AIPD et analyse d’impact pour l’IA générative en 2026
Avant de déployer un assistant conversationnel interne, la question de conformité arrive souvent après la démonstration technique, alors qu’elle devrait la précéder. Dès qu’un système traite des données personnelles à grande échelle, l’AIPD, analyse d’impact appliquée à l’IA générative, devient un passage obligé ou fortement recommandé.
Ce guide méthodologique détaille quand cette analyse est exigée, comment la structurer étape par étape, quels risques spécifiques documenter et quels points de vigilance la CNIL met en avant. Vous y trouverez une trame adaptée aux projets de modèles de langage, utilisable par un DSI, un RSSI ou un délégué à la protection des données.
AIPD et analyse d’impact pour l’IA générative en 2026
Temps de lecture : ~9 min
- Ce que recouvre une AIPD appliquée à un système d’IA générative
- Quand une AIPD est-elle obligatoire pour un projet d’IA générative ?
- En quoi une AIPD IA générative diffère d’une AIPD classique
- AIPD, analyse d’impact et IA générative, la méthode en six étapes
- Ce que la CNIL attend sur les usages internes
- Réduire le risque résiduel par l’architecture, pas seulement par le document
- Aller plus loin avec l’AIPD et l’IA générative
- Questions fréquentes sur l’AIPD et l’IA générative
Ce que recouvre une AIPD appliquée à un système d’IA générative
Définition et périmètre de l’AIPD en IA générative
L’analyse d’impact relative à la protection des données, souvent désignée par l’acronyme DPIA en anglais, est une démarche de cartographie et d’évaluation des risques d’un traitement sur les données personnelles, suivie d’un plan d’action visant à ramener ces risques à un niveau acceptable. La CNIL en rappelle le principe dans ses ressources dédiées, et l’article 35 du RGPD en fixe le cadre juridique. L’obligation se déclenche lorsqu’un traitement est susceptible d’engendrer un risque élevé pour les droits et libertés des personnes concernées.
Appliquée à l’IA générative, cette démarche prend une dimension particulière. Le Comité européen de la protection des données, dans son Opinion 28/2024 consacrée aux modèles d’IA, distingue clairement deux moments qui n’emportent pas les mêmes risques : la phase de développement, avec la constitution des jeux de données d’entraînement et l’ajustement du modèle, et la phase d’inférence, c’est-à-dire l’usage quotidien avec des prompts, des documents métier et des sorties générées. Le même avis souligne que les grands modèles de langage ne peuvent pas être considérés comme anonymes par défaut, ce qui rend nécessaire une évaluation robuste plutôt qu’une présomption d’absence de données personnelles.
Quand une AIPD est-elle obligatoire pour un projet d’IA générative ?
Critères de déclenchement d’une AIPD pour l’IA générative
Le RGPD n’impose pas une analyse d’impact pour chaque traitement. Il la rend obligatoire quand le risque élevé est probable, et les autorités européennes ont publié une liste de critères permettant de qualifier ce risque. La règle pratique retenue par la CNIL est simple : un traitement remplissant au moins deux de ces critères est présumé soumis à AIPD.
Parmi les critères qui se rencontrent le plus souvent dans les projets d’IA générative en entreprise ou en établissement, on retrouve les situations suivantes.
- Traitement de données à grande échelle, par exemple l’indexation d’une base documentaire complète pour un dispositif de RAG.
- Données sensibles ou de nature très personnelle, comme les données de santé, les dossiers RH ou les écrits professionnels du médico-social.
- Personnes vulnérables, usagers accompagnés, patients, agents publics dans une relation de subordination.
- Croisement ou combinaison d’ensembles de données provenant de plusieurs applications du système d’information.
- Usage innovant ou application d’une nouvelle solution technologique, ce que la CNIL considère explicitement comme un critère.
- Décision automatisée produisant des effets juridiques ou significatifs, au sens de l’article 22 du RGPD.
