Framework de gouvernance IA · DOI 10.5281/zenodo.23583886

AEXIA™

Accountable · Ethical · eXplainable · Interpretable · Auditable AI

Un cadre intègre qui articule, dans une même structure opérationnelle et mesurable, l'explicabilité, la maturité organisationnelle et la maturité individuelle des systèmes d'IA déployés.

6
Piliers organisationnels
N0-N5
Niveaux maturité organisation
S0-S9
Niveaux maturité système
20
Frameworks sources

Positionnement

Le vide comblé par AEXIA

Quatre référentiels structurent aujourd'hui la gouvernance de l'IA, mais aucun ne traite frontalement la question de la responsabilité algorithmique des équilibres produits par des systèmes apprenants.

RéférentielCe qu'il fournitCe qu'il ne fournit pas
NIST AI RMF 1.0Cycle 4M (MAP, MEASURE, MANAGE, MONITOR) · 7 caractéristiques de l'IA de confianceMéthodes XAI (SHAP, LIME) · gouvernance des explications
ISO/IEC 42001Système de management de l'IAÉvaluation de la maturité d'un système donné
MLTRL (Lavin et al., 2022)Échelle de maturité par système ML (9 niveaux)Gouvernance organisationnelle · conformité réglementaire
EU AI Act (2024/1689)Obligations légales pour les systèmes à haut risqueInstrument de mesure · méthode d'évaluation

AEXIA™ se situe à l'intersection de ces quatre espaces. Il ne se substitue à aucun d'eux : il les orchestre autour d'une question qu'aucun ne traite frontalement - celle de la responsabilité algorithmique des équilibres produits.

AEXIA en bref

Comprendre AEXIA en 2 minutes

AEXIA est un cadre de gouvernance de l'IA explicable. Il ne remplace aucun référentiel existant, il les orchestre pour répondre à une question qu'aucun ne traite frontalement : comment garantir la responsabilité algorithmique des équilibres produits par des systèmes apprenants.

🧭

Un double axe

La maturité de l'organisation (AEXIA-O) et celle de chaque système (AEXIA-S) sont mesurées séparément, puis croisées. Leur intersection détermine ce que l'organisation a le droit de déployer.

🧩

Trois contributions originales

DCME (explication causale multi-échelle), ECS (score de consistance), RAD (dette de responsabilité algorithmique). Ces trois concepts n'existent dans aucun autre cadre.

🛡️

Quatre mécanismes de robustesse

Maillon faible, portes probantes, rétrogradation automatique sur dérive, proportionnalité au risque. C'est ce qui distingue un cadre opérationnel d'un référentiel déclaratif.

Ce qu'AEXIA fournit concrètement

📋 Une grille d'auto-évaluation

6 piliers (Fondements, Architecture, Gouvernance, Conformité, Opérations, Mesure) × 6 niveaux de maturité, pour situer votre organisation.

🎴 Un gabarit de fiche système

L'AEXIA Card : l'artefact qu'un régulateur demandera en premier. Classification AI Act, niveau S, méthode XAI, plan de surveillance.

🔄 Un cycle de vie en 6 phases

MAP → DEFINE → BUILD → GOVERN → OPERATE → IMPROVE. Chaque phase a ses livrables et ses durées indicatives.

📚 20 référentiels orchestrés

NIST AI RMF, ISO/IEC 42001, EU AI Act, OECD, UNESCO, DAMA-DMBOK, COBIT, CMMI, TOGAF, ITIL, MLTRL et 9 autres.

Architecture

Une architecture à double axe

Une organisation mature peut exploiter un système immature, une organisation immature peut héberger un système techniquement irréprochable. AEXIA sépare ces deux propriétés et les croise pour produire la décision de déploiement.

O

AEXIA-O - Organisation

Maturité de l'organisation à gouverner l'IA explicable. Évalué 1 à 2 fois par an sur 6 piliers et 6 niveaux (N0 à N5).

N0 Inexistant → N5 Excellence
S

AEXIA-S - Système

Maturité d'un système d'IA donné. Réévalué à chaque passage de porte et à chaque incident. Aligné sur les MLTRL de Lavin et al. (Nature Communications, 2022).

S0 Premiers principes → S9 En service surveillé

Matrice de croisement O × S - Grille de décision de déploiement

Maturité org.Systèmes S0-S5Systèmes S6-S7Systèmes S8-S9
N0-N1Toléré : phase exploratoireINTERDITALERTE MAJEURE
N2Toléré avec traçabilitéAutorisé sous conditionRisque limité uniquement
N3NormalPorte franchie sur preuveAutorisé, y compris haut risque
N4-N5NormalNormal, automatiséAvec rétrogradation automatisée

Contributions originales

DCME, ECS et RAD

Trois apports intellectuels propres de l'auteur Mohamadou SIDIBE. Ils constituent le seul élément d'AEXIA qu'aucun autre framework ne peut revendiquer, et différencient AEXIA de toute synthèse de référentiels existants.

