Gains :
- Capacité à établir le Scope 3 en hiérarchisant les fournisseurs en fonction des dépenses et du niveau de risque et en faisant la distinction entre les données réelles et les estimations indirectes.
- Lorsque vous signalez les signaux de risque des fournisseurs avec l'intelligence artificielle, traitez-les comme des « signaux à examiner » plutôt que comme des preuves.
- Capacité à gérer des réclamations graves en matière de droits de l'homme et d'environnement grâce à un processus de diligence raisonnable nécessitant une inspection sur le terrain et une confirmation juridique
Pour la plupart des entreprises, la plus grande part de leur impact en matière de développement durable ne réside pas dans leur propre usine mais dans leur chaîne d’approvisionnement. Plus de 80 % de l'empreinte carbone d'une marque de vêtements peut provenir de ses fournisseurs, depuis les fabricants de tissus jusqu'aux expéditions. De même, les risques sociaux les plus graves, tels que le travail des enfants, le travail forcé et les violations de l’environnement, surviennent souvent au plus profond de la chaîne d’approvisionnement. Dans cette unité, vous apprendrez à utiliser l'intelligence artificielle (IA) pour collecter et évaluer les données de la chaîne d'approvisionnement et détecter les risques.
Clarifions deux concepts. Le scope 3, comme nous l'avons vu dans l'unité précédente, concerne les émissions indirectes dans la chaîne de valeur de l'entreprise et constitue généralement l'élément le plus important mais le plus difficile à mesurer. La diligence raisonnable est le processus d'identification, de prévention et de résolution des risques liés aux droits de l'homme et à l'environnement dans la chaîne d'approvisionnement d'une entreprise. Des réglementations telles que la directive européenne CSDDD (Corporate Sustainability Due Diligence Directive) rendent cela obligatoire pour les grandes entreprises.
Le principal défi des données de la supply chain
Vous pouvez mesurer les données de votre propre installation ; Mais on ne peut pas mesurer directement les données de centaines de fournisseurs, il faut leur demander. Cela crée trois problèmes :
- Les données n'arrivent pas ou sont incomplètes. La plupart des petits fournisseurs ne conservent pas de données carbone.
- Les données ne sont pas fiables. Lorsqu’un fournisseur déclare lui-même ses données, il peut y avoir une surestimation ou une sous-déclaration.
- Une supposition (proxy) est requise. Si les données réelles ne sont pas disponibles, une moyenne industrielle ou une estimation basée sur les dépenses est utilisée.
C’est là que l’IA intervient de deux manières : (1) en rédigeant rapidement des enquêtes et des lettres de suivi à envoyer à des centaines de fournisseurs, (2) en structurant des réponses dispersées et en signalant les signaux de risque. Mais aucun chiffre donné par le fournisseur n’est vérifié, aucun signal de risque n’est conclu sans examen humain.
Catégorie Scope 3 (exemple)
Source de données
Méthode typique
Biens/services achetés
Enquête/dépenses auprès des fournisseurs
Données réelles > proxy
Expédition et distribution
Dossiers du transporteur
Distance × charge × facteur
voyage d'affaires
système de voyage
Km/vol × facteur
Utilisation du produit vendu
Données énergétiques du produit
Modèle d'utilisation
déchets
Documents de transfert de déchets
Quantité × facteur
Astuce : Dans le Scope 3, l’estimation « basée sur les dépenses » (autant d’équivalent CO₂ pour 1 000 $ dépensés) est un début rapide, mais approximatif. Lorsqu’un fournisseur fournit des données réelles, utilisez-les ; L'estimation basée sur les dépenses n'est provisoire que s'il n'existe pas de données réelles et doit être marquée comme « estimation/proxy » dans le rapport.
Étape par étape : workflow de la chaîne d'approvisionnement avec l'IA
1. Priorisez les fournisseurs. Vous ne pouvez pas examiner des centaines de fournisseurs de la même manière. Concentrez-vous sur ceux qui présentent des dépenses et des risques élevés (secteur, pays). L’IA peut produire un projet de liste avec cette priorisation.
2. Rédiger une enquête et une demande. Demandez à AI un aperçu clair et facile à remplir de l'enquête sur les données des fournisseurs.
3. Configurez les données entrantes. Mettez les réponses sous différents formats dans un seul tableau ; Marquez les pièces manquantes.
4. Recherchez les signaux de risque. Demandez à l’IA de trouver des candidats « drapeaux rouges » dans les actualités publiques, les enregistrements de violations et les divergences dans les enquêtes ; Mais les humains vérifient chaque signal.
5. Action et poursuite. Établir un plan d'actions correctives et de suivi pour les fournisseurs à risque élevé ; Documentez le processus.
Invite faible/Invite forte
Invite faible :
Calculez l'empreinte carbone de nos fournisseurs.
Aucune source de données, aucune distinction réel/proxy et aucune vérification ; L’IA compose les numéros de fournisseurs.
Invite puissante :
Votre rôle : analyste en développement durable de la chaîne d'approvisionnement. Entrée : 15 noms de fournisseurs, secteur d'activité, montant des dépenses annuelles et données réelles sur les émissions qu'ils fournissent (le cas échéant). Tâche : 1) Pour ceux qui fournissent des données réelles, utilisez ces données. 2) Pour ceux qui n'ont pas de données réelles, écrivez « PROXY basé sur les dépenses requis », NE PAS AJUSTER le numéro ; précisez quel facteur obtenir de la source officielle.3) Priorisez les fournisseurs dans les secteurs à dépenses élevées et à risque élevé. Sortie : tableau (Fournisseur | Industrie | Dépenses | Type de données [réel/proxy] | Priorité | Remarque). Les numéros de procuration seront marqués dans le rapport.
Invite à vérifier les risques liés aux fournisseurs
Mettre en place un échafaudage de sélection des risques pour la liste de fournisseurs suivante. Évaluer pour chaque fournisseur (uniquement sur la base des informations que j'ai fournies, affirmation publique FAUX) : - Risque possible pour les droits de l'homme du pays/secteur (élevé/moyen/faible) - Risque environnemental possible - Incohérence dans les réponses à l'enquête/drapeaux rouges Règle : ajouter la note « vérification requise — aucune source » pour chaque risque ; ne portez pas d'accusations définitives, suggérez simplement des signaux pour enquêter.Liste : [FOURNISSEURS]
L'invite suivante rédige une enquête de demande de données à envoyer aux fournisseurs.
Votre rôle : spécialiste du sourcing durable. Tâche : rédiger une enquête sur les données ESG comprenant 10 questions maximum que les petits/moyens fournisseurs peuvent facilement répondre. Inclure : la consommation d'énergie, le type de carburant, les déchets, le nombre d'accidents de sécurité au travail, l'engagement dans le travail forcé/des enfants. Ton : simple, clair, facile à compléter ; Ajoutez des unités et des exemples à chaque question.
Attention : Ne demandez pas à AI de vérifier un signal de risque concernant le fournisseur (par exemple "travail des enfants") et n'utilisez jamais une réclamation générée par AI comme preuve. Des affirmations aussi graves ne sont confirmées que par une source fiable, une inspection sur le terrain et une procédure judiciaire. L’IA ne produit qu’un « signal à examiner » ; ne juge pas.
trois mini-cases
Cas 1 — Utilisation honnête d’une procuration. Seuls 30 des 200 fournisseurs d'un fabricant de meubles ont fourni des données réelles sur les émissions de carbone. L'équipe a utilisé une estimation basée sur les dépenses pour les 170 autres, mais le rapport indique clairement : « 65 % du Scope 3 est une estimation basée sur les dépenses ». L'auditeur a reconnu cette honnêteté ; si elle avait été cachée, l'assurance aurait pu être refusée.
Cas 2 — Priorisation. Une entreprise alimentaire comptait 480 fournisseurs. L'IA a montré que 80 % des dépenses étaient concentrées chez 40 fournisseurs. L’équipe a concentré son analyse approfondie sur ces 40 ; les ressources n'ont pas été gaspillées et les fournisseurs ayant le plus grand impact ont été signalés avec des données réelles.
Cas 3 — Risque de fausse accusation. Amnesty International a signalé un fournisseur comme étant un « possible travail forcé » ; La raison en était uniquement la moyenne nationale. L'équipe a accepté cela comme un « signal à examiner », et non comme une preuve, et a demandé une inspection sur le terrain. L'inspection n'a révélé aucun problème ; Si le signal de l'IA était considéré comme une preuve, une accusation injuste et un risque juridique surgiraient.
Erreurs courantes
- Accepter les données des fournisseurs sans les vérifier. Les données des fournisseurs auto-déclarées nécessitent une vérification croisée.
- Cacher le proxy. Utiliser des prévisions basées sur les dépenses est une bonne chose ; Ne pas préciser est un problème en audit.
- Examiner tous les fournisseurs de la même manière. L’approvisionnement doit se concentrer sur les fournisseurs à dépenses élevées et à risques élevés.
- Prendre le signal de l'IA pour une preuve. Les allégations de violations des droits de l’homme et de l’environnement sont vérifiées par le terrain et par la loi, et non par l’IA.
- Ignorer complètement le Scope 3. Le plus grand impact est généralement ici ; On ne peut l'ignorer sous prétexte qu'il est « difficile à mesurer ».
En résumé
La chaîne d’approvisionnement est l’endroit où se cache le plus grand impact environnemental et social de la plupart des entreprises ; Les risques liés aux émissions du scope 3 et au devoir de diligence sont concentrés ici. IA ; Il s’agit d’une aide puissante pour la priorisation des fournisseurs, la rédaction d’enquêtes, la structuration de réponses dispersées et le signalement des signaux de risque. Mais les données des fournisseurs ne sont pas incluses dans le rapport tant qu'elles n'ont pas été vérifiées, que les procurations sont clairement indiquées et que les allégations sérieuses sont confirmées par une inspection sur le terrain. L'IA génère des signaux ; L'être humain assume le jugement et la responsabilité.
Tâche de candidature
Préparez une liste de 10 fournisseurs fictifs avec leur nom, leur secteur d'activité et leurs dépenses annuelles ; Ajoutez les données réelles sur les émissions à quelques-unes, laissez la plupart vides. Demandez à l'IA un tableau de priorisation et de type de données via l'invite puissante ci-dessus. Ensuite : (1) vérifier que le nombre de fournisseurs nécessitant une procuration n'est pas rattrapé, (2) sélectionner les 3 fournisseurs les plus prioritaires avec justification, (3) rédiger une courte enquête de données à leur envoyer.
liste de contrôle
- [ ] J'ai hiérarchisé les fournisseurs en fonction des dépenses et du niveau de risque.
- [ ] J'ai utilisé des données réelles ; Pour ceux qui ne l'ont pas, j'ai marqué le proxy.
- [ ] J'ai évalué les données des fournisseurs non pas telles quelles, mais par recoupement.
- [ ] J'ai considéré que les signaux de risque « devaient être examinés » et je ne les ai pas utilisés comme preuve.
- [ ] J'ai prévu une étape d'audit terrain/vérification légale pour les sinistres sérieux.
- [ ] Je n'ai pas sauté le Scope 3 ; J'ai indiqué la portée et le taux d'estimation dans le rapport.
- [ ] J'ai enregistré l'ensemble du processus avec un document de diligence raisonnable.