{"id":7730,"date":"2026-06-05T00:50:24","date_gmt":"2026-06-04T16:50:24","guid":{"rendered":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"modified":"2026-06-05T00:50:24","modified_gmt":"2026-06-04T16:50:24","slug":"scaling-ai-with-adaptive-governance","status":"publish","type":"post","link":"https:\/\/moresourcing.com\/fr\/scaling-ai-with-adaptive-governance\/","title":{"rendered":"Passer \u00e0 l'\u00e9chelle de l'IA avec une gouvernance adaptative"},"content":{"rendered":"<figure class=\"wp-block-gallery has-nested-images columns-default is-cropped wp-block-gallery-1 is-layout-flex wp-block-gallery-is-layout-flex\">\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1290\" height=\"860\" data-id=\"7728\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.jpg\" alt=\"\" class=\"wp-image-7728\"\/><\/figure>\n\t\t\t\t\t\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1196\" height=\"616\" data-id=\"7729\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.png\" alt=\"\" class=\"wp-image-7729\"\/><\/figure>\n\t\t\t\t\t<\/figure>\n<br><p><\/p>\n<figure class=\"article-inline\">\n<img decoding=\"async\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.jpg\" alt=\"\" class=\"wp-image-127406\" \/><figcaption>\n<p class=\"attribution\">Christian Gralingen<\/p>\n<\/figcaption><\/figure>\n<aside class=\"callout-info\">\n<h4>La recherche<\/h4>\n<p>De 2022 \u00e0 2025, les auteurs ont men\u00e9 des entretiens approfondis et semi-structur\u00e9s avec des cadres sup\u00e9rieurs et des praticiens responsables de la gouvernance de l'IA, des risques, de la conformit\u00e9, des donn\u00e9es et des d\u00e9cisions produit.<\/p>\n<ul>\n<li>Les entretiens principaux ont \u00e9t\u00e9 men\u00e9s chez Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank et le D\u00e9partement des Finances d'Abou Dhabi. Les entretiens se sont concentr\u00e9s sur la mani\u00e8re dont la gouvernance fonctionne en pratique : o\u00f9 elle \u00e9choue, comment les contr\u00f4les sont mis en \u0153uvre et quels compromis organisationnels les dirigeants doivent faire \u00e0 mesure que les syst\u00e8mes d'IA se d\u00e9veloppent.<\/li>\n<li>Les auteurs ont collect\u00e9 des preuves suppl\u00e9mentaires sur la gouvernance de l'IA dans plus de 40 autres institutions financi\u00e8res en s'appuyant sur des divulgations publiques, des d\u00e9p\u00f4ts r\u00e9glementaires et de la documentation de praticiens. Ces cas suppl\u00e9mentaires ont \u00e9t\u00e9 utilis\u00e9s pour valider la g\u00e9n\u00e9ralisabilit\u00e9 des th\u00e8mes coh\u00e9rents issus des entretiens principaux.<\/li>\n<\/ul>\n<\/aside>\n<p><\/p>\n<p><\/p>\n<p><span class=\"smr-leadin\">Les dirigeants ayant m\u00eame une connaissance superficielle<\/span> de l'intelligence artificielle savent que, si la technologie peut les aider \u00e0 am\u00e9liorer leur productivit\u00e9 et \u00e0 saisir de nouvelles opportunit\u00e9s, elle peut aussi exposer leur organisation \u00e0 de nombreux risques. Ceux qui en savent un peu plus sont conscients que r\u00e9v\u00e9ler et att\u00e9nuer ces risques n\u00e9cessite d'adopter des pratiques d'IA responsables. Et les dirigeants qui mettent \u00e0 l'\u00e9chelle une impl\u00e9mentation de l'IA au sein de leur organisation r\u00e9aliseront rapidement qu'une attention ponctuelle \u00e0 ces pratiques est insuffisante et qu'ils doivent d\u00e9velopper la capacit\u00e9 de gouverner syst\u00e9matiquement l'IA \u00e0 grande \u00e9chelle.<\/p>\n<p>Mais construire cette capacit\u00e9 s'av\u00e8re bien plus difficile que la plupart des dirigeants ne le pensent. Ils savent ce qu'ils doivent accomplir ; les cadres des gouvernements et des r\u00e9gulateurs d\u00e9finissent des garde-fous et des principes importants, tels que la transparence, l'\u00e9quit\u00e9 et la responsabilit\u00e9.<a id=\"reflink1\" class=\"reflink\" href=\"#ref1\">1<\/a> Mais pour int\u00e9grer les contr\u00f4les et les principes dans les flux de travail quotidiens et la prise de d\u00e9cision, les organisations doivent repenser la gouvernance de l'IA. Elles doivent cadrer cette t\u00e2che non pas comme une obligation de conformit\u00e9, mais comme une capacit\u00e9 strat\u00e9gique et adaptative qui \u00e9volue \u00e0 mesure que les syst\u00e8mes d'IA se d\u00e9veloppent, que les cas d'utilisation s'\u00e9tendent et que les risques changent au fil du temps.<\/p>\n<p>Dans cet article, nous partagerons comment les organisations de premier plan font exactement cela. Nous pr\u00e9senterons \u00e9galement une approche de gouvernance adaptative de l'IA bas\u00e9e sur deux principes : faire correspondre les contr\u00f4les de gouvernance au type de syst\u00e8me d'IA et de risque impliqu\u00e9, et int\u00e9grer ces contr\u00f4les directement dans les flux de travail, les droits de d\u00e9cision et les structures de responsabilit\u00e9.<\/p>\n<p><\/p>\n<h3>Les fondamentaux du risque li\u00e9 \u00e0 l'IA<\/h3>\n<p>Pour concevoir une gouvernance efficace de l'IA, les dirigeants doivent d'abord comprendre les multiples fa\u00e7ons dont l'IA peut \u00e9chouer et les risques correspondants. La nature et la gravit\u00e9 de ces risques d\u00e9pendent du type de syst\u00e8me, de son niveau d'autonomie et de l'\u00e9tendue des domaines affect\u00e9s par ses d\u00e9cisions. Le d\u00e9fi central est donc de concevoir des contr\u00f4les qui anticipent la mani\u00e8re dont les risques \u00e9mergeront et qui \u00e9voluent \u00e0 mesure que les syst\u00e8mes d'IA fonctionnent. M\u00eame si les conditions, les entr\u00e9es et les attentes changent, l'IA doit rester fiable, s\u00fbre et align\u00e9e sur les valeurs et les objectifs d'une organisation.<\/p>\n<p>En pratique, la plupart des risques li\u00e9s \u00e0 l'IA \u00e9mergent \u00e0 deux moments qui n\u00e9cessitent des r\u00e9ponses de gouvernance tr\u00e8s diff\u00e9rentes : lors du d\u00e9veloppement et apr\u00e8s le d\u00e9ploiement. Les risques de d\u00e9veloppement incluent l'utilisation de donn\u00e9es d'entra\u00eenement biais\u00e9es ou incompl\u00e8tes, l'incapacit\u00e9 \u00e0 aligner correctement le mod\u00e8le sur les exigences de la t\u00e2che, et le suivi de processus de validation inad\u00e9quats. Par exemple, un mod\u00e8le pr\u00e9coce d'augmentation de limite de cr\u00e9dit dans une banque que nous avons \u00e9tudi\u00e9e a d\u00e9montr\u00e9 que de petits changements dans les entr\u00e9es pouvaient entra\u00eener des changements de d\u00e9cision inattendus.<\/p>\n<p>Les risques de d\u00e9ploiement surviennent lorsque les mod\u00e8les interagissent avec des environnements dynamiques et des op\u00e9rateurs humains : maintenir la l\u00e9gitimit\u00e9, le jugement et la responsabilit\u00e9 une fois que les syst\u00e8mes d'IA fonctionnent \u00e0 grande \u00e9chelle en temps r\u00e9el est un d\u00e9fi central. Au fil du temps, la qualit\u00e9 du mod\u00e8le peut se d\u00e9grader \u00e0 mesure que les propri\u00e9t\u00e9s statistiques des donn\u00e9es d'entr\u00e9e changent, un ph\u00e9nom\u00e8ne appel\u00e9 <em>d\u00e9rive des donn\u00e9es<\/em>. Un mod\u00e8le peut g\u00e9n\u00e9rer des sorties plausibles mais fausses, ou \u00eatre trop fi\u00e9 par des utilisateurs qui manquent de moyens pour d\u00e9tecter les erreurs. Chez Nasdaq, les syst\u00e8mes de surveillance de march\u00e9 bas\u00e9s sur l'IA surveillent l'activit\u00e9 de trading pour d\u00e9tecter des sch\u00e9mas suspects, g\u00e9n\u00e9rant des centaines d'alertes par seconde. Ces syst\u00e8mes peuvent toutefois \u00e9chouer \u00e0 signaler avec pr\u00e9cision une activit\u00e9, car la fronti\u00e8re entre un comportement anormal et illicite est souvent difficile \u00e0 rep\u00e9rer ; un comportement ill\u00e9gitime peut \u00eatre d\u00e9lib\u00e9r\u00e9ment con\u00e7u pour passer pour conforme en exploitant les sch\u00e9mas d'apprentissage du mod\u00e8le.