1 – Gouvernance et pilotage : les concepts clés et comment les connecter

• Les différentes formes de gouvernance : gouvernance d’entreprise, gouvernance du système d’information, gouvernance des données, et donc gouvernance de l’IA…
• L’intelligence artificielle et ses applications : IA générative, Apprentissage Machine, Apprentissage Profond…
• Quels sont les liens existants entre gouvernance de l’IA et les autres formes de gouvernance ?
• Distinguer le cadre de gouvernance et le pilotage opérationnel des projets
• Les spécificités du pilotage des projets d’intelligence artificielle
• Quelle stratégie adaptée à chaque type d’IA : symbolique, apprentissage machine, IA générative- ?

2 – Identifier les risques

• Cartographier les risques
• Les risques liés aux données (erreurs, copyright, représentativité)
• Les risques liés aux algorithmes
• Les risques liés aux usages (deepfake, mauvaises décisions) : évaluer les responsabilités
• Que sont les biais (cognitifs et algorithmiques), les hallucinations, les discriminations : comment les évaluer et mesurer leur impact
• Les IA sous le prisme de la justice sociale
• Les risques spécifiques à l’utilisation de l’IA pour créer du code informatique
• Les risques juridiques – évolution de la jurisprudence
• Risques sociaux et relationnels
• Études de cas : lorsque le risque s’est transformé en crise de communication

3 – Cadres réglementaires, normatifs et réflexions éthiques

• Aperçu et comparatif des régulations internationales et spécificités régionales : AI Act, USA, Charte de Montréal
• Les règles sur les marchés de données : alimenter ses modèles d’IA
• La position de la France et les réglementations de la CNIL : la complexité de mise en œuvre de l’AI Act
• Les autorités à connaître : CIAN, AI Board, AI Office et ses autorités nationales
• La norme ISO 42001 : se préparer à son application
• Études de cas : régulation versus innovation, comment préserver les deux approches

4 – Élaboration d’une feuille de route de gouvernance de l’IA

• Cartographie des systèmes et initiatives d’IA dans votre entreprise : classification par niveau de risque
• Identification des acteurs clés et de leurs rôles : CDO, CIGO, Data Governance Officer, Data Steward, Data Product Manager, Data Owner, Compliance Manager, DPO…
• Métiers spécifiques à l’IA : AI Data Engineer, Data Scientist, AI Steward…
• Le rôle des départements juridique, audit et conformité
• Comment intégrer ces compétences dans un comité de gouvernance de l’IA ?
• Fusionner ou séparer gouvernance de l’IA et gouvernance de l’information : avantages et inconvénients
• Formalisation de la politique de gouvernance des algorithmes : les 10 étapes de la mise en conformité
• Rédaction d’une charte d’usage acceptable de l’IA (Artificial Intelligence Acceptable Use Policy)
• Alignement de la gouvernance de l’IA avec la gouvernance d’entreprise, et la gouvernance des données (ISO 24143)
• Études de cas : présentation des stratégies déjà élaborées par certains groupes

5 – Les données

• Connecter la gouvernance de l’IA et le catalogue de données
• Modéliser son catalogue des données d’entraînement au format YAML
• Cataloguer les algorithmes (en YAML) et les relier au catalogue des données
• Mesurer la qualité des données et son impact sur l’exécution des modèles
• Les données synthétiques sont-elles une solution ?
• Étude de cas en équipe : concevoir une ébauche de stratégie de gouvernance IA par rapport à un cas fictif
• Échanges et discussions autour des stratégies élaborées en équipe

6 – L’éthique

• Les principes éthiques : justice, équité, transparence, non-discrimination, responsabilité sociale et environnementale, inclusion, solidarité, respect, prudence…
• Éthique et international : comparer et adapter aux différences culturelles
• IA verte et IA décarbonée : est-ce réaliste ? Le problème de la consommation énergétique des modèles et de leur exécution
• Mesurer l’éthique : cadre de référence
• Risques et solutions pour respecter les principes éthiques dans les développements de l’IA

7 – Les modèles d’IA : transparence, explicabilité et confiance

• Benchmarker les modèles : méthodes et outils – Concept d’AI Observability
• Documenter les modèles (données, limites, hypothèses, apprentissage…) : tracer les usages
• Modèles d’IA et cybersécurité : points de vigilance
• Techniques pour mesurer et améliorer l’explicabilité et la transparence
• Construire des « bacs à sable » pour tester sa conformité
• Passer d’une validation initiale à une validation continue : méthodologie et livrables
• Comment construire la confiance (tout en mesurant le risque) auprès des utilisateurs et des parties prenantes

8 – Panorama des outils de gouvernance et de pilotage de l’IA

• Présentation des principaux outils du marché (risques, modèles et usages)
• L’intégration de la gouvernance de l’IA dans les plateformes
• Quels indicateurs de gouvernance, quels indicateurs de pilotage : modèles de tableaux de bord
• Quelques startups innovantes à surveiller

9 – Audit et responsabilisation

• La confiance n’exclut pas le contrôle… quels outils pour mesurer le respect des normes : audit interne ou audit externe ?
• Auditer ses systèmes d’IA : surveillance humaine, méthodes, cadre d’audit, outils et tableaux de bord
• Se préparer aux futures certifications : modèle de conformité et évaluation
• Étude de cas : simulation d’un audit sur un cas pratique

10 – Conclusion et réflexions

• Au-delà de l’IA, comment instaurer la gouvernance dans la prise de décision automatisée
• L’impact de l’IA sur notre société : éducation, connaissance, alimentation en boucle des modèles
• Demain, des modèles d’IA dotés de conscience ? Quels impacts ?
• IA et travail : comment impliquer les ressources humaines dans la gouvernance des impacts sur le travail et son organisation

 Ce programme a été mis à jour le 9 septembre 2026.