Éthique et gouvernance de l’IA - Modèles
En savoir plus sur l’équité bien architecturée → Pratique Gouvernance IA éthique
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Einstein | Données d’entraînement | ✅ Les données Salesforce CRM sont auditées pour les écarts de représentation démographique et les incohérences de mesure avant l’entraînement des modèles prédictifs |
| Einstein | Données d’entraînement | ✅ Les données de conversion historiques sont analysées par les données démographiques des clients pour identifier les segments sous-représentés qui nécessitent un suréchantillonnage ou une collecte de données supplémentaire |
| Einstein | Déploiement | ✅ L’évaluation de l’équité est traitée comme un portail obligatoire équivalent à un contrôle de sécurité avant l’arrivée des modèles prédictifs en production |
| Einstein | Déploiement | ✅ La parité démographique, l’égalité des chances et des ratios d’impact différents sont calculés entre les groupes protégés avant le déploiement |
| Einstein | Déploiement | ✅ Les métriques d’équité sont évaluées par rapport à la règle des quatre cinquièmes (seuil de 80 %) en tant que déclencheur de présélection (pas une ligne de réussite/échec légale) pour tous les segments de clients avant le déploiement du modèle |
| Einstein Discovery | Instrumentation | ✅ Les données de décision de modèle prédictif (entrées, sorties et versions de modèle de prédiction) sont capturées via Einstein Discovery et une instrumentation personnalisée permettant la détection des biais |
| CRM Analytics | Surveillance | ✅ Les tableaux de bord CRM Analytics analysent les données de décision de modèle prédictif capturées pour les modèles de décision à travers les groupes démographiques au fil du temps |
| CRM Analytics | Surveillance | ✅ Déclenchement des alertes CRM Analytics lorsque les métriques de parité démographique ou d’égalité des chances dépassent les seuils acceptables |
| Einstein | Ingénierie des fonctionnalités | ✅ Toutes les fonctionnalités du modèle prédictif sont analysées pour la corrélation avec les caractéristiques protégées en utilisant des méthodes statistiques |
| Einstein | Ingénierie des fonctionnalités | ✅ Les fonctionnalités proxy (territoire, code postal, modèles de nom de compte, calendrier des activités, type d’appareil) sont identifiées et évaluées pour la corrélation démographique |
| Einstein | Ingénierie des fonctionnalités | ✅ Les fonctionnalités proxy sont retirées ou transformées après avoir évalué si la valeur prédictive justifie l’inclusion malgré les effets proxy |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Einstein | Données d’entraînement | ⚠️ Le score des pistes est entraîné sur 10 ans de données historiques sans examiner la représentation démographique ou les différences de qualité de service |
| Einstein | Données d’entraînement | ⚠️ Les données de conversion historiques sont utilisées directement sans vérifier si différentes données démographiques ont reçu un traitement différent |
| Einstein | Déploiement | ⚠️ Les fonctionnalités Einstein sont déployées uniquement en fonction de métriques de précision globales sans évaluation de l’équité |
| Einstein | Déploiement | ⚠️ Les ratios de parité démographique ou d’impact différent ne sont pas calculés avant le déploiement en production |
| Einstein | Couche de Trust | ⚠️ Les interactions Agentforce sont déployées sans activer la capture d’audit Trust Layer pour la détection des biais |
| CRM Analytics | Surveillance | ⚠️ Les schémas de décision ne sont pas suivis par les groupes démographiques au fil du temps ; la dérive des biais n’est pas détectée |
| Einstein | Ingénierie des fonctionnalités | ⚠️ Les caractéristiques protégées sont retirées des données d’entraînement en supposant que cela élimine automatiquement les biais |
| Einstein | Ingénierie des fonctionnalités | ⚠️ Les modèles de territoire, de code postal et de nom de compte sont utilisés en tant que fonctionnalités sans analyse de corrélation proxy |
| Einstein | Ingénierie des fonctionnalités | ⚠️ Les fonctionnalités proxy servant de parfaits proxies démographiques sont conservées sans évaluer les alternatives |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Agentforce | Analytics | ✅ Les tableaux de bord CRM Analytics suivent les résultats des décisions Agentforce par données démographiques des clients en utilisant les données d’audit Einstein Trust Layer |
| Agentforce | Analytics | ✅ Les taux d’approbation, les temps de réponse du service, les taux d’escalade et les scores de satisfaction sont surveillés stratifiés par groupe démographique |
| Agentforce | Analytics | ✅ Les alertes CRM Analytics sont configurées pour se déclencher lorsque des métriques d’équité enfreignent des seuils définis nécessitant une enquête |
| Agentforce | Surveillance des événements | ✅ Les journaux de surveillance des événements sont acheminés vers SIEM externe pour une rétention à long terme dépassant les limites de rétention native |
| Agentforce | Surveillance des événements | ✅ Les requêtes SIEM identifient des concentrations anormales de résultats négatifs pour des populations d’utilisateurs spécifiques |
| Agentforce | Journal d’audit des champs | ✅ Journal d’audit des champs est activé sur les objets personnalisés stockant les données de décision Agentforce, en conservant l’historique archivé indéfiniment jusqu’à sa suppression |
| Agentforce | Journal d’audit des champs | ✅ Journal d’audit sur site prend en charge les audits d’équité à long terme et les enquêtes réglementaires qui nécessitent de reconstruire les décisions historiques en matière d’IA |
| CRM Analytics | Surveillance | ✅ Les tableaux de bord CRM Analytics suivent les signaux d’équité : changements soudains dans les distributions de décision, pics dans les requêtes liées aux biais, dégradation des performances pour des populations spécifiques |
| CRM Analytics | Surveillance | ✅ Les alertes se déclenchent lorsque les taux d’approbation de n’importe quel segment de clients baissent de plus de 15 % d’une semaine à l’autre nécessitant une enquête d’équité |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Agentforce | Analytics | ⚠️ Les résultats des décisions ne sont pas suivis par les données démographiques ; la dérive des biais n’est pas détectée à mesure que les distributions de données changent |