<\/p>\n<h3>Contr\u00f4les adapt\u00e9s \u00e0 l'objectif<\/h3>\n<p>Les types de contr\u00f4les employ\u00e9s d\u00e9pendent non seulement du moment o\u00f9 les risques surviennent dans le cycle de vie de l'IA, mais aussi du type de syst\u00e8me d'IA impliqu\u00e9 et de l'ampleur de la propagation de ses d\u00e9cisions. Les syst\u00e8mes d'intelligence artificielle peuvent \u00eatre largement divis\u00e9s en deux cat\u00e9gories : ceux bas\u00e9s sur des mod\u00e8les d'apprentissage born\u00e9 (ou statiques) et ceux qui apprennent et s'adaptent en d\u00e9ploiement. (Voir \u00ab Contr\u00f4les dans les syst\u00e8mes de gouvernance adaptative de l'IA \u00bb.)<\/p>\n<p>Les syst\u00e8mes d'apprentissage born\u00e9s fonctionnent selon un ensemble fixe de r\u00e8gles et de param\u00e8tres. Optimisation <em>comment<\/em> ces r\u00e8gles sont appliqu\u00e9es, plut\u00f4t que modifi\u00e9es, ce qui am\u00e9liore leurs performances. Les mod\u00e8les de notation de cr\u00e9dit, par exemple, affinent les estimations de risque en fonction des revenus ou de l'historique de paiement, mais ils ne modifient pas la mani\u00e8re dont ces variables sont li\u00e9es entre elles. De nombreux mod\u00e8les d'IA g\u00e9n\u00e9rative sont \u00ab pr\u00e9-entra\u00een\u00e9s \u00bb (statiques) et ne sont pas mis \u00e0 jour lors de leur utilisation. Cela contraste avec les syst\u00e8mes d'apprentissage adaptatif, qui \u00e9voluent en int\u00e9grant des donn\u00e9es de production dans leurs donn\u00e9es d'entra\u00eenement et en mettant \u00e0 jour les repr\u00e9sentations internes et les relations entre les variables. Les plateformes de trading algorithmique et les syst\u00e8mes dynamiques de d\u00e9tection de fraude illustrent cette approche.<\/p>\n<div class=\"callout-highlight callout-highlight--transparent\">\n<aside class=\"l-content-wrap\">\n<article>\n<h4>Contr\u00f4les dans les syst\u00e8mes de gouvernance adaptative de l'IA<br \/>\n<\/h4>\n<p class=\"caption\">Les contr\u00f4les n\u00e9cessaires pour g\u00e9rer et att\u00e9nuer les risques li\u00e9s \u00e0 l'IA varient selon la nature du syst\u00e8me d'IA et selon que les r\u00e9sultats \u00e9clairent des d\u00e9cisions restreintes ou un domaine plus large. Cependant, les contr\u00f4les requis pour les syst\u00e8mes \u00e0 port\u00e9e limit\u00e9e sont fondamentaux et s'appliquent \u00e9galement dans les domaines \u00e9tendus.<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.png\" alt=\"Une matrice deux par deux montrant les contr\u00f4les dans les syst\u00e8mes de gouvernance adaptative de l&#039;IA. Les colonnes repr\u00e9sentent le type de syst\u00e8me d&#039;IA : statique avec une agentivit\u00e9 limit\u00e9e et adaptatif avec une agentivit\u00e9 \u00e9lev\u00e9e. Les lignes repr\u00e9sentent les domaines impact\u00e9s par les d\u00e9cisions de l&#039;IA : \u00e9troit et large. Les syst\u00e8mes statiques \u00e0 port\u00e9e \u00e9troite n\u00e9cessitent des contr\u00f4les bas\u00e9s sur des r\u00e8gles ; les syst\u00e8mes adaptatifs \u00e0 port\u00e9e \u00e9troite n\u00e9cessitent des contr\u00f4les d&#039;alignement a posteriori ; les syst\u00e8mes statiques \u00e0 port\u00e9e large n\u00e9cessitent des contr\u00f4les des risques de propagation ; et les syst\u00e8mes adaptatifs \u00e0 port\u00e9e large n\u00e9cessitent des contr\u00f4les int\u00e9gr\u00e9s de l&#039;IA.\" \/><\/p>\n<p class=\"attribution\">\n<\/article>\n<\/aside>\n<\/div>\n<p>Tout aussi pertinent pour le type de contr\u00f4le requis est l'\u00e9tendue des domaines affect\u00e9s par les d\u00e9cisions de l'IA, repr\u00e9sent\u00e9e sur l'axe vertical de la figure \u00ab Contr\u00f4les dans les syst\u00e8mes de gouvernance adaptative de l'IA \u00bb. Cette dimension d\u00e9termine la distance et la vitesse auxquelles les risques peuvent se propager une fois qu'un syst\u00e8me dysfonctionne. \u00c0 une extr\u00e9mit\u00e9 se trouvent les syst\u00e8mes \u00e0 port\u00e9e \u00e9troite, o\u00f9 les erreurs restent confin\u00e9es \u00e0 une fonction ou une t\u00e2che sp\u00e9cifique (comme la d\u00e9tection d'anomalies dans un flux de transactions unique). \u00c0 l'autre extr\u00e9mit\u00e9 se trouvent les syst\u00e8mes \u00e0 large port\u00e9e qui influencent les r\u00e9sultats \u00e0 travers plusieurs fonctions, zones g\u00e9ographiques, voire industries, comme les plateformes d'optimisation des cha\u00eenes d'approvisionnement transfrontali\u00e8res. La diff\u00e9rence n'est pas incr\u00e9mentale mais exponentielle : \u00e0 mesure que la port\u00e9e du syst\u00e8me s'\u00e9largit, de petites erreurs interagissent, se propagent et s'amplifient en effets de second ordre.<\/p>\n<p>Selon notre typologie des syst\u00e8mes d'IA, nous estimons que les contr\u00f4les bas\u00e9s sur des r\u00e8gles constituent les garanties de base pour tous les syst\u00e8mes d'IA \u00e9troits et statiques. Lorsque ces syst\u00e8mes statiques op\u00e8rent \u00e0 une \u00e9chelle plus large, des contr\u00f4les suppl\u00e9mentaires des risques de propagation doivent \u00eatre ajout\u00e9s pour traiter les effets aval plus \u00e9tendus.<\/p>\n<p>Pour les syst\u00e8mes d'apprentissage adaptatif, des garde-fous de base restent n\u00e9cessaires mais doivent \u00eatre compl\u00e9t\u00e9s par des contr\u00f4les d'alignement ex post, notamment ceux ax\u00e9s sur l'explicabilit\u00e9 et la l\u00e9gitimit\u00e9. Lorsque les syst\u00e8mes adaptatifs ont \u00e9galement une large port\u00e9e, ils n\u00e9cessitent l'approche la plus compl\u00e8te : des contr\u00f4les int\u00e9gr\u00e9s combinant des mesures de base fond\u00e9es sur des r\u00e8gles avec une gestion des risques de propagation et des m\u00e9canismes d'alignement. Examinons de plus pr\u00e8s comment chacun d'eux fonctionne en pratique.<\/p>\n<h3>Contr\u00f4les bas\u00e9s sur des r\u00e8gles<\/h3>\n<p>Les contr\u00f4les bas\u00e9s sur des r\u00e8gles sont con\u00e7us pour pr\u00e9venir et corriger les erreurs dans les syst\u00e8mes qui op\u00e8rent dans des param\u00e8tres clairement d\u00e9finis. Ils sont particuli\u00e8rement efficaces dans des domaines d\u00e9cisionnels restreints o\u00f9 la logique est explicite et les r\u00e9sultats v\u00e9rifiables, comme la notation de cr\u00e9dit, la d\u00e9tection de fraude ou l'utilisation de chatbots pour le service client. Ces contr\u00f4les int\u00e8grent des normes pertinentes (telles que des directives \u00e9thiques et des normes sectorielles) ainsi que des exigences de conformit\u00e9 dans les mod\u00e8les, en les utilisant comme contraintes de conception. Ils incluent \u00e9galement des processus tels que les tests de validation ou la surveillance des anomalies.