
La conformité native IA consiste à utiliser l'IA au sein d'un processus de conformité structuré et vérifiable, et non simplement à ajouter un chatbot à un référentiel documentaire. Le principe de fonctionnement est simple : l'IA accélère la préparation et l'analyse, les personnes approuvent les décisions lourdes de conséquences, et les preuves restent rattachées à chaque affirmation qu'elles étayent.
Pour un DSI ou un CTO, la question d'architecture est de savoir si le système peut représenter les mesures réelles de l'organisation. Une politique décrit le comportement attendu. Un export de configuration montre un paramètre. Une revue des accès réalisée démontre une activité. Ce sont des types de preuves différents, et générer un texte fluide ne les rend pas interchangeables.
Un espace de travail utile relie les exigences, les mesures, les systèmes, les preuves, les responsables, les tâches et les décisions. Cette structure permet aux équipes de réutiliser des informations étayées d'un référentiel à l'autre sans confondre des exigences similaires avec des obligations équivalentes.
Les organisations conservent souvent les politiques dans des documents, les preuves dans des dossiers, les risques dans des tableurs et les tâches de correction dans des outils de gestion de projet. Les récits d'audit sont ensuite reconstitués à partir de ces sources dispersées. L'ajout d'un nouveau référentiel crée souvent une copie supplémentaire des mêmes informations.
Les conséquences dépassent l'effort administratif. Des équipes distinctes peuvent donner aux ingénieurs des instructions contradictoires sur le même processus de contrôle d'accès. Une évaluation peut s'appuyer sur une description d'architecture obsolète tandis qu'une autre utilise la version actuelle. Un rapport soigné peut masquer un écart de mise en œuvre non résolu.
L'alternative pratique est un modèle de mesures partagé avec des vues propres à chaque référentiel. Maintenez la mise en œuvre une seule fois, rattachez-y les preuves appropriées et évaluez séparément les exigences qu'elle soutient. Cela réduit les demandes en double sans effacer les différences de périmètre, de périodes d'évaluation ou d'obligations légales.
Commencez par la frontière organisationnelle : quels services, entités juridiques, systèmes, sites et prestataires sont inclus ? Consignez la version du référentiel et la raison pour laquelle chaque obligation s'applique. Sinon, l'IA peut produire des correspondances plausibles pour des exigences situées hors du périmètre réel.
Les distinctions comptent :
Traitez l'applicabilité comme une donnée d'entrée approuvée, et non comme une déduction faite silencieusement par le modèle. Pour les cas incertains, créez une tâche d'interprétation explicite confiée à un relecteur responsable.
Un modèle minimal pratique doit distinguer l'exigence, la mesure mise en œuvre, la preuve à l'appui et la décision de revue. Un fichier téléversé n'est pas en soi une mesure, et une politique approuvée ne prouve pas que la procédure fonctionne de manière constante.
| Objet | Informations à conserver | Question de revue |
|---|---|---|
| Exigence | Source, version, périmètre, justification de l'applicabilité | Cela s'applique-t-il ici ? |
| Mesure | Mise en œuvre, systèmes, responsable, exceptions | Que se passe-t-il réellement ? |
| Preuve | Origine, date de collecte, période couverte, limites | Qu'est-ce que cela prouve ? |
| Correspondance | Recouvrement étayé, différences restantes, justification | Dans quelle mesure pouvons-nous la réutiliser ? |
| Décision | Relecteur, résultat, date, suivi | Qui a accepté cette conclusion ? |
Les dépendances ont aussi leur place dans le modèle. Une application destinée aux clients peut s'appuyer sur un fournisseur d'identité, une infrastructure cloud et une équipe de support externalisée. Une preuve relative à une dépendance ne doit pas automatiquement être considérée comme une preuve pour l'ensemble du service.
Cette structure rend visible une couverture insuffisante : une politique d'accès peut être à jour alors que les enregistrements de revue manquent, ou une capture d'écran de configuration peut ne couvrir qu'un seul environnement.
