Le stress-test adversariel, ou red-teaming, consiste à mettre un modèle d'IA en situation difficile pour découvrir ses failles avant son déploiement en production.
Méthodologie de test dans laquelle une équipe dédiée tente délibérément de provoquer des défaillances, des biais ou des comportements indésirables d'un système d'IA en simulant des scénarios adversariels. En contexte ESG, le red-teaming permet de vérifier la robustesse des modèles face à des données inhabituelles, des tentatives de manipulation ou des cas limites réglementaires.
Le stress-test adversariel, ou Red-Teaming, est crucial pour la gouvernance responsable de l'IA, car il identifie proactivement les risques de biais, de défaillances et de comportements non éthiques, renforçant ainsi la robustesse et la fiabilité des systèmes. Le red-teaming contribue à prévenir le "Greenwashing" algorithmique et à la conformité aux exigences de transparence et de Supervision humaine.
Un assureur soumet son modèle de scoring climatique à un red-teaming : l'équipe teste des scénarios extrêmes (données manquantes, secteurs atypiques, prompts ambigus) et identifie que le modèle surestime systématiquement la performance environnementale des entreprises du secteur minier.
Termes connexes (Gouvernance)
Comité éthique IA
Instance de gouvernance chargée d'évaluer les implications éthiques, sociales et environnementales des projets d'intelligence artificielle. Distinct du comité technique, il se concentre sur les biais, l'équité, la transparence et l'impact sociétal des systèmes IA déployés.
Injection de prompt
Attaque par laquelle un utilisateur malveillant insère des instructions cachées dans un contenu exploité par un modèle d'IA (email, document web, commentaire), afin de détourner le comportement du système, extraire des données ou générer des résultats non prévus. C'est l'une des vulnérabilités les plus critiques des applications RAG et des agents IA, avec des conséquences directes sur la confidentialité, la conformité et l'intégrité du reporting ESG.
Contournement des garde-fous
Technique visant à contourner les mécanismes de sécurité et les règles éthiques d'un modèle d'IA pour obtenir des contenus interdits, dangereux, biaisés ou non conformes. Les jailbreaks exploitent les failles de l'alignement par le RLHF (reinforcement learning from human feedback) via des scénarios de rôle, des prompts encodés ou des manipulations sémantiques. En ESG, ils peuvent être utilisés pour générer de faux rapports de durabilité ou tromper les systèmes de scoring.
Tests offensifs
Les tests offensifs consistent à faire passer un modèle d'IA à un examen de stress mené par des experts qui cherchent à le faire dérailler, comme un test d'intrusion pour un logiciel. Méthodologie de tests offensifs dans laquelle une équipe d'experts tente délibérément de provoquer des défaillances, des biais, des hallucinations ou des comportements dangereux d'un système d'IA. Le red teaming est exigé par l'AI Act pour les modèles à haut risque et les modèles à risque systémique, et constitue une bonne pratique pour tout système utilisé dans le reporting ESG.
Garde-fous de sécurité IA
Ensemble de filtres, règles et mécanismes techniques appliqués avant, pendant ou après l'inférence d'un modèle d'IA pour limiter les comportements indésirables (contenus toxiques, hallucinations, fuites de données, instructions dangereuses). Les guardrails peuvent être intégrés au modèle (input/output filtering) ou déployés en couches autour de l'application (policy engine, PII detection). Ils sont essentiels pour la conformité AI Act et l'intégrité du reporting ESG.
Pollution par contenus IA de basse qualité
L'AI slop est l'équivalent du spam généré par l'intelligence artificielle : des textes ou images produits en masse, souvent de mauvaise qualité, qui encombrent le web et les rapports. Contenu généré massivement par l'IA, de faible qualité, peu original ou trompeur, qui pollue le web, les réseaux sociaux et les bases de données. L'AI slop pose un risque de désinformation, de dégradation des corpus d'entraînement futurs (model collapse) et de greenwashing lorsque des contenus ESG sont produits sans validation humaine.