<\/p>\n<p>Consid\u00e9rez le mod\u00e8le de d\u00e9cision d'augmentation de limite de cr\u00e9dit mentionn\u00e9 pr\u00e9c\u00e9demment. Un responsable senior de l'IA \u00e0 la banque a expliqu\u00e9 qu'il utilise un mod\u00e8le statistique plut\u00f4t que l'apprentissage profond afin que les d\u00e9cisions restent interpr\u00e9tables. Avant de d\u00e9ployer un nouveau mod\u00e8le, l'\u00e9quipe d'analyse produit une documentation appel\u00e9e fiche mod\u00e8le qui couvre trois aspects de la gestion des risques li\u00e9s \u00e0 l'IA. Premi\u00e8rement, les v\u00e9rifications des donn\u00e9es indiquent si les donn\u00e9es d'entra\u00eenement sont compl\u00e8tes, r\u00e9centes et \u00e9quilibr\u00e9es, ainsi que la mani\u00e8re dont l'\u00e9quipe d\u00e9tectera la d\u00e9rive des donn\u00e9es au fil du temps. Ensuite, la logique de d\u00e9cision et les cas limites sont v\u00e9rifi\u00e9s pour voir comment les scores se traduisent en d\u00e9cisions d'approbation ou de refus ; cela inclut une analyse explicite des seuils o\u00f9 un client passe de l'absence d'augmentation \u00e0 une augmentation, afin que les clients dans la \"zone grise\" ne soient pas trait\u00e9s injustement. Enfin, des tests de biais et de discrimination sont effectu\u00e9s pour v\u00e9rifier que le mod\u00e8le ne s'adapte pas excessivement \u00e0 des profils clients particuliers ou ne d\u00e9savantage syst\u00e9matiquement certains groupes.<\/p>\n<p>La fiche de mod\u00e8le est soumise \u00e0 un examen d'assurance qualit\u00e9 par une unit\u00e9 ind\u00e9pendante de gestion des risques li\u00e9s aux mod\u00e8les, avec la contribution d'experts en cr\u00e9dit et en r\u00e9glementation. L'audit interne v\u00e9rifie ensuite que ces \u00e9tapes ont \u00e9t\u00e9 suivies. Ce n'est qu'\u00e0 ce moment-l\u00e0 que le mod\u00e8le est mis en production.<\/p>\n<p>Le jugement humain est central, m\u00eame dans des contextes fond\u00e9s sur des r\u00e8gles. Dans une organisation, chaque nouveau mod\u00e8le de pr\u00eat destin\u00e9 aux clients de taille interm\u00e9diaire faisait l'objet de tests sur \u00e9chantillon avant son d\u00e9ploiement. Les \u00e9quipes de risque s\u00e9lectionnaient 100 dossiers clients existants et les soumettaient au mod\u00e8le. Les charg\u00e9s de relation comparaient ensuite les d\u00e9cisions de pr\u00eat recommand\u00e9es par le mod\u00e8le avec leurs propres \u00e9valuations. En cas de divergence, l'\u00e9quipe charg\u00e9e du mod\u00e8le examinait si celui-ci avait mis en lumi\u00e8re une information pertinente ou s'il surajustait des particularit\u00e9s des donn\u00e9es. Ce n'est qu'une fois que l'examen de l'\u00e9chantillon montrait un niveau acceptable d'alignement entre les r\u00e9sultats du mod\u00e8le et les jugements des experts du domaine concern\u00e9s \u2014 et que les sources de d\u00e9saccord \u00e9taient comprises \u2014 que la banque approuvait le mod\u00e8le pour une utilisation en conditions r\u00e9elles. Apr\u00e8s le lancement, des examens p\u00e9riodiques sur \u00e9chantillon se poursuivaient dans le cadre du cycle standard de risque et de contr\u00f4le.<\/p>\n<p>Les contr\u00f4les fond\u00e9s sur des r\u00e8gles sont efficaces car ils rendent les limites d\u00e9cisionnelles critiques explicites, v\u00e9rifiables et contestables dans tous les domaines. Ils sont adaptatifs car ils peuvent \u00eatre recalibr\u00e9s au fil du temps. Les divergences entre les r\u00e9sultats des mod\u00e8les et le jugement des experts sont trait\u00e9es comme des signaux d'apprentissage, alimentant en retour des seuils, des hypoth\u00e8ses et des routines de r\u00e9vision actualis\u00e9s des mod\u00e8les, \u00e0 mesure que les donn\u00e9es, les mod\u00e8les et les contextes d\u00e9cisionnels \u00e9voluent.<\/p>\n<h3>Alignement ex post<\/h3>\n<p>La complexit\u00e9 des syst\u00e8mes d'IA avanc\u00e9s, en particulier ceux bas\u00e9s sur des r\u00e9seaux neuronaux profonds, rend les m\u00e9thodes traditionnelles de tra\u00e7abilit\u00e9 et d'explicabilit\u00e9 moins efficaces. Les contr\u00f4les fond\u00e9s sur des r\u00e8gles d\u00e9pendent de la capacit\u00e9 \u00e0 sp\u00e9cifier la logique d\u00e9cisionnelle, mais cette logique devient de plus en plus opaque \u00e0 mesure que les mod\u00e8les gagnent en complexit\u00e9. Par cons\u00e9quent, les parties prenantes doivent s'assurer que les r\u00e9sultats restent fiables, \u00e9quitables et conformes aux attentes organisationnelles et r\u00e9glementaires. Lorsque ces syst\u00e8mes fonctionnent avec une autonomie significative, ce besoin d'explicabilit\u00e9 devient particuli\u00e8rement critique, car les d\u00e9cisions peuvent \u00eatre prises et mises en \u0153uvre sans examen humain imm\u00e9diat. L'IA g\u00e9n\u00e9rative ajoute une difficult\u00e9 suppl\u00e9mentaire en raison de son comportement stochastique, o\u00f9 une m\u00eame invite peut produire des r\u00e9sultats diff\u00e9rents.<\/p>\n<p>C\u2019est l\u00e0 qu\u2019interviennent les contr\u00f4les d\u2019alignement a posteriori. Ils ne r\u00e9v\u00e8lent pas comment une d\u00e9cision a \u00e9t\u00e9 prise, mais si ses r\u00e9sultats restent l\u00e9gitimes. Ils \u00e9valuent les d\u00e9cisions de l\u2019IA par rapport \u00e0 des normes \u00e9thiques, r\u00e9glementaires et sp\u00e9cifiques au domaine. Bien que certaines techniques soient h\u00e9rit\u00e9es des approches fond\u00e9es sur des r\u00e8gles, l\u2019accent passe de la pr\u00e9vention des erreurs en amont \u00e0 la d\u00e9tection des d\u00e9salignements \u00e0 mesure que les syst\u00e8mes fonctionnent, apprennent et montent en \u00e9chelle.<\/p>\n<p>Les organisations op\u00e9rationnalisent l'alignement ex post via des processus d'\u00e9valuation en couches qui confrontent les r\u00e9sultats \u00e0 des attentes de r\u00e9f\u00e9rence. Microsoft, par exemple, a d\u00e9velopp\u00e9 un pipeline d'\u00e9valuation structur\u00e9 dans lequel les mod\u00e8les \u00e0 fort enjeu sont \u00e9valu\u00e9s par rapport \u00e0 des biblioth\u00e8ques de politiques d\u00e9finies par des experts \u2014 comme ce qui constitue un r\u00e9sultat \u00ab juste \u00bb ou \u00ab acceptable \u00bb. Les \u00e9valuateurs annotent les r\u00e9sultats des mod\u00e8les en fonction de ces politiques, tandis que des r\u00e9viseurs ind\u00e9pendants valident les domaines o\u00f9 le syst\u00e8me est insuffisant. Dans certains cas, ces \u00e9valuations peuvent \u00eatre partiellement automatis\u00e9es \u2014 par exemple, lorsque les syst\u00e8mes d'IA sont continuellement \u00e9valu\u00e9s par rapport \u00e0 des r\u00e9f\u00e9rences politiques pr\u00e9d\u00e9finies, des contraintes d'\u00e9quit\u00e9 ou des seuils de risque, avec des moniteurs automatis\u00e9s signalant les \u00e9carts pour examen humain.