L’IA au service d’une meilleure compréhension de l’empreinte carbone du numérique

La mesure d’empreinte carbone est devenue en quelques années une étape incontournable des stratégies RSE des organisations : avant d’agir, il est en effet nécessaire d’avoir une vision globale de ses émissions de gaz à effet de serre (GES). La Directive Corporate Sustainability Reporting Directive (CSRD) (s’ouvre dans un nouvel onglet), ou plus récemment l’« Omnibus » (version allégée de la CSRD), va sensiblement renforcer cette dynamique dans les prochaines années en Europe et au-delà.

Les communications environnementales, sur la mesure de GES (ABC, CDP) ou les trajectoires d’entreprises (Science-Based Targets intiative) se multiplient fortement, avec un doublement du nombre de bilans carbone réalisés chaque année.

La mesure de l’empreinte carbone nécessite deux informations clés :

1. Les « données d’activités »
2. Les « facteurs d’émission (FE) » qui permettent leur conversion en équivalent GES

Ces FE peuvent être de 2 types : physiques ou monétaires. Différentes sources de FE monétaires sont disponibles, telles que DEFRA ou BEIS (Royaume-Uni), ou encore l’EPA (États-Unis). En France, la Base Empreinte® de l’ADEME (s’ouvre dans un nouvel onglet) fait office de référence et fournit 185 facteurs d’émission monétaires (à date de juin 2025). Ces modélisations financières reposent sur des moyennes sectorielles ou nationales, construites via une analyse matricielle entre les tableaux entrées-sorties (TES) de la comptabilité nationale et l’inventaire national des émissions de GES.

A noter que les ratios monétaires proposés restent nettement moins précis et fiables que les facteurs d’émissions dits « physiques », basés sur des données d’activités. Pourtant dans les faits, faute de données disponibles, les entreprises recourent encore massivement à ces FE monétaires.

Par ailleurs, aujourd’hui, il est estimé qu’1 entreprise sur 2 sous-estime grandement son empreinte carbone. Le scope 3 est en moyenne sous-évalué de 40 %, tous secteurs confondus, et jusqu’à 60 % dans le secteur de l’IT (Etudes Nguyen et al, 2021 (s’ouvre dans un nouvel onglet) ; Klaaßen et Stoll, 2021 ; Pothin, 2025). Cette sous-évaluation provient principalement d’une mauvaise prise en compte des achats de biens et services dans le scope 3 (Klaaßen et Stoll, 2021 ; Pothin, 2025).

Ainsi, si les organisations ont généralement plus de facilité à quantifier les émissions GES liées aux scopes 1 et 2, la mesure du scope 3 demeure épineuse. Cette complexité s’explique notamment par :

• Un défaut de maturité des FE proposés par les bases de données disponibles (ADEME…).
• Une inhomogénéité des FE construits par les organisations, en particulier sur les activités numériques.

Ces limites peuvent avoir des impacts directs sur les priorités de décarbonation des organisations comme représenté par la figure 1. Le poste associé aux “achats” représente ici 70 % de l’empreinte carbone de l’entreprise A, contre 41 % pour l’entreprise B. Ces différences de proportion s’expliquent par le choix de facteurs d’émission différents.

L’IA comme levier de fiabilisation

L’utilisation des nouvelles technologies, telle que l’IA, offre un nouvel éclairage sur les enjeux de fiabilisation et d’harmonisation des facteurs d’émission monétaires (FEM). C’est en ce sens que Toovalu (s’ouvre dans un nouvel onglet), Aguaro (s’ouvre dans un nouvel onglet) et Wavestone se sont associées pour expérimenter une approche alternative et évaluer l’opportunité d’avoir une modélisation plus fiable des FEM du secteur du numérique.

Quelle est cette approche ?

Cette approche repose sur l’analyse de données financières et comptables de 1 190 organisations internationales (dont 276 entreprises françaises) sur l’année 2022 appartenant aux secteurs des services numériques et du conseil. Ces organisations ont été réparties en 3 catégories selon leurs nomenclatures ® et NAF.

Comment l’IA permet de fiabiliser les FEM moyens proposés ?

Sur la base de ces constats, l’approche suivie dans cette étude vise à réduire ces 3 erreurs (cf. incohérence dans les rapports, périmètres incomplets, exclusion d’activité).

