En matière de durabilité, on a longtemps marqué des points sur l'intention : un certificat, un rapport annuel, une déclaration dans l'appel d'offres sur la réduction du CO2. Les données sous-jacentes — la consommation d'énergie par processus, l'origine des matériaux, les kilomètres de transport, les flux de déchets — étaient collectées de façon irrégulière, généralement une fois par an, souvent avec des mois de retard. Celui qui avait le meilleur récit gagnait la comparaison, même si ce récit avait légèrement anticipé la réalité.
Cette asymétrie entre l'affirmation et la preuve se déplace dès que la collecte et la traçabilité des données sont elles-mêmes en grande partie prises en charge par l'IA. Les données provenant des systèmes — compteurs d'énergie, plannings logistiques, bons de commande, plans de production — peuvent être consolidées en continu et confrontées à des normes sans que quiconque ait besoin de rédiger un rapport trimestriel. Ce qui reste un travail humain, c'est l'interprétation : cette réduction résulte-t-elle d'un changement structurel ou d'un mois favorable, et quelles exceptions dans les chiffres appellent une explication qu'aucun système ne fournit automatiquement.
Derrière une affirmation de durabilité se cachent trois types de travail, qui ne se déplacent pas au même rythme.
La collecte et la consolidation des chiffres issus des systèmes de mesure, de l'ERP et des données des fournisseurs sont en grande partie des tâches que l'IA peut reprendre : c'est répétitif, structuré et vérifiable par rapport à une norme. Les entreprises qui avaient déjà relié leurs systèmes voient cette partie se transformer le plus rapidement.
L'évaluation de signaux contradictoires — un fournisseur qui, sur papier, respecte la norme mais s'en écarte en pratique, un chiffre de réduction qui ne correspond pas à la hausse de production — est un travail sous contrôle humain : l'IA signale l'écart, une personne évalue s'il est pertinent et pourquoi. Ce contrôle n'est pas décoratif ; il déterminine si un rapport tient la route au moment où un auditeur ou un client pose des questions supplémentaires.
La formulation d'une stratégie de durabilité, le choix de la chaîne à rendre plus durable et à quel rythme, et la mise en balance des coûts face à la réputation restent un travail humain. C'est un choix de gouvernance, pas un calcul.
Le client ne perçoit pas la différence à un chiffre de durabilité plus élevé, mais à la rapidité et à la granularité de la réponse. Un fournisseur qui fait consolider ses données en continu peut, à une question précise — l'empreinte carbone de cette livraison spécifique, pas de toute l'année —, donner immédiatement un chiffre, avec une trace jusqu'à la source. Un fournisseur qui additionne encore cela manuellement une fois par an donne une estimation ou renvoie au dernier rapport.
Dans un processus d'appel d'offres, cette différence pèse plus lourd que le chiffre de durabilité moyen lui-même. Un acheteur qui doit démontrer que sa propre chaîne respecte la réglementation préfère un fournisseur capable de prouver, par expédition, ce qui a été émis, plutôt qu'un fournisseur avec une plus belle moyenne annuelle et aucune donnée sous-jacente.
Le changement va plus vite dans les entreprises où les systèmes source sont déjà structurés : compteurs d'énergie reliés, chaînes de fournisseurs numérisées, codes produits univoques. Dans les entreprises où ces données se trouvent encore dans des feuilles de calcul et des formulaires distincts, l'IA ne peut pas consolider ce qui n'a pas été fourni de manière structurée — là, le travail reste largement manuel, avec le même retard qu'auparavant.
Cela signifie que deux concurrents ayant des ambitions de durabilité comparables peuvent néanmoins présenter un niveau de preuve très différent, non pas parce que l'un est moins durable, mais parce que la base de données de l'un est adaptée à la consolidation automatisée et celle de l'autre non. Pour un acheteur qui compare sur cette dimension, cette distinction est souvent plus importante que le chiffre rapporté lui-même.
La durabilité est rarement isolée dans un appel d'offres. Elle est prise en compte aux côtés de la certification, de la question de savoir si un fournisseur reprend les garanties et les risques via la reprise des garanties et des risques, et d'aspects pratiques comme la facilité de faire affaire. Un fournisseur qui apporte des preuves en matière de durabilité mais reste au niveau de l'affirmation sur ces autres dimensions ne gagne pas automatiquement la comparaison — le score ne compte que si chaque dimension tient la route individuellement.
Savoir si ce contrôle des chiffres et l'interprétation qui en découle fonctionnent déjà ainsi dans votre propre organisation, ou se font encore largement manuellement, est une question qui porte sur le travail réellement transférable à l'IA dans cette entreprise — c'est ce que le scan de travail de FTE TO AI met en lumière tâche par tâche. Ceux qui souhaitent relier cela à une comparaison concrète avec des concurrents trouveront la démarche dans comment noter un concurrent sans faire d'hypothèses et dans comment comparer votre entreprise à des concurrents.
La question de savoir si l'IA joue un rôle dans les décisions relatives au personnel dépasse le cadre de cette réponse : des exigences légales spécifiques s'appliquent à cela, indépendamment de ce benchmark.
Ce qui peut en revanche être répondu ici : sur quoi vous pensez gagner en matière de durabilité, et si cette affirmation tient face à un concurrent. Le contrôle gratuit des dimensions vous permet d'identifier sur quoi vous pensez gagner et montre lesquelles de ces affirmations peuvent être défendues avec des preuves. Le benchmark complet, avec la comparaison sur toutes les dimensions à la fois, est en cours de développement.