S'appuyer sur les données et l'IA pour s'affirmer en tant que leader de l'ESG
Entreprises, investisseurs et régulateurs comprennent bien l'avantage d'intégrer les critères Environnementaux, Sociaux et de Gouvernance. Cependant, il y a peu d'accord sur les données à collecter dans ce domaine, et sur la manière dont elles devraient être analysées et publiées.
Le sigle international ESG fait référence aux critères Environnementaux, Sociaux et de Gouvernance pris en compte dans la gestion socialement responsable des Entreprises. Ils permettent de mesurer l’exercice de la responsabilité des entreprises vis-à-vis de l’environnement et de divers protagonistes qui l’entourent : collaborateurs, clients, sous-traitants, partenaires. Dans toute stratégie de développement durable et d’investissement responsable, la performance financière d’une entreprise devient alors étroitement liée à son impact environnemental et social. Bien que les acteurs du secteur s'efforcent de créer des normes/directives internationales pour la publication de résultats ESG, cela ne suffit pas. Pour que l'ESG prenne réellement son envol et ait un impact mondial, les données et l'IA doivent jouer un rôle central dans la collecte, la vérification et l'analyse des performances des critères ESG.
Le greenwashing de l’ESG
Aujourd'hui, les entreprises publient généralement une fois par an leurs rapports ESG qui se composent d'un mélange d’indicateurs et de marketing. Sans capacité à quantifier et à évaluer de manière indépendante des données ESG, l'ESG manque d’une base solide pour une analyse objective. Ce phénomène est bien documenté dans ce que l'on appelle le "Greenwashing", terme désignant les institutions qui trompent les consommateurs/investisseurs sur la performance de leurs objectifs ESG.
Contrairement aux données financières, la publication de résultats ESG n'a pas encore de principes entérinés. Néanmoins, plus de 100 fournisseurs de données ESG sont aujourd’hui au service des entreprises et des investisseurs. De plus, un ensemble de consortiums ont pour objectif de fournir des orientations sur des questions spécifiques relatives à l'ESG. Par exemple, le Network for Greening the Financial System se concentre sur le "E" tandis qu'un ensemble de régulateurs européens travaillent sur des normes de publication ESG complètes.
Bien que ces développements soient appréciables, il faudra des années pour que les normes ESG fusionnent. Cependant, entreprises et investisseurs ne peuvent pas actuellement se permettre le luxe de l’attentisme. Pour s’affirmer en tant que leaders de l’ESG, les entreprises et les marques doivent d'abord résoudre les problèmes fondamentaux de la qualité des informations, de la conformité (les entreprises vont-elles adhérer ?) et de la vérification (est-ce vrai ?). Tout cela commence par les données.
Les données et l’IA viennent combler ces manques
Collecter des données ESG, même en interne, demeure un processus très manuel. Les grandes entreprises publient une variété de données ESG, de la consommation d'eau aux émissions de carbone en passant par le profil démographique du personnel. Chaque point de données est souvent conservé dans des bases de données séparées selon des formats et des schémas différents, sans garantie de haute qualité ou d’exactitude. La centralisation dans un seul data lake, une architecture de stockage cloud moderne, permet d’y remédier. Les entreprises bénéficient alors d’une vue et d’une compréhension en temps réel de leurs propres performances ESG. Cela permet l'autocorrection et l'analyse comparative, améliorant ainsi la conformité à leurs objectifs déclarés et une publication plus fréquente des métriques ESG.
Pour la plupart des grandes entreprises, la vérification ESG consiste simplement à demander aux partenaires de respecter le code de conduite des fournisseurs. Mais comment le vérifier ? L'intelligence artificielle (IA) peut jouer un rôle central dans le processus de vérification en utilisant des techniques allant du traitement du langage naturel (extraction par programmation d'informations à partir d'un texte) à l'analyse graphique (apprentissage de la manière dont différentes entités influencent l'ESG de chacun).
Ainsi, les leaders de l'ESG tireront parti de tous types de données (structurées, non structurées, alternatives) et de l'IA. Tout d'abord, des données alternatives permettront d’obtenir des informations sur l'impact environnemental d'une usine d’appareils spécifique, afin d'analyser les niveaux de pollution de l'air, la qualité de l'eau des lacs voisins et les dossiers de santé des populations avoisinantes. Puis, des techniques d'IA telles que l’Embedding permettront de voir à quel point les concepts environnementaux sont associés au fabricant dans les médias, permettant ainsi de voir s'il y a un écart entre ce qui est dit et ce qui est fait. Enfin, des simulations de Monte Carlo à l'échelle permettront de voir comment les différentes conditions économiques climatiques pourraient avoir un impact sur la capacité des fabricants à respecter les normes ESG. Chacune de ces étapes peut désormais être réalisée en utilisant les technologies existantes et ne peut être traitée efficacement en ne fournissant aux entreprises que des orientations ou des normes ESG.
Les CEO modernes doivent connaître leurs propres scores ESG, mais aussi savoir comment ils sont perçus par le marché, les consommateurs, les investisseurs, et analyser quels sont les indicateurs de pérennité des contreparties, des fournisseurs et des partenaires. La technologie répond à leur problématique en permettant de faire appliquer les critères ESG que seuls la réglementation ou les fournisseurs de données ne peuvent régir. L’automatisation du processus de collecte de données pour l'ESG et l'utilisation de l'AI pour l’analyser permettent des rapports plus fréquents et une vérification des publications ESG, obligeant ainsi les sociétés à rendre des comptes.