Un assistant interne branché sur les dossiers d’usagers, les contrats ou les entretiens annuels cumule presque toujours deux critères, voire trois. Dans sa foire aux questions sur l’utilisation d’un système d’IA générative, la CNIL invite d’ailleurs les organisations à associer leur délégué à la protection des données en amont et à réaliser une analyse d’impact le cas échéant. Le Comité européen de la protection des données considère de son côté que la plupart des traitements d’IA à grande échelle relèvent du haut risque, et le Contrôleur européen de la protection des données exige une AIPD avant tout traitement à risque élevé impliquant de l’IA générative dans les institutions de l’Union.
Bon à savoir : même lorsque les critères de déclenchement ne sont pas atteints, conduire une analyse allégée reste utile. Elle matérialise le principe d’accountability et fournit une preuve documentée du raisonnement suivi en cas de contrôle.
En quoi une AIPD IA générative diffère d’une AIPD classique
La trame reste celle du RGPD, mais plusieurs rubriques doivent être enrichies. La description du traitement ne se limite plus aux finalités et aux catégories de données : elle doit intégrer l’architecture du modèle, la composition et l’origine des données d’entraînement, le mode d’hébergement et le contexte de déploiement. L’analyse des risques, elle, s’ouvre à des scénarios propres aux modèles de langage.
| Rubrique | AIPD classique | AIPD IA générative |
|---|---|---|
| Description du traitement | Finalités, données, durées, destinataires | Ajout du type de modèle, des données d’entraînement, du fine-tuning et du lieu d’hébergement |
| Base légale | Consentement, contrat, obligation légale, intérêt légitime | Base légale distincte pour l’entraînement et pour l’inférence, test de mise en balance de l’intérêt légitime |
| Flux de données | Formulaires, exports, interfaces applicatives | Prompts, pièces jointes, journaux d’interaction, sorties générées, appels API vers le modèle |
| Risques analysés | Accès illégitime, modification, disparition | Ajout de la mémorisation, de la ré-identification, des hallucinations, des biais et de la prompt injection |
| Mesures | Chiffrement, habilitations, sauvegardes | Ajout du filtrage de prompts, de la pseudonymisation, du respect des droits d’accès dans le RAG et de la supervision humaine |
| Cycle de vie | Revue périodique | Revue à chaque changement de modèle, de fournisseur ou de source documentaire |
AIPD, analyse d’impact et IA générative, la méthode en six étapes
Étape 1, décrire précisément le traitement
Il s’agit de documenter la finalité réelle : rédaction de comptes rendus, recherche documentaire, aide à la rédaction de projets personnalisés, préparation de réponses aux usagers. Vous listez ensuite les catégories de données présentes dans les prompts, les documents indexés et les journaux, les personnes concernées, les durées de conservation et les destinataires, y compris les sous-traitants et les éventuels transferts hors Union européenne. Un schéma des flux, du poste de travail jusqu’au modèle, évite les angles morts.
Étape 2, examiner la base légale et la proportionnalité
La CNIL insiste sur la clarté de la base légale et sur la minimisation des données. Dans un contexte professionnel, l’intérêt légitime est fréquemment mobilisé, à condition de documenter la mise en balance avec les droits des personnes. La proportionnalité du traitement se démontre concrètement, en justifiant pourquoi tel corpus doit être indexé et pourquoi tel autre est exclu. C’est aussi le moment de vérifier l’information des personnes, l’exercice des droits d’accès, de rectification, d’effacement et d’opposition, ainsi que la cohérence avec le registre des traitements.
Étape 3, identifier les risques spécifiques
Au-delà des trois risques classiques, l’analyse doit couvrir la mémorisation de données personnelles par le modèle et leur possible extraction, la ré-identification à partir de données que l’on croyait anonymisées, la fuite de données via les prompts ou les sorties, les hallucinations produisant des informations inexactes ou préjudiciables sur une personne, les biais algorithmiques conduisant à des traitements différenciés, et la prompt injection permettant de détourner l’assistant. Chaque scénario est apprécié en gravité et en vraisemblance, avec ses impacts potentiels sur les personnes.
