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

Resumo Técnico: CEDAR-42001

Definição do Problema
Sistemas ciber-físicos habilitados por IA (AI-CPS), como veículos autônomos e sistemas de controle industrial, enfrentam desafios de garantia que abrangem sensoriamento, computação, controle, supervisão humana e governança. Embora a ISO/IEC 42001:2023 estabeleça requisitos para um Sistema de Gestão de Inteligência Artificial (AIMS), a conformidade por si só é insuficiente para operadores de AI-CPS. Um veredito de conformidade padrão ou uma lista de não conformidades não revela quais camadas arquiteturais específicas foram afetadas, se as práticas atuais possuem maturidade suficiente para o contexto de risco, ou quais ações específicas devem seguir-se. Isso cria um "gap de decisão" onde a alocação estratégica de recursos, a priorização operacional de fraquezas e a seleção tática de ações corretivas não podem ser derivadas diretamente de resultados de conformidade baseados em cláusulas. As abordagens existentes frequentemente tratam a governança do sistema de gestão e a avaliação de segurança consciente da arquitetura como domínios separados.

Metodologia: CEDAR-42001
Os autores propõem o CEDAR-42001 (Control–Evidence Decision and Action Reasoning), um método de dois estágios projetado para traduzir evidências de auditoria da ISO/IEC 42001 em uma "postura de garantia visível à auditoria e consciente da arquitetura". O método opera em uma base de nível de linha, preservando a determinação de conformidade original enquanto a enriquece com dados diagnósticos.

• Estágio A (Determinação de Conformidade): Este estágio retém a função de conformidade padrão da ISO/IEC 42001. Usando uma hierarquia de 26 regras ordenadas por prioridade, os registros de auditoria codificados são mapeados para achados como Conformidade, Oportunidade de Melhoria (OFI), Não Conformidade Menor/Maior ou Não Avaliado. Este estágio não altera o veredito de conformidade original.
• Estágio B (Diagnóstico de Garantia Visível à Auditoria): Este estágio aumenta cada linha de auditoria com quatro campos diagnósticos:
  1. Atribuição Arquitetural: Atribui o achado a um estrato de governança (G), um dos sete níveis arquiteturais de AI-CPS (L1–L7: Físico, Sensoriamento/Percepção, Processamento de Dados, Middleware, Decisão de IA/Controle, Lógica de Aplicação, Supervisão Humana) ou uma categoria Transversal (Cross-layer).
  2. Perfil de Maturidade: Avalia cinco dimensões (Rastreabilidade, Operacionalização, Monitoramento, Melhoria, Integração Transversal) em uma escala de 0–4. Um portão de 17 regras mapeia essas pontuações para uma escada de maturidade IRDMO (Inicial, Repetível, Definida, Gerenciada, Otimizada), identificando a "restrição limitante" que impede a progressão.
  3. Alvo Proporcional ao Risco: Atribui uma maturidade alvo mínima e um alvo de estiramento opcional baseados no impacto do CPS e na criticidade de segurança/segurança, calculando o gap entre a maturidade atual e a necessária.
  4. Recomendação de Ação: Deriva ações específicas (Corretiva, Melhoria, Fortalecimento da Garantia, Aquisição de Evidência ou Manutenção) com base no achado do Estágio A, na camada primária, na restrição limitante e no contexto de risco.

As linhas enriquecidas são agregadas em três produtos de decisão: uma visão estratégica (concentrações de risco), uma visão operacional (gaps específicos de camada) e uma visão tática (registro de ações/CAPA).

Principais Contribuições

1. Definição de Postura de Garantia Visível à Auditoria: O artigo define um constructo diagnóstico delimitado que registra a camada de governança ou de AI-CPS relevante, maturidade, restrições limitantes, alvos proporcionais ao risco e recomendações de ação para cada obrigação avaliada.
2. O Método CEDAR-42001: Um novo método que coloca em co-localização o status de conformidade, a atribuição de camada de CPS, a suficiência de maturidade e a classe de ação dentro de uma única linha de auditoria rastreável.
3. Rastreabilidade ao Nível de Linha: A principal contribuição metodológica é a capacidade de decompor qualquer produto de decisão agregado de volta à obrigação individual, à nota de evidência e à regra acionada, garantindo transparência em como as conclusões são alcançadas.
4. Transição de Governança para Garantia: O método preenche a lacuna entre a conformidade do sistema de gestão e a garantia técnica ao identificar onde a evidência de auditoria justifica testes técnicos mais profundos, melhoria organizacional ou remediação, sem substituir as avaliações de segurança técnica.

Resultados e Avaliação
O método foi avaliado através de três estudos delimitados:

1. Cobertura de Pipeline Ponta a Ponta (Meridian Robotics): Um corpus de evidência sintética de um AIMS para uma frota de robôs móveis autônomos foi avaliado contra todas as 159 perguntas de auditoria.
   • Conformidade vs. Gap de Garantia: Enquanto 89,9% das linhas de auditoria (143/159) foram consideradas conformes, apenas 34,3% dessas linhas conformes atingiram a categoria de "Alta Garantia" basal. Esta proporção variou entre 22,4% e 46,2% sob operacionalizações alternativas dos limiares de garantia.
   • Distribuição de Camadas: As Não Conformidades Maiores foram distribuídas entre Governança (G), Sensoriamento/Percepção (L2), Middleware (L4) e Decisão de IA (L5), demonstrando que as fraquezas não estão confinadas à camada de governança.
   • Insights de Maturidade: Monitoramento e Integração Transversal foram identificados como as dimensões de menor pontuação geral, atuando frequentemente como restrições limitantes que impedem a progressão para níveis de maturidade superiores.
2. Aplicação Retrospectiva (Incidente Cruise Robotaxi): O método foi aplicado à documentação pública do incidente da Cruise de outubro de 2023.
   • O framework capturou com sucesso as preocupações documentadas em Governança, Percepção (L2), Decisão (L5) e Supervisão Humana (L7).
   • Demonstrou que, embora o dano físico tenha ocorrido na camada Física (L1), as fraquezas de governança foram atribuídas principalmente a G, L2, L5 e L7, gerando recomendações de ação diferenciadas para cada camada.

Significância e Alegações
O artigo afirma que o CEDAR-42001 fornece uma camada de tradução necessária para operadores de AI-CPS que devem ir além da simples conformidade para uma garantia acionável. O texto declara explicitamente que o método não estima explorabilidade, não substitui testes de segurança técnica de CPS (ex: testes de penetração, monitoramento em tempo real) e não certifica a segurança de um sistema implantado. Em vez disso, sua significância reside em identificar onde a evidência de auditoria indica a necessidade de maior garantia técnica ou melhoria organizacional.

Os autores mantêm uma postura modesta, observando que os resultados caracterizam o dispositivo sintético específico e a evidência pública selecionada para o incidente da Cruise, em vez de estabelecer a prevalência de gaps de garantia em organizações operacionais ou garantir que as recomendações prevenirão incidentes futuros. O método é apresentado como uma ferramenta de suporte à decisão informativa que torna a postura de garantia visível e acionável, distinta da avaliação de segurança técnica do próprio sistema.