CEDAR-42001: From ISO/IEC 42001 Conformity to Architecture-Aware, Audit-Visible Assurance Posture for AI Cyber-Physical Systems

Résumé Technique : CEDAR-42001

Énoncé du Problème
Les systèmes cyber-physiques assistés par l'IA (AI-CPS), tels que les véhicules autonomes et les systèmes de contrôle industriel, font face à des défis d'assurance qui s'étendent de la détection à la computation, en passant par le contrôle, la supervision humaine et la gouvernance. Bien que l'ISO/CEI 42001:2023 établisse les exigences d'un Système de Management de l'Intelligence Artificielle (AIMS), la seule évaluation de la conformité est insuffisante pour les opérateurs d'AI-CPS. Un verdict de conformité standard ou une liste de non-conformités ne révèle pas quelles couches architecturales spécifiques sont affectées, si les pratiques actuelles possèdent une maturité suffisante pour le contexte de risque, ou quelles actions spécifiques doivent suivre. Cela crée un « écart de décision » où l'allocation stratégique des ressources, la hiérarchisation opérationnelle des faiblesses et la sélection tactique des actions correctives ne peuvent être directement dérivées des résultats de conformité basés sur les clauses. Les approches existantes traitent souvent la gouvernance du système de management et l'évaluation de la sécurité consciente de l'architecture comme des domaines distincts.

Méthodologie : CEDAR-42001
Les auteurs proposent le CEDAR-42001 (Control–Evidence Decision and Action Reasoning), une méthode en deux étapes conçue pour traduire les preuves d'audit de l'ISO/CEI 42001 en une « posture d'assurance consciente de l'architecture et visible par l'audit ». La méthode opère sur une base par ligne, préservant la détermination de conformité originale tout en l'enrichissant de données diagnostiques.

• Étape A (Détermination de la Conformité) : Cette étape conserve la fonction de conformité standard de l'ISO/CEI 42001. À l'aide d'une hiérarchie de 26 règles ordonnées par priorité, les enregistrements d'audit codés sont mappés vers des conclusions telles que la Conformité, l'Opportunité d'Amélioration (OFI), la Non-conformité Mineure/Majeure, ou la Non-évaluée. Cette étape ne modifie pas le verdict de conformité original.
• Étape B (Diagnostic d'Assurance Visible par l'Audit) : Cette étape augmente chaque ligne d'audit de quatre champs diagnostiques :
  1. Attribution Architecturale : Attribue la conclusion à un stratum de gouvernance (G), à l'un des sept niveaux architecturaux de l'AI-CPS (L1–L7 : Physique, Détection/Perception, Traitement des Données, Middleware, Décision/Contrôle IA, Logique d'Application, Supervision Humaine), ou à une catégorie Trans-couche.
  2. Profil de Maturité : Évalue cinq dimensions (Traçabilité, Opérationnalisation, Surveillance, Amélioration, Intégration Trans-couche) sur une échelle de 0 à 4. Une porte de 17 règles mappe ces scores vers une échelle de maturité IRDMO (Initiale, Reproductible, Définie, Gérée, Optimisée), identifiant la « contrainte limitante » qui empêche la progression.
  3. Cible Proportionnelle au Risque : Assigne une maturité cible minimale et une cible de dépassement optionnelle basée sur l'impact CPS et la criticité sécurité/sûreté, calculant l'écart entre la maturité actuelle et requise.
  4. Recommandation d'Action : Dérive des actions spécifiques (Corrective, Amélioration, Renforcement de l'Assurance, Acquisition de Preuves, ou Maintien) basées sur la conclusion de l'Étape A, la couche primaire, la contrainte limitante et le contexte de risque.
     Les lignes enrichies sont agrégées en trois produits de décision : une vue stratégique (concentrations de risques), une vue opérationnelle (écarts par couche) et une vue tactique (registre d'actions/CAPA).

