responsabilité - mis en correspondance avec l'UNESCO P5.
Inclusivité - un prérequis intégré,
pas un pilier. (D'où le "i" minuscules).
Confidentialité - Protection des données, sûreté, sécurité.
Éthique - Explicabilité, transparence, équité, non-discrimination.
Conduite - basée sur le paradigme du risque de conduite universel (UCRP).
Résilience - Durabilité, droits intergénérationnels.
CARTOGRAPHIE UNESCO :
H → P7 Surveillance humaine
A → P5 Responsabilité
i → P4 Gouvernance multipartite + P9 Sensibilisation et culture
P → P3 Confidentialité + P2 Sûreté et Sécurité (+ 2024 UNESCO Neurotech)
E → P6 Transparence et explicabilité + P10 Équité
C → P1 Proportionnalité / Ne pas nuire
R → P8 Durabilité
CARTOGRAPHIE UNESCO : H → P7 Surveillance Humaine A → P5 Responsabilité i → P4 Gouvernance Multipartite + P9 Sensibilisation & Littératie P → P3 Vie Privée + P2 Sûreté & Sécurité (+ 2024 UNESCO Neurotech) E → P6 Transparence & Explicabilité + P10 Équité C → P1 Proportionnalité / Ne Pas Nuire R → P8 Durabilité
COUCHE DE RÉSILIENCE
EW-AiRM identifie huit catégories distinctes de Cygnes Noirs liés à l'IA.
Chacune possède des caractéristiques distinctes, une raison spécifique d'imprévisibilité et une réponse de gouvernance appropriée.
Les catégories ne s'excluent pas mutuellement : plusieurs catégories peuvent interagir et amplifier leurs effets respectifs, rendant l'événement combiné plus grave que ne le serait une seule catégorie isolée :
Caractéristique :
Les modèles de fondation présentent des capacités inattendues pour lesquelles le système n'a pas été explicitement entraîné ou conçu. Ces capacités émergent des interactions complexes de milliards de paramètres d'une manière qui ne peut être prédite à partir de la spécification du modèle.
Pourquoi imprévisible :
Les modèles ont des milliards de paramètres ; le comportement émerge d'interactions complexes de paramètres qui ne peuvent pas être entièrement prédites même par les ingénieurs qui ont construit le système. La capacité émerge à des seuils d'échelle qui sont eux-mêmes imprévisibles.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
La panne d'un élément central de l'infrastructure d'IA (le plus souvent un grand fournisseur de modèles de fondation, mais aussi des fournisseurs de GPU cloud, de processeurs d'accélération d'IA et de bases de données vectorielles à mesure que la pile d'IA mûrit) se propage simultanément à des milliers d'applications dépendantes, provoquant une perturbation à l'échelle de l'économie plutôt que des pannes organisationnelles isolées.
Pourquoi imprévisible :
L'ampleur de la dépendance à l'échelle de l'écosystème est inconnue jusqu'à ce qu'une panne se produise. Les organisations individuelles évaluent leur propre dépendance, mais aucun acteur de la gouvernance n'a de visibilité sur la dépendance globale dans l'ensemble du système financier, du système de santé ou d'un autre secteur critique.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Un modèle poursuit les objectifs qui lui ont été fixés d'une manière préjudiciable, car le processus d'optimisation a trouvé pour atteindre l'objectif un chemin qui n'avait pas été anticipé par les concepteurs du système. Le modèle fait exactement ce pour quoi il a été optimisé, mais l'optimisation a produit des conséquences inattendues.
Pourquoi imprévisible :
Il est difficile d'anticiper toutes les manières dont un processus d'optimisation pourrait trouver un chemin vers un objectif qui cause des préjudices. L'optimisation est mathématiquement correcte ; le problème réside dans l'écart entre l'objectif spécifié et l'objectif voulu. Les recherches de pointe sur la sécurité de l'IA menées par Anthropic, OpenAI, Google DeepMind ainsi que par les instituts de sécurité de l'IA du Royaume-Uni et des États-Unis ont documenté que cet écart se creuse au lieu de se réduire à mesure que les capacités des modèles augmentent, faisant de l'échec de l'alignement un risque structurellement croissant plutôt qu'un problème qui s'améliore avec la maturité technique.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Des comportements inattendus et nuisibles émergeant de la combinaison de texte, d'images, d'audio et d'autres modalités d'IA au sein d'un même système, alors que chaque modalité prise isolément a été jugée acceptable, mais que leur association engendre des effets cumulatifs absents de chacune d'elles.
