Guide de sécurité de l'IA générative dans les soins de santé

Le secteur de la santé est au bord d'une révolution technologique, portée par les capacités remarquables de l'Intelligence Artificielle Générative (IA Gen).

Des Grands Modèles de Langage (LLM) rédigeant des notes cliniques en quelques secondes et résumant des dossiers médicaux complexes, à l'IA analysant des images médicales avec une précision stupéfiante et alimentant des plans de traitement personnalisés, le potentiel d'amélioration des résultats pour les patients, de rationalisation des charges administratives et d'accélération des avancées médicales est indéniable.

Imaginez des assistants IA réduisant l'épuisement professionnel des médecins en automatisant la documentation, des modèles prédictifs identifiant les patients à haut risque pour une intervention proactive, ou des pipelines de découverte de médicaments considérablement raccourcis grâce à la modélisation moléculaire pilotée par l'IA.

Ces scénarios ne relèvent pas de la science-fiction ; ils représentent la promesse tangible de l'IA Gen qui se déploie activement aujourd'hui dans les laboratoires de recherche et les institutions de santé pionnières.

Cependant, ce potentiel transformateur s'accompagne de risques sans précédent, notamment compte tenu de la nature extraordinairement sensible des données de santé. L'intégration de systèmes d'IA puissants et gourmands en données dans les flux de travail cliniques et les interactions avec les patients introduit un réseau complexe de défis en matière de sécurité, de confidentialité et d'éthique.

Les Informations de Santé Protégées (PHI) comptent parmi les types de données les plus privées et les plus réglementées au monde. Leur exposition ou leur mauvaise utilisation peut avoir des conséquences dévastatrices pour les patients : usurpation d'identité, discrimination, soins compromis... Et aussi des répercussions catastrophiques pour les organisations de santé, notamment des amendes paralysantes, des responsabilités légales, une atteinte à la réputation et une perte de confiance des patients.

Le déploiement de l'IA Gen dans le secteur de la santé n'est pas simplement un défi technique ; c'est une entreprise à enjeux élevés exigeant des mesures de sécurité rigoureuses, une conformité inébranlable aux réglementations telles que l'HIPAA, et une compréhension approfondie des vulnérabilités uniques que ces modèles avancés introduisent.

Cet article sert de guide complet, explorant le paysage critique de la sécurité de l'IA Gen dans le secteur de la santé, décortiquant les risques clés, naviguant dans le labyrinthe réglementaire et décrivant les meilleures pratiques essentielles pour exploiter la puissance de l'IA de manière sûre et responsable.

Comment l'IA Gen Redéfinit le Secteur de la Santé

Avant de plonger dans les risques, il est essentiel d'apprécier l'étendue de l'impact potentiel de l'IA Gen sur l'ensemble de l'écosystème de la santé :

• Documentation Clinique et Synthèse : Les LLM peuvent réduire considérablement la charge de documentation des cliniciens en générant automatiquement des ébauches de notes cliniques, des résumés de sortie et des lettres de référence à partir de conversations enregistrées ou de données structurées. Cela libère un temps précieux pour les soins directs aux patients.
• Aide au Diagnostic : Les modèles d'IA entraînés sur de vastes ensembles de données d'images médicales (radiographies, scanners, IRM) peuvent aider les radiologues et les pathologistes à détecter des anomalies subtiles indicatrices de maladies comme le cancer ou la rétinopathie diabétique, améliorant potentiellement la vitesse et la précision du diagnostic.
• Découverte et Développement de Médicaments : L'IA Gen peut accélérer le processus long et coûteux de la découverte de médicaments en générant de nouvelles structures moléculaires, en prédisant leurs propriétés et en optimisant les candidats pour les essais cliniques.
• Médecine Personnalisée : En analysant les données individuelles des patients (génomique, mode de vie, antécédents médicaux), l'IA Gen peut aider à adapter les plans de traitement, à prédire le risque de maladie avec une plus grande précision et à optimiser les interventions thérapeutiques pour de meilleurs résultats.
• Engagement et Éducation des Patients : Les chatbots alimentés par l'IA peuvent fournir aux patients des informations accessibles sur leurs pathologies, répondre à des questions courantes, aider à gérer les rendez-vous et offrir un coaching de santé personnalisé, améliorant ainsi la littératie en santé et l'observance.
• Efficacité Administrative : L'IA Gen peut automatiser des tâches telles que le codage médical, la facturation, le traitement des réclamations et la planification, réduisant ainsi les frais administratifs et rationalisant les opérations hospitalières.
• Recherche Médicale : Les LLM peuvent synthétiser de grandes quantités de littérature médicale, identifier les lacunes de la recherche, générer des hypothèses et analyser des ensembles de données complexes, accélérant ainsi le rythme des découvertes scientifiques.