| Agentforce | Analytics | ⚠️ Les métriques de qualité du service ne sont pas stratifiées par groupe démographique; les résultats disparates restent invisibles |
| Agentforce | Surveillance des événements | ⚠️ Les journaux de Surveillance des événements s’appuient sur des limites de rétention natives sans SIEM externe pour les audits d’équité à long terme |
| Agentforce | Surveillance des événements | ⚠️ Les schémas de décision ne sont pas analysés à travers de grands volumes d’interactions ; des concentrations anormales sont manquées |
| Agentforce | Journal d’audit des champs | ⚠️ Le Journal d’audit sur site n’est pas activé ; les décisions historiques de l’IA ne peuvent pas être reconstituées pour les enquêtes réglementaires |
| CRM Analytics | Surveillance | ⚠️ Les signaux d’équité ne sont pas surveillés ; les changements soudains dans les distributions des décisions passent inaperçus |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Einstein | Données d’entraînement | ✅ Les données Salesforce CRM sont rééquilibrées en suréchantillonnant les segments sous-représentés ou en sous-échantillonnant les segments surreprésentés avant la formation |
| Data 360 | Architecture | ✅ Data 360 agrège les données dans plusieurs organisations, ce qui garantit divers ensembles d’entraînement pour les modèles prédictifs |
| Einstein | Données d’entraînement | ✅ La génération de données synthétiques complète les segments clairsemés tout en préservant la confidentialité grâce à des techniques de confidentialité différentielles |
| Einstein | Ingénierie des fonctionnalités | ✅ Les fonctionnalités proxy sont remplacées par des fonctionnalités alternatives fournissant une puissance prédictive sans corrélation démographique |
| Einstein | Ingénierie des fonctionnalités | ✅ La classification par secteur d’activité ou la taille de l’entreprise sont utilisées au lieu du territoire lorsque le territoire sert de proxy démographique |
| Einstein | Ingénierie des fonctionnalités | ✅ Les attributs firmographiques sont utilisés à la place des modèles de nom de compte lorsque les noms sont corrélés aux données démographiques |
| Agentforce | Post-traitement | ✅ Les seuils de décision sont ajustés par segment démographique pour égaliser les taux de résultats après la formation au modèle, sauf qu’aux États-Unis, le Titre VII (Civil Rights Act of 1991) interdit d’ajuster les scores ou les seuils par classe protégée pour les décisions liées à l’emploi, et que d’autres juridictions imposent leurs propres contraintes |
| Agentforce | Post-traitement | ✅ Différents seuils de confiance sont utilisés pour différents contextes afin d’atteindre des taux d’approbation équitables tout en utilisant le même modèle prédictif sous-jacent |
| Agentforce | Post-traitement | ✅ Les ajustements de seuil sont documentés avec une justification commerciale du traitement différentiel, reconnaissant qu’aux États-Unis, aucun document ne rend licite l’ajustement du score par groupe ou du seuil pour les décisions liées à l’emploi au titre VII |
| Einstein | Réentraînement du modèle | ✅ La planification de recyclage trimestrielle ou pilotée par l’événement est établie pour détecter les modèles de biais émergents et corriger les écarts par rapport aux normes d’équité initiales |
| Einstein | Réentraînement du modèle | ✅ Les métriques d’équité sont revalidées sur chaque version de modèle avant le déploiement en production, ce qui garantit que le réentraînement n’introduit pas de nouveaux biais |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Einstein | Données d’entraînement | ⚠️ Les données d’entraînement sont utilisées directement sans rééquilibrer les segments sous-représentés ou surreprésentés |
| Einstein | Données d’entraînement | ⚠️ Les segments démographiques clairsemés ne sont pas complétés par des données synthétiques ou une agrégation inter-organisations |
| Einstein | Ingénierie des fonctionnalités | ⚠️ Les fonctionnalités proxy sont conservées sans évaluer les fonctionnalités alternatives fournissant un pouvoir prédictif sans corrélation démographique |
| Agentforce | Post-traitement | ⚠️ Les mêmes seuils de confiance sont appliqués à tous les segments démographiques sans égaliser les taux de résultat |
| Agentforce | Post-traitement | ⚠️ La différence de traitement par le biais d’ajustements de seuil n’est pas justifiée par des documents commerciaux documentés ou, aux États-Unis, s’applique à toutes les décisions relatives à l’emploi, lorsque le titre VII interdit d’ajuster les scores ou les seuils par catégorie protégée, quels que soient les documents |
| Einstein | Réentraînement du modèle | ⚠️ Les modèles sont déployés et jamais réentraînés ; les schémas de biais émergents et les dérives ne sont pas corrigés |
| Einstein | Réentraînement du modèle | ⚠️ Le réentraînement se fait sans revalider les métriques d’équité ; de nouveaux biais sont introduits silencieusement |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Einstein Discovery | UX | ✅ Les explications Einstein Discovery montrant les facteurs de prédiction sont exposées dans les composants Lightning au point de décision |
| Einstein Discovery | UX | ✅ Les explications montrent les variables qui ont le plus influencé des prédictions spécifiques avec un impact directionnel pour les utilisateurs aux points de décision |
| Einstein Discovery | UX | ✅ Les explications sont superposées pour différents publics: utilisateurs professionnels, utilisateurs techniques, clients et auditeurs |
| Einstein Discovery | UX | ✅ Les utilisateurs professionnels affichent « Cette piste a obtenu un score élevé, car le chiffre d’affaires annuel dépasse 1 M$ et le score d’engagement est dans le top 10 % » |
| Einstein Discovery | UX | ✅ Les utilisateurs techniques affichent des cartes de modèle avec des pondérations de fonctionnalité, des caractéristiques de données d’entraînement et des métriques de validation |
| Einstein Discovery | UX | ✅ Les clients affichent « Cette recommandation est basée sur vos achats récents et les clients qui ont des préférences similaires » |
| Einstein Discovery | UX | ✅ Les auditeurs affichent le lignage de décision complet d’Einstein Discovery et du Gestionnaire de modèle avec la version du modèle, les valeurs d’entrée et les facteurs qui ont piloté la prédiction |
| Einstein Discovery | UX | ✅ La confiance dans la prédiction est affichée dans des termes appropriés pour l’utilisateur sous forme de catégories (Confiance élevée, Confiance modérée, Révision requise) avec des explications |
