Ensemble des informations publiques exigées par les ESRS/CSRD sur les impacts, risques et opportunités (IRO), incluant la méthodologie de double matérialité, les périmètres, les hypothèses, l'usage de proxies, les incertitudes et les preuves sous-jacentes. Elles s'articulent avec les obligations de transparence de l'AI Act (Art. 13, 50 et 52) lorsque des systèmes IA participent au reporting.
Les divulgations de transparence sont le principal garde-fou contre le Greenwashing et l'AI-washing : elles conditionnent la crédibilité auprès des investisseurs, l'obtention d'une opinion d'assurance et la conformité aux exigences ESMA. Lorsque l'IA intervient dans la production des informations (extraction, agrégation, rédaction), les enjeux clés sont la traçabilité des données, la robustesse et l'auditabilité des modèles, la Supervision humaine, la gestion des biais et la documentation des limites méthodologiques (proxies, data gaps).
Une ETI cotée publie en annexe de son rapport de durabilité la liste des indicateurs ESRS produits avec l'aide d'un modèle IA (extraction de factures énergie, classification d'événements S1), la méthode de contrôle humain associée, les taux d'erreur mesurés et les proxies utilisés pour les Scope 3 non collectés. Ces éléments sont revus par le commissaire aux comptes dans le cadre de l'assurance limitée.
Termes connexes (Reporting/Finance)
ESRS 1 – Exigences générales
Norme ESRS traitant des caractéristiques qualitatives et méthodologie pour le reporting de durabilité.
ESRS 2 – Informations générales
Norme ESRS dédiée aux IRO (Impacts, Risques et Opportunités) et au lien avec le modèle d'affaires.
EFRAG IG 1 – Guide d'implémentation matérialité
Guidance EFRAG sur la conduite des évaluations de matérialité. Référentiel : EFRAG IG 1 (mai 2024).
Qualité des données ESG
Qualité et fiabilité des données ESG utilisées pour le reporting et l'analyse. L'IA peut aider à détecter les incohérences et améliorer la qualité.
Automatisation du reporting
Utilisation de l'IA pour collecter, traiter et formater automatiquement les données nécessaires aux rapports de durabilité CSRD/ESRS.
Données de substitution
Données secondaires ou estimations utilisées pour remplacer les données primaires lorsque celles-ci sont indisponibles, incomplètes ou trop coûteuses à collecter. Dans le contexte ESG, les proxies permettent d'estimer des impacts environnementaux ou sociaux en s'appuyant sur des moyennes sectorielles, des ratios financiers ou des facteurs d'émission standardisés. La CSRD exige une transparence sur leur usage : nature du proxy, source, justification et incertitude associée.