Comment Carbon+Alt+Delete utilise l’IA dans son logiciel de comptabilité carbone

La comptabilité carbone entre dans une phase de montée en charge rapide. La demande en reporting des gaz à effet de serre augmente sous l’effet de la réglementation, des attentes des investisseurs et des stratégies climat internes. Dans le même temps, le nombre de comptables carbone qualifiés ne progresse pas au même rythme.

Une analyse interne montre que la demande du marché comme la capacité nécessaire devront augmenter significativement dans les années à venir. Cela crée un défi structurel : comment réaliser davantage de bilans carbone, avec une qualité homogène, sans augmenter proportionnellement l’effort manuel ?

Chez Carbon+Alt+Delete, notre hypothèse de travail est que cet écart ne peut pas être comblé sans automatisation – et plus précisément sans appliquer l’IA aux étapes les plus chronophages de la comptabilité carbone.

Où l’IA crée de la valeur dans la comptabilité carbone

L’IA ne remplace pas les comptables carbone. Sa valeur réside dans le soutien qu’elle apporte aux parties répétitives et riches en données du processus, qui absorbent généralement l’essentiel du temps dans les projets de comptabilité carbone.

En pratique, l’impact le plus important s’observe sur :

L’IA est particulièrement efficace lorsque les données sont à la fois non structurées et répétitives. Le traitement des factures en est un bon exemple : de grands volumes de documents aux schémas similaires, mais aux formats et niveaux de détail variables. Cette combinaison les rend très adaptés au machine learning et aux large language models.

De la comptabilité carbone basée sur les dépenses à celle basée sur les activités

Un choix de conception essentiel consiste à privilégier une comptabilité carbone basée sur les activités plutôt que des approximations basées sur les dépenses.

Cela implique d’extraire des données d’activité réelles directement à partir de sources primaires telles que les factures. Les factures sont particulièrement pertinentes, car elles offrent une vue centralisée et relativement complète des activités de l’entreprise. Elles sont également étroitement liées aux activités réelles couvrant le Scope 1, le Scope 2 et une partie du Scope 3.

Pourtant, les factures ne sont pas conçues pour la comptabilité carbone. Elles contiennent du texte non structuré, une terminologie incohérente et des niveaux de détail variables. Leur traitement manuel est donc chronophage et difficile à standardiser.

L’IA permet de traduire ces données non structurées en données carbone structurées et exploitables.

Comment l’IA transforme les factures en émissions

Le modèle d’IA convertit les factures en émissions en trois étapes successives.

Le modèle interprète le contenu de la facture et détermine à quelle activité du GHG Protocol elle se rapporte. Cela suppose de comprendre des descriptions souvent incomplètes ou ambiguës et de les associer à des catégories telles que la consommation de carburant, la consommation d’électricité ou les déplacements professionnels.

Plutôt que de s’appuyer sur les dépenses financières, le modèle extrait des données d’activité physiques, comme les kilowattheures d’électricité, les litres de carburant ou les kilomètres parcourus. Cette distinction est importante, car les données basées sur les activités permettent une comptabilité carbone plus précise et plus actionnable.

Sur la base de l’activité détectée et des données extraites, le modèle sélectionne un facteur d’émission approprié. C’est une tâche complexe, car il existe des milliers de facteurs d’émission possibles, avec des niveaux de spécificité variables, et il n’y a souvent pas de correspondance évidente – en particulier dans le contexte du Scope 3.

Ce que le modèle sait faire aujourd’hui

Sur la base d’un jeu de données de plus de 200 factures, les performances actuelles du modèle donnent une image réaliste de ce que l’IA peut déjà accomplir :

Les performances ne sont pas uniformes selon les catégories. Le modèle est particulièrement performant pour les émissions du Scope 1 et du Scope 2, comme la combustion fixe, la combustion mobile et l’électricité. Les déplacements professionnels affichent également une précision relativement élevée. Dans ces domaines, la précision dépasse 80 %, ce qui signifie que la majeure partie du travail peut déjà être automatisée.

Les catégories du Scope 3 restent plus difficiles. Des activités comme les biens et services achetés ou le traitement des déchets manquent souvent d’informations claires et structurées, ce qui rend une interprétation cohérente plus difficile.

Pourquoi l’IA se trompe : le contexte plutôt que le volume

Un constat important est que les erreurs proviennent rarement de données quantitatives incorrectes. Dans de nombreux cas, le modèle saisit correctement les volumes, comme la consommation d’énergie ou de carburant.

La principale source d’erreur réside dans l’interprétation du contexte. Cela inclut les situations où le modèle sélectionne un facteur d’émission qui ne correspond pas totalement au contexte spécifique, interprète mal des détails contractuels comme l’électricité renouvelable ou catégorise mal la nature d’une transaction.

Cela met en évidence une limite plus générale des systèmes d’IA actuels. S’ils sont efficaces pour reconnaître des schémas et extraire des informations structurées, ils restent dépendants de la clarté et de l’exhaustivité des données d’entrée.

Cela explique aussi pourquoi le Scope 3 reste plus difficile. Les transactions réelles sont souvent ambiguës, et les factures ne fournissent pas toujours suffisamment de contexte pour lever cette ambiguïté.

Des gains d’efficacité concrets

Malgré ces limites, les gains d’efficacité sont considérables.

Dans l’étude de cas :

Cela ne signifie pas que l’IA produit un résultat final, prêt pour l’audit, sans intervention humaine. Elle génère plutôt une première version structurée du bilan, comprenant les données d’activité extraites et une première sélection de facteurs d’émission.

Le rôle du consultant se déplace alors vers la validation des résultats, la correction des cas particuliers et la garantie de la cohérence.

Ce que cela signifie pour les consultants en durabilité

Pour les consultants en durabilité, l’IA transforme la nature du travail plutôt qu’elle ne le remplace.

Au lieu de consacrer l’essentiel de leur temps à la collecte de données et au traitement manuel, les consultants se concentrent de plus en plus sur la validation, l’interprétation et les choix méthodologiques. Cela comprend la revue des résultats générés par l’IA, le traitement des cas complexes ou ambigus et la garantie que les résultats sont robustes et auditables.

Dans le même temps, les consultants doivent comprendre le fonctionnement des systèmes d’IA, y compris leurs limites et leurs erreurs typiques. C’est essentiel pour préserver la qualité et la crédibilité des résultats de comptabilité carbone.

Conclusion

L’IA appliquée à la comptabilité carbone n’est plus théorique. Elle est déjà capable d’automatiser une part importante du processus, en particulier pour les sources de données structurées et les émissions des Scopes 1 et 2.

La principale limite reste le Scope 3, où la disponibilité des données et la complexité contextuelle continuent de freiner l’automatisation.

La tendance générale est claire. La comptabilité carbone évolue vers un modèle hybride dans lequel l’IA prend en charge les processus riches en données, tandis que les consultants se concentrent sur la validation, l’interprétation et la prise de décision.

Compte tenu de la croissance attendue de la demande, cette évolution est nécessaire pour rendre la comptabilité carbone évolutive à l’échelle de toutes les organisations.