Ces applications soulignent pourquoi les organisations de santé sont désireuses d'adopter l'IA Gen. Pourtant, chaque application comporte également des risques inhérents qui doivent être gérés méticuleusement.

Risques Uniques de Sécurité et de Conformité de l'IA Gen

Bien que de nombreuses préoccupations en matière de sécurité de l'IA Gen soient universelles, elles revêtent une importance accrue et des dimensions uniques dans le contexte des soins de santé en raison de la sensibilité des PHI et de l'impact potentiel direct sur la sécurité et le bien-être des patients.

1. Exposition des PHI : L'Exercice d'Équilibriste de l'HIPAA

Les Informations de Santé Protégées (PHI), englobant tout, des noms des patients et diagnostics aux détails des traitements et informations d'assurance, sont la pierre angulaire de l'IA dans le secteur de la santé. Cependant, leur utilisation présente d'immenses risques pour la vie privée.

• Contamination des Données d'Entraînement : Si les modèles sont entraînés (ou affinés) sur des ensembles de données contenant des PHI insuffisamment anonymisées, ils pourraient par inadvertance mémoriser et potentiellement révéler ces informations lors de l'inférence (génération de sortie). Même des données apparemment anonymisées peuvent parfois être ré-identifiées.
• Fuite au Moment de l'Inférence (RAG et Fenêtres de Contexte) : Les applications modernes utilisent souvent la Génération Augmentée par Récupération (RAG), alimentant des données spécifiques au patient dans la fenêtre de contexte du LLM pour générer des réponses pertinentes. Si elle n'est pas correctement sécurisée, le LLM pourrait divulguer ces PHI contextuelles dans sa sortie, ou des invites malveillantes pourraient le piéger pour lui faire révéler des détails sensibles fournis lors de la session.
• Accès non Autorisé : Des contrôles d'accès insuffisants sur les systèmes traitant ou stockant des PHI pour les applications d'IA créent des opportunités de violations par des attaquants externes ou des initiés malveillants.
• Violations de l'HIPAA : Une manipulation incorrecte des PHI par les systèmes d'IA Gen viole directement la Règle de Confidentialité de l'HIPAA (régissant l'utilisation et la divulgation) et la Règle de Sécurité (imposant des garanties). Les principales préoccupations comprennent :
  • Principe du Minimum Nécessaire : S'assurer que le système d'IA n'accède qu'au minimum de PHI requis pour sa tâche spécifique. Ceci est difficile avec les LLM qui bénéficient souvent d'un contexte plus large.
  • Accords de Partenariat Commercial (BAA) : En cas d'utilisation de modèles ou de plateformes d'IA tiers (comme OpenAI, Anthropic ou des fournisseurs de cloud), un BAA robuste est obligatoire en vertu de l'HIPAA, décrivant comment le fournisseur protégera les PHI. Assurer la conformité du fournisseur est essentiel.
  • Pistes d'Audit : L'HIPAA exige des journaux détaillés indiquant qui a accédé aux PHI, quand et dans quel but. Le suivi de ces informations dans des flux de travail d'IA complexes nécessite une conception minutieuse.

2. Risques pour la Sécurité Clinique : Hallucinations et Imprécisions dans les Décisions Critiques

Les LLM sont sujets à l'« hallucination », générant des sorties qui semblent plausibles mais sont factuellement incorrectes, absurdes ou non fondées sur les données sources fournies. Dans le secteur de la santé, ce n'est pas seulement une nuisance ; c'est une menace directe pour la sécurité des patients.

