Comment les entreprises peuvent gérer l’utilisation de l’IA grâce à la matérialité, la mesure et le reporting
À mesure que l’utilisation de l’IA augmente, la gouvernance des implications environnementales dépend de plus en plus de l’intégration de l’IA dans les évaluations de matérialité, les pratiques de mesure et les systèmes de reporting.
Points clés :
- Traiter l’utilisation de l’IA comme un moteur de durabilité matériel — Intégrez explicitement l’IA dans les évaluations de matérialité financière et d’impact afin de voir où l’IA modifie l’échelle ou la gravité des problèmes existants ou introduit de nouveaux risques ou opportunités.
- Cartographier, mesurer et établir une base de référence de la demande d’IA — Créez un inventaire des situations dans lesquelles l’IA est utilisée et établissez des indicateurs d’utilisation au fil du temps afin de repérer la croissance, la redondance et les points chauds.
- Contrôler l’impact de l’IA par le biais de politiques, de supervision et d’attentes envers les fournisseurs — Établissez des règles pour l’utilisation appropriée de l’IA et des déclencheurs pour un examen supplémentaire avant de l’étendre, et gérez les impacts que l’IA soit interne ou fournie par des fournisseurs.
Bien que l’IA modifie déjà le fonctionnement et la livraison des entreprises, elle exige également des changements dans la conception et la gouvernance des systèmes de durabilité. En effet, une grande partie de l’attention jusqu’à présent s’est concentrée sur l’impact environnemental de l’utilisation de l’énergie, de la consommation d’eau et des défis de la chaîne d’approvisionnement de l’IA.
Cependant, il existe un autre aspect à considérer qui implique l’examen de la manière dont l’IA est elle-même utilisée au sein des organisations. Il est essentiel de comprendre où l’IA est appliquée dans une organisation, à quelle fréquence elle est utilisée et si ces usages sont nécessaires — et surtout, comment et quand les processus de révision sont appliqués.
Intégration de l’IA dans les évaluations de matérialité
Les évaluations de matérialité financière et d’impact fournissent une base pratique pour gouverner l’IA par le biais d’un processus structuré d’identification et de priorisation des impacts significatifs. De nombreux sujets de durabilité influencés par l’utilisation de l’IA — y compris la demande énergétique, les émissions, l’utilisation de l’eau et les effets sur la main-d’œuvre — sont déjà évalués dans les exercices de matérialité existants. Ce qui manque souvent est un examen explicite de la manière dont l’IA modifie les facteurs de ces impacts.
La directive de matérialité de l’International Sustainability Standards Board se concentre sur la matérialité financière, qui est définie par le fait qu’un sujet pourrait raisonnablement influencer les décisions des investisseurs ou d’autres utilisateurs des états financiers. La façon dont l’IA est utilisée au sein des entreprises influence indéniablement les risques et les opportunités auxquels elles sont confrontées et peut certainement affecter la position financière d’une entreprise.
Les fermetures anticipées alignées avec la directive de reporting sur la durabilité des entreprises de l’Union européenne suggèrent que l’IA est généralement abordée dans des sujets plus larges tels que les impacts sur la main-d’œuvre, la gouvernance numérique ou la conduite des affaires, plutôt que d’être identifiée comme une source autonome de dépendances, d’impacts, de risques et d’opportunités. Cela reflète la difficulté d’évaluer les impacts qui sont indirects, cumulatifs et motivés par la demande, ainsi que des sujets dans lesquels les réglementations et les meilleures pratiques évoluent encore.
Intégrer l’IA dans les évaluations de matérialité nécessite d’évaluer si son utilisation modifie l’échelle ou la gravité des impacts existants, introduit de nouveaux risques et opportunités, ou crée des dépendances qui justifient une priorisation.
Gouvernance de la demande d’IA par le biais de politiques
Une fois une base de matérialité pour l’IA déterminée, l’étape suivante de la gouvernance consiste à se concentrer sur le contrôle, principalement par le biais de politiques soutenues par une mesure proportionnée de la demande.
À mesure que l’accès à l’IA s’élargit, elle peut devenir un outil par défaut pour des tâches de routine, augmentant la demande par duplication et cas d’utilisation persistants sans suffisamment de supervision ou de défi. Les politiques peuvent alors établir des attentes pour une application appropriée, des conditions pour évaluer la profondeur par rapport à la valeur de la tâche, et surtout, quelles conditions devraient déclencher un examen supplémentaire avant que l’IA ne soit étendue ou intégrée dans des processus de travail essentiels.
La quantification souligne ces politiques en rendant l’utilisation de l’IA visible au fil du temps et en suivant son impact. Pour la plupart des organisations, le point de départ pour mesurer l’impact de l’IA est d’obtenir une vue cohérente de l’utilisation et de son évolution. Cette détermination de l’échelle soutiendra ensuite l’attribution précise de l’énergie ou des émissions. Comparer des indicateurs précis à l’utilisation permettra aux dirigeants d’établir une base de référence et de soutenir l’identification efficace de la croissance, de la redondance potentielle et de l’impact global.
Gestion de l’impact de l’IA
Là où les organisations possèdent ou exploitent leur propre infrastructure d’IA, la responsabilité de la gestion s’inscrit dans les contrôles opérationnels établis, y compris la décarbonisation de l’approvisionnement en électricité, la gestion de l’utilisation de l’eau de refroidissement, et la supervision des cycles de vie du matériel, tels que le renouvellement, la réutilisation et le recyclage. La gouvernance doit également couvrir explicitement l’entraînement et le réentraînement des modèles, en particulier dans les domaines où une demande concentrée en énergie et en eau peut survenir. En fait, cela devrait être soumis à une planification et à un examen plutôt que d’être traité comme une simple décision technique.
Là où la capacité d’IA est accessible par le biais de fournisseurs externes ou tiers, ces mêmes domaines d’impact doivent être abordés par le biais de politiques et d’une mise en œuvre de pratiques d’engagement des fournisseurs qui lient la divulgation à la prise de décision d’approvisionnement. La gestion sans contrôle direct nécessite l’établissement d’attentes et l’engagement des fournisseurs externes sur l’approvisionnement énergétique, la gestion de l’eau, la gestion du matériel et la transparence concernant les pratiques d’entraînement des modèles et les impacts associés.
Gouvernance de l’IA en tant qu’impact sur la durabilité
Les effets de durabilité de l’IA dépendent de l’efficacité de l’infrastructure, des sources d’énergie et de la gouvernance de son utilisation au sein des organisations. Cela signifie qu’une gestion efficace doit inclure l’évaluation des impacts matériels, la définition de politiques pour la demande et le suivi, la mesure des résultats et la réalisation de rapports transparents.
Traiter l’IA comme une source de durabilité gérée peut mieux aider à atténuer les risques et à garantir que les effets environnementaux et sociaux de l’utilisation de l’IA sont alignés avec la création de valeur.
