Limor Ziv
La plupart des projets d’IA échouent lorsque les dirigeants ne parviennent pas à défendre le système auprès d’un organisme de réglementation, d’un client ou d’un comité des risques du conseil d’administration. La difficulté ne réside pas dans la création d’un modèle, mais dans la nécessité de prouver que les données sur lesquelles il repose sont exactes, représentatives et vérifiables, et que les décisions qu’il génère peuvent être justifiées en cas de problème.
Le Dr Limor Ziv est fondatrice et PDG de Humane AI, ainsi que chercheuse postdoctorale à l’université Bar-Ilan. Elle aide les organisations à traduire les principes d’une IA responsable en pratiques de gouvernance, de gestion des données et de gestion des risques qui résistent à un examen minutieux.
Full Profile
Pourquoi les entreprises font appel à Limor Ziv
- Elle transpose l'éthique de l'IA des principes théoriques à la pratique opérationnelle, avec des missions concrètes menées pour des clients tels que Google, KPMG, Accenture, SolarEdge et CyberArk, qui illustrent les résultats concrets de son travail.
- Son conseil repose sur des bases institutionnelles, et non sur des opinions : elle est membre du comité consultatif sur l'éthique de l'IA à l'Institute for Experiential AI de la Northeastern University et membre du conseil scientifique de l'Association israélienne pour l'éthique en IA.
- Ses recherches empiriques menées auprès de 74 professionnels chevronnés de l'IA et des données, publiées dans Machine Learning and Knowledge Extraction de MDPI en 2025, fournissent aux conseils d'administration un modèle défendable pour traiter les données comme la substance opérationnelle de l'IA plutôt que comme son sous-produit.
- Elle opère à la croisée des chemins entre la crédibilité académique et le déploiement commercial : c'est la même personne qui donne la conférence et anime l'atelier qui suit.
- Crédibilité en tant qu'actrice sur la question des femmes dans l'IA, avec des rôles publics au sein des communautés israéliennes des données et de l'éthique, sans pour autant en faire une catégorie distincte de discours d'ouverture.
Points forts de sa biographie
- Fondatrice et PDG de Humane AI, conseillant des multinationales, des gouvernements et des entreprises technologiques sur l'IA responsable, la qualité des données et les risques.
- Chercheuse postdoctorale en interaction homme-IA à l'université Bar-Ilan ; docteure de l'université de Tel Aviv.
- Co-auteur de « Behind the Algorithm: International Insights into Data-Driven AI Model Development » (MDPI, 2025), basé sur des entretiens avec 74 professionnels chevronnés de l'IA et des données.
- Membre du comité consultatif sur l'éthique de l'IA de l'Institute for Experiential AI de l'université Northeastern.
- Membre du Conseil scientifique de l'Association israélienne pour l'éthique en IA (IAEAI).
- Conférencier et consultant pour Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data, Medison Pharma et la municipalité de Tel Aviv.
Biographie
La plupart des échecs en matière d'IA ne trouvent pas leur origine dans le modèle. Ils proviennent des données qui le sous-tendent et d'une lacune de gouvernance que personne au sein du comité exécutif ne parvient à cerner précisément. Le Dr Limor Ziv a fondé Humane AI pour combler cette lacune, en collaborant avec des multinationales, des gouvernements et des entreprises technologiques afin de rendre les systèmes d'IA défendables dès la couche des données.
La recherche sous-tend le conseil. Son article de 2025, coécrit avec Maayan Nakash et publié dans Machine Learning and Knowledge Extraction de MDPI, s'appuie sur des entretiens menés auprès de 74 professionnels chevronnés de l'IA et des données issus de différents pays et secteurs. Il identifie les défaillances sociotechniques récurrentes auxquelles les dirigeants sont confrontés lorsqu'ils tentent d'industrialiser l'IA, de la qualité des données et de la gouvernance à la contextualisation et à l'alignement avec les objectifs commerciaux.
Son parcours institutionnel est inhabituel pour une fondatrice de cabinet de conseil. Elle siège au comité consultatif sur l’éthique de l’IA de l’Institute for Experiential AI de la Northeastern University, au conseil scientifique de l’Association israélienne pour l’éthique en IA, et poursuit des travaux postdoctoraux sur l’interaction homme-IA à l’université Bar-Ilan après avoir obtenu son doctorat à Tel Aviv. Cette diversité permet à son travail de rester ancré dans les débats réglementaires et universitaires actuels, plutôt que de se limiter à des résumés sous forme de présentations PowerPoint.
Pour les acheteurs de haut niveau, le produit concret est un langage exploitable pour les risques liés à l’IA qui ne se réduit ni à une simple mise en scène de conformité ni à du jargon technique. Parmi ses clients, cités sur son propre site, figurent Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data et la municipalité de Tel Aviv. Le mandat est le même pour tous : faire passer l’IA responsable du stade des principes à celui de la réalité opérationnelle, et s’assurer que les données sous-jacentes au système tiennent la route lorsque quelqu’un demande comment une décision a été prise.