| Einstein Discovery | UX | ✅ Les catégories de confiance expliquent ce que signifie le niveau de confiance pour la fiabilité des décisions et quel examen supplémentaire aura lieu |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Einstein Discovery | UX | ⚠️ Les explications sont réaménagées sur des systèmes opaques après le déploiement au lieu d’intégrer l’explicabilité dès le départ dans l’architecture |
| Einstein Discovery | UX | ⚠️ Les explications de prédiction nécessitent de naviguer pour séparer les tableaux de bord CRM Analytics au lieu de les afficher aux points de décision |
| Einstein Discovery | UX | ⚠️ Les utilisateurs affichent des métriques de performance de modèle abstraites au lieu d’explications transparentes lorsque les décisions les affectent |
| Einstein Discovery | UX | ⚠️ Les explications ne varient pas selon le public; les cartes de modèle technique sont montrées aux clients ou aux utilisateurs professionnels |
| Einstein Discovery | UX | ⚠️ Les scores de prédiction bruts (0,73) sont affichés sans explication de la signification du chiffre ou des facteurs qui ont conduit à la prédiction |
| Einstein Discovery | UX | ⚠️ La confiance est affichée sous forme de pourcentages de probabilité que les utilisateurs interprètent mal sans contexte sur la fiabilité ou l’examen |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Einstein | Couche de Trust | ✅ Einstein Trust Layer consigne automatiquement les invites, les réponses, les sources d’ancrage et les signaux Trust sans instrumentation personnalisée |
| Einstein | Couche de Trust | ✅ Les politiques de rétention des données sont conçues pour satisfaire aux exigences réglementaires qui varient selon le secteur d’activité et la juridiction (par exemple, la règle 4511(b) de la FINRA définit une période de rétention par défaut de six ans, et l’AIPHA exige au moins six ans pour la documentation de conformité) |
| CRM Analytics | Surveillance | ✅ Les tableaux de bord CRM Analytics analysent les données de décision de modèle prédictif capturées pour les modèles de décision, les métriques d’équité et les performances du modèle au fil du temps |
| CRM Analytics | Surveillance | ✅ Les perspectives CRM Analytics affichent les distributions de prédiction par niveau de confiance, segment démographique et type de résultat |
| CRM Analytics | Surveillance | ✅ Les récits Einstein Discovery identifient les schémas anormaux nécessitant une investigation |
| Plate-forme | Journal d’audit des champs | ✅ Le Journal d’audit des champs est activé dans les objets personnalisés stockant les données de décision IA, en conservant l’historique archivé indéfiniment jusqu’à sa suppression pour les enregistrements de consentement, les décisions de remplacement et les rapports de biais |
| Plate-forme | Surveillance des événements | ✅ Event Monitoring capture les transcriptions des conversations Agentforce, les invocations d’outils et les points de décision |
| Plate-forme | Surveillance des événements | ✅ Les journaux de surveillance des événements sont acheminés vers SIEM externe via des événements de plate-forme pour un stockage inviolable |
| Plate-forme | Surveillance des événements | ✅ Les requêtes SIEM détectent des modèles de biais dans de grands volumes d’interactions Agentforce |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Einstein | Couche de Trust | ⚠️ Les interactions Agentforce sont déployées sans activer la capture d’audit Trust Layer ni définir de stratégies de rétention |
| Einstein | Couche de Trust | ⚠️ Les politiques de rétention ne tiennent pas compte des exigences réglementaires spécifiques au secteur (services financiers, soins de santé) |
| CRM Analytics | Surveillance | ⚠️ Les données de décision du modèle prédictif capturées ne sont pas analysées; les modèles de décision et les métriques d’équité ne sont pas suivis au fil du temps |
| Plate-forme | Journal d’audit des champs | ⚠️ L’historique des champs standard sur 18 mois est utilisé pour les parcours d’audit décisionnel IA sans tenir compte des exigences réglementaires de rétention |
| Plate-forme | Journal d’audit des champs | ⚠️ Le Journal d’audit des champs n’est pas activé dans les objets avec des enregistrements de consentement, des décisions de remplacement et des rapports de biais |
| Plate-forme | Surveillance des événements | ⚠️ Les journaux de surveillance des événements s’appuient sur des limites de rétention natives sans SIEM externe pour un stockage à long terme inviolable |
| Plate-forme | Surveillance des événements | ⚠️ Les journaux des interactions Agentforce ne sont pas analysés pour les modèles de biais à travers les volumes importants |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Gouvernance | EU AI Act | ✅ Les systèmes d’IA à haut risque sont documentés avec de la documentation sur la transparence, de la documentation technique, des capacités de supervision humaine et des métriques de précision/équité |
| Gouvernance | EU AI Act | ✅ Les parcours d’audit de la couche Trust Einstein et les cartes de modèle Discovery fournissent les bases des exigences de transparence de la loi IA de l’UE |
| Gouvernance | EU AI Act | ✅ Les données démographiques d’entraînement du modèle, les approches de validation et les limitations connues sont documentées dans les enregistrements de décision d’architecture |
| Gouvernance | GDPR | ✅ Les systèmes génèrent des explications cohérentes pour toute décision historique à la demande dans les délais de demande d’accès aux données de la personne concernée (qui varient selon la juridiction, entre 15 et 45 jours) |
| Gouvernance | GDPR | ✅ Les données de décision de modèle prédictif capturées et les facteurs d’explication Einstein Discovery sont stockés avec une rétention suffisante permettant la reconstruction de l’explication pour le droit à l’explication du RGPD |
| Gouvernance | Responsabilité algorithmique | ✅ Des évaluations d’impact algorithmiques sont réalisées avant de déployer l’IA conséquente en tant que conformité proactive plutôt qu’en tant que réponse réactive |
| Gouvernance | Responsabilité algorithmique | ✅ Les données de décision de modèle prédictif capturées et les tableaux de bord de surveillance de l’équité CRM Analytics fournissent les bases de données pour les rapports algorithmiques sur la responsabilité |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Gouvernance | EU AI Act | ⚠️ Les systèmes d’IA à haut risque sont déployés sans documentation sur la transparence, sans capacités de surveillance humaine ni métriques d’équité |
