Extension de la méthode ESRS de double matérialité aux systèmes d'intelligence artificielle : identifier d'une part les impacts, risques et opportunités (IRO) que l'IA déployée fait porter à l'environnement (énergie, eau, matériaux) et aux personnes (travailleurs, clients, société), et d'autre part les risques financiers que ces enjeux font peser sur l'entreprise (conformité AI Act, réputation, dépendance fournisseur, obsolescence). C'est aujourd'hui le pont méthodologique le plus opérationnel entre CSRD et EU AI Act.
La double matérialité appliquée à l'IA constitue un enjeu central pour l'identification et la gestion des risques et opportunités ESG liés aux systèmes d'intelligence artificielle, couvrant aussi bien l'empreinte environnementale (consommation énergétique, e-déchets) que les impacts sociaux (biais algorithmiques, surveillance, conditions de travail) et de gouvernance (transparence, Supervision humaine).
Une entreprise intègre à sa DMA un IRO spécifique : « Déploiement massif de LLM » — impacts positifs (productivité), négatifs (Scope 3.1 compute, biais RH, dépendance hyperscaler), risque financier (amende AI Act jusqu'à 7 % du CA mondial). L'IRO est jugé matériel et fait l'objet d'objectifs quantifiés dans les ESRS E1, S1 et G1.
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.