Les grands modèles de langage (LLM, de l'anglais Large Language Models) sont des modèles d'intelligence artificielle entraînés sur de très grandes quantités de textes. Ils peuvent produire du texte, répondre à des questions, résumer des documents, traduire ou aider à rédiger. Ils constituent le socle de nombreux assistants conversationnels, mais ne sont ni des bases de connaissances vérifiées ni une garantie d'exactitude.
La plupart des LLM actuels reposent sur une architecture de transformeur : ils apprennent les relations statistiques entre des unités de texte et génèrent une réponse en prédisant successivement les unités suivantes à partir du contexte fourni. Leur entraînement initial peut être complété par un affinage et par des mécanismes d'accès à des sources documentaires. Ils peuvent néanmoins produire des informations plausibles mais fausses, reproduire des biais ou divulguer des données sensibles ; leurs résultats doivent donc être vérifiés et leur utilisation encadrée par une Supervision humaine.
Trois arbitrages structurent l'analyse de double matérialité : (1) coût carbone de l'inférence en Scope 3.1 (souvent > entraînement dès quelques mois d'exploitation) à mettre en regard des gains de productivité ; (2) qualité et licéité du corpus d'entraînement (droit d'auteur, données personnelles, langues sous-représentées) qui conditionne la fiabilité pour un usage ESG multilingue ; (3) dépendance stratégique à un éditeur non-UE, à documenter dans le registre fournisseurs et à couvrir par une clause de réversibilité. Publier ces choix dans la note méthodologique ESRS.
Une banque française utilise un LLM open-source (Llama) pour analyser en masse les rapports de risque et extraire automatiquement les enjeux ESG critiques, réduisant le temps d'analyse de 70 % comparé à une revue manuelle.
Termes connexes (Technologie)
IA fantôme (Shadow AI)
Utilisation non autorisée d'outils d'intelligence artificielle par les employés, contournant les politiques de sécurité, de conformité et de gouvernance de l'entreprise. Ce phénomène représente un risque ESG majeur : fuite de données sensibles, non-conformité RGPD/IA Act, absence de traçabilité et d'audit.
Ingénierie de prompt ESG
Discipline d'optimisation des instructions textuelles (prompts) données aux modèles d'IA pour obtenir des réponses pertinentes, précises et conformes aux exigences du reporting de durabilité. Inclut la structuration des requêtes, l'injection de contexte réglementaire et la réduction des hallucinations.
Hallucination IA
Génération par un modèle d'IA de contenus faux, inventés ou non étayés par les données sources, présentés avec une apparence de certitude. Risque critique pour le reporting ESG où l'exactitude et la traçabilité des informations sont essentielles pour l'audit externe.
Token (unité de traitement IA)
Unité élémentaire de texte traitée par les modèles de langage (environ 4 caractères ou 0,75 mot en français). Le nombre de tokens détermine le coût de calcul, la consommation énergétique et l'empreinte carbone d'une requête IA. Métrique clé pour l'optimisation Green AI.
GPU (Processeur graphique)
Processeur spécialisé dans le calcul parallèle, essentiel pour l'entraînement et l'inférence des modèles d'IA. Les GPU représentent la principale source de consommation énergétique et d'émissions carbone des infrastructures IA, avec des enjeux d'approvisionnement en terres rares et de recyclage.
Récupération de chaleur fatale (data center)
Valorisation de la chaleur résiduelle générée par les serveurs et GPU des centres de données pour alimenter des réseaux de chauffage urbain, des serres agricoles ou des processus industriels. Levier clé d'économie circulaire pour réduire l'impact environnemental net des infrastructures IA.