AI pour ESG et la mesure d’impact : données, vérification et reporting

Introduction

Les informations de durabilité ne deviennent utiles à un investisseur que lorsqu'un décideur peut rattacher un chiffre déclaré à un indicateur défini, à une population délimitée, à des enregistrements sources, à des transformations, à des contrôles et à une approbation engageant la responsabilité. L’intelligence artificielle peut accélérer certaines étapes de cette chaîne. Elle peut extraire des relevés de compteurs et des clauses contractuelles, classer des éléments probants, rapprocher des unités incohérentes, identifier des anomalies, estimer des valeurs manquantes selon une méthode approuvée, suivre des observations satellitaires et rédiger des commentaires liés aux sources. Chaque capacité crée une nouvelle exigence de contrôle, car le modèle peut aussi obscurcir la provenance, propager des erreurs de périmètre, surestimer la précision et produire un texte fluide non étayé par des preuves.

Cet article développe un modèle opérationnel conditionné par les preuves pour les investisseurs en infrastructures et en infrastructures numériques, avec les directeurs des investissements de family offices et les responsables des investissements alternatifs comme public secondaire. L’article traite des actifs physiques, des sociétés de projet, des fonds, des investissements directs et du reporting de portefeuille. Sa question principale est pratique : comment une équipe d’investissement peut-elle utiliser AI pour améliorer ESG ainsi que la mesure, la vérification et le reporting d’impact, tout en préservant l’intégrité requise pour les décisions d’investissement, les covenants de prêteurs, les informations réglementaires et l’assurance indépendante ?

Les normes applicables fournissent différents prismes décisionnels. IFRS S1 et IFRS S2 portent sur les risques et opportunités liés à la durabilité pertinents pour les fournisseurs de capitaux [1,2]. GRI porte sur les impacts d’une organisation sur l’économie, l’environnement et les personnes [9]. ESRS combine la matérialité financière et la matérialité d’impact, avec une taxonomie numérique pour le reporting structuré [11-13]. PCAF traite des émissions financées [7]. TNFD traite des dépendances, impacts, risques et opportunités liés à la nature [10]. ICMA, IFC et IRIS+ fournissent des disciplines de reporting d’impact et de gestion de l’impact [16-18]. Ces prismes peuvent partager des preuves. Leurs définitions, périmètres, tests de matérialité et allégations doivent rester distinguables.

La proposition centrale est que AI doit fonctionner à l’intérieur d’un graphe de preuves plutôt que de devenir la preuve. Un enregistrement d’indicateur doit identifier le critère applicable, l’entité déclarante, le périmètre de l’actif, la période, l’unité, la source, la transformation, l’incertitude, le réviseur, l’approbation et la destination de publication. La sortie du modèle doit préserver les citations vers ces enregistrements. Un vérificateur doit pouvoir reproduire le calcul sans s’appuyer sur un commentaire généré.

L'analyse examine 30 normes principales, publications officielles de régulateurs et sources intergouvernementales disponibles jusqu'au 1er août 2026. Elle développe une architecture Matchpoint originale, un contrat de métrique, un catