IA : technologie, cas d’utilisation, risques et perspectives

L’IA est passée des projets pilotes aux centres de profits, et de la nouveauté à la nécessité. Les conseils d’administration veulent des résultats mesurables, les exploitants veulent de la fiabilité et les organismes de réglementation veulent des gardes-fous réellement efficaces. L’écart toujours plus grand entre ce que l’IA peut faire et ce que les organisations peuvent déployer en toute sécurité est l’espace où la stratégie prend vie.

Dans cet article, nous traitons l’IA comme un problème de gestion enveloppé d’un défi technique. Nous distinguons les concepts durables du bruit médiatique, nous nous concentrons sur les choix que les dirigeants peuvent réellement contrôler et nous indiquons les quelques domaines dans l’univers de l’IA où le consensus est suffisamment fort pour que vous puissiez agir en toute confiance dès aujourd’hui.

Introduction à l’IA

L’IA se comprend mieux comme un ensemble de capacités permettant à des logiciels d’apprendre à partir de données, de s’adapter au contexte et d’effectuer des tâches à une échelle supérieure à celle de l’humain. Plusieurs définitions et fondements différents convergent tous vers ce noyau. IBM et Google Cloud, par exemple, mettent l’accent sur le raisonnement, l’apprentissage et la résolution de problèmes comme les piliers de la technologie de l’IA, avec l’apprentissage automatique et le traitement du langage naturel comme principaux catalyseurs. Ces repères comptent, car ils correspondent directement au mouvement des budgets et à l’accumulation des risques.

Ce que la plupart des individus, des organisations et même des entreprises mondiales souhaitent, ce n’est pas que l’IA soit expliquée de façon théorique, mais qu’elle démontre plutôt des résultats concrets. Ils souhaitent des cycles plus rapides, une meilleure précision, moins de variance et de meilleures décisions. Ils veulent aussi l’assurance que les modèles ne vont pas changer ou halluciner sans avertir, que les biais sont méticuleusement mesurés et compris—et pas simplement écartés—et que l’empreinte en matière de confidentialité soit défendable, voire impénétrable. Au final, le modèle opérationnel est le produit recherché.

En pratique, votre organisation utilise déjà l’IA, que ce soit par des fonctionnalités intégrées dans des applications SaaS, par des systèmes de recommandation dans le commerce ou grâce à l’automatisation documentaire dans les flux de travaux administratifs. L’objectif est de passer d’une utilisation fortuite à une capacité intentionnelle : sélectionner des cas d’utilisation que vous pouvez gouverner, cartographier les dépendances de données que vous pouvez réellement respecter et intégrer la supervision humaine là où elle est requise.

Comment fonctionne l’IA

La plupart des systèmes d’IA suivent un schéma simple : recueillir des données, entraîner les modèles de langage, évaluer, déployer, surveiller et améliorer. La complexité réside dans les détails qu’il est impossible de contourner :

• Données et signaux
  • La performance de l’IA suit la qualité des données
  • Vous avez besoin d’exemples représentatifs, d’étiquettes claires pour les tâches supervisées et de suffisamment de variété pour généraliser
  • Vous avez également besoin d’un plan pour les droits sur les données, la rétention et la sécurité, car les échecs de gouvernance annulent généralement tout gain technique potentiel
• Modèles et entraînement
  • Les algorithmes transforment les données en modèles qui capturent les motifs
  • L’apprentissage automatique traditionnel utilise des caractéristiques conçues par des experts
  • L’apprentissage profond apprend les caractéristiques automatiquement, ce qui augmente sa capacité mais soulève des questions d’interprétabilité
  • Finalement, les modèles génératifs apprennent à produire du texte, des images et du code qui correspondent aux distributions apprises
• Inférence et rétroaction
  • Une fois déployés, les modèles font des prédictions ou génèrent des résultats; ici, les boucles de rétroaction sont essentielles et les révisions humaines peuvent corriger les erreurs et réduire la dérive.
  • Consigner les décisions prises en fonction de leurs résultats permettra une analyse a posteriori efficace et significative et un entraînement continu
• Performance, pas la perfection
  Vous optimisez en fonction de la mesure qui correspond à chaque cas d’utilisation, et les compromis sont inévitables, alors assurez-vous de mesurer les bons. Par exemple :
  • La précision pour l’examen des fraudes
  • Le rappel pour le triage médical
  • La latence pour la discussion instantanée
  • Le coût par décision pour l’automatisation du back office