| Gouvernance | EU AI Act | ⚠️ Les données démographiques d’entraînement du modèle et les limitations connues ne sont pas documentées dans les enregistrements de décision d’architecture |
| Gouvernance | GDPR | ⚠️ Les systèmes ne peuvent pas générer des explications cohérentes pour les décisions historiques dans les délais de demande d’accès aux données de la personne concernée du RGPD |
| Gouvernance | GDPR | ⚠️ La rétention des données de décision du modèle prédictif capturée est insuffisante pour prendre en charge la reconstruction des explications des décisions passées |
| Gouvernance | Responsabilité algorithmique | ⚠️ Les études d’impact algorithmiques ne sont pas réalisées avant le déploiement IA conséquent ; la conformité est réactive après enquête réglementaire |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Plate-forme | OWD | ✅ Valeurs par défaut de l’organisation privée sont établies pour les objets contenant des données clients confidentielles avec un accès accordé via la hiérarchie des rôles et des règles de partage |
| Plate-forme | OWD | ✅ Les OWD privés avec des subventions de partage explicites créent des modèles d’accès vérifiables qui favorisent la conformité à la non-discrimination |
| Plate-forme | Sécurité au niveau du champ | ✅ Les champs confidentiels contenant des caractéristiques protégées (ethnicité, religion, statut de handicap) sont masqués via FLS pour les utilisateurs sans besoin métier légitime |
| Plate-forme | Sécurité au niveau du champ | ✅ L’accès en lecture aux champs confidentiels est retiré via FLS pour la plupart des profils ; l’accès est accordé de façon minimale via des ensembles d’autorisations avec une justification documentée |
| Plate-forme | Attribution et acheminement | ✅ Les règles d’attribution, les files d’attente et l’acheminement Omni-Channel répartissent équitablement le travail entre les territoires, les équipes et les agents de service sur la base de critères objectifs |
| Plate-forme | Règles de partage | ✅ Les règles de partage automatiques sont basées sur des critères objectifs (secteur d’activité, zone géographique, gamme de produits) plutôt que sur une discrétion subjective du responsable |
| Plate-forme | Ensembles d’autorisations | ✅ L’accès temporaire aux données confidentielles est accordé via des ensembles d’autorisations avec une expiration documentée plutôt que des modifications permanentes du profil |
| Plate-forme | Ensembles d’autorisations | ✅ Le flux planifié révoque automatiquement les ensembles d’autorisations après des périodes définies lorsque l’accès aux données démographiques est requis pour des projets spécifiques |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Plate-forme | OWD | ⚠️ Les OWD Accès public en lecture/écriture perturbent ultérieurement la restriction de l’accès (le renforcement du paramètre par défaut déclenche un recalcul du partage) ; les modèles d’accès auditables n’existent pas |
| Plate-forme | OWD | ⚠️ Compte OWD est défini sur Accès public en lecture/écriture avec des champs démographiques non protégés visibles par tous les utilisateurs qui activent les biais subjectifs |
| Plate-forme | Sécurité au niveau du champ | ⚠️ Les champs démographiques sensibles sont visibles par tous les profils sans restrictions FLS ; l’utilisation discriminatoire des données n’est pas empêchée |
| Plate-forme | Règles de partage | ⚠️ Le partage manuel concentre les opportunités à valeur élevée avec des groupes d’utilisateurs spécifiques sans justification métier documentée |
| Plate-forme | Règles de partage | ⚠️ Les règles de partage reposent sur une discrétion subjective du responsable plutôt que sur des critères objectifs permettant des biais |
| Plate-forme | Ensembles d’autorisations | ⚠️ Les profils sont modifiés en permanence affectant tous les utilisateurs au lieu d’accorder un accès temporaire via des ensembles d’autorisations |
| Plate-forme | Ensembles d’autorisations | ⚠️ Les ensembles d’autorisations accordant l’accès aux données confidentielles n’expirent pas automatiquement ; l’accès reste indéfiniment après la fin du projet |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Shield | Surveillance des événements | ✅ Shield Event Monitoring suit l’accès aux champs contenant des caractéristiques protégées ou des attributs sensibles |
| Shield | Surveillance des événements | ✅ Les requêtes de Surveillance des événements suivent qui accède aux champs démographiques, quand et dans quel contexte détecter des modèles anormaux |
| Shield | Surveillance des événements | ✅ Des modèles d’accès anormaux (pics soudains, accès par des utilisateurs inattendus) déclenchent une enquête pour détecter un abus potentiel |
| Plate-forme | Rapports | ✅ Les rapports analysent comment les règles de partage distribuent les enregistrements entre les utilisateurs, les équipes et les territoires en calculant les statistiques de distribution par données démographiques des clients |
| Plate-forme | Rapports | ✅ Les rapports identifient les concentrations dans lesquelles des groupes d’utilisateurs spécifiques reçoivent un accès disproportionné à des documents précieux sans justification documentée |
| Plate-forme | Journal d’audit de configuration | ✅ Le Journal d’audit de configuration est examiné pour les modifications apportées aux paramètres OWD, aux règles de partage, aux configurations FLS et aux ensembles d’autorisations qui détectent les modifications non autorisées |
| Plate-forme | Sécurité des transactions | ✅ Les politiques de sécurité des transactions agissent sur les événements de Surveillance des événements en temps réel à haut risque (activité d’API anormale, connexions suspectes, exportations importantes de données confidentielles); les modifications du FLS et du partage s’appuient sur le Journal d’audit de configuration et des approbations documentées de gestion des modifications |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Shield | Surveillance des événements | ⚠️ L’accès aux champs démographiques sensibles n’est pas surveillé ; les abus potentiels passent inaperçus |
| Shield | Surveillance des événements | ⚠️ Les modèles d’accès anormaux (pointes, utilisateurs inattendus) ne sont pas suivis ni étudiés |
