Gains :
- Être capable de distinguer où l'intelligence artificielle fait gagner du temps dans le flux de travail environnemental (comptabilité, surveillance, reporting, conformité) et où les décisions en matière de facteurs d'émission, de portée et de réclamation sont laissées aux humains, en fonction du niveau de risque.
- Capacité à appliquer une discipline qui vérifie chaque sortie numérique avec des étapes de vérification unitaire, source et indépendante
- Comprendre pourquoi les faux facteurs d’émission, la confusion des unités de portée et le langage du greenwashing sont des risques qui doivent être pris en considération pour cette profession dès le début.
La gestion environnementale consiste à mesurer, réduire et documenter de manière crédible l’empreinte laissée par une organisation sur l’air, l’eau et le sol. La règle la plus cruelle de toutes est que si un chiffre est erroné, un facteur d’émission inexact ou une affirmation non fondée, le rapport tout entier s’effondre – et il y a maintenant un nom pour cet effondrement : le greenwashing, lorsqu’une organisation donne à sa performance environnementale une apparence meilleure qu’elle ne l’est en réalité. Une pénalité réglementaire, une atteinte à la réputation ou un procès contre un investisseur pourrait découler d'un seul numéro non confirmé. C'est pourquoi l'utilisation de l'intelligence artificielle (IA) dans les affaires environnementales et climatiques nécessite de la discipline.
Dans cette unité, vous apprendrez où les outils que nous appelons les grands modèles de langage (LLM - un type d'IA qui produit du texte de manière statistique, avec la logique du « prochain mot le plus probable ») font réellement gagner du temps dans le travail environnemental, où ils sont dangereux et comment vérifier chaque sortie.
Tout d’abord, un concept critique : l’hallucination se produit lorsque l’IA produit des informations qui ne sont pas réellement vraies, en toute confiance, comme si elles étaient vraies. Dans le domaine environnemental, ceci ; Vous pouvez rencontrer cela sous la forme d'un facteur d'émission inventé, d'un texte législatif inexistant, d'une unité incorrecte (kilogramme au lieu de tonnes) ou d'une référence à une étude scientifique inexistante. Le point critique est le suivant : le LLM n’est pas un calculateur, un appareil de mesure ou une base de données réglementaire. Il s'agit d'un générateur de texte qui imite statistiquement les textes qu'il voit dans les données d'entraînement. Cela donne un résultat raisonnable la plupart du temps ; mais la différence entre « raisonnable » et « vérifié » est essentielle dans le reporting environnemental.
Où l’intelligence artificielle fonctionne-t-elle et où ne fonctionne-t-elle pas dans les affaires environnementales ?
Considérez l’IA comme un partenaire de rédaction rapide, de conservation et d’analyse des données : précieux mais essentiel à la validation. La distinction suivante constitue l'épine dorsale de ce module.
Quête
Apport de l'IA
Responsabilité de l'expert
Calcul de l'empreinte carbone
Configure des formules, écrit du code Python
Confirmation du facteur d'émission de la source
Analyse des données satellite/capteur
Génère un brouillon de code et des commentaires
Confirmer l'authenticité de la mesure et de l'étalonnage
Projet de rapport ESG
Crée le squelette du texte et du tableau
Prouver chaque affirmation avec des données
Résumé législatif
Simplifier un texte complexe
Confirmation de l'article du texte officiel actuel
Scénario de risque climatique
Recommande un cadre de scénario
Vérification des hypothèses et des limites des données
Optimisation des déchets/eaux
Fournit un modèle et une ébauche de proposition
Vérification de l'applicabilité sur le terrain
Règle générale : utilisez l'IA pour trouver le chemin d'accès au numéro, écrire du code, organiser les données et générer des brouillons, pas le numéro lui-même ; Vérifiez chaque résultat numérique et chaque affirmation factuelle à partir d’une source indépendante et fiable (base de données des facteurs d’émission, législation gouvernementale, mesure calibrée).
Trois pièges mortels de l’IA dans les affaires environnementales
1. Ajustement du facteur et du coefficient d’émission. L’IA peut « remplir » un facteur d’émission dont elle ne se souvient pas (la quantité de gaz à effet de serre rejetée par unité de carburant ou d’activité) avec un nombre qui semble raisonnable. Une intensité carbone incorrecte pour un kWh d’électricité perturberait l’ensemble de l’inventaire.
2. Confusion entre l’unité et la portée. IA ; kg en tonnes, CO₂ en CO₂e (équivalent dioxyde de carbone — l'effet thermique de différents gaz à effet de serre convertis en une unité commune) peuvent se déplacer silencieusement entre le scope 1 et le scope 3. Le résultat semble numériquement raisonnable, mais il est faux.