Une remarque critique sur la façon dont l’IA apprend :

• L'apprentissage supervisé ajuste des exemples étiquetés
• L'apprentissage non supervisé découvre des structures inattendues dans des données non étiquetées
• Il est important de noter que l'apprentissage par renforcement optimise le comportement grâce aux récompenses

Les systèmes génératifs les plus courants combinent souvent ceux-ci avec un préapprentissage à grande échelle et un ajustement ciblé. Le “comment” importe moins que l’adéquation entre la méthode, les données et l’objectif d’affaires.

Types d’IA

Il existe deux angles utiles pour les types d’IA : la capacité et la fonction. Le travail de classification de l’OCDE constitue un point de départ pragmatique pour classer les systèmes selon ce qu’ils font, comment ils apprennent et où ils sont utilisés. Pour les dirigeants, la conclusion est simple : les systèmes “étroits” dominent la pratique, l’IA “générale” reste une aspiration et l’“IA générative” a élargi le champ d’application sans modifier les besoins fondamentaux en matière de gouvernance.

• Par capacité : L’IA étroite gère des tâches spécifiques comme la classification, la traduction ou le résumé. L’IA générale présenterait une adaptabilité de niveau humain à travers divers types de tâches. Elle n’est pas disponible aujourd’hui — traitez toute affirmation contraire avec prudence.
• Par fonction : Les systèmes réactifs répondent aux entrées actuelles. Les systèmes à mémoire limitée apprennent à partir de données historiques. Des recherches émergentes explorent des modèles qui suivent les croyances ou l’intention, mais les charges de travail en production reposent toujours sur des approches réactives et à mémoire limitée.
• IA générative : Ces modèles créent de nouveaux contenus cohérents avec les schémas appris. Ils sont de puissants compresseurs de connaissances et accélérateurs de rédaction. Ils sont également sensibles à la conception des invites, vulnérables aux hallucinations et dépendent d’une récupération, de garde-fous et d’une révision rigoureuses.

Vous vous demandez quelle est la différence entre l’IA et l’apprentissage automatique? La distinction est pratique, et non académique. L’IA englobe les systèmes qui exécutent des tâches nécessitant de l’intelligence. L’apprentissage automatique regroupe les méthodes qui apprennent à partir des données pour accomplir ces tâches. La plupart des IA modernes utilisent l’apprentissage automatique. Certaines techniques d’IA, comme les systèmes à base de règles, n’apprennent pas. Lors de la planification des investissements, demandez-vous si vous devez apprendre à partir des données, des règles, de la recherche ou d’un modèle hybride.

Applications et cas d’utilisation de l’IA

Les meilleures applications d’IA dans les entreprises suivent un modèle : objectif clair, portée définie, rentabilité mesurable et risque maîtrisable. Commencez là où vous avez une densité de données et une répétabilité des décisions :

• Engagement client
  La personnalisation, la prochaine meilleure action, la tarification dynamique et les moteurs de recommandation stimulent la conversion et la rétention lorsqu'ils sont soutenus par une résolution d'identité fiable et une logique explicable pour les contextes réglementés.
• Opérations de revenus
  La notation de prospects, la prévision des ventes et les modèles de santé du pipeline affinent la concentration. Les assistants génératifs réduisent le temps de préparation des appels, des propositions et des suivis lorsqu'ils sont liés à des données CRM exactes.
• Chaîne d’approvisionnement
  La prévision de la demande, l’optimisation des stocks et l’acheminement logistique réduisent les coûts et améliorent les niveaux de service. Les véritables gains proviennent du couplage des modèles avec l’évolution des processus sur le terrain et des incitatifs.
• Risque et finances
  La détection de fraude, la notation de crédit, la priorisation du recouvrement et la détection des anomalies demeurent essentielles. La précision, l’auditabilité et la surveillance sont non négociables.
• Opérations et TI
  La compréhension des documents, le triage des demandes, la génération de code et l’expansion de la couverture de tests augmentent le rendement. Les gains se multiplient lorsque vous corrigez les données en amont et standardisez les processus.