| Plate-forme | Rapports | ⚠️ Les distributions de règles de partage ne sont pas analysées ; l’accès disproportionné aux enregistrements de valeur reste invisible |
| Plate-forme | Rapports | ⚠️ Les concentrations de comptes à valeur élevée avec des groupes d’utilisateurs spécifiques ne sont pas justifiées par des documents métiers |
| Plate-forme | Journal d’audit de configuration | ⚠️ Le Journal d’audit de configuration n’est pas examiné ; les modifications non autorisées des contrôles d’accès aux données qui activent l’accès aux données confidentielles ne sont pas détectées |
| Plate-forme | Sécurité des transactions | ⚠️ Les événements de Surveillance des événements en temps réel à haut risque (activité d’API anormale, exportations importantes de données confidentielles) ne sont pas suivis avec les stratégies de sécurité des transactions |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Plate-forme | Objets personnalisés | ✅ Le consentement granulaire par cas d’utilisation IA est activé via le motif de suivi d’objet Consentement personnalisé, la date/méthode d’octroi, la date de retrait et l’ID d’utilisateur/contact associé |
| Plate-forme | Objets personnalisés | ✅ Les clients consentent aux recommandations de produits Einstein tout en refusant les décisions de crédit pilotées par l’IA via des enregistrements de consentement séparés par cas d’utilisation |
| Plate-forme | Journal d’audit des champs | ✅ Journal d’audit des champs est activé dans l’objet Consentement pour une rétention à long terme répondant aux exigences réglementaires |
| Data 360 | Consentement | ✅ La gestion du consentement Data 360 est utilisée pour les fonctionnalités de personnalisation Einstein, l’ingestion et le stockage des préférences de consentement via des connecteurs mappés avec le Modèle de données de confidentialité et leur utilisation comme critères de filtrage dans la segmentation et à l’activation |
| Data 360 | Consentement | ✅ Les catégories de consentement sont mappées avec des cas d’utilisation IA spécifiques permettant aux utilisateurs de se désabonner de la personnalisation tout en maintenant le service principal |
| Marketing Cloud | Consentement | ✅ Le consentement Marketing Cloud s’intègre aux Connaissances de la messagerie Einstein et aux agents marketing Agentforce respectant le statut d’abonnement |
| Marketing Cloud | Consentement | ✅ Le statut de consentement Marketing Cloud est interrogé avant qu’Agentforce initie une sensibilisation automatisée empêchant les contacts indésirables avec les utilisateurs qui se sont désabonnés |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Plate-forme | Objets personnalisés | ⚠️ Le consentement IA est suivi dans les feuilles de calcul ou repose sur la connexion en tant que consentement général implicite sans enregistrement explicite |
| Plate-forme | Objets personnalisés | ⚠️ Le consentement IA général est utilisé au lieu d’un consentement granulaire par cas d’utilisation ; les utilisateurs ne peuvent pas se désabonner de fonctionnalités IA spécifiques |
| Plate-forme | Journal d’audit des champs | ⚠️ Le Journal d’audit des champs n’est pas activé dans l’objet Consentement ; la rétention à long terme conforme aux exigences réglementaires n’est pas maintenue |
| Data 360 | Consentement | ⚠️ Le consentement Data 360 n’est pas utilisé pour personnalisation Einstein ; les catégories de consentement ne sont pas mappées avec des cas d’utilisation spécifiques |
| Marketing Cloud | Consentement | ⚠️ Le consentement Marketing Cloud n’est pas intégré à Einstein ou Agentforce ; le statut d’abonnement n’est pas respecté dans la portée automatisée |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Experience Cloud | Paramètres de profil | ✅ Les utilisateurs se désabonnent des interactions Agentforce via des contrôles de préférence accessibles dans les paramètres de profil Experience Cloud ou Mes paramètres avec des descriptions claires |
| Plate-forme | Enregistrements utilisateur/contact | ✅ Les préférences IA sont stockées dans des enregistrements Utilisateur ou Contact permettant l’interrogation dans la logique de décision Flux et Agentforce |
| Agentforce | Omni-Channel | ✅ Les utilisateurs qui se désabonnent d’Agentforce sont acheminés vers des agents humains via Omni-Channel plutôt que de recevoir un service dégradé |
| Agentforce | Flux | ✅ Le flux vérifie les champs de consentement et de préférence avant l’engagement Agentforce; si l’utilisateur s’est désabonné, l’enregistrement de travail est créé et acheminé vers la file d’attente humaine |
| Agentforce | Omni-Channel | ✅ Le personnel de la file d’attente humaine fournit des temps d’attente comparables au service automatisé pour les utilisateurs qui se sont désabonnés |
| Plate-forme | Enregistrements utilisateur/contact | ✅ Les préférences IA sont stockées dans des enregistrements Utilisateur ou Contact afin de garantir la cohérence entre les canaux (web, mobile, téléphone, e-mail) |
| Plate-forme | Flux | ✅ La préférence est interrogée de façon cohérente dans tous les flux d’interaction, ce qui empêche les utilisateurs de réaffirmer leurs préférences à répétition dans chaque canal |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Experience Cloud | Paramètres de profil | ⚠️ Le désabonnement est disponible uniquement par e-mail pour l’équipe de support ; les contrôles de préférence accessibles n’existent pas |
| Plate-forme | Enregistrements utilisateur/contact | ⚠️ Les préférences IA ne sont pas stockées dans les enregistrements Utilisateur ou Contact ; les préférences ne peuvent pas être interrogées dans la logique Flux ou Agentforce |
| Agentforce | Omni-Channel | ⚠️ Les utilisateurs qui se désabonnent reçoivent un service dégradé comme une pression implicite pour accepter l’IA au lieu d’acheminer vers des agents humains |
| Agentforce | Flux | ⚠️ Le flux ne vérifie pas les champs de consentement ou de préférence avant l’engagement Agentforce ; les préférences de désabonnement sont ignorées |
| Plate-forme | Enregistrements utilisateur/contact | ⚠️ Les préférences ne sont pas cohérentes entre les canaux ; les utilisateurs doivent réaffirmer leur désabonnement séparément sur le Web, le mobile, le téléphone et l’e-mail |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Gouvernance | Documentation | ✅ Chaque modèle prédictif de production est documenté avec des données démographiques de formation, des métriques d’équité, des cas d’utilisation prévus, des stratégies d’atténuation des biais et des approches de surveillance |