• Erreurs de Diagnostic et Plans de Traitement Incorrects : Un assistant de diagnostic IA qui hallucine des symptômes ou interprète mal des données d'imagerie pourrait induire les cliniciens en erreur. Un LLM résumant les antécédents d'un patient pourrait omettre une allergie critique ou inventer une posologie de médicament, conduisant à des décisions thérapeutiques dangereuses.
• Aide à la Décision Clinique Défaillante : Les outils d'IA conçus pour fournir des recommandations de traitement basées sur des lignes directrices pourraient halluciner des études inexistantes ou déformer les résultats d'essais cliniques, sapant la pratique fondée sur des preuves.
• Érosion de la Confiance des Cliniciens : Des imprécisions fréquentes, même mineures, peuvent amener les cliniciens à perdre confiance dans les outils d'IA, entravant leur adoption et les conduisant potentiellement à négliger des informations réellement utiles.

3. Amplification des Biais et Préoccupations relatives à l'Équité en Santé

Les modèles d'IA apprennent à partir des données sur lesquelles ils sont entraînés. Les données de santé reflètent souvent des biais historiques et systémiques liés à la race, à l'origine ethnique, au sexe, au statut socio-économique et à la géographie.

• Perpétuation des Disparités : Les systèmes d'IA Gen entraînés sur des données biaisées peuvent perpétuer ou même amplifier ces disparités. Par exemple, un outil de diagnostic entraîné principalement sur des données d'un groupe démographique pourrait être moins précis pour d'autres. Un LLM générant des communications pour les patients pourrait adopter des tons ou un langage qui résonnent mal avec certains milieux culturels.
• Biais dans l'Allocation des Ressources : L'IA utilisée pour l'allocation des ressources ou la stratification des risques pourrait désavantager injustement certains groupes de patients si les biais sous-jacents des données ne sont pas identifiés et atténués.
• Risque Éthique et Réputationnel : Le déploiement de systèmes d'IA biaisés soulève d'importantes préoccupations éthiques et peut nuire à la réputation d'une organisation et à son engagement en faveur de soins équitables.

4. Attaques Adversariales : Manipulation de l'IA dans des Environnements à Hauts Enjeux

Les modèles d'IA Gen sont vulnérables aux attaques adversariales, où des entrées soigneusement conçues piègent le modèle pour qu'il se comporte de manière inattendue ou malveillante. Dans le secteur de la santé, les implications sont graves :

• Injection de Prompt : Des acteurs malveillants pourraient injecter des instructions cachées dans les prompts fournis aux outils de documentation clinique, les amenant à générer des notes trompeuses ou à omettre des informations critiques. Les chatbots pourraient être piégés pour fournir des informations médicales nuisibles ou enfreindre les règles de conformité.
• Empoisonnement des Données : Les attaquants pourraient subtilement corrompre les données d'entraînement des modèles d'IA pour la santé, conduisant à des sorties inexactes généralisées ou à des vulnérabilités intégrées exploitables ultérieurement.
• Évasion de Modèle : Des entrées adversariales pourraient être conçues pour contourner les filtres de sécurité ou les contrôles de diagnostic, amenant l'IA à manquer des résultats critiques ou à générer du contenu dangereux. Par exemple, modifier légèrement une image médicale de manière invisible à l'œil humain pourrait tromper un outil de diagnostic IA.

5. Naviguer dans le Labyrinthe Complexe de la Réglementation et de la Conformité

Au-delà de l'HIPAA, les organisations de santé qui déploient l'IA Gen sont confrontées à un ensemble croissant de réglementations :

• RGPD : Pour les organisations traitant des données de résidents de l'UE, le RGPD impose des exigences strictes en matière de consentement, de minimisation des données et de droits des personnes concernées, ce qui ajoute de la complexité, en particulier pour l'entraînement d'IA à grande échelle.
• Réglementations Spécifiques Émergentes sur l'IA : Des cadres tels que la loi de l'UE sur l'IA classent de nombreux systèmes d'IA pour la santé comme étant à « haut risque », imposant des exigences strictes en matière de qualité des données, de transparence, de surveillance humaine, de robustesse et de précision avant leur mise sur le marché. Les États-Unis élaborent également des directives sur l'IA (par exemple, le Cadre de Gestion des Risques liés à l'IA du NIST) qui influencent fortement les meilleures pratiques.
• Surveillance de la FDA : Les Logiciels en tant que Dispositif Médical (SaMD) basés sur l'IA/ML relèvent de la réglementation de la FDA aux États-Unis, nécessitant une validation rigoureuse, des systèmes de gestion de la qualité et potentiellement une approbation préalable à la mise sur le marché en fonction du niveau de risque et de l'utilisation prévue.
• Lois sur la Protection de la Vie Privée au Niveau des États : Des lois telles que la California Consumer Privacy Act (CCPA/CPRA) ajoutent des couches supplémentaires d'exigences en matière de protection des données.