Healthcare, la fabrication et le secteur public ont des cas d'utilisation spécialisés, mais la logique de sélection est la même pour la plupart des secteurs : il faut prioriser la valeur, la faisabilité et le degré de contrôle — dans cet ordre précis. Ne courez pas après des repères qui ne correspondent pas à vos données ou à vos contraintes. Liez chaque cas d’utilisation à une mesure que vous pouvez surveiller en continu.

Exemples d’IA et scénarios réels

Des exemples concrets permettent de clarifier l’abstraction. Ils aident aussi à identifier et à définir les limites de votre gouvernance.

• Médias et commerce : Les moteurs de recommandation personnalisent le contenu et les produits. Bien sûr, l'amélioration que vous constatez dépendra de la profondeur de votre catalogue, de la qualité de vos rétroactions et des garde-fous contre les bulles de filtres. Lorsque la saisonnalité ou des données clairsemées dominent, une approche hybride combinant signaux basés sur le contenu et signaux collaboratifs surpassera probablement une méthode plus classique.
• Langue et travail des connaissances : La traduction automatique, la synthèse et l'amélioration de la recherche sont devenues des prérequis de base. Associer des modèles génératifs à la récupération depuis votre base de connaissances réduit les hallucinations et maintient les réponses à jour.
• Autonomie et contrôle : La robotique industrielle et les systèmes d'aide à la conduite combinent perception, prédiction et planification. Les systèmes de production privilégient la redondance, des seuils conservateurs et une possibilité claire d’intervention humaine. La différence entre une démonstration en laboratoire et un déploiement sécuritaire réside dans votre rigueur opérationnelle.
• Transformation du back office : L’extraction de factures, la révision de contrats et l’automatisation des réclamations transforment les documents non structurés en données structurées à grande échelle. L’exactitude dépend des gabarits, du mélange des langues et de la gestion des exceptions, et la révision humaine demeure essentielle pour toute décision à haut risque.
• Service à la clientèle : Les agents virtuels traitent les demandes de premier niveau, authentifient les utilisateurs et recueillent le contexte pour les agents humains. Les meilleurs programmes utilisent la détection d’intention pour acheminer précisément, résument les interactions pour l'assurance qualité et intègrent les signaux de sentiment afin d'améliorer les escalades.

Ces exemples soulignent un point : l’IA réussit lorsqu’elle est intégrée à un processus ayant des intrants, des résultats clairs et une reddition de comptes. Elle éprouve des difficultés lorsqu’elle est utilisée comme substitut à une stratégie.

Avantages de l’IA

Les avantages de l’IA se répartissent généralement en quatre catégories : l’échelle, la rapidité, la qualité et la perspicacité. Chacun comporte une réserve.

• Débit à un coût marginal plus bas : L'automatisation des tâches répétitives augmente le volume sans croissance linéaire de l'effectif. Le bémol, c'est la variabilité : les cas limites peuvent réduire les économies si on ne les gère pas par la conception et des flux de gestion des exceptions.
• Temps de cycle plus rapides : De l'analyse à la rédaction en passant par les tests, l'IA réduit le temps de l'idée à la production. Mais cette rapidité n’a d’importance que si les étapes suivantes peuvent l’absorber—sans refonte de processus soigneusement cartographiée, vous risquez simplement de décaler les goulets d’étranglement existants à une autre étape de votre flux de travail.
• Précision supérieure et plus constante : Pour des tâches bien définies avec de bonnes données, les modèles surpassent l’examen manuel en taux d’erreur et de variance. Cependant, il est crucial de surveiller la dérive, de recalibrer les seuils et de rester attentif aux chutes de performance sur les entrées sortant de votre distribution normale.
• Meilleures décisions : Les modèles prédictifs peuvent révéler des tendances que les humains manquent. Mais la valeur ne se concrétise que lorsque les dirigeants font confiance aux signaux et ajustent leurs cahiers des charges, incitatifs et supervision en conséquence. N’oubliez pas : les tableaux de bord ne changent pas les résultats. Ce sont les décisions qui le font.
• Disponibilité et résilience : Les systèmes fonctionnent 24 h/24 et se dégradent graduellement lorsqu’ils sont conçus pour la tolérance aux pannes. Par contre, l’avantage ne croît qu’avec une surveillance robuste, une réponse transparente aux incidents et la mise à l’épreuve régulière des hypothèses par des équipes de simulation d’attaque.