<\/p>\n<p><\/p>\n<p>Voil\u00e0 pourquoi l'audit algorithmique est un \u00e9l\u00e9ment essentiel de l'alignement ex post. Apr\u00e8s son d\u00e9ploiement, le comportement d'un mod\u00e8le est syst\u00e9matiquement examin\u00e9 afin de d\u00e9tecter les risques cach\u00e9s, d'\u00e9valuer l'\u00e9quit\u00e9 et les performances au sein des groupes concern\u00e9s, et de v\u00e9rifier que les r\u00e9sultats sont conformes \u00e0 la politique organisationnelle et aux normes \u00e9thiques. L'audit se d\u00e9roule en deux \u00e9tapes. Premi\u00e8rement, les auditeurs identifient les sc\u00e9narios de d\u00e9faillance plausibles et d\u00e9finissent l'ensemble du cas d'utilisation, notamment qui le syst\u00e8me sert, qui est affect\u00e9 par ses d\u00e9cisions et dans quel but il fonctionne. Ils surveillent ensuite ces risques en \u00e9valuant les r\u00e9sultats des d\u00e9cisions, les donn\u00e9es d'entr\u00e9e et la logique interne par rapport \u00e0 des crit\u00e8res pr\u00e9d\u00e9finis. Ce processus aide les organisations \u00e0 faire \u00e9merger des cons\u00e9quences impr\u00e9vues, comme des impacts disparates, \u00e0 documenter les sch\u00e9mas de risque r\u00e9currents et \u00e0 d\u00e9clencher des actions correctives avant que les pr\u00e9judices ne se propagent. Les cadres d'audit des risques algorithmiques, tels que ceux expos\u00e9s dans les travaux de Cathy O'Neil sur l'audit des syst\u00e8mes d'IA, fournissent des outils pratiques et des indicateurs pour op\u00e9rationnaliser cette approche et renforcer la responsabilisation.<a id=\"reflink2\" class=\"reflink\" href=\"#ref2\">2<\/a> Ainsi, la fonction d'audit agit \u00e0 la fois comme un m\u00e9canisme de diagnostic et comme une base pour l'am\u00e9lioration continue.<\/p>\n<p>Un \u00e9l\u00e9ment cl\u00e9 de l\u2019alignement a posteriori consiste \u00e0 veiller \u00e0 ce que les personnes ne consid\u00e8rent pas les r\u00e9sultats de l\u2019IA comme des v\u00e9rit\u00e9s indiscutables. \u00c9tant donn\u00e9 que de nombreuses recommandations de l\u2019IA sont intrins\u00e8quement probabilistes, les organisations doivent former les utilisateurs \u00e0 les interpr\u00e9ter comme des signaux \u00e9clair\u00e9s plut\u00f4t que comme des d\u00e9cisions finales. Aider les gestionnaires \u00e0 comprendre quand s\u2019appuyer sur le syst\u00e8me, quand le remettre en question et comment rep\u00e9rer les r\u00e9sultats inattendus ou biais\u00e9s est essentiel pour maintenir l\u2019utilisation de l\u2019IA l\u00e9gitime, responsable et align\u00e9e sur les valeurs organisationnelles \u00e0 long terme.<\/p>\n<p>G\u00e9rer le d\u00e9salignement \u00e0 grande \u00e9chelle peut repr\u00e9senter un d\u00e9fi particulier, notamment pour les syst\u00e8mes con\u00e7us pour filtrer, prioriser et escalader les alertes en temps r\u00e9el. Par exemple, la surveillance de march\u00e9 bas\u00e9e sur l'IA de Nasdaq surveille les activit\u00e9s de trading pour d\u00e9tecter des irr\u00e9gularit\u00e9s \u2014 comme des volumes inhabituels, des anomalies de prix ou des manipulations potentielles \u2014 et peut g\u00e9n\u00e9rer des centaines d'alertes \u00e0 haut risque par seconde. Des \u00e9quipes interfonctionnelles compos\u00e9es de responsables de la conformit\u00e9, de scientifiques des donn\u00e9es et d'experts m\u00e9tier examinent les activit\u00e9s signal\u00e9es via des workflows de cas structur\u00e9s. Chaque alerte est \u00e9valu\u00e9e pour d\u00e9terminer si elle refl\u00e8te une v\u00e9ritable manipulation de march\u00e9 ou un faux positif d\u00e9clench\u00e9 par un comportement de trading inhabituel mais l\u00e9gitime. Les enqu\u00eateurs documentent le raisonnement derri\u00e8re leurs conclusions, et ces r\u00e9sultats sont renvoy\u00e9s aux d\u00e9veloppeurs de mod\u00e8les pour recalibrer les seuils, affiner les caract\u00e9ristiques de d\u00e9tection et r\u00e9duire le bruit r\u00e9current dans les futures alertes.<\/p>\n<p>Les comit\u00e9s d'escalade interviennent lorsque les enqu\u00eates sugg\u00e8rent l'implication d'acteurs malveillants coordonn\u00e9s ou lorsque des anomalies indiquent un risque syst\u00e9mique plus large. Les pistes d'audit capturent les \u00e9l\u00e9ments cl\u00e9s de ce processus, notamment l'alerte initiale, les signaux de donn\u00e9es de soutien, la d\u00e9cision humaine prise et les \u00e9ventuels ajustements ult\u00e9rieurs du mod\u00e8le. Des examens de gouvernance p\u00e9riodiques sont men\u00e9s pour \u00e9valuer les sch\u00e9mas de faux positifs et de d\u00e9tections manqu\u00e9es, afin d'assurer la responsabilit\u00e9, la conformit\u00e9 r\u00e9glementaire et l'am\u00e9lioration continue des r\u00e8gles de surveillance. Malgr\u00e9 cela, les pics de volume d'alertes peuvent mettre les \u00e9quipes sous forte pression, submerger la capacit\u00e9 de r\u00e9ponse et accro\u00eetre le risque d'erreur.<\/p>\n<p><\/p>\n<p>Une approche efficace pour g\u00e9rer l'impact d'un volume \u00e9lev\u00e9 d'alertes consiste \u00e0 repenser les flux de travail autour des r\u00e9sultats de l'IA. Cette approche est bien illustr\u00e9e par l'exp\u00e9rience d'une banque mondiale en mati\u00e8re de d\u00e9tection des fraudes bas\u00e9e sur l'IA. Les dirigeants ont constat\u00e9 que les principaux d\u00e9fis ne provenaient pas d'erreurs dans les pr\u00e9dictions du mod\u00e8le, mais de dysfonctionnements dans l'interpr\u00e9tation, l'acheminement et le traitement des alertes de fraude entre les \u00e9quipes. Des transferts incoh\u00e9rents entre les \u00e9quipes de conformit\u00e9, de risque et de premi\u00e8re ligne entra\u00eenaient souvent des retards de r\u00e9ponse, des doublons d'efforts ou des suivis manqu\u00e9s, compromettant l'efficacit\u00e9 du syst\u00e8me malgr\u00e9 des r\u00e9sultats techniquement solides. Par exemple, les alertes \u00e9taient parfois achemin\u00e9es vers la mauvaise \u00e9quipe, dupliqu\u00e9es entre les unit\u00e9s, ou laiss\u00e9es sans r\u00e9solution car aucun groupe ne poss\u00e9dait clairement la prochaine \u00e9tape. Les employ\u00e9s du service client contactaient occasionnellement des clients sur la base d'alertes que les \u00e9quipes antifraude n'avaient pas encore valid\u00e9es, tandis que les cas \u00e0 haut risque \u00e9taient retard\u00e9s en raison de crit\u00e8res d'escalade peu clairs.<\/p>\n<p>Pour r\u00e9soudre ces probl\u00e8mes, la banque a cartographi\u00e9 le processus d'alerte \u00e9tape par \u00e9tape et r\u00e9attribu\u00e9 les responsabilit\u00e9s \u00e0 chaque point de d\u00e9cision. Les analystes antifraude ont re\u00e7u une autorit\u00e9 plus claire pour cl\u00f4turer les alertes \u00e0 faible confiance, les op\u00e9rations antifraude se sont concentr\u00e9es sur l'escalade rapide des cas confirm\u00e9s, et les \u00e9quipes du service client ont \u00e9t\u00e9 sollicit\u00e9es apr\u00e8s qu'un examen antifraude a d\u00e9termin\u00e9 qu'une intervention \u00e9tait n\u00e9cessaire. Les r\u00e8gles de d\u00e9cision ont \u00e9t\u00e9 standardis\u00e9es \u2014 par exemple, quand une alerte doit \u00eatre supprim\u00e9e, examin\u00e9e plus en d\u00e9tail ou escalad\u00e9e \u2014 r\u00e9duisant ainsi les retards, les escalades inutiles et la surcharge d'alertes.<\/p>\n<p>L'alignement ex post se concentre sur l'\u00e9valuation des d\u00e9cisions de l'IA apr\u00e8s qu'elles ont \u00e9t\u00e9 prises, en testant les r\u00e9sultats par rapport \u00e0 des attentes \u00e9thiques, r\u00e9glementaires et sp\u00e9cifiques au domaine, plut\u00f4t qu'en reconstruisant la logique d\u00e9cisionnelle interne. En fin de compte, un alignement ex post r\u00e9ussi n'\u00e9limine pas le risque ; il maintient la l\u00e9gitimit\u00e9 en garantissant que les r\u00e9sultats de l'IA \u00e0 haute autonomie restent contestables, corrigeables et conformes aux normes qui comptent au fil du temps. Contrairement \u00e0 la gestion traditionnelle des risques, l'alignement ex post accepte qu'un certain d\u00e9salignement soit in\u00e9vitable \u2014 et oriente la gouvernance vers la d\u00e9tection, la contestabilit\u00e9 et la correction plut\u00f4t que vers la seule pr\u00e9vention.