31/8/2023
Lisez-vous les notices d’accompagnement de vos médicaments ? Elles contiennent en général une demi-page sur leurs effets positifs et leur posologie, et 5 ou 6 pages vous mettant en garde sur leurs effets secondaires possibles. Ces notices sont génériques, mais votre cas est unique : les effets positifs et négatifs vous sont spécifiques et dépendront de votre usage et de votre dosage. Il en ira de même pour l’IA ; remède pour les uns, poison pour les autres : il n’y a pas de règle générale, seulement des cas particuliers.
Au cœur des pratiques et de la règlementation sur les critères ESG, se trouvent les données environnementales, sociales et de gouvernance des entreprises.
Ces données ESG engendrent de nouveaux défis : gros volumes de données souvent non structurées, subjectivité due aux sources de données, fournies par les sociétés analysées elles-mêmes ou recueillies auprès des médias et réseaux sociaux, irrégularité dans les fréquences de rating, hétérogénéité dans les sources et les modes de calcul des indicateurs globaux, données manquantes ou peu fiables, la liste est longue.
La multiplicité des taxonomies, échelles et modes de calcul de la note ESG est également un véritable défi pour les entreprises, les investisseurs et les régulateurs : sans parler des tentatives de greenwashing (souvenons-nous de DWS, filiale de la Deutsche Bank épinglée pour fausses déclarations). Comment, dans la jungle des données souvent manquantes et imprécises, et de leurs modes de calcul, répondre sincèrement à la règlementation à un coût raisonnable, et résister à la tentation de l’optimisation (légale) de la note ? Comment enfin profiter de ces contraintes pour redéfinir les missions et finalités de l’entreprise et construire des scénarios prospectifs soutenables ?
L’Intelligence Artificielle devient alors un atout, voire un outil nécessaire à toute démarche de pilotage des critères ESG : l’ensemble de ses applications commence à être bien documenté.
Ainsi par exemple , l’IA permet l’analyse automatique de textes concernant l’entreprise : signalement d’incidents, « sentiment de marché »,…
Elle peut traiter des mesures physiques d’émanation ou de rayonnement pour contrôler l’impact environnemental de l’entreprise.
Elle permet aussi de consolider grâce au Machine Learning des données manquantes, ou repérer des incohérences dans les données.
La production des rapports ESG pourra également être confiée à l’IA, facilitant la transparence de la démarche.
L’IA enfin permettra la production de simulations et de scénarios prospectifs, pour anticiper à la fois l’évolution des règlementations, de l’environnement, du marché et des technologies.
D’autre part, les impacts négatifs de l’Intelligence Artificielle, actuels et projetés, sont régulièrement évoqués, et ont même amené Joe Biden à inviter en juillet dernier les acteurs majeurs de l’IA pour parler régulation.
Concernant l’ESG, on peut citer le coût énergétique et l’impact carbone (E), l’impact sur l’emploi en qualité et quantité, ou l’utilisation de données personnelles (S), les démarches de prise de décision « AI-aided » (G).
L’IA peut également être utilisée pour manipuler des données des médias (campagnes de communication) ou choisir dans un groupe de critères ou une méthode d’intégration ceux qui sont le plus favorables à l’entreprise.
Bref, l’entreprise risque de diminuer sa note ESG en utilisant l’IA pour la calculer ou l’améliorer !
Comment alors sortir d’une liste d’avantages et inconvénients de l’IA pour construire une démarche ESG à la fois efficace et économe (merci l’IA), tout en évitant de dégrader sa note et ses perspectives d’amélioration ?
En remettant d’abord les choses à leur place : pour une entreprise, ce n’est pas l’IA en général qui est en cause, mais son utilisation spécifique et contextuelle dans le cadre d’une démarche ESG. Et ce n’est pas l’ESG qui est en cause, mais son application dans le cadre précis de l’entreprise et de son histoire.
En fait IA et ESG ont une problématique commune : la confrontation avec le monde réel. L’IA comme les critères ESG ne traitent que la partie digitalisée du monde, et ne calculent qu’à partir des données qu’on leur donne, avec tous les biais possibles. L’IA générative comme chatGPT peut avoir des « hallucinations » encore impossibles à contrôler. L’ESG peut elle aussi avoir des « hallucinations » : critères parfaits mais réalité contraire comme dans le cas d’ORPEA.
Que faire alors ? Revenir dans le monde réel et concret. Tout d’abord en distinguant la contrainte de présenter un rating ESG satisfaisant (pour les régulateurs et vos investisseurs), et la nécessité (voire l’opportunité) de s’engager dans une stratégie ESG sur le long terme, c’est-à-dire une dynamique de développement respectueuse de l’environnement, socialement soutenable et améliorant la gouvernance.
ESG : ne pas mettre la charrue avant les bœufs
Ces deux démarches doivent être le plus possible découplées : construire une stratégie ESG, c’est prendre en compte un mouvement mondial et de long terme qui va bouleverser l’économie et les modes d’organisation. Pour être cohérente, elle devra procéder d’une vision globale et prendre en compte des entités et des variables fortement corrélées et dépassant largement le champ des critères ESG actuels. En revanche, elle assure une cohérence d’ensemble que la focalisation sur des critères ESG aujourd’hui encore mal définis ne permet pas. Enfin, elle permettra plus sûrement de répondre aux futures évolutions des critères.
Utiliser l’IA pour l’ESG, ce n’est pas seulement favoriser le traitement des critères ESG, c’est aussi trouver des solutions intelligentes pour réduire les émissions de polluants, les transports, la dépense d’énergie ou la quantité de matières premières utilisées.
Ainsi la démarche ESG s’appuiera sur des motivations internes (le développement et la viabilité long terme de l’entreprise) plus que par des motivations externes (obtenir une bonne note aujourd’hui).
Pour autant, obtenir un bon rating ESG est important, et deviendra de plus en plus obligatoire.
Impacts ESG de l’IA : pensez globalement, agissez localement
Le rating doit être la conséquence de la stratégie, pas l’inverse.
Ainsi, avec une approche à la fois stratégique et liée concrètement aux projets de l'entreprise, l’IA peut devenir un outil puissant pour mettre en place une politique ESG, et les « contraintes » ESG peuvent devenir une opportunité pour l’IA, un nouveau champ d’application.
Marc de Fouchécour - Advisor
Souscrivez à notre liste pour bénéficier de perspectives sur votre marché.