Considérez les avantages comme des hypothèses à valider à l’aide de projets pilotes qui reflètent la réalité, et non avec des données aseptisées ou des flux de travail idéalisés.

Limites, risques et défis de l’IA

Les contraintes de l’IA sont techniques, organisationnelles et sociétales. Faire semblant du contraire n’apportera que des surprises coûteuses.

• Dépendance aux données et biais : Les modèles apprennent de ce qu’ils voient. Des données biaisées ou incomplètes entraînent des résultats biaisés. Selon le Cadre de gestion des risques en IA de la NIST, l’identification, la mesure et l’atténuation des risques doivent être systématiques pendant tout le cycle de vie de l’IA, de la conception à la surveillance. Cela inclut les évaluations des biais, les considérations relatives à la vie privée et les préjudices spécifiques au contexte.
• Robustesse et dérive : Les modèles peuvent échouer silencieusement lorsque les distributions d’entrée changent. La surveillance de la dérive, les tests sur des cas adverses et la mise en œuvre de plans de retour arrière sont des nécessités opérationnelles, pas seulement des avantages souhaitables.
• Explicabilité et responsabilité : Certaines méthodes font des compromis entre l’interprétabilité et la performance. Dans les domaines réglementés, ce compromis peut être inacceptable; il faut donc construire des couches d’explication à la fois suffisamment fidèles pour la surveillance et pratiques pour les utilisateurs.
• Sécurité et confidentialité : Les données d’entraînement peuvent fuiter par l’entremise des sorties du modèle, et l’injection de commandes ou l’empoisonnement de données peuvent manipuler le comportement. Limitez l’exposition, validez les entrées et restreignez les capacités du modèle au strict nécessaire.
• Gestion du changement : Les problèmes les plus difficiles sont humains. Lorsque les rôles changent, la confiance doit être gagnée et les incitatifs peuvent être en conflit. Alignez votre gouvernance avec la livraison. Définissez qui est propriétaire des résultats, et pas seulement des modèles.
• Paysage juridique et des normes : Les attentes évoluent. Les normes IEEE fonctionnent, et les développements politiques visent des systèmes plus sûrs et fiables. Suivez les exigences, mais n’attendez pas une clarté parfaite (qui ne pourra jamais être atteinte) pour adopter de bonnes habitudes.

La contrainte la plus importante à reconnaître et à intégrer est que l’IA est probabiliste; il faut donc concevoir des systèmes qui tiennent compte de l’erreur, limitent l’impact et apprennent rapidement.

Avenir de l’IA

À court terme, nous verrons probablement :

• De meilleurs modèles multimodaux qui combinent texte, images et données
• Intégration plus étroite avec les systèmes d'entreprise
• Un ajustement plus efficace qui réduit les coûts informatiques tout en améliorant l'alignement des tâches

Voici des étapes pragmatiques qui améliorent le contrôle et augmentent le ROI.

À moyen terme, la génération augmentée par récupération deviendra le modèle par défaut pour les assistants d’entreprise, avec un ancrage plus solide, de la citation et un meilleur usage des outils. Les flux de travail agentiques géreront les tâches de plus longue durée sous supervision, sans autonomie totale. Nous apprendrons aussi à mieux préserver la vie privée grâce à l’apprentissage préservant la confidentialité et aux approches fédérées qui maintiennent les données à leur place.

À plus long terme, l’industrie est divisée sur les échéanciers de raisonnement généraliste. Le dynamisme de la recherche est indéniable, mais il y a aussi des limites en matière de fiabilité et de vérifiabilité. Selon les analyses de tendance sur arXiv et les dépôts ouverts, l’activité explose autour de l’alignement, de l’évaluation et de la sécurité, ce qui signale une maturité du domaine qui se confronte à ses propres limites plutôt qu’à une progression linéaire vers l’intelligence « générale ».

La gouvernance va se renforcer. Attendez-vous à ce que des cadres de gestion des risques semblables à celui du NIST soient intégrés aux achats, aux audits et aux fusions et acquisitions. Les gagnants combineront l’excellence technique à des opérations disciplinées, une solide gestion des données et une vision réaliste des situations où l’humain doit rester au cœur des processus.

Outils, plateformes et technologies d’IA

Les dirigeants n’achètent pas l’« IA » de façon abstraite. Ils assemblent une pile qui équilibre capacité, contrôle et coût.