Assurer et démontrer la conformité à travers ces réglementations superposées et en évolution pour des systèmes d'IA Gen opaques constitue un défi important nécessitant une gouvernance dédiée et des contrôles techniques.

6. Vulnérabilités des Tiers et de la Chaîne d'Approvisionnement

Les organisations de santé construisent rarement des modèles complexes d'IA Gen entièrement en interne. Elles s'appuient sur des modèles de fondation tiers (par exemple, GPT-4, Claude), des plateformes cloud (AWS, Azure, GCP), des outils MLOps spécialisés et des fournisseurs de données.

• Posture de Sécurité des Fournisseurs : Les vulnérabilités dans l'infrastructure ou les API d'un fournisseur de modèles tiers pourraient exposer des données sensibles ou permettre la manipulation du modèle.
• Défis d'Application des BAA : S'assurer que tous les fournisseurs de la chaîne d'approvisionnement de l'IA qui manipulent des PHI ont signé des BAA et respectent réellement leurs obligations contractuelles en matière de sécurité nécessite une diligence et un audit continus.
• Provenance et Lignage des Données : Le suivi du flux de données et des versions de modèles à travers plusieurs fournisseurs complique l'audit et la production de rapports de conformité.

Meilleures Pratiques pour une IA Gen Sécurisée dans le Secteur de la Santé

Aborder ces risques multiples nécessite une stratégie de sécurité et de gouvernance proactive et multicouche, spécifiquement adaptée à l'environnement des soins de santé. La simple application des pratiques de sécurité informatique standard est insuffisante.

1. Établir une Gouvernance des Données Robuste et une Protection des PHI :

• Minimisation Stricte des Données : Adhérer rigoureusement au principe du « Minimum Nécessaire » de l'HIPAA. Ne fournir aux modèles d'IA que le minimum absolu de PHI requis pour leur fonction prévue. Explorer des techniques telles que l'apprentissage fédéré où les modèles s'entraînent sur des données décentralisées sans mettre en commun les PHI brutes.
• Anonymisation et Désidentification Avancées : Employer des techniques sophistiquées allant au-delà de la simple suppression de noms. Utiliser des méthodes telles que la k-anonymisation, la l-diversité, la t-proximité et potentiellement la confidentialité différentielle pour minimiser le risque de ré-identification dans les données d'entraînement. Valider l'efficacité de la désidentification.
• Politiques de Traitement des PHI : Mettre en œuvre des politiques claires et des contrôles techniques sur la manière dont les PHI sont consultées, utilisées, stockées et transmises dans les flux de travail de l'IA, tant pour l'entraînement que pour l'inférence.
• Tokenisation/Chiffrement : Chiffrer les PHI au repos et en transit. Envisager la tokenisation pour remplacer les éléments de données sensibles par des substituants non sensibles pendant le traitement lorsque cela est possible.

2. Mettre en Œuvre des Contrôles d'Accès Zero Trust :

• Contrôle d'Accès Basé sur les Rôles (RBAC) Granulaire : Définir des rôles spécifiques (clinicien, chercheur, administrateur, service d'IA spécifique) avec un accès au moindre privilège aux modèles d'IA, aux sources de données et aux interfaces de gestion.
• Authentification Multi-Facteurs (MFA) : Imposer la MFA à tous les utilisateurs et services accédant aux systèmes d'IA et aux données associées.
• Authentification et Autorisation Continues : Aller au-delà des connexions uniques. Vérifier en continu l'identité de l'utilisateur et la posture de l'appareil, ré-autorisant l'accès en fonction du contexte et des signaux de risque.
• Segmentation du Réseau : Isoler les systèmes d'IA et les référentiels de données sensibles dans des segments de réseau sécurisés.