Contributions Clés

1. Définition de la Posture d'Assurance Visible par l'Audit : Le document définit un construit diagnostique borné qui enregistre la gouvernance ou la couche AI-CPS pertinente, la maturité, les contraintes limitantes, les cibles proportionnelles au risque et les recommandations d'action pour chaque obligation évaluée.
2. La Méthode CEDAR-42001 : Une méthode novatrice qui co-localise le statut de conformité, l'attribution de la couche CPS, la suffisance de la maturité et la classe d'action au sein d'une seule ligne d'audit traçable.
3. Traçabilité au Niveau de la Ligne : La principale contribution méthodologique est la capacité de décomposer n'importe quel produit de décision agrégé vers l'obligation individuelle, la note de preuve et la règle déclenchée, garantissant la transparence dans la manière dont les conclusions sont atteintes.
4. Passage de la Gouvernance à l'Assurance : La méthode comble le fossé entre la conformité du système de management et l'assurance technique en identifiant où les preuves d'audit justifient des tests techniques plus approfondis, une amélioration organisationnelle ou une remédiation, sans remplacer les évaluations de sécurité techniques.

Résultats et Évaluation
La méthode a été évaluée via trois études limitées :

1. Couverture de Pipeline de Bout en Bout (Meridian Robotics) : Un corpus de preuves AIMS synthétique pour une flotte de robots mobiles autonomes a été évalué par rapport à l'ensemble des 159 questions d'audit.
   • Conformité vs Écart d'Assurance : Bien que 89,9 % des lignes d'audit (143/159) aient été jugées conformes, seulement 34,3 % de ces lignes conformes ont atteint la catégorie « Haute-assurance ». Cette proportion variait entre 22,4 % et 46,2 % sous des opérationnalisations alternatives des seuils d'assurance.
   • Distribution des Couches : Les Non-conformités Majeures étaient réparties entre la Gouvernance (G), la Détection/Perception (L2), le Middleware (L4) et la Décision IA (L5), démontrant que les faiblesses ne sont pas confinées à la couche de gouvernance.
   • Insights de Maturité : La Surveillance et l'Intégration Trans-couche ont été identifiées comme les dimensions les moins bien notées globalement, agissant fréquemment comme des contraintes limitantes empêchant la progression vers des niveaux de maturité supérieurs.
2. Application Rétrospective (Incident de la Robotaxi Cruise) : La méthode a été appliquée à la documentation publique de l'incident de Cruise d'octobre 2023.
   • Le cadre a réussi à capturer les préoccupations documentées concernant la Gouvernance, la Perception (L2), la Décision (L5) et la Supervision Humaine (L7).
   • Il a démontré que bien qu'un dommage physique se soit produit au niveau de la couche Physique (L1), les faiblesses de gouvernance étaient principalement attribuées à G, L2, L5 et L7, générant des recommandations d'action différenciées pour chaque couche.

Signification et Revendications
Le document affirme que CEDAR-42001 fournit une couche de traduction nécessaire pour les opérateurs d'AI-CPS qui doivent passer d'une simple conformité à une assurance actionnable. Il stipule explicitement que la méthode ne vise pas à estimer l'exploitabilité, ne remplace pas les tests de sécurité technique des CPS (ex: tests d'intrusion, surveillance au runtime), et ne certifie pas la sécurité d'un système déployé. Au lieu de cela, sa signification réside dans l'identification de là où les preuves d'audit indiquent la nécessité d'une assurance technique plus profonde ou d'une amélioration organisationnelle.

Les auteurs maintiennent une position modeste, notant que les résultats caractérisent l'installation synthétique spécifique et l'échantillon de preuves publiques sélectionné pour l'incident de Cruise, plutôt que d'établir la prévalence des écarts d'assurance dans les organisations opérationnelles ou de garantir que les recommandations préviendront de futurs incidents. La méthode est présentée comme un outil de support à la décision informationnel qui rend la posture d'assurance visible et actionnable, distincte de l'évaluation de la sécurité technique du système lui-même.