| Gouvernance | Documentation | ✅ La documentation du modèle comprend l’approche de surveillance de l’équité, les seuils d’alerte, les exigences de surveillance humaine, le calendrier d’examen et les considérations réglementaires |
| Plate-forme | Objets personnalisés | ✅ La documentation sur le modèle est stockée dans Salesforce en utilisant un objet Modèle personnalisé ou des fichiers Salesforce joints à des projets, ce qui permet la recherche et le contrôle de version |
| Gouvernance | Portes de déploiement | ✅ Les portails d’équité préalables au déploiement nécessitent un audit des données de formation, un calcul des métriques d’équité, une évaluation de l’impact, une conception de la supervision humaine et un examen de la transparence avant la production |
| Gouvernance | Portes de déploiement | ✅ Les écarts de représentation des données de formation sont analysés et documentés en tant que portail de déploiement obligatoire |
| Gouvernance | Portes de déploiement | ✅ La parité démographique, l’égalité des chances et l’impact différent sont calculés en atteignant les seuils comme seuil obligatoire |
| Gouvernance | Portes de déploiement | ✅ L’évaluation d’impact évalue les dommages potentiels à travers les populations affectées en tant que porte obligatoire |
| Gouvernance | Portes de déploiement | ✅ La conception de la surveillance humaine, y compris les modèles d’escalade, les workflows d’approbation et les mécanismes de remplacement, sont conçus et testés en tant que portail obligatoire |
| Gouvernance | Portes de déploiement | ✅ Les capacités d’explication sont validées pour tous les types de décision en tant que portail obligatoire |
| Gouvernance | Portes de déploiement | ✅ Les barrières d’équité sont traitées avec la même rigueur que les barrières de sécurité avec l’autorité de bloquer les déploiements qui échouent à une barrière |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Gouvernance | Documentation | ⚠️ Les fonctionnalités Einstein sont déployées sans documenter les données d’entraînement, les métriques d’équité, l’atténuation des biais ou les approches de surveillance |
| Gouvernance | Documentation | ⚠️ La documentation du modèle ne comprend pas l’approche de surveillance de l’équité, les exigences de surveillance humaine ou les considérations réglementaires. |
| Plate-forme | Objets personnalisés | ⚠️ La documentation du modèle est stockée dans des feuilles de calcul ou des wikis sans possibilité de recherche ni contrôle de version |
| Gouvernance | Portes de déploiement | ⚠️ Les fonctionnalités Einstein passent en production sans barrière d’équité ; le déploiement est basé uniquement sur des métriques de précision globales |
| Gouvernance | Portes de déploiement | ⚠️ L’audit des données de formation, le calcul des métriques d’équité ou l’évaluation d’impact sont ignorés avant le déploiement en production |
| Gouvernance | Portes de déploiement | ⚠️ La conception de la surveillance humaine, l’examen de la transparence ou la validation de l’explication ne sont pas effectués avant la production |
| Gouvernance | Portes de déploiement | ⚠️ Les barrières d’équité sont consultatives uniquement sans autorisation de bloquer les déploiements; les modèles fonctionnent malgré des critères d’équité défaillants |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Gouvernance | Comité de révision | ✅ Le comité d’examen comprend des experts techniques (architectes, scientifiques des données), des parties prenantes du monde des affaires, des conseillers juridiques, des spécialistes de la protection de la vie privée et des représentants des communautés touchées |
| Gouvernance | Comité de révision | ✅ Divers points de vue exposent les problèmes d’équité que les groupes homogènes manquent lors de l’examen éthique |
| Gouvernance | Déclencheurs de révision | ✅ Les déclencheurs de révision sont définis : décisions ayant une incidence sur l’emploi/le crédit/le logement/les soins de santé/les droits juridiques, systèmes ayant une incidence annuelle sur plus de 10 000 utilisateurs, nouveaux cas d’utilisation, risque de préjudice important |
| Gouvernance | Déclencheurs de révision | ✅ Les applications IA utilisant des données personnelles confidentielles (santé, financière, démographique) nécessitent un examen éthique avant le déploiement |
| Gouvernance | Autorité de révision | ✅ Le comité d’éthique a le pouvoir d’exiger des changements, d’imposer des conditions de surveillance ou de bloquer les déploiements qui ne respectent pas les normes éthiques |
| Plate-forme | Objets personnalisés | ✅ Tous les examens sont documentés dans le nom de l’application de suivi d’objet personnalisé Salesforce, la date d’examen, les préoccupations soulevées, les exigences d’atténuation et les conditions d’approbation |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Gouvernance | Comité de révision | ⚠️ Le comité d’examen manque de diversité (uniquement des experts techniques) ; les groupes homogènes manquent des questions d’équité touchant différentes populations |
| Gouvernance | Comité de révision | ⚠️ Les représentants des communautés touchées ne sont pas inclus; les angles morts des considérations d’équité résultent |
| Gouvernance | Déclencheurs de révision | ⚠️ Les déclencheurs d’examen ne sont pas définis ; les applications d’IA à haut risque procèdent sans examen éthique avant le déploiement |
| Gouvernance | Autorité de révision | ⚠️ L’examen éthique est consultatif uniquement sans application automatique; les déploiements se déroulent malgré des normes éthiques défaillantes (théâtre de la responsabilisation) |
| Plate-forme | Objets personnalisés | ⚠️ Les examens ne sont pas documentés de façon systématique; les décisions, les préoccupations et les mesures d’atténuation relatives aux examens historiques ne sont pas suivies |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| CRM Analytics | Surveillance | ✅ Les tableaux de bord CRM Analytics suivent les métriques d’équité Einstein et Agentforce à partir des données de décision capturées et des données d’audit Trust Layer sur une cadence planifiée |
| CRM Analytics | Surveillance | ✅ La parité démographique, l’égalité des chances, des ratios d’impact différents et des métriques de qualité de service sont surveillés par segment de clients |