3. Sécuriser le Développement et le Déploiement de l'IA (DevSecOps pour l'IA) :

• Infrastructure Sécurisée : Renforcer l'infrastructure sous-jacente (configurations cloud, conteneurs, systèmes d'exploitation) hébergeant les modèles et applications d'IA.
• Gestion des Vulnérabilités : Analyser régulièrement les composants, bibliothèques et infrastructures d'IA à la recherche de vulnérabilités connues.
• Pipelines d'IA Sécurisés : Intégrer des contrôles de sécurité (par exemple, recherche de secrets, analyse des dépendances, détection de PHI dans le code/les données) dans le pipeline CI/CD pour le développement, l'entraînement et le déploiement des modèles d'IA.
• Gestion de la Configuration : Mettre en œuvre des contrôles stricts et un audit des modifications apportées aux configurations des modèles d'IA, aux paramètres et aux invites système.

4. Exiger des Tests, une Validation et une Sécurité Rigoureux des Modèles :

• Au-delà des Tests Fonctionnels : Aller au-delà des métriques de précision. Mettre en œuvre des tests spécifiques pour :
  • Taux d'Hallucination : Mesurer la fréquence des inexactitudes factuelles par rapport à des ensembles de données de référence ou des directives cliniques.
  • Audits de Biais : Évaluer systématiquement les performances du modèle sur différents groupes démographiques pour identifier et quantifier les biais.
  • Tests de Robustesse Adversariale : Utiliser des outils et des techniques (comme ceux proposés par NeuralTrust) pour sonder activement le modèle avec des invites adversariales, testant la résistance à l'injection de prompt, au jailbreaking et à l'évasion.
  • Efficacité des Filtres de Sécurité : Tester l'efficacité des garde-fous de sécurité intégrés contre la génération de contenu nuisible, toxique ou non conforme.
• Validation Clinique et Supervision Humaine : Pour les applications cliniques, les sorties de l'IA doivent être validées par rapport aux connaissances médicales établies et examinées par des cliniciens qualifiés (humain dans la boucle) avant d'avoir un impact sur les soins aux patients. Définir des protocoles clairs pour l'examen et l'annulation.
• Red Teaming : Employer des équipes dédiées pour simuler des attaques du monde réel et tenter de déjouer les contrôles de sécurité et de sûreté du système d'IA avant le déploiement.

5. Mettre en Œuvre une Surveillance Continue et des Alertes en Temps Réel :

• Analyse des Entrées/Sorties : Déployer des outils (comme l'AI Firewall de NeuralTrust) pour analyser en continu les prompts et les réponses en temps réel à la recherche de :
  • Modèles de PHI
  • Tentatives d'injection de prompt / Entrées malveillantes
  • Toxicité, biais, contenu nuisible
  • Violations des politiques de conformité personnalisées (par exemple, « pas de conseils médicaux »)
• Détection d'Anomalies : Surveiller les schémas inhabituels d'utilisation, de latence, de consommation de jetons ou de caractéristiques de sortie qui pourraient indiquer des attaques, une mauvaise utilisation ou une dégradation des performances.
• Application des Garde-fous et Alertes : Configurer des garde-fous spécifiques et déclencher des alertes immédiates (et potentiellement bloquer les requêtes) en cas de violation. Intégrer les alertes aux flux de travail SIEM et de réponse aux incidents.
• Journalisation d'Audit : Tenir des journaux complets et immuables de toutes les interactions, décisions de politique, alertes et accès des utilisateurs à des fins de conformité et d'investigation.

6. Élaborer des Plans de Réponse aux Incidents Spécifiques au Secteur de la Santé :

• Planification de Scénarios : Élaborer des manuels d'intervention pour des incidents spécifiques liés à l'IA, tels qu'une violation majeure de PHI via un LLM, la découverte d'un biais important affectant les soins aux patients, ou des erreurs cliniques généralisées dues à des hallucinations de modèles.
• Confinement et Remédiation : Décrire les étapes pour contenir rapidement les incidents (par exemple, désactiver un modèle défectueux, isoler les systèmes affectés) et remédier au problème.
• Procédures de Notification : Comprendre et documenter les exigences de notification de violation en vertu de l'HIPAA et d'autres réglementations pertinentes.

7. Appliquer une Gestion Stricte des Risques Fournisseurs :

• Diligence Raisonnable : Évaluer minutieusement la posture de sécurité et de conformité de tous les fournisseurs d'IA tiers avant de s'engager.
• BAA Robustes : S'assurer que des BAA complets sont en place, définissant clairement les responsabilités en matière de protection des PHI, les mesures de sécurité, la notification des violations et les droits d'audit.
• Surveillance Continue : Réévaluer périodiquement la conformité et les pratiques de sécurité des fournisseurs.