3. Un langage qui produit du greenwashing. L’IA génère facilement des déclarations hyperboliques non prouvées telles que « respectueux de l’environnement », « neutre en carbone », « 100 % durable ». Ces déclarations comportent désormais un risque juridique dans de nombreux pays. Nous aborderons cela en profondeur dans l’unité 11.
Astuce : abordez chaque résultat numérique de l'IA avec trois questions : (1) Quelle est son unité (kg, tonnes, CO₂ ou CO₂e) ? (2) La source est-elle connue et à jour ? (3) Comment puis-je vérifier cela indépendamment ? Ces trois questions attrapent dans l’œuf la grande majorité des erreurs environnementales.
Étape par étape : un flux de travail d'IA respectueux de l'environnement
1. Définissez la tâche avec sa portée et son unité. Au lieu de « Calculer mon carbone », dites « Calculer les émissions issues de la combustion de gaz naturel de portée 1 pour 2024 en tonnes de CO₂e avec la consommation en m³ et le facteur d'émission officiel ».
2. Indiquez la méthode et la norme. Selon quel protocole ? Protocole GES ou ISO 14064 ? Dire la norme garantit que le résultat est auditable.
3. Demandez la source, interdisez la fabrication. Dites explicitement à l'IA de fournir le facteur d'émission avec sa source, et si elle ne le sait pas, "vérifiez-le auprès d'une source officielle".
4. Vérifiez en exécutant le code. Confirmez le compte avec un exécutable Python. Un code déterministe (donne toujours le même résultat exact à la même entrée) est beaucoup plus fiable que le décompte de LLM.
5. Vérifiez les faits et les affirmations. Facteurs d’émission, clauses réglementaires, valeurs cibles – vérifiez-les tous à partir d’une référence fiable (GIEC, tableaux de facteurs DEFRA/EPA, journal officiel).
trois mini-cases
Cas 1 — Facteur d’émission fictif. Un expert en développement durable a demandé à AI le facteur d'émission du gaz naturel et a obtenu la réponse : « 2,75 kg CO₂e/m³ ». L'expert a comparé la valeur avec un tableau officiel : la valeur réelle était d'environ 2,02 kg CO₂e/m³. La valeur de l'IA a augmenté de 36 %. Pour une consommation de 500 000 m³, cela signifiait un surplus imaginaire de stock d’environ 365 tonnes de CO₂e. Sans vérification, l’intégralité du rapport serait fausse. Temps perdu : 4 minutes.
Cas 2 — Confusion de la portée. Un analyste a demandé à l'IA l'empreinte totale de l'entreprise. AI a mélangé l'électricité achetée (Scope 2) et les émissions de la chaîne d'approvisionnement (Scope 3) en un seul « total », tout en ne prenant en compte qu'un seul élément du Scope 3. Lorsque l'analyste a appliqué la séparation des scopes du GHG Protocol, il s'est rendu compte que le rapport aurait dû montrer chaque scope séparément et que le Scope 3 manquait. La correction était une condition préalable à la réussite de l'audit.
Cas 3 — La vérification a sauvé la réputation. Une équipe de communication a demandé à AI une copie marketing d'un produit ; AI a suggéré « un impact totalement neutre en carbone et nul sur l’environnement ». L'équipe s'est rendu compte qu'elle ne disposait d'aucune donnée sur le cycle de vie ni d'aucune documentation de compensation vérifiée pour le prouver ; a remplacé la déclaration par une phrase avec des preuves telles que « nous avons réduit les émissions de production de 18 % d'ici 2023 (vérification indépendante : X) ». Ce changement a empêché dès le départ une éventuelle enquête sur une publicité trompeuse.
Invite faible/Invite forte
Invite faible :
Calculer l'empreinte carbone de mon entreprise.
Pourquoi c'est faible : pas de portée, d'unités, de méthodes et de données. L’IA comble les lacunes grâce à la fabrication ; La sortie ne peut pas être contrôlée.
Invite puissante :
Votre rôle : spécialiste de l'inventaire des gaz à effet de serre. Calculez le Scope 1 selon le GHG Protocol. Données : consommation de gaz naturel 480 000 m³, diesel 12 000 L. Je donnerai le facteur d'émission ; N'inventez PAS le facteur, laissez plutôt une étiquette [FACTOR] et écrivez d'où il doit être extrait. Faites le calcul en tonnes de CO₂e avec du code Python exécutable. Donnez les résultats sous forme de tableau par carburant et au total.