Principaux thèmes abordés
- IA responsable et éthique de l'IA
- Gestion des risques liés à l'IA et conformité
- Gouvernance de l'IA et préparation réglementaire
- Qualité des données et IA centrée sur les données
- Interaction homme-IA et conception centrée sur l'humain
- L'IA dans les secteurs réglementés, notamment la santé et la finance
- Mise en œuvre d'une IA responsable dans l'entreprise
Idéal pour
- Les conseils d'administration et les comités de direction chargés de mettre en place des cadres de gouvernance et de gestion des risques liés à l'IA.
- Les responsables de l'IA, les responsables des données et les RSSI chargés de mettre en œuvre une politique d'IA responsable.
- Les dirigeants des secteurs réglementés (santé, services financiers et secteur public) confrontés au déploiement de l'IA sous la pression de la conformité.
- Les responsables de l'innovation et de la transformation qui passent de projets pilotes d'IA à la mise en production avec une gouvernance intégrée.
Résultats attendus
- Une définition pratique du risque lié à l'IA qui distingue le risque lié aux données, le risque lié aux modèles et le risque lié aux décisions, ainsi qu'une idée de la place de chacun au sein de l'organisation.
- Une vision de ce qu'une IA centrée sur les données exige réellement des équipes opérationnelles, tirée de ses recherches empiriques menées auprès de 74 professionnels chevronnés.
- Une analyse éclairée des débats réglementaires et éthiques actuels, par une personne siégeant au sein de deux organismes consultatifs reconnus en matière d'éthique de l'IA.
- Une image plus honnête de ce que coûte une IA responsable et de ce qu'elle rapporte, lorsqu'une entreprise tente de l'intégrer plutôt que de la commercialiser.
Conférences
Une présentation générale destinée aux cadres supérieurs, qui met en évidence les domaines dans lesquels l’IA génère une valeur mesurable et ceux où elle présente les risques organisationnels les plus importants.
Points clés à retenir :
- Une cartographie pratique des catégories de risques liés à l’IA, allant des risques liés aux données et aux modèles aux risques liés au déploiement et à la réputation.
- Les points de décision où les responsables de haut niveau perdent généralement le contrôle d’un programme d’IA.
- Un cadre permettant de hiérarchiser les investissements en IA en fonction de l’appétit pour le risque de l’organisation.
Une session de travail consacrée à l’identification, à la gestion et à l’atténuation des risques liés à l’IA au sein des organisations opérationnelles.
Points clés à retenir :
- En quoi les risques liés à l’IA diffèrent des risques technologiques classiques et pourquoi les fonctions de gestion des risques existantes peinent à les prendre en charge.
- Des garde-fous pratiques pour les équipes de développement de l’IA qui résistent aux contrôles des régulateurs et des auditeurs.
- Les pratiques en matière d’hygiène des données et de documentation qui transforment la politique de gestion des risques liés à l’IA en pratique concrète.
À quoi ressemble une IA responsable lorsqu’elle est mise en œuvre dans les domaines des produits, des données et de la gouvernance.
Points clés à retenir :
- Le problème de transposition entre les principes éthiques de l’IA et les exigences des systèmes prêts à être déployés.
- Les rôles, les responsabilités et les mécanismes de contrôle qui permettent de vérifier la responsabilité de l’IA.
- Les domaines dans lesquels l’IA responsable recoupe les régimes existants en matière de confidentialité, de sécurité et de conformité, et ceux où ce n’est pas le cas.
Une analyse du paysage réglementaire actuel et émergent, et ses implications pour la stratégie en matière d’IA.
Points clés à retenir :
- L’architecture de la loi européenne sur l’IA et des régimes connexes, en termes opérationnels simples.
- Ce que les régulateurs sont susceptibles de demander en premier lieu, et les documents que les organisations doivent avoir prêts.
- Comment définir une politique interne qui anticipe la réglementation plutôt que d’y réagir.
Comment concevoir une gouvernance de l’IA qui s’intègre à la gouvernance d’entreprise existante, et non qui lui soit parallèle.
Points clés à retenir :
- Structures de gouvernance pour les portefeuilles d’IA, des comités de pilotage aux registres de modèles.
- Pouvoirs décisionnels et voies d’escalade entre les fonctions données, IA, risques et juridique.
- Les schémas d’échec de la gouvernance dans les premiers programmes d’IA d’entreprise et comment les éviter.
Une approche fondée sur la recherche en interaction homme-IA appliquée à la conception de produits et d’espaces de travail.
Points clés à retenir :
- Les données sur la manière dont les utilisateurs interagissent réellement avec les systèmes d’IA, et les points de rupture de la confiance.
- Des choix de conception qui protègent le jugement humain plutôt que de le supplanter.
- Des contributions interdisciplinaires, de la psychologie à la politique, qui renforcent les décisions relatives aux produits d’IA.
Une réflexion sur la manière dont les organisations devraient structurer le travail, les rôles et les compétences autour de l’IA plutôt qu’en parallèle de celle-ci.
Points clés à retenir :
- Le passage d’une approche axée sur l’automatisation à une approche axée sur l’augmentation au sein des équipes opérationnelles.
- Les investissements en capacités que les dirigeants sous-estiment systématiquement lors du déploiement de l’IA.
- Un modèle pour concevoir des flux de travail homme-IA qui résistent à la pression opérationnelle.