Étape 4, définir les mesures de réduction
Les mesures techniques et organisationnelles doivent répondre point par point aux risques identifiés. Les plus structurantes concernent l’hébergement et la maîtrise des données, la pseudonymisation en amont des traitements, le filtrage des prompts et des sorties, la stricte réplication des droits d’accès applicatifs dans le moteur de recherche documentaire, la journalisation des interactions, la limitation de la conservation des historiques et la supervision humaine systématique sur tout usage susceptible d’influencer une décision concernant une personne. L’absence de réutilisation des données de l’organisation pour entraîner le modèle est un point à faire figurer noir sur blanc dans le contrat.
Étape 5, associer le DPO et, si nécessaire, consulter l’autorité
L’avis du délégué à la protection des données doit être formellement recueilli et consigné. Si le risque résiduel demeure élevé malgré les mesures prévues, l’article 36 du RGPD impose une consultation préalable de l’autorité de contrôle avant la mise en œuvre. Le Contrôleur européen de la protection des données rappelle ce séquencement dans ses orientations sur l’IA générative, et son rapport consacré aux analyses d’impact souligne qu’elles doivent être conduites avant le démarrage du traitement, non pas après la mise en production.
Étape 6, planifier la revue
Une AIPD n’est pas un document figé. Elle se relit au moins une fois par an et se met à jour dès qu’un changement significatif intervient : nouvelle version du modèle, changement de fournisseur, ajout d’une source documentaire, extension à un nouveau service ou nouvelle finalité. Chaque révision est datée et versionnée pour retracer l’historique des décisions.
Important : un changement de modèle sous-jacent modifie la nature du traitement, notamment le lieu d’exécution et le comportement du système. Il constitue un déclencheur de mise à jour de l’analyse d’impact, même lorsque l’interface utilisateur reste identique.
Ce que la CNIL attend sur les usages internes
Les usages internes d’outils d’IA générative concentrent une part importante du risque, souvent en dehors de tout cadre. La foire aux questions de la CNIL aborde l’encadrement de ces usages, la relation avec les fournisseurs, la gestion des prompts et des sorties, ainsi que la prévention des fuites de données. Le Shadow AI, c’est-à-dire le recours non déclaré à des services grand public depuis des postes professionnels, échappe par construction à l’analyse d’impact et prive l’organisation de toute traçabilité.
La réponse est double. D’un côté, une politique d’usage claire et une charte diffusée aux collaborateurs, sujet que nous détaillons dans notre guide sur l’encadrement de l’IA en entreprise. De l’autre, la mise à disposition d’un outil interne suffisamment utile pour que personne n’ait envie d’aller ailleurs. Une checklist de conformité RGPD adaptée aux projets d’IA est également disponible.
Réduire le risque résiduel par l’architecture, pas seulement par le document
Une analyse d’impact bien menée met souvent en évidence que le risque résiduel dépend moins des procédures que de l’architecture retenue. Un modèle hébergé en France, sans réutilisation des données pour l’entraînement, avec une gestion fine des habilitations et une journalisation complète, fait baisser mécaniquement la gravité de plusieurs scénarios. C’est le parti pris de SafeBrain, plateforme d’IA générative souveraine conçue pour des organisations de 50 à 500 utilisateurs évoluant dans des secteurs régulés : secteur public, banque et assurance, santé et médico-social, industrie. Nous abordons ces enjeux de souveraineté plus en détail, ainsi que la question de la pseudonymisation, souvent décisive dans les projets RH et de santé.