Quatre modèles copiables
1) Calcul avec portée et clarté des unités :
Votre rôle : expert en inventaire carbone. Calculez l'activité suivante : [activité].Standard : GHG Protocol. Indiquer clairement le périmètre (1/2/3).Unité : tonnes CO₂e. Je vais donner le facteur d'émission ou vous pouvez indiquer la source et laisser la balise [FACTOR] ; AJUSTEMENT.Vérifiez le calcul avec le code Python exécutable.
2) Confirmation des facteurs/données :
Écrivez le facteur d’émission et l’unité pour [carburant/activité]. Indiquez la source (par exemple GIEC, DEFRA, tableau officiel local) et l'année. Si vous ne connaissez pas la valeur exacte, dites « vérifier à partir du tableau officiel » et NE CONVIENT PAS. Si la valeur varie selon les sources, indiquez-le.
3) Filtre de greenwashing :
Consultez l’allégation environnementale ci-dessous. Pour chaque phrase, demandez : (1) Est-ce mesurable ? (2) Existe-t-il des preuves/données ? (3) Est-ce vague (comme « écologique ») ? Signalez les déclarations qui manquent de preuves ou sont exagérées et suggèrent une alternative mesurée et fondée sur des preuves. Réclamation : [ici]
4) Vérifier mon propre compte :
Vous trouverez ci-dessous mon calcul d'émission. Vérifiez chaque étape, unité et classe de portée. Vérifiez la cohérence de l’unité (kg↔tonne, CO₂↔CO₂e) et le caractère raisonnable du facteur. S'il y a une ERREUR, indiquez quelle ligne et pourquoi. Création d'un nouveau compte ; regarde le mien : [ici]
Erreurs courantes
- "Rappeler" à l'IA le facteur d'émission. Les facteurs varient selon le pays, l'année et le carburant ; prenez toujours la photo sur la table.
- Portées de mixage. Le scope 1 (direct), le scope 2 (énergie achetée) et le scope 3 (chaîne de valeur) doivent être déclarés séparément.
- Assimiler CO₂ à CO₂e. Les gaz tels que le méthane et le protoxyde d’azote sont beaucoup plus puissants que le CO₂ ; tout doit être converti en CO₂e.
- Mettre une affirmation sans preuve dans le texte. Des expressions telles que « neutre en carbone » constituent des risques juridiques sans données ni documentation vérifiées.
- Accepter le numéro sans l'exécuter. Fournissez toujours le total LLM renvoyé via le code ou manuellement.
Attention : Les données environnementales ne contiennent souvent pas de secrets personnels ou commerciaux ; mais les accords avec les fournisseurs, les chiffres de production au niveau de l'usine et les données des clients peuvent être confidentiels. Vérifiez la politique de votre entreprise avant de les coller dans des outils d'IA publics. Nous aborderons la question de la vie privée dans l’unité 11.
En résumé
L'IA dans l'environnement et le climat ; est un assistant puissant qui écrit du code, organise les données, génère des brouillons et résume, mais ce n'est pas un appareil de mesure, une calculatrice ou une ressource réglementaire. La confirmation des facteurs d'émission, de la portée et de l'exactitude des unités, la justification des allégations et la prévention du greenwashing relèvent de la responsabilité de l'expert compétent. Chaque chiffre doit être basé sur une source, chaque affirmation doit être basée sur des preuves.
Tâche de candidature
Choisissez une activité environnementale de votre propre organisation (ou un exemple hypothétique), par exemple la consommation mensuelle de gaz naturel d'une installation. Demandez à l'IA de calculer à l'aide du modèle 1 ci-dessus, mais laissez le facteur d'émission vide. Recherchez ensuite le facteur dans un tableau officiel et remplacez-le. Enfin, avec le 3ème modèle, faites vérifier le texte de communication d'une phrase que vous rédigerez pour cette activité pour le greenwashing. Comparez les trois impressions sur une seule page.
liste de contrôle
- [ ] J'ai défini la tâche par portée (1/2/3) et unité (tonnes de CO₂e).
- [ ] Je n'ai pas adapté l'IA au facteur d'émission ; Je l'ai confirmé de la source.
- [ ] J'ai provisionné le compte via un code exécutable ou manuellement.
- [ ] J'ai fait la bonne distinction entre CO₂ et CO₂e et kg et tonnes.
- [ ] J'ai fait correspondre chaque affirmation du texte avec des preuves, nettoyant ainsi le langage exagéré.
- [ ] J'ai vérifié la politique avant de coller les données secrètes dans l'outil d'IA ouvert.