• Accès au modèle : Les options varient entre des API entièrement gérées pour les modèles de base et des modèles open source que vous hébergez localement. Les services gérés accélèrent la création de valeur mais limitent souvent la personnalisation. D'un autre côté, bien que l'auto-hébergement augmente votre contrôle, il transfère aussi le fardeau de la maintenance et de l'entretien à votre équipe.

• Orchestration et récupération : Plusieurs éléments sont devenus essentiels dans la dernière année :

  • Outils de gestion des invites
  • Ancrage des données d'entreprise
  • Recherche vectorielle et évaluation

  Une récupération solide réduit les hallucinations et améliore la cohérence, tandis que les outils d'évaluation aident à sécuriser vos modifications.

• MLOps et LLMOps : Vous avez besoin de pipelines pour les données, l'entraînement, le déploiement et la surveillance. Les principes issus de l'apprentissage automatique traditionnel s'appliquent aux systèmes génératifs, avec un accent supplémentaire sur la sécurité du contenu, la défense contre l'injection d'invites et la révision humaine.
• Plateformes infonuagiques d’IA : Des fournisseurs comme IBM Watson et Google Cloud AI offrent des blocs de construction pour l’entraînement, le service et la gouvernance des modèles. Ces plateformes peuvent accélérer l’adoption lorsqu’elles sont accompagnées de responsabilités claires pour la traçabilité des données, le contrôle d’accès et la gestion des coûts.
• Sécurité et conformité : Classez vos cas d’utilisation selon le risque, chiffrez vos données au repos et en transit et isolez vos charges de travail très sensibles. Traitez les artefacts du modèle comme des actifs sensibles, et auditez méticuleusement qui peut exécuter quoi, où, et avec quelles données.

Évaluez les plateformes selon vos trois principaux cas d’utilisation, les données que vous pouvez fournir et les compétences que possède déjà votre organisation. Ne vous limitez pas à référencer une simple liste générique de fonctionnalités disponibles.

Comment apprendre et adopter l’IA

Considérez l’adoption de l’IA comme le développement d’une capacité, et non comme un projet ponctuel avec une date finale préétablie. Dans le même ordre d’idées, abordez l’apprentissage organisationnel comme des résultats superposés à travers différents rôles.

• Cadres dirigeants : Établissez un point de vue sur la façon dont l’IA crée de la valeur dans votre modèle d’affaires. Définissez le risque acceptable, les limites d’investissement et les résultats qui comptent. Parrainez deux ou trois projets phares qui apprennent à l’organisation comment livrer de façon responsable.
• Produit et opérations : Reformulez vos défis existants en des termes que l’IA peut comprendre et résoudre. Lors de la conception de vos flux de travail IA, intégrez la collecte de données et spécifiez des critères d’acceptation qui reflètent à la fois la précision et l’adéquation des processus. Planifiez de façon proactive dès le départ la gestion des exceptions—n’attendez pas qu’une exception survienne pour réagir, car une fois votre processus solidifié, l’ajout de nouvelles étapes sera probablement plus coûteux.
• Données et ingénierie : Établissez des contrats de données, la traçabilité et des indicateurs de qualité. Créez des pipelines observables, testables et axés sur les coûts. Mettez en œuvre la gouvernance des modèles avec une responsabilité claire et des SLA.
• Risque, affaires juridiques et conformité : Opérationnalisez la politique des modèles, reliez les obligations en matière de vie privée aux flux de données et alignez les pistes d’audit sur les décisions des modèles. Adoptez un vocabulaire commun avec les équipes de livraison afin de prévenir les perturbations, les désaccords et les malentendus.
• Parcours d’apprentissage : Pour les individus, combinez des cours fondamentaux avec des projets pratiques. Pour les équipes, organisez des cliniques internes pour résoudre de vrais problèmes et documenter les modèles récurrents. Encouragez les communautés de pratique qui s’engagent à garder l’approche pragmatique et axée sur les résultats.

L’adoption s’accélère lorsque vous mesurez la création de valeur plutôt que l’activité. N’ayez pas peur de mettre fin aux projets qui ne sont pas à la hauteur, et surtout, développez ceux qui réussissent.

Carrières en IA et marché de l’emploi

Contrairement à l’opinion populaire, les emplois en IA ne se limitent pas aux centres de recherche. Ils existent partout où les données, les décisions et l’automatisation se croisent.