Pourquoi imprévisible :
Les interactions entre les modalités sont difficiles à prédire à partir de l'analyse de modalités individuelles. Les biais qui sont gérables individuellement peuvent se cumuler de manière à produire des préjudices qualitativement plus graves lorsque les modalités interagissent.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Une nouvelle technique d'attaque est découverte, qui met en échec les défenses existantes en matière d'IA dans toute l'industrie : non seulement les défenses d'une seule organisation, mais aussi les approches fondamentales que tous les grands systèmes ont mises en œuvre.
Pourquoi imprévisible :
La surface d'attaque des modèles d'IA est énorme et de nouveaux angles d'attaque sont toujours possibles. Lorsqu'une nouvelle technique d'attaque est découverte exploitant une propriété fondamentale de l'architecture du modèle (par exemple, l'objectif de prédiction du token suivant partagé par tous les modèles de langage, ou l'optimisation par gradient utilisée par tous les réseaux de neurones), elle peut fonctionner contre tous les modèles partageant cette architecture, indépendamment des mesures de défense individuelles.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Une défaillance ou une attaque dans la chaîne d'approvisionnement de l'IA (données d'entraînement, bibliothèques de modèles, infrastructure de calcul ou services d'annotation de données) se propage en aval et compromet tous les systèmes construits sur ce composant de la chaîne d'approvisionnement.
Le risque lié au fournisseur de modèles de fondation est traité séparément en tant que Catégorie 2 (Concentration systémique) ; la Catégorie 6 couvre les couches amont et d'infrastructure de la chaîne d'approvisionnement de l'IA.
Pourquoi imprévisible :
Les chaînes d'approvisionnement sont complexes et leurs vulnérabilités sont cachées jusqu'à ce qu'elles soient exploitées. Les acteurs malveillants qui comprennent la chaîne d'approvisionnement peuvent introduire des vulnérabilités à des points qui affectent des centaines de systèmes en aval simultanément.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Une défaillance ou un comportement nuisible résulte de l'interaction entre deux ou plusieurs systèmes d'IA agissant sur les sorties les uns des autres, où chaque système a été évalué individuellement comme acceptable, mais où l'interaction produit des effets combinés, un transfert d'autorité en cascade ou un comportement coordonné qu'aucun système individuel n'a été conçu pour produire. La défaillance est une propriété de l'interaction, et non d'un agent individuel.
Pourquoi imprévisible :
Les interactions multi-agents créent un espace combinatoire qui ne peut pas être pré-évalué de manière exhaustive. Le comportement de chaque agent est limité ; l'interaction de chaque agent avec un autre agent est limitée ; la combinaison de N agents interagissant à travers M outils et K points de décision produit un espace comportemental qui dépasse la capacité d'évaluation pratique. Des comportements émergents, y compris la coordination, la tromperie et la dérive des objectifs, ont été documentés dans des environnements de recherche et sont de plus en plus observés dans des déploiements agentiques en production. L'évaluation de la sécurité traditionnelle évalue un agent à la fois ; l'échec émergent multi-agents est invisible pour cette méthodologie d'évaluation par construction.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
Caractéristique :
Un ordinateur quantique cryptographiquement pertinent devient disponible (soit
par le développement progressif des capacités ou une percée discontinue), et les fondements cryptographiques de l'infrastructure de l'IA deviennent simultanément vulnérables : les surfaces cryptographiques standard (TLS, authentification API) et les dépendances cryptographiques spécifiques à l'IA (vérification de l'intégrité des poids des modèles, signature des pistes d'audit, attestation de la chaîne d'approvisionnement par la signature des modèles) sur l'ensemble du parc d'IA déployé.
Par ailleurs, les données chiffrées exfiltrées précédemment (acquises via l'attaque HNDL) deviennent déchiffrables de manière rétroactive.