| CRM Analytics | Surveillance | ✅ Les alertes CRM Analytics sont configurées pour se déclencher lorsque des métriques d’équité enfreignent des seuils définis nécessitant une enquête |
| CRM Analytics | Surveillance | ✅ Les tableaux de bord CRM Analytics suivent les signaux d’équité : changements soudains dans les distributions de décision, pics dans les requêtes liées aux biais, dégradation des performances pour des populations spécifiques |
| CRM Analytics | Surveillance | ✅ Déclenchement des alertes pour le Score des opportunités Einstein lorsque les taux d’approbation de tout segment chutent de plus de 15 % d’une semaine à l’autre nécessitant une enquête d’équité |
| Gouvernance | Audits planifiés | ✅ Des audits d’équité complets sont menés tous les trimestres pour l’IA à fort enjeu (crédit, emploi, santé) ou tous les semestres pour les systèmes à faible enjeu |
| Gouvernance | Audits planifiés | ✅ Les audits examinent les métriques d’équité actuelles, examinent les modèles de remplacement, analysent les commentaires des utilisateurs et les rapports de biais, et vérifient que les contrôles de gouvernance restent efficaces |
| Gouvernance | Réponse aux incidents | ✅ Des processus clairs de réponse aux incidents sont documentés dans Salesforce Knowledge pour répondre lorsque des biais sont détectés |
| Gouvernance | Réponse aux incidents | ✅ Évaluation immédiate de la sévérité en interrogeant les données de décision du modèle prédictif dans CRM Analytics; les biais graves suspendent la prise de décision automatisée en attendant l’enquête |
| Gouvernance | Réponse aux incidents | ✅ L’atténuation temporaire met en œuvre une surveillance humaine accrue via des seuils de confiance ajustés, la désactivation de fonctionnalités ou la suspension complète de l’agent |
| Gouvernance | Réponse aux incidents | ✅ L’analyse des causes premières identifie comment les biais sont entrés ou ont évolué ; les données d’entraînement, les versions de modèle et les changements de configuration sont analysés via le Journal d’audit des champs |
| Gouvernance | Réponse aux incidents | ✅ La correction permanente met en œuvre la correction des données, le réentraînement du modèle ou les changements de processus avec une communication appropriée aux utilisateurs affectés |
| Gouvernance | Réponse aux incidents | ✅ Les mesures de prévention sont documentées dans les runbooks afin d’éviter la récurrence des incidents de biais |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| CRM Analytics | Surveillance | ⚠️ Les métriques d’équité ne sont suivies sur aucune cadence planifiée à partir des données de décision capturées ou des données d’audit Trust Layer ; la dérive des biais passe inaperçue à mesure que les distributions de données changent |
| CRM Analytics | Surveillance | ⚠️ Les alertes CRM Analytics ne sont pas configurées ; les infractions aux métriques d’équité nécessitant une enquête ne sont pas déclenchées |
| CRM Analytics | Surveillance | ⚠️ Les signaux d’équité ne sont pas surveillés ; les changements soudains dans les distributions des décisions ne sont pas détectés |
| Gouvernance | Audits planifiés | ⚠️ Les audits d’équité complets ne sont effectués à aucun calendrier; les contrôles de gouvernance dérivent et deviennent inefficaces |
| Gouvernance | Audits planifiés | ⚠️ Les schémas de remplacement, les commentaires des utilisateurs et les rapports de biais ne sont pas systématiquement analysés pendant les audits |
| Gouvernance | Réponse aux incidents | ⚠️ Les processus clairs de réponse aux incidents ne sont pas documentés; la détection des biais conduit à des réponses ad hoc sans approche systématique |
| Gouvernance | Réponse aux incidents | ⚠️ Des mesures temporaires d’atténuation ou des mesures correctives permanentes ne sont pas systématiquement mises en œuvre ; des biais persistent affectant les utilisateurs |
| Gouvernance | Réponse aux incidents | ⚠️ L’analyse des causes premières n’est pas effectuée ; la façon dont les biais sont entrés ou ont évolué reste inconnue |
| Gouvernance | Réponse aux incidents | ⚠️ Les mesures de prévention ne sont pas documentées ; la récurrence n’est pas évitée |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Plate-forme | Champs obligatoires | ✅ Chaque champ obligatoire contient une justification métier documentée expliquant pourquoi les données sont obligatoires plutôt que facultatives. Les champs sans lesquels un processus peut fonctionner sont rendus facultatifs avec un traitement en aval des valeurs manquantes |
| Plate-forme | Champs obligatoires | ✅ E-mail est facultatif avec des méthodes de communication alternatives (SMS, téléphone, courrier postal) afin que les utilisateurs sans Internet fiable ou e-mail personnel ne sont pas exclus de la création de comptes |
| Plate-forme | Champs de nom | ✅ L’architecture des noms utilise un champ de nom complet unique ou une structure flexible en plusieurs parties qui prend en compte les mononymes, les systèmes patronymiques et plusieurs prénoms ou noms de famille sans présumer de l’ordre ou de l’héritage |
| Plate-forme | Champs de nom | ✅ Les champs de nom sont testés avec divers noms internationaux, acceptant des noms à mot unique, des noms longs, des diacritiques, des apostrophes, des tirets et des écritures non latines (arabe, chinois, cyrillique, devanagari) |
| Plate-forme | Validation de l’adresse | ✅ La validation d’adresse permissive accepte la saisie libre lorsque la validation structurée échoue et stocke les adresses à mesure que les utilisateurs les saisissent au lieu d’imposer des corrections non valides |
| Plate-forme | Validation de l’adresse | ✅ La vérification de l’adresse est intégrée dans les processus d’exécution où la précision compte sur le plan opérationnel plutôt que de bloquer la capture des données à l’avance |
| Plate-forme | Préférences de communication | ✅ Les méthodes de communication préférées sont stockées dans les enregistrements Contact et respectées de façon cohérente dans tous les systèmes sortants, offrant des alternatives monocanal plutôt que des hypothèses monocanal |
| Objet personnalisé | Données démographiques | ✅ Les données démographiques volontaires sont collectées via une enquête séparée avec l’option « Préférer ne pas répondre », stockées dans un objet personnalisé avec Private OWD, restreintes par FLS, et utilisées uniquement pour des analyses d’équité agrégées |