• Rôles en demande
  • Les ingénieurs en apprentissage automatique, les scientifiques des données, les ingénieurs de données et les spécialistes MLOps demeurent essentiels
  • Les ingénieurs de prompts et les gestionnaires de produits en IA ont émergé pour faire le lien entre les modèles linguistiques et les besoins d'affaires
  • Les experts du domaine ayant une littératie des données sont des multiplicateurs d'efficacité
• Compétences transférables
  • La pensée statistique, l’ingénierie logicielle, la gouvernance des données et l’éthique appliquée sont toutes importantes
  • Pour les systèmes génératifs, la conception de l’extraction, l’évaluation et les vérifications de sécurité sont des éléments de différenciation
  • Les compétences en communication transforment les modèles en décisions
• Entrée et mobilité de carrière : Les portfolios surpassent les CV. Présentez des projets de bout en bout qui résolvent un problème, mesurent l’impact et traitent les cas particuliers. La mobilité interne fonctionne lorsque les organisations associent la formation à des stages commandités au sein d’équipes réelles.
• Conséquences pour la gestion : Embaucher pour l’IA sans investir dans la qualité des données, l’infrastructure et la gouvernance frustre tout le monde; il faut ainsi bâtir des équipes ayant des compétences complémentaires et récompenser les résultats mesurables au lieu de la complexité des modèles.

La demande restera forte à mesure que de plus en plus de fonctions intègrent l’IA à leurs processus principaux. Le mélange évoluera, mais le fil conducteur est clair : les personnes capables de transformer les données et les modèles en résultats fiables et mesurables seront recherchées.

Conclusion

Considérez l’IA comme une discipline opérationnelle. Commencez par des problèmes solubles, intégrez des balises de sécurité dans le travail et mesurez les résultats en fonction du langage des affaires. Les normes évolueront, les modèles s’amélioreront et les coûts diminueront. Les organisations qui apprennent plus vite que l’évolution du secteur demeureront en tête.

Questions fréquentes sur l’IA

1. Qu'est-ce que l'IA en termes simples ?
   L'IA est un logiciel qui apprend à partir de données afin d'effectuer des tâches telles que la prédiction, la classification ou la génération de contenu à grande échelle. Selon les définitions d'IBM et de Google Cloud, l'accent est mis sur l'apprentissage, le raisonnement et la résolution de problèmes plutôt que sur des règles codées en dur.
2. Comment l'IA fonctionne-t-elle dans les milieux d'affaires ?
   Les données alimentent les modèles, les modèles font des prédictions ou génèrent du contenu et la rétroaction améliore la performance. La valeur provient de l'intégration des modèles dans les processus avec une surveillance, une supervision humaine et des mesures liées au coût, au revenu ou au risque, et non à partir de prototypes autonomes.
3. Quels sont les principaux types d'IA aujourd'hui ?
   La plupart des systèmes en production sont des IA étroites axées sur des tâches précises. Les catégories fonctionnelles comprennent des systèmes réactifs et à mémoire limitée. GenAI crée du nouveau contenu. L'IA générale avec une flexibilité semblable à celle d'un humain demeure un objectif de recherche et non une réalité déployable.
4. IA vs apprentissage automatique : quelle est la différence ?
   L'IA est l'ensemble des systèmes qui accomplissent des tâches nécessitant de l'intelligence. L'apprentissage automatique est la façon dont bon nombre de ces systèmes apprennent à partir de données. La plupart des IA modernes utilisent l'apprentissage automatique, alors que certaines IA reposent encore sur des règles, la recherche ou des approches hybrides.
5. Quels sont les principaux avantages de l'IA pour les entreprises ?
   Productivité accrue à moindre coût marginal, cycles plus rapides, précision améliorée et meilleures décisions. Les avantages dépendent de la qualité des données, de l'intégration aux processus et de la gouvernance. Sans cela, les gains s'érodent à cause de la dérive, des exceptions et de la méfiance.
6. Quels sont les principaux risques et comment les gérer ?
   Biais, dérive, vie privée, sécurité et explicabilité. Le Cadre de gestion des risques liés à l'IA du NIST décrit des pratiques de cycle de vie pour identifier, mesurer et atténuer ces risques, y compris la gouvernance, les tests et la surveillance continue en production.