<\/p>\n<p><\/p>\n<h3>Contr\u00f4les des risques de propagation<\/h3>\n<p>Les contr\u00f4les fond\u00e9s sur des r\u00e8gles et les m\u00e9canismes d'alignement a posteriori partagent une limite importante : ils tendent \u00e0 consid\u00e9rer le risque comme largement circonscrit, en se concentrant sur des erreurs discr\u00e8tes ou des r\u00e9sultats individuels. Cette approche peut \u00eatre efficace lorsque les syst\u00e8mes d'IA fonctionnent en isolement relatif, mais elle produit des r\u00e9sultats incomplets lorsque les syst\u00e8mes sont interconnect\u00e9s par des flux de donn\u00e9es en temps r\u00e9el, des API et des prises de d\u00e9cision automatis\u00e9es. L'essor de l'IA agentique en est un exemple typique. Alors que les syst\u00e8mes d'IA initient de plus en plus des actions de mani\u00e8re autonome, coordonnent avec d'autres syst\u00e8mes et poursuivent des objectifs dans plusieurs domaines, les erreurs ou les d\u00e9salignements provenant d'un syst\u00e8me peuvent se propager \u00e0 d'autres. La pr\u00e9occupation pertinente est donc celle des risques d'interd\u00e9pendance et de propagation, qui peuvent avoir des effets en aval que les contr\u00f4les traditionnels ax\u00e9s sur les r\u00e9sultats pourraient n\u00e9gliger.<\/p>\n<p>Les r\u00e9gulateurs reconnaissent de plus en plus l'importance des risques de propagation et la n\u00e9cessit\u00e9 de tests et d'une surveillance robustes. La Banque d'Angleterre, par exemple, a soulign\u00e9 les risques pos\u00e9s par les \u00ab agents de trading profonds \u00bb \u2014 des strat\u00e9gies pilot\u00e9es par l'IA qui pourraient amplifier les chocs externes ou se coordonner de mani\u00e8re \u00e0 \u00e9chapper \u00e0 la d\u00e9tection humaine. Dans le domaine de la sant\u00e9, des mod\u00e8les de diagnostic biais\u00e9s peuvent propager des heuristiques erron\u00e9es \u00e0 travers les h\u00f4pitaux et les assureurs. Dans les cha\u00eenes d'approvisionnement, les plateformes d'approvisionnement algorithmiques peuvent amplifier les erreurs de prix sur l'ensemble des r\u00e9seaux de fournisseurs. Des dynamiques similaires peuvent survenir dans tout syst\u00e8me interconnect\u00e9 num\u00e9riquement.<\/p>\n<p>Les contr\u00f4les des risques de propagation constituent un troisi\u00e8me niveau de gouvernance et sont con\u00e7us pour faire \u00e9merger les effets de second ordre et d'ordre sup\u00e9rieur avant qu'ils ne submergent les fonctions en aval. Dans notre cadre, les contr\u00f4les fond\u00e9s sur des r\u00e8gles prot\u00e8gent des processus \u00e9troits et relativement statiques, les m\u00e9canismes d'alignement traitent des syst\u00e8mes complexes dont les d\u00e9cisions sont opaques, et les contr\u00f4les de propagation se concentrent sur les syst\u00e8mes interconnect\u00e9s. Ces contr\u00f4les ne concernent pas seulement ce qui se produit \u00e0 l'int\u00e9rieur d'un syst\u00e8me, mais aussi ce qui se produit lorsque les syst\u00e8mes interagissent. Leur d\u00e9fi central est l'invisibilit\u00e9 : les d\u00e9faillances se propagent lat\u00e9ralement, exploitant des interd\u00e9pendances cach\u00e9es qui ne deviennent souvent apparentes que lorsqu'une perturbation survient. Par exemple, une erreur mineure d'API logistique peut \u00eatre inoffensive isol\u00e9ment, mais lorsqu'elle est combin\u00e9e \u00e0 un incident cybern\u00e9tique affectant une passerelle de paiement, elle peut contribuer \u00e0 un effondrement syst\u00e9mique.<\/p>\n<p>Un cadre de gouvernance centr\u00e9 sur une vision du risque propre \u00e0 l'entreprise est mal adapt\u00e9 pour suivre ces dynamiques transfrontali\u00e8res. \u00c9tant donn\u00e9 que les risques de propagation se d\u00e9ploient \u00e0 travers des syst\u00e8mes interconnect\u00e9s, souvent au-del\u00e0 de la visibilit\u00e9 ou du contr\u00f4le d'une seule organisation, leur gestion n\u00e9cessite un passage d'une perspective centr\u00e9e sur l'entreprise \u00e0 une perspective consciente de l'\u00e9cosyst\u00e8me.<\/p>\n<p>Ce changement implique trois activit\u00e9s compl\u00e9mentaires : cartographier les interd\u00e9pendances, surveiller les infrastructures partag\u00e9es et institutionnaliser une surveillance anticipative. Ensemble, ces pratiques aident \u00e0 faire \u00e9merger des risques qui restent invisibles lorsque les contr\u00f4les se concentrent uniquement sur des syst\u00e8mes isol\u00e9s ou des r\u00e9sultats individuels. Les tests de r\u00e9sistance cybern\u00e9tique \u00e0 l'\u00e9chelle du secteur de la Banque centrale europ\u00e9enne montrent comment des contr\u00f4les des risques de propagation au niveau de l'\u00e9cosyst\u00e8me peuvent \u00eatre mis en \u0153uvre. Ces exercices cartographient les interd\u00e9pendances entre les chambres de compensation, les syst\u00e8mes de paiement et les institutions financi\u00e8res ; surveillent les infrastructures partag\u00e9es pour d\u00e9tecter les vuln\u00e9rabilit\u00e9s inter-organisationnelles ; et simulent comment des perturbations localis\u00e9es pourraient se propager \u00e0 travers le syst\u00e8me financier. Ces pratiques se g\u00e9n\u00e9ralisent au-del\u00e0 de la r\u00e9glementation \u00e0 tout environnement hautement interconnect\u00e9.<\/p>\n<p><\/p>\n<p>Les organisations peuvent mettre en \u0153uvre des contr\u00f4les des risques de propagation en redistribuant la visibilit\u00e9, la responsabilit\u00e9 et les droits de d\u00e9cision \u00e0 travers les \u00e9cosyst\u00e8mes, plut\u00f4t que de se fier uniquement \u00e0 des r\u00e8gles au niveau de l'organisation ou \u00e0 des interventions a posteriori. Parce que les risques de propagation sont intrins\u00e8quement transfrontaliers, une gouvernance efficace d\u00e9pend autant de la coordination entre les organisations que du contr\u00f4le interne. Certaines organisations doivent modifier leurs normes culturelles pour encourager le partage de donn\u00e9es, la coordination sur les normes et le co-investissement dans les infrastructures de surveillance avec les partenaires, les concurrents, les r\u00e9gulateurs et, dans certains cas, les communaut\u00e9s open source.<a id=\"reflink3\" class=\"reflink\" href=\"#ref3\">3<\/a> R\u00e9duire les risques de propagation n\u00e9cessite de comprendre que la r\u00e9silience n'est plus quelque chose qu'une entreprise peut atteindre seule, mais qu'elle est plut\u00f4t une propri\u00e9t\u00e9 du syst\u00e8me plus large dont elle d\u00e9pend.<\/p>\n<p>\u00c0 mesure que les \u00e9cosyst\u00e8mes deviennent plus dens\u00e9ment interconnect\u00e9s, ces risques sont susceptibles de s'intensifier. L'essor de l'IA agentive \u2014 capable d'initier de mani\u00e8re autonome des transactions, de n\u00e9gocier des contrats ou de r\u00e9allouer des ressources \u00e0 travers les r\u00e9seaux \u2014 prolonge cette logique, augmentant \u00e0 la fois la vitesse et la port\u00e9e de la propagation des d\u00e9faillances. Dans la finance, la logistique et les soins de sant\u00e9, les erreurs peuvent non seulement se propager, mais elles peuvent le faire de plus en plus avec une supervision humaine limit\u00e9e.