| Shield | Surveillance des événements | ✅ Shield Event Monitoring consigne les événements d’accès (exportations de rapports, requêtes d’objets d’API) dans les données démographiques pour auditer les modèles d’accès |
| Plate-forme | Enrichissement tiers | ✅ Les fournisseurs d’enrichissement tiers sont audités pour les tests d’équité, la couverture démographique et la précision, la méthodologie d’inférence et les restrictions contractuelles d’utilisation des données avant l’implémentation |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Plate-forme | Champs obligatoires | ⚠️ L’e-mail est requis pour la création de comptes sans alternative, et la validation du téléphone ou de l’adresse rejette les formats hors États-Unis, les boîtes postales et les itinéraires ruraux, à l’exclusion des utilisateurs qui ne peuvent pas fournir les données |
| Plate-forme | Champs obligatoires | ⚠️ Les champs sont marqués obligatoires sans indiquer si le processus peut fonctionner sans les données, créant des populations invisibles à partir d’enregistrements incomplets rejetés |
| Plate-forme | Champs de nom | ⚠️ Les champs de nom appliquent automatiquement les conventions Western First/Last et rejettent les mononymes, les diacritiques ou les écritures non latines, soumettant les utilisateurs au rejet système basé sur l’identité culturelle |
| Plate-forme | Validation de l’adresse | ⚠️ La validation de l’adresse nécessite le format postal américain et ne reconnaît pas les adresses internationales, les boîtes postales, les adresses militaires (APO/FPO) ou tribales, bloquant la création de comptes et la livraison de services |
| Plate-forme | Préférences de communication | ⚠️ Un canal de communication unique est supposé universel (e-mail uniquement ou téléphone uniquement), excluant les utilisateurs sans Internet, sans accès au téléphone, ou sourds ou malentendants |
| Objet personnalisé | Données démographiques | ⚠️ Les données démographiques sont déduites des noms ou des emplacements sans user Knowledge, stockées dans des champs Contact standard visibles par tous les utilisateurs, et utilisées dans le score des pistes ou les prévisions sans divulgation |
| Plate-forme | Enrichissement tiers | ⚠️ Des données tierces sont ajoutées sans audit des pratiques d’équité des fournisseurs ou de la couverture démographique, ce qui importe les biais introduits par les fournisseurs dans les décisions de l’organisation |
Modèles
| Où chercher | À quoi ressemble le bien |
|---|---|
| Plate-forme | Attribution et acheminement | ✅ Les règles d’attribution et d’acheminement utilisent des critères objectifs (lignes de produits, accords de niveau de service, exigences linguistiques) et les distributions d’attribution sont auditées tous les trimestres, stratifiées par les données démographiques des clients, pour s’assurer qu’aucun schéma de concentration n’émerge |
| Plate-forme | Omni-Channel | ✅ Le délai moyen de traitement, la résolution au premier contact et la satisfaction client sont surveillés à travers les parcours d’acheminement afin de détecter si les segments de clients reçoivent systématiquement des agents moins expérimentés |
| Plate-forme | Flux | ✅ Les flux qui prennent des décisions corrélatives sont examinés pour les critères corrélés aux caractéristiques protégées (tenue du compte, préférence du canal, historique des achats, heures ouvrables) et leur logique de décision est documentée dans les enregistrements de décision d’architecture |
| Plate-forme | Flux | ✅ Les flux à fort enjeu qui affectent l’emploi, le crédit ou l’accès aux services sont soumis au même processus d’examen éthique que les systèmes IA |
| Plate-forme | Règles de validation | ✅ Les règles de validation sont testées avec diverses données (adresses internationales, noms non occidentaux, formats de téléphone alternatifs) et étendues dès qu’elles rejettent des données légitimes ; Les champs Nom acceptent Unicode et tous les scripts |
| Plate-forme | Conception de territoire | ✅ Les données démographiques des clients sont mappées à travers les limites des territoires proposés avant la finalisation des conceptions; lorsque des concentrations émergent, l’allocation des ressources est évaluée pour l’équité et la justification commerciale est documentée et surveillée |
| Plate-forme | Audit | ✅ La logique d’automatisation (règles métiers, critères d’attribution, décisions de flux) est documentée dans Salesforce Knowledge ou ADR, et les résultats sont audités trimestriellement stratifiés par des données démographiques — distributions d’attribution, taux d’approbation de flux, taux de rejet de validation et allocation de ressources de territoire |
Anti-modèles
| Où chercher | À quoi ressemble mal |
|---|---|
| Plate-forme | Attribution et acheminement | ⚠️ Les règles d’attribution priorisent les pistes de certains codes postaux aux « plus performants » en fonction des taux de gain historiques sans examiner si cette réussite reflète une compétence ou un avantage démographique |
| Plate-forme | Omni-Channel | ⚠️ Les métriques de qualité de l’acheminement ne sont pas surveillées dans les segments de clients. Par conséquent, les disparités dans l’expérience ou la résolution des agents ne sont pas détectées |
| Plate-forme | Flux | ⚠️ Les critères de décision de flux sont corrélés aux caractéristiques protégées (durée, canal, volume d’achat, fuseau horaire) et sont traités comme objectifs car la logique déterministe se sent neutre |
| Plate-forme | Flux | ⚠️ Les flux à fort enjeu prennent des décisions conséquentes sans examen éthique, documentation ADR ou traitement pour les utilisateurs extérieurs au profil client typique |
| Plate-forme | Règles de validation | ⚠️ La validation du nom est limitée à A-Z et rejette les caractères diacritiques ou non latins, et la validation de l’adresse nécessite le format postal américain — les données légitimes sont rejetées et les utilisateurs abandonnent les demandes non signalées |
| Plate-forme | Conception de territoire | ⚠️ Les frontières des territoires suivent une géographie en corrélation avec la démographie, avec des rémunérations ou des effectifs différents entre les territoires et aucune analyse de la concentration démographique |
| Plate-forme | Audit | ⚠️ La logique d’automatisation n’est pas documentée et les résultats ne sont jamais audités. Par conséquent, les schémas discriminatoires dans l’attribution, les approbations, la validation ou l’allocation de territoire restent invisibles |