Premièrement, les données environnementales utilisées dans cette étude proviennent de recherches académiques et scientifiques. Ces données sont ainsi issues des recherches de Pothin et al. (« Beyond Reported Emissions: Uncovering Hidden Corporate Carbon Footprints », 2025) et de Klaaßen et Stoll (« Harmonizing corporate carbon footprints», 2021) qui ont examiné l’empreinte carbone d’organisations de divers secteurs d’activité.

Selon ces chercheurs, les données d’empreinte carbone publiées dans des bases de données propriétaires telles que le CDP sont souvent plus fiables et comparables que les reportings issus des rapports RSE. Cela s’explique par l’existence d’un cadre méthodologique commun (par ex. GHG Protocol) et par la possibilité pour des tiers de relever d’éventuelles incohérences. »

Dans un second temps, un recalcul des émissions de GES des organisations a été effectué via l’utilisation d’algorithmes d’IA (Machine Learning et Deep Learning).
Ainsi, en comparant les émissions déclarées poste par poste aux moyennes sectorielles (pondérées par le nombre de salariés pour limiter l’effet volume), une correction à la hausse en cas de forte divergence est appliquée, afin de pallier les omissions et les périmètres incomplets :

• Si un sous-poste pertinent n’est pas mesuré ou déclaré, l’algorithme estime une valeur sur la base d’autres variables (caractéristiques des organisations, facteurs environnementaux, maturité carbone…) et par comparaison avec des organisations similaires.
• De même, lorsqu’une valeur existe mais apparaît trop faible par rapport aux moyennes sectorielles (en intensité), elle est corrigée.

Quels sont les résultats de cette étude ?

Des FEM moyens ont ainsi été construits pour chacune des catégories étudiées en mobilisant le Machine Learning. Les FEM moyens proposés dans le cadre de cette recherche sont présentés ci-dessous :

Suite aux retraitements effectués, les FEM moyens sont finalement assez proches des valeurs suggérées par l’ADEME. Les écarts peuvent notamment s’expliquer par la différence de périmètre géographique couvert par l’approche de l’ADEME et cette étude.

Nous observons également que les moyennes sectorielles des organisations françaises sont meilleures que les moyennes constatées à l’échelle internationale. Cela s’explique par une meilleure intensité carbone du mix énergétique ainsi que par une meilleure maturité et prise en compte des enjeux climat par les organisations basées en France, poussées par les enjeux réglementaires et d’image.

Le taux d’incertitude associé à cette étude est inférieur à 10 %, ce qui représente une amélioration notable par rapport au taux d’incertitude des FEM traditionnels.
Cette réduction de l’incertitude provient principalement de l’échantillonnage, qui permet d’appliquer rigoureusement la loi de Student pour tester la significativité statistique. Les résultats obtenus sont ainsi significatifs au seuil de 1 % (p < 0,01), ce qui indique une très forte probabilité que les corrélations observées ne soient pas dues au hasard.

Quelles sont les forces et limites associées à ce travail ?

Ce travail s’inscrit dans la volonté d’enrichir les réflexions actuelles sur les FEM ; ses « forces» et «limites » sont présentées ci-dessous :

Que conclure de ces travaux ?

Les FEM de l’ADEME peuvent parfois paraitre élevés lorsque comparés directement aux ratios en intensité issus des chiffres publiés par les organisations.

Les résultats de notre traitement via IA permettent de justifier l’approche conservative (approche borne haute) de l’ADEME concernant la valeur des FEM par nature d’activité.

Ces résultats ne remettent pas en cause l’enjeu pour les organisations d’engager leurs principaux fournisseurs dans une démarche de décarbonation, et de s’appuyer sur les estimations desdits fournisseurs pour estimer l’empreinte carbone des services ou produits achetés.
Ils rappellent néanmoins l’importance, à des fins de comparabilité, d’exiger des fournisseurs une transparence sur la méthodologie de mesure utilisée, et l’enjeu de s’assurer de la complétude de leur périmètre de mesure.

Enfin, ce travail s’inscrit dans une logique de production de « communs » : des ressources ouvertes, réutilisables par l’ensemble des acteurs, au-delà des seules organisations productrices des données. Dans cette optique, Wavestone, Toovalu et Aguaro restent à l’écoute de remarques et contributions additionnelles externes afin de prolonger et diffuser largement ces résultats.