L'IA peut aider à extraire les passages pertinents, suggérer des liens, repérer les éléments manquants et rédiger des descriptions de mesures. Fournissez-lui des versions de sources identifiées et la mise en œuvre réelle, et pas seulement les intitulés des mesures.
Une proposition de correspondance utile explique quelle partie se recoupe, quelles preuves étayent ce recoupement et ce qui reste non traité. Les relations sont souvent de type plusieurs-à-plusieurs : une mesure soutient plusieurs exigences, tandis qu'une exigence nécessite plusieurs mesures.
La gestion des incidents illustre cette limite. Un processus de réponse partagé peut soutenir plusieurs référentiels, mais les seuils, les destinataires, les déclencheurs et les délais de notification peuvent différer. Réutiliser le processus opérationnel ne satisfait pas à toutes les obligations de notification.
Les relecteurs doivent vérifier les périmètres manquants, les sources contradictoires, les références obsolètes et les affirmations non étayées avant d'approuver une réutilisation. Conservez la justification avec la relation afin qu'un changement ultérieur de référentiel ou de mise en œuvre puisse être évalué de manière éclairée. Notre guide sur le registre des risques opérationnels applique le même principe d'assistance relue aux scénarios et aux décisions de traitement.
Collectez les preuves depuis les systèmes faisant autorité au moyen d'un processus maîtrisé, qu'il s'agisse d'exports manuels ou d'un mécanisme de collecte évalué. Consignez qui les a collectées, quand et quelle population elles couvrent. Ne supposez pas qu'un produit doté d'IA a automatiquement accès aux systèmes opérationnels.
L'extraction assistée par l'IA doit conserver le passage ou l'enregistrement source qui étaye chaque conclusion. Soyez particulièrement attentif lorsque des documents contiennent des affirmations contradictoires, que des captures d'écran ne sont pas datées ou que des données exportées excluent certains comptes. Une preuve manquante doit donner lieu à une question ou à une tâche, et non à une affirmation inventée selon laquelle la mesure fonctionne.
Pour la documentation générée, utilisez une trame de rédaction cohérente : finalité, périmètre, mise en œuvre, responsable, preuves, exceptions et état de la revue. Distinguez les procédures prévues du fonctionnement observé. Les rapports doivent s'appuyer sur des mesures relues et faire état des écarts significatifs plutôt que de convertir des suggestions provisoires en assurance définitive.
Les éléments téléversés doivent aussi être traités comme des entrées non fiables. Des instructions intégrées dans des documents ne doivent ni contourner le processus de revue ni autoriser des actions. Un accès en lecture à des fins d'analyse ne doit pas impliquer l'autorisation de modifier des mesures, d'approuver des décisions ou de diffuser des rapports.
Prenons à titre d'illustration une équipe SaaS qui documente un service de production. Supposons qu'elle dispose d'une politique d'accès approuvée, d'un export daté du fournisseur d'identité, d'enregistrements de revues trimestrielles et d'une tâche ouverte visant à supprimer deux comptes administrateurs inutiles. Aucune économie ni performance du produit n'est présumée.
L'équipe définit d'abord la frontière : les comptes de production sont inclus ; un environnement de recherche distinct est exclu. Elle relie ensuite la politique au processus de revue prévu et les enregistrements réalisés à l'activité de revue.
L'IA propose une description de la mesure de contrôle d'accès et des correspondances candidates avec les référentiels. Le relecteur relève trois problèmes :
Le relecteur approuve la description étayée, rejette l'affirmation selon laquelle tous les accès à privilèges sont revus et crée des tâches pour la couverture des identités de service et la vérification des suppressions. Les correspondances propres à chaque référentiel conservent ces limites.