Pourquoi imprévisible :
Le calendrier du jour Q est délimité mais incertain. Les estimations d'experts du rapport Global Risk Institute Quantum Threat Timeline Report (Mosca et Piani 2024) et de sources équivalentes se regroupent autour de 2034-2036, avec un risque résiduel considérable s'étendant de la fin des années 2020 jusque dans les années 2040. Une avancée dans la correction d'erreurs quantiques, une nouvelle modalité de qubit atteignant l'échelle, ou une attaque algorithmique classique sur des schémas post-quantiques pourrait modifier le calendrier de manière discontinue.
Réponse de gouvernance :
Veuillez nous contacter pour identifier les stratégies de réponse appropriées ou consultez le Chapitre 14 du EW-AiRMTM Livre.
D'OÙ CELA VIENT
EW-AiRM™ s'appuie sur des normes sous licence publique : le dépôt des risques IA du MIT (CC BY 4.0), la Recommandation de l'UNESCO de 2021 sur l'éthique de l'IA, le NIST AI RMF, l'ISO 31000 (gestion générale des risques), l'ISO 42001 (systèmes de gestion des risques liés à l'IA) et la CEE-ONU (ECE/TRADE/486, 2024). HAIPECR a été créé par le prof. Markus Krebsz et est répertorié sur l'Observatoire des politiques de l'IA de l'OCDE depuis avril 2023.
Voici une comparaison de EW-AiRMTM avec ces autres cadres et la loi européenne sur l'IA :
| Dimension | EW-AiRM™ | NIST AI RMF | ISO 42001 | COSO ERM | Loi sur l'IA de l'UE |
|---|---|---|---|---|---|
| basé sur la CEE-ONU | Oui (ECE/TRADE/486) | Non | Non | Non | Non |
| Portée principale | IA à l'échelle de l'entreprise Gouvernance des risques cadre & approche | Risque IA Gestion | IA Gestion Système | (Traditionnel) Entreprise Risque Gestion | Régulation de l'IA |
| Public cible | Conseils d'administration, Fonctions de risque, CTO, CISO, Communauté des risques | Fédéral américain & Entreprise | N'importe quel organisation | DAF, Conseil d'administration, Équipes ERM | Opérateurs & Fournisseurs (UE) |
| Couches | Stratégique, Opérationnel, Résilience + HAiPECR | Gouverner, Cartographier, Mesurer, Gérer | Planifier, Agir, Vérification, Loi | Stratégie, Performance | Interdit, Haut risque, GPAI |
| Certifiable | Non (Cadre ouvert) | Non (Volontaire) | Oui (Audit ISO) | Non (Orientation) | Public, à l'échelle de l'UE Régulation |
| Ouvert / gratuit | Oui (Base CC BY 4.0) | Oui | Payant norme | Payant orientation | Public régulation |
| Aligné sur l'UNESCO | Oui (HAiPECR) | Non | Partiel | Non | Partiel (GPAI) |
Le cadre est la représentation conceptuelle. La comparaison à trois niveaux montre à quoi cela ressemble lors du déploiement.
The Human-Ai.Institute est un Think/Do Tank indépendant qui organise un dialogue multilatéral et multipartite sur la gouvernance de l'IA. L'Institut collabore avec l'ONU, l'UNESCO, l'OCDE, la Commission européenne et des gouvernements du monde entier.
Accueil de EW-AiRM™ — le cadre ouvert à trois couches pour la gestion des risques liés à l'IA à l'échelle de l'entreprise, fondé sur des normes sous licence publique et aligné sur l'UNESCO, la CEE-ONU, le NIST, l'ISO et l'IA Act de l'UE.
Des services de conseil commercial, de formation et de conseil sont fournis par De-Risking Solutions Ltd. et RiskAi.Ai
SOLUTIONS IA ET TECHNOLOGIQUES
Les solutions d'IA, d'outils d'agents et technologiques sont fournies par Human-Ai.Solutions.
The Human-Ai.Institute
est géré et maintenu par
De-Risking Solutions Ltd.
E-mail :
contact [at] human-ai.institute
Listé sur l'Observatoire des politiques de l'IA de l'OCDE · Membre fondateur du Réseau IA de l'Université des Nations Unies · Alignement avec l'UNESCO, le WP.6 de la CEE-ONU, le NIST et l'ISO 42001
EW-AiRM™ et HAiPECR™ sont des marques déposées de De-Risking Solutions Ltd., enregistrées en Angleterre et au Pays de Galles (Numéro d'entreprise 09900565). Tous droits réservés.
© 2026 The Human-Ai.Institute.