<\/p>\n<h3>Mettre en \u0153uvre une gouvernance adaptative de l'IA<\/h3>\n<p>Une fois que les dirigeants ont identifi\u00e9 les risques li\u00e9s \u00e0 l'IA qui sont pertinents pour leurs organisations, ainsi que les contr\u00f4les correspondants qu'ils doivent mettre en place, le d\u00e9fi est d'int\u00e9grer ces contr\u00f4les dans les processus et les syst\u00e8mes, de travailler avec eux et de les adapter en continu. Cela implique trois pratiques cl\u00e9s : int\u00e9grer les contr\u00f4les dans les flux de travail et les incitations, d\u00e9velopper une comp\u00e9tence inter-domaines et institutionnaliser la gouvernance en tant que syst\u00e8me d'apprentissage vivant. Voici comment proc\u00e9der.<\/p>\n<p><strong>1. Int\u00e9grer les protocoles de contr\u00f4le des risques dans les op\u00e9rations.<\/strong> Les protocoles de risque doivent \u00eatre con\u00e7us et int\u00e9gr\u00e9s de mani\u00e8re ind\u00e9l\u00e9bile dans les flux de travail, les structures de responsabilit\u00e9 et les incitations. La surveillance doit s'int\u00e9grer directement dans la planification, les audits et les examens de la direction, plut\u00f4t que de reposer sur une couche de conformit\u00e9 distincte. Ce n'est que lorsque la gouvernance fait partie du tissu op\u00e9rationnel que l'IA peut \u00eatre d\u00e9ploy\u00e9e en toute confiance. C'est une condition n\u00e9cessaire.<\/p>\n<p>Une banque mondiale dont nous avons interview\u00e9 les dirigeants a int\u00e9gr\u00e9 les contr\u00f4les de l'IA dans son flux de travail standard de pr\u00eat, plut\u00f4t que de les traiter comme une \u00e9tape de conformit\u00e9 distincte. Pour chaque cas d'utilisation approuv\u00e9 de l'IA, le comit\u00e9 des cas d'utilisation de l'IA de la banque a document\u00e9 (1) le niveau de risque (\u00e9lev\u00e9, moyen ou faible) bas\u00e9 sur l'impact client, l'impact r\u00e9glementaire, la sensibilit\u00e9 des donn\u00e9es et le type de mod\u00e8le ; (2) les contr\u00f4les obligatoires associ\u00e9s \u00e0 ce niveau (tels que la validation ind\u00e9pendante du mod\u00e8le, les tests d'\u00e9chantillonnage par les gestionnaires de relation, ou la fr\u00e9quence des examens post-d\u00e9ploiement) ; et (3) les droits de d\u00e9cision (qui pouvait approuver les modifications du mod\u00e8le et \u00e0 quelles conditions). Ces exigences ont ensuite \u00e9t\u00e9 directement encod\u00e9es dans le processus et les syst\u00e8mes d'approbation de cr\u00e9dit. Les gestionnaires de relation ne pouvaient pas contourner les \u00e9tapes de validation du mod\u00e8le ou les examens de d\u00e9ploiement ; les exceptions n\u00e9cessitaient l'approbation explicite des \u00e9quipes commerciales et de gestion des risques. La surveillance apparaissait dans les cycles de d\u00e9cision r\u00e9guliers, et non par le biais de comit\u00e9s ad hoc ou d'audits.<\/p>\n<p><strong>2. Permettre un jugement concluant \u00e0 travers des expertises et des profils de risque h\u00e9t\u00e9rog\u00e8nes.<\/strong> La gouvernance adaptative de l'IA n'exige pas de consensus ou de jugement partag\u00e9. Bien au contraire : elle n\u00e9cessite des m\u00e9canismes qui permettent un jugement concluant \u00e0 travers des expertises, des m\u00e9thodes et des profils de risque h\u00e9t\u00e9rog\u00e8nes. C'est souvent la t\u00e2che la plus difficile \u2014 et la plus d\u00e9cisive \u2014 \u00e0 accomplir. Alors que les risques de l'IA \u00e9voluent entre les cat\u00e9gories et traversent les silos organisationnels, la responsabilit\u00e9 ne peut r\u00e9sider au sein d'une seule fonction. Les diff\u00e9rences entre les domaines ne sont pas un d\u00e9faut mais une caract\u00e9ristique : elles refl\u00e8tent des expertises, des m\u00e9thodes d'\u00e9valuation et des tol\u00e9rances au risque distinctes. Le d\u00e9fi de la gouvernance n'est donc pas d'homog\u00e9n\u00e9iser ces perspectives, mais de cr\u00e9er les conditions dans lesquelles les organisations peuvent les traduire en d\u00e9cisions concluantes \u00e0 grande \u00e9chelle \u2014 tout en \u00e9vitant \u00e0 la fois l'homog\u00e9n\u00e9isation du jugement et l'approbation sans critique des r\u00e9sultats de l'IA.<\/p>\n<p><\/p>\n<p>Parmi les d\u00e9fis centraux pour institutionnaliser une capacit\u00e9 durable de jugement concluant, on trouve que les contr\u00f4les bas\u00e9s sur des r\u00e8gles sont souvent min\u00e9s par des connaissances cloisonn\u00e9es lorsque diff\u00e9rents experts de domaine ne partagent pas un cadre commun. Pour surmonter ces obstacles, partagez les connaissances entre les domaines via des examens conjoints de mod\u00e8les et une documentation (telles que les fiches de mod\u00e8les d\u00e9crites pr\u00e9c\u00e9demment), et tenez des sessions de validation interfonctionnelles r\u00e9guli\u00e8res qui rendent la logique de d\u00e9cision, les hypoth\u00e8ses et les seuils explicites et contestables. Dans les contr\u00f4les d'alignement a posteriori, le d\u00e9fi implique non seulement des silos de connaissances, mais aussi des tol\u00e9rances au risque et des approches m\u00e9thodologiques mal align\u00e9es. L'alignement peut se rompre lorsque diff\u00e9rentes \u00e9quipes fonctionnent avec des seuils de risque implicites diff\u00e9rents \u2014 arr\u00eatant le jugement trop t\u00f4t d'un c\u00f4t\u00e9 ou tombant dans la paralysie par l'analyse de l'autre. Le recours \u00e0 des m\u00e9thodes divergentes pour concilier les r\u00e9sultats attendus avec les r\u00e9sultats observ\u00e9s (telles que la validation analytique, les exp\u00e9riences contr\u00f4l\u00e9es ou le jugement bas\u00e9 sur des cas) peut \u00e9galement provoquer un d\u00e9salignement. Dans de tels sc\u00e9narios, le d\u00e9saccord ne porte pas simplement sur ce que le mod\u00e8le recommande, mais sur le niveau de risque acceptable et ce qui constitue une preuve suffisante que le mod\u00e8le fonctionne comme pr\u00e9vu.<\/p>\n<p>Une r\u00e9ponse critique, par cons\u00e9quent, n'est pas simplement de \u00ab construire la confiance \u00bb dans les recommandations de l'IA, mais d'\u00e9tablir des routines d'\u00e9valuation partag\u00e9es qui font \u00e9merger et concilient les diff\u00e9rences \u00e0 la fois dans les tol\u00e9rances au risque et les approches m\u00e9thodologiques. Les \u00e9valuations syst\u00e9matiques post-d\u00e9ploiement ancrent les discussions dans le comportement observ\u00e9 du syst\u00e8me plut\u00f4t que dans des croyances abstraites sur la qualit\u00e9 du mod\u00e8le.<\/p>\n<p>Les organisations peuvent le faire gr\u00e2ce \u00e0 des routines d'examen structur\u00e9es qui combinent l'analyse des incidents et des quasi-accidents, la surveillance de la d\u00e9rive des performances et des comparaisons explicites entre les cas d'utilisation pr\u00e9vus et les r\u00e9sultats r\u00e9els des d\u00e9cisions. Essentiellement, ces routines cr\u00e9ent des points de r\u00e9f\u00e9rence communs \u2014 des seuils de risque convenus, des normes de preuve partag\u00e9es et des m\u00e9triques comparables \u2014 gr\u00e2ce auxquels les \u00e9quipes analytiques, les groupes orient\u00e9s exp\u00e9rimentation et les propri\u00e9taires de cas d'utilisation peuvent \u00e9valuer conjointement si le mod\u00e8le fonctionne comme pr\u00e9vu. Au fil du temps, cela permet de recalibrer les hypoth\u00e8ses, les seuils et les contr\u00f4les, r\u00e9duisant \u00e0 la fois les arr\u00eats pr\u00e9matur\u00e9s dus \u00e0 une prudence excessive et la paralysie par l'analyse due \u00e0 un d\u00e9saccord m\u00e9thodologique.