L’analyse d’impact devient alors un outil de dialogue entre la DSI, le RSSI, le DPO et les directions métiers. Elle formalise ce que le système peut faire, ce qu’il ne fera pas, et à quelles conditions les métiers peuvent l’utiliser en confiance. C’est précisément ce qui permet à un DSI de dire oui à l’IA générative sans transiger sur la conformité.
Aller plus loin avec l’AIPD et l’IA générative
Mener une AIPD sur un projet d’IA générative ne consiste pas à remplir un formulaire de plus. La démarche impose de décrire le traitement avec précision, d’assumer une base légale, de nommer les risques propres aux modèles de langage et de démontrer que les mesures retenues les ramènent à un niveau acceptable.
Les cadres publiés par la CNIL, le Comité européen de la protection des données et le Contrôleur européen convergent sur ce point : l’analyse doit intervenir avant la mise en production et vivre au rythme du système. Conduite tôt, elle accélère le projet au lieu de le freiner, parce qu’elle transforme des inquiétudes diffuses en exigences techniques vérifiables.
Synthèse : AIPD et IA générative
En synthèse, une AIPD appliquée à un projet d’IA générative vise à décrire précisément le traitement, à justifier la base légale retenue, à identifier les risques spécifiques des modèles de langage et à démontrer que les mesures techniques et organisationnelles prévues les ramènent à un niveau acceptable.
Conduite en amont du projet et revue à chaque évolution significative du système, elle devient un levier de gouvernance : elle aligne la DSI, le RSSI, le DPO et les directions métiers sur un même cadre de référence et permet de déployer l’IA générative en assumant pleinement les exigences de conformité.
FAQ
Une AIPD est-elle nécessaire si l’assistant ne traite aucune donnée personnelle ?
En principe non, puisque le RGPD ne s’applique qu’aux traitements de données personnelles. En pratique, il est rare qu’un assistant professionnel n’en rencontre jamais, ne serait-ce que par les prompts saisis ou les journaux d’utilisation. Les communautés de DPO recommandent souvent de documenter malgré tout l’analyse, afin de prouver que la question a été instruite.
Qui rédige l’AIPD dans l’organisation ?
La responsabilité incombe au responsable de traitement, c’est-à-dire à l’organisation elle-même. La rédaction est généralement pilotée par le chef de projet ou la DSI, avec la contribution du RSSI sur les mesures de sécurité, du métier sur les finalités et du DPO qui rend un avis formel. Le fournisseur de la solution apporte les éléments techniques mais ne peut pas se substituer au responsable de traitement.
Combien de temps faut-il prévoir pour réaliser une AIPD sur un projet d’IA générative ?
La durée dépend du périmètre et de la maturité documentaire de l’organisation. Le facteur limitant est rarement la rédaction, c’est la collecte des informations auprès du fournisseur et la cartographie des sources documentaires indexées. Anticiper ces demandes dès la phase de consultation raccourcit sensiblement le délai.
Une AIPD suffit-elle à être conforme à la réglementation sur l’IA ?
Non. L’analyse d’impact relève du RGPD et porte sur la protection des données personnelles. Le règlement européen sur l’intelligence artificielle ajoute ses propres obligations, notamment de classification des systèmes et de transparence. Les deux démarches se complètent et gagnent à être menées ensemble.
Faut-il une AIPD distincte par cas d’usage ?
Une AIPD peut couvrir un ensemble de traitements similaires présentant des risques comparables. Dès qu’un cas d’usage introduit des données d’une autre nature, des données de santé ou des dossiers disciplinaires par exemple, ou une population concernée différente, une analyse dédiée ou une annexe spécifique s’impose.
Que faire si le risque reste élevé après les mesures ?
L’article 36 du RGPD impose alors de consulter l’autorité de contrôle avant de démarrer le traitement. Dans la plupart des cas, il est plus efficace de revoir le périmètre, en réduisant les sources indexées, en renforçant la pseudonymisation ou en ajoutant une validation humaine, afin de ramener le risque résiduel à un niveau acceptable.