Le livrable est un enregistrement de mesure relu, avec des preuves de portée délimitée et des corrections ouvertes. Il est plus utile que plusieurs récits assurés, car les ingénieurs savent ce qu'ils doivent corriger et les auditeurs peuvent examiner ce qui étaye l'affirmation.
La conformité continue doit signifier le maintien des preuves et des décisions au fil des changements pertinents. Elle ne doit pas laisser entendre que l'IA prouve en permanence l'efficacité de chaque mesure.
En pratique, combinez des revues programmées avec des déclencheurs liés aux changements : un nouveau prestataire, une conception d'authentification modifiée, un référentiel révisé, une période de preuve expirée ou un incident significatif. Identifiez les mesures, correspondances, responsables et rapports concernés, puis demandez de nouvelles preuves lorsque c'est nécessaire.
Gardez les statuts distincts : proposé, en attente de preuves, relu, approuvé et correction en cours ne doivent pas se fondre en un seul indicateur vert. Suivez des indicateurs tels que les revues en retard, les affirmations non étayées, les exceptions non résolues et l'ancienneté des preuves. Ils révèlent la charge de travail et la qualité de l'assurance plus clairement que le nombre de documents.
Les éléments de conformité exposent l'architecture, les faiblesses, les processus internes et parfois des données à caractère personnel. Évaluez le lieu d'hébergement en même temps que les accès du fournisseur, les sous-traitants ultérieurs, la conservation, la suppression, les conditions d'utilisation des modèles et les dispositifs de transfert applicables. La localisation des données dans l'UE ou en Allemagne n'établit pas à elle seule la souveraineté ou la conformité au RGPD.
Appliquez le principe du moindre privilège et séparez la rédaction de l'approbation. Protégez les identifiants et retirez les informations personnelles inutiles avant de téléverser des preuves. Exigez la traçabilité des changements significatifs et définissez comment les relecteurs peuvent contester une conclusion de l'IA. L'approbation humaine doit signifier examiner les éléments à l'appui et lever les incertitudes, et non valider une file d'attente d'un clic.
Secani permet un démarrage ciblé : modéliser un service ou une unité organisationnelle à partir d'objets cibles réels, relier ses systèmes et prestataires externes, et nommer des responsables et des relecteurs. Téléversez les politiques, exports, captures d'écran et descriptions existants ; reliez-les aux exigences, mesures, systèmes ou décisions qu'ils étayent. Utilisez les suggestions assistées par l'IA comme des brouillons, vérifiez leurs sources et conservez les commentaires, approbations et horodatages. Transformez les preuves manquantes ou périmées en tâches plutôt que de les laisser enfouies dans des documents.
Pour le premier cycle, choisissez une famille de mesures et un rythme de revue court. Exigez une description claire de la mise en œuvre, des preuves à jour, des correspondances relues et des écarts attribués avant d'étendre la démarche. La documentation Secani explique ce processus de démarrage. Le succès se mesure à une décision traçable que le prochain relecteur peut reproduire, et non à un volume plus important de texte généré.

Gouvernance de l’IA · 10 octobre 2026 · 9 Min.
Un lien vers une source ne rend pas fiable le verdict d’une IA. La relation entre une exigence, une preuve et le verdict doit pouvoir être testée.

Gouvernance de l’IA · 19 octobre 2026 · 6 Min.
Trois normes en trois jours : l’ISO/IEC 27090 pour la sécurité de l’IA, l’EN 18286 comme première norme harmonisée au titre du règlement européen sur l’IA et l’IEEE 2863 pour la gouvernance de l’IA au niveau des instances dirigeantes.

Gouvernance de l’IA · 18 octobre 2026 · 5 Min.
L’ISO 27090 guide le travail de sécurité de l’IA. L’ISO 42001 fixe les exigences d’un système de management de l’IA. Voici en quoi elles diffèrent et comment les utiliser ensemble.
Secani réunit Scopes, preuves, tâches et agents d’IA dans un espace de travail partagé.