<\/p>\n<p>Le contr\u00f4le des risques de propagation d\u00e9pend d'un changement fondamental de mentalit\u00e9 : passer du traitement du risque comme un probl\u00e8me centr\u00e9 sur l'entreprise \u00e0 sa gouvernance comme un ph\u00e9nom\u00e8ne au niveau de l'\u00e9cosyst\u00e8me. Comme pour les \u00e9cosyst\u00e8mes d'affaires num\u00e9riques, les risques dans les syst\u00e8mes d'IA se propagent de mani\u00e8re in\u00e9gale entre les acteurs qui ont des r\u00f4les, des incitations et des degr\u00e9s d'interd\u00e9pendance diff\u00e9rents.<a id=\"reflink4\" class=\"reflink\" href=\"#ref4\">4<\/a> Cartographier ces interd\u00e9pendances au-del\u00e0 des fronti\u00e8res de l'entreprise est une premi\u00e8re \u00e9tape n\u00e9cessaire \u2014 et souvent un signal d'alarme \u2014 mais cela est insuffisant en soi.<\/p>\n<p>Comme la recherche sur la strat\u00e9gie d'\u00e9cosyst\u00e8me l'a montr\u00e9, la coordination se rompt lorsque la responsabilit\u00e9 est diffuse, que les incitations restent optimis\u00e9es localement et qu'aucun acteur n'est explicitement responsable de l'orchestration des compromis transfrontaliers.<a id=\"reflink5\" class=\"reflink\" href=\"#ref5\">5<\/a> Des dynamiques similaires sapent les contr\u00f4les des risques de propagation de l'IA. Les \u00e9quipes restent incit\u00e9es \u00e0 se concentrer \u00e9troitement sur leurs propres syst\u00e8mes ; la propri\u00e9t\u00e9 du risque est fragment\u00e9e entre les unit\u00e9s organisationnelles et les partenaires externes ; et les risques aval ou de r\u00e9putation sont trait\u00e9s comme la responsabilit\u00e9 de quelqu'un d'autre.<\/p>\n<p>Sans le soutien de la direction pour une responsabilit\u00e9 au niveau de l'\u00e9cosyst\u00e8me \u2014 et des m\u00e9canismes de gouvernance qui diff\u00e9rencient la propri\u00e9t\u00e9 du risque par type d'interd\u00e9pendance \u2014 la cartographie des interd\u00e9pendances risque de devenir un exercice analytique ponctuel plut\u00f4t qu'une capacit\u00e9 de gouvernance durable. Un \u00e9tat d'esprit d'\u00e9cosyst\u00e8me n\u00e9cessite non seulement une visibilit\u00e9 sur les connexions, mais aussi des r\u00e8gles d'engagement partag\u00e9es, des droits d'escalade et une autorit\u00e9 d\u00e9cisionnelle pour g\u00e9rer la mani\u00e8re dont les risques se propagent \u00e0 travers les fronti\u00e8res organisationnelles et technologiques au fil du temps.<\/p>\n<p>Surmonter ces obstacles est essentiel pour cr\u00e9er les conditions d'un jugement concluant qui respecte les diff\u00e9rences d'expertise, de m\u00e9thodes et de tol\u00e9rance au risque, plut\u00f4t que de les r\u00e9duire \u00e0 un seul cadre d'\u00e9valuation non critique.<\/p>\n<p><strong>3. Institutionnaliser la gouvernance en tant que syst\u00e8me d'apprentissage.<\/strong> La gouvernance de l'IA ne peut pas \u00eatre statique : les risques mutent, donc les contr\u00f4les doivent \u00e9voluer.<a id=\"reflink6\" class=\"reflink\" href=\"#ref6\">6<\/a> Une gouvernance efficace exige donc que les organisations \u00e9tablissent des boucles d'apprentissage avec des r\u00f4les clairs, pour tirer les le\u00e7ons des incidents et des quasi-accidents et pour traduire ces le\u00e7ons en normes, seuils et contr\u00f4les mis \u00e0 jour.<\/p>\n<p><\/p>\n<p>Plut\u00f4t que de se fier uniquement aux contr\u00f4les, aux syst\u00e8mes ou aux plateformes de gouvernance \u00e0 grande \u00e9chelle, une gouvernance adaptative efficace de l'IA d\u00e9pend de la construction du bon \u00e9tat d'esprit et de l'int\u00e9gration de boucles d'apprentissage pratiques dans la surveillance quotidienne. Cela implique d'attribuer une responsabilit\u00e9 explicite pour l'examen des incidents et des quasi-accidents ; de documenter syst\u00e9matiquement ce qui a mal tourn\u00e9 ; et de s'assurer que les informations sont traduites en politiques r\u00e9vis\u00e9es, en seuils recalibr\u00e9s ou en contr\u00f4les renforc\u00e9s. Au fil du temps, la gouvernance passe des protocoles et des syst\u00e8mes \u00e0 une am\u00e9lioration continue institutionnalis\u00e9e, garantissant que les syst\u00e8mes d'IA restent align\u00e9s sur l'intention organisationnelle \u00e0 mesure que les mod\u00e8les \u00e9voluent, que les contextes changent et que de nouveaux risques \u00e9mergent.<\/p>\n<p><\/p>\n<p>Pris ensemble, ces \u00e9tapes marquent un changement fondamental dans la gouvernance de l'IA. La gouvernance adaptative de l'IA ne consiste pas \u00e0 multiplier les contr\u00f4les, les comit\u00e9s ou les listes de contr\u00f4le. Il s'agit d'identifier des contr\u00f4les adapt\u00e9s \u00e0 leur objectif et de les int\u00e9grer de mani\u00e8re ind\u00e9l\u00e9bile dans la fa\u00e7on dont l'organisation travaille, d\u00e9cide et apprend \u2014 dans les flux de travail et les incitations, les cadres de jugement partag\u00e9s et les syst\u00e8mes vivants qui absorbent et agissent en continu sur l'exp\u00e9rience. Les organisations qui traitent la gouvernance comme statique seront in\u00e9vitablement \u00e0 la tra\u00eene des syst\u00e8mes qui apprennent, s'adaptent et propagent le risque en temps r\u00e9el. En revanche, les organisations qui institutionnalisent la gouvernance en tant que capacit\u00e9 d'apprentissage \u2014 qui relie la strat\u00e9gie, l'ex\u00e9cution et la surveillance \u2014 peuvent transformer la gouvernance de l'IA d'une contrainte en un facilitateur de passage \u00e0 l'\u00e9chelle. \u00c0 l'\u00e8re des syst\u00e8mes intelligents, l'avantage viendra non pas d'adopter l'IA plus rapidement, mais de la gouverner mieux \u2014 en int\u00e9grant la surveillance l\u00e0 o\u00f9 les d\u00e9cisions sont prises, o\u00f9 les risques se propagent et o\u00f9 la valeur est cr\u00e9\u00e9e.<\/p>\n<p><\/p>\r\n\r\n<br>#Passage\u00c0L\u00c9chelle #Adaptative #Gouvernance","protected":false},"excerpt":{"rendered":"<p>Christian Gralingen La recherche De 2022 \u00e0 2025, les auteurs ont men\u00e9 des entretiens approfondis et semi-structur\u00e9s avec des dirigeants et des praticiens responsables de la gouvernance, des risques, de la conformit\u00e9, des donn\u00e9es et des d\u00e9cisions produit li\u00e9s \u00e0 l'IA. Les entretiens principaux ont \u00e9t\u00e9 men\u00e9s chez Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank et le D\u00e9partement des Finances d'Abu Dhabi. Les entretiens se sont concentr\u00e9s sur la mani\u00e8re dont la gouvernance [&hellip;]<\/p>","protected":false},"author":1,"featured_media":7731,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[9],"tags":[],"class_list":["post-7730","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-management"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v25.7.1 (Yoast SEO v25.8) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Scaling AI With Adaptive Governance - MORE SOURCING LTD<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/moresourcing.com\/fr\/scaling-ai-with-adaptive-governance\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Scaling AI With Adaptive Governance\" \/>\n<meta property=\"og:description\" content=\"Christian Gralingen The Research From 2022 to 2025, the authors conducted in-depth, semistructured interviews with senior leaders and practitioners responsible for AI governance, risk, compliance, data, and product decisions. Core interviews were conducted at Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank, and the Abu Dhabi Department of Finance. The interviews focused on how governance [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/moresourcing.com\/fr\/scaling-ai-with-adaptive-governance\/\" \/>\n<meta property=\"og:site_name\" content=\"MORE SOURCING LTD\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-04T16:50:24+00:00\" \/>\n<meta name=\"author\" content=\"MS\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"MS\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"22 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"},\"author\":{\"name\":\"MS\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69\"},\"headline\":\"Scaling AI With Adaptive Governance\",\"datePublished\":\"2026-06-04T16:50:24+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"},\"wordCount\":4356,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/moresourcing.