8. Favoriser une Culture de la Sécurité et de la Sensibilisation à l'IA Éthique :

• Formation Ciblée : Fournir une formation adaptée aux cliniciens, chercheurs, personnel informatique et administrateurs sur les risques spécifiques de l'IA Gen dans le secteur de la santé, les pratiques d'utilisation sécurisée, les obligations en matière de confidentialité des données et les considérations éthiques.
• Comités d'Examen Éthique : Mettre en place ou consulter des comités d'éthique pour examiner les déploiements d'IA proposés, en particulier ceux qui ont un impact sur les décisions cliniques ou les interactions avec les patients.

NeuralTrust : Votre Partenaire pour Sécuriser l'IA dans le Secteur de la Santé

Naviguer dans le paysage complexe de la sécurité et de la conformité de l'intelligence artificielle générative dans le secteur de la santé nécessite des outils et une expertise spécialisés. Chez NeuralTrust, nous proposons des solutions conçues pour relever ces défis uniques de front.

Notre AI Firewall agit comme un point de contrôle critique pour vos applications LLM, permettant aux organisations de santé de :

• Protéger les PHI : Mettre en œuvre une analyse en temps réel des prompts et des réponses pour détecter et expurger ou bloquer les données sensibles des patients avant qu'elles ne soient traitées ou exposées de manière inappropriée.
• Assurer la Conformité HIPAA : Définir et appliquer des politiques personnalisées alignées sur les règles HIPAA (par exemple, contrôles du Minimum Nécessaire, prévention des divulgations inappropriées) et tenir des journaux d'audit détaillés.
• Prévenir les Attaques : Tirer parti des détecteurs intégrés pour l'injection de prompt, le jailbreaking et d'autres techniques adversariales spécifiquement adaptées aux vulnérabilités des LLM.
• Surveiller la Sûreté et les Biais : Surveiller en continu les sorties pour détecter la toxicité, les indicateurs de biais et l'adhésion aux directives de sécurité clinique, en déclenchant des alertes en cas de violation.
• Obtenir Visibilité et Contrôle : Atteindre une observabilité en temps réel sur la manière dont les systèmes d'IA sont utilisés, les données qu'ils traitent et s'ils fonctionnent dans les limites de sécurité et de conformité définies.
• Intégrer de Manière Transparente : Connecter les alertes et les données de NeuralTrust à vos flux de travail SIEM, de réponse aux incidents et de rapports de conformité existants.

NeuralTrust permet aux organisations de santé d'innover en toute confiance avec l'intelligence artificielle générative, en fournissant les contrôles de sécurité essentiels et la visibilité nécessaires pour protéger les patients, garantir la conformité et instaurer la confiance dans ces nouvelles technologies puissantes.

Découvrez comment NeuralTrust sécurise l'IA pour le secteur de la santé.

Conclusion : Équilibrer Innovation et Sécurité Intransigeante

L'intelligence artificielle générative est extrêmement prometteuse pour transformer le secteur de la santé, mais son adoption doit être guidée par un engagement indéfectible envers la sécurité, la confidentialité et la sécurité des patients.

Les risques associés à la mauvaise gestion des PHI, aux imprécisions cliniques, aux biais et aux attaques adversariales sont tout simplement trop élevés pour être ignorés. Les organisations de santé ne peuvent pas se permettre de traiter la sécurité de l'IA Gen comme une réflexion après coup. Elle nécessite une stratégie proactive et multicouche englobant une gouvernance des données robuste, des contrôles d'accès stricts, des pratiques de développement sécurisées, des tests rigoureux, une surveillance continue avec des alertes en temps réel et une gestion complète de la conformité.

En comprenant le paysage unique des menaces et en mettant en œuvre les meilleures pratiques décrites dans ce guide, soutenues par des outils spécialisés comme NeuralTrust, les organisations de santé peuvent exploiter en toute confiance la puissance de l'intelligence artificielle générative pour améliorer les soins aux patients et faire progresser la science médicale, tout en respectant les normes les plus élevées de protection des données et de responsabilité éthique.

L'avenir de la médecine sera peut-être piloté par l'IA, mais ses fondations doivent reposer sur la confiance et la sécurité.