Méthodologie du Science Based Targets initiative (SBTi) spécifique aux secteurs de la forêt, de l'utilisation des terres et de l'agriculture. Première méthode scientifique à intégrer les émissions et absorptions liées à l'utilisation des sols dans les objectifs climatiques des entreprises. Obligatoire pour les entreprises avec ≥20% d'émissions FLAG.
L'application du SBTi FLAG représente une opportunité majeure pour les entreprises d'intégrer pleinement les risques et opportunités liés à l'utilisation des terres et à la biodiversité dans leur stratégie climatique, allant au-delà des émissions énergétiques et prévenant le Greenwashing en exigeant une comptabilisation rigoureuse des puits de carbone.
Un groupe agroalimentaire avec 45% d'émissions FLAG utilise un modèle IA pour optimiser ses objectifs de réduction : l'algorithme analyse les données satellite de déforestation, les pratiques agricoles de 3 000 fournisseurs et modélise des scénarios de transition alignés sur 1.5°C.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.