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"articleSection\":[\"Management\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\",\"url\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\",\"name\":\"Scaling AI With Adaptive Governance - MORE SOURCING LTD\",\"isPartOf\":{\"@id\":\"https:\/\/moresourcing.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"datePublished\":\"2026-06-04T16:50:24+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\",\"url\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"contentUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"width\":1200,\"height\":630},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/moresourcing.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Scaling AI With Adaptive Governance\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/moresourcing.com\/#website\",\"url\":\"https:\/\/moresourcing.com\/\",\"name\":\"MORE SOURCING LTD\",\"description\":\"Your Global Trade Experts\",\"publisher\":{\"@id\":\"https:\/\/moresourcing.com\/#organization\"},\"alternateName\":\"MORE SOURCING LTD\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/moresourcing.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/moresourcing.com\/#organization\",\"name\":\"MORE SOURCING LTD\",\"url\":\"https:\/\/moresourcing.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png\",\"contentUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png\",\"width\":2558,\"height\":1273,\"caption\":\"MORE SOURCING LTD\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/\"},\"ownershipFundingInfo\":\"https:\/\/moresourcing.com\/about-us\/\",\"ethicsPolicy\":\"https:\/\/moresourcing.com\/service\/\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69\",\"name\":\"MS\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g\",\"caption\":\"MS\"},\"sameAs\":[\"https:\/\/moresourcing.com\"],\"url\":\"https:\/\/moresourcing.com\/fr\/author\/moresourcing\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Mettre \u00e0 l'\u00e9chelle l'IA avec une gouvernance adaptative - MORE SOURCING LTD","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/moresourcing.com\/fr\/scaling-ai-with-adaptive-governance\/","og_locale":"fr_FR","og_type":"article","og_title":"Scaling AI With Adaptive Governance","og_description":"Christian Gralingen The Research From 2022 to 2025, the authors conducted in-depth, semistructured interviews with senior leaders and practitioners responsible for AI governance, risk, compliance, data, and product decisions. Core interviews were conducted at Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank, and the Abu Dhabi Department of Finance. The interviews focused on how governance [&hellip;]","og_url":"https:\/\/moresourcing.com\/fr\/scaling-ai-with-adaptive-governance\/","og_site_name":"MORE SOURCING LTD","article_published_time":"2026-06-04T16:50:24+00:00","author":"MS","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"MS","Dur\u00e9e de lecture estim\u00e9e":"22 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#article","isPartOf":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"author":{"name":"MS","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69"},"headline":"Scaling AI With Adaptive Governance","datePublished":"2026-06-04T16:50:24+00:00","mainEntityOfPage":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"wordCount":4356,"commentCount":0,"publisher":{"@id":"https:\/\/moresourcing.com\/#organization"},"image":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"thumbnailUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","articleSection":["Management"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/","url":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/","name":"Mettre \u00e0 l'\u00e9chelle l'IA avec une gouvernance adaptative - MORE SOURCING LTD","isPartOf":{"@id":"https:\/\/moresourcing.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"image":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"thumbnailUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","datePublished":"2026-06-04T16:50:24+00:00","breadcrumb":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage","url":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","contentUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","width":1200,"height":630},{"@type":"BreadcrumbList","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/moresourcing.com\/"},{"@type":"ListItem","position":2,"name":"Scaling AI With Adaptive Governance"}]},{"@type":"WebSite","@id":"https:\/\/moresourcing.com\/#website","url":"https:\/\/moresourcing.com\/","name":"MORE SOURCING LTD","description":"Vos experts en commerce mondial","publisher":{"@id":"https:\/\/moresourcing.com\/#organization"},"alternateName":"MORE SOURCING LTD","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/moresourcing.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/moresourcing.com\/#organization","name":"MORE SOURCING LTD","url":"https:\/\/moresourcing.com\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/","url":"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png","contentUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png","width":2558,"height":1273,"caption":"MORE SOURCING LTD"},"image":{"@id":"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/"},"ownershipFundingInfo":"https:\/\/moresourcing.com\/about-us\/","ethicsPolicy":"https:\/\/moresourcing.com\/service\/"},{"@type":"Person","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69","name":"MS","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g","caption":"MS"},"sameAs":["https:\/\/moresourcing.com"],"url":"https:\/\/moresourcing.com\/fr\/author\/moresourcing\/"}]}},"_links":{"self":[{"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/posts\/7730","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/comments?post=7730"}],"version-history":[{"count":0,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/posts\/7730\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/media\/7731"}],"wp:attachment":[{"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/media?parent=7730"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/categories?post=7730"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/moresourcing.com\/fr\/wp-json\/wp\/v2\/tags?post=7730"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}