🔬

DCME

DYNAMIC CAUSAL MULTI-SCALE EXPLANATION

DCME est une présentation multi-échelle des valeurs de Shapley causales, qui décompose la contribution de chaque variable en une part directe et une redistribution médiée par le graphe causal. Elle est conçue pour la documentation d'audit (AEXIA Card), non comme une nouvelle famille d'explicateurs.

φC = φD + ψ
Σψ = 0
ΣφC = ΣφD = f(x) − E[f(x)]
📊

ECS

EXPLANATION CONSISTENCY SCORE

ECS est une métrique de stabilité locale d'une explication : elle évalue dans quelle mesure l'explication φ(f, x) varie lorsque l'on recalcule l'explication sur des points voisins. Elle ne mesure pas la fidélité de l'explication au modèle ni sa qualité explicative.

ECS(f,x,ε) = 1 − min(1, (1/N) Σ ‖φ(f,x) − φ(f,xₖ)‖₁ / (‖φ(f,x)‖₁ + δ))
📉

RAD

RESPONSIBILITY ALGORITHMIC DEBT

RAD résume l'écart entre la maturité attendue et la maturité effective d'un portefeuille de systèmes d'IA, pondéré par la criticité réglementaire. La version 3.1 distingue un indicateur principal simplifié, RAD-lite, et une variante cumulative facultative.

RAD-lite = Σᵢ βᵢ · max(0, S_att,i − S_eff,i) / Σᵢ βᵢ · S_att,i

Robustesse opérationnelle

Les 4 mécanismes qui distinguent AEXIA

Ces mécanismes distinguent un framework opérationnel d'un référentiel déclaratif. Trois sont empruntés à l'ingénierie système (NASA, MLTRL) et le quatrième est spécifique à l'IA apprenante.

⛓️

1. Règle du maillon faible

Le niveau AEXIA-O publié est celui du pilier le plus faible, jamais la moyenne pondérée. Idem pour un système : c'est le composant le moins mûr qui détermine le niveau global.

🚪

2. Portes probantes

Aucun passage de niveau ne s'obtient par déclaration. Chaque transition exige un jeu fermé d'artefacts, examinés en revue : fiche de risque, justification XAI, dossier de conformité, pipelines de surveillance.

↘️

3. Rétrogradation (spécifique IA)

Une fusée qualifiée reste qualifiée. Un système d'IA, non. Dérive de données, incident d'explicabilité, changement de population d'usagers : autant de déclencheurs de rétrogradation automatique.

⚖️

4. Proportionnalité au risque

Appliquer l'intégralité d'AEXIA à un modèle de recommandation interne à faible enjeu est un gaspillage. Le framework s'adapte au niveau de risque AI Act.

Architecture organisationnelle

Les 6 piliers AEXIA-O

Chaque pilier est évalué sur 6 niveaux de maturité (N0 à N5). Le niveau publié de l'organisation est celui du pilier le plus faible.

F

Fondements

Bases mathématiques et théoriques : SHAP, LIME, DCME.

DAMA-DMBOK · ISO 8000 · DCAM

A

Architecture

Infrastructure technique et organisationnelle XAI.

TOGAF · DAMA-DMBOK · DCAM · MLflow

G

Gouvernance

Rôles, responsabilités, politiques, contrôle.

COBIT · DGI · ISO/IEC 38505 · 38507

C

Conformité

Réglementation, éthique, audit.

NIST AI RMF · EU AI Act · OECD · UNESCO · RGPD

O

Opérations

Excellence opérationnelle, gestion de projet.

ITIL v4 · Agile · PRINCE2 · Lean/Six Sigma

M

Mesure & Amélioration

Évaluation, mesure, amélioration continue.

CMMI · DCAM · ISO 8000 · Six Sigma

Cycle de vie

6 phases opérationnelles

01
MAP
2-4 sem.
02
DEFINE
4-8 sem.
03
BUILD
2-6 mois
04
GOVERN
Continu
05
OPERATE
Continu
06
IMPROVE
Trimestriel

Ressources

Télécharger les documents AEXIA

Tous les documents sont publiés sous licence CC BY 4.0. La version de référence est le Framework v3.1.

📘 Documents fondateurs

🧪 Instruments d'évaluation

🎴 AEXIA Cards (FR / EN)

Citer AEXIA dans vos travaux

SIDIBE, M. (2026). AEXIA Framework - Accountable, Ethical,
eXplainable, Interpretable, Auditable AI Governance Framework,
Version 3.1. AI BIAIS INITIATIVE. DOI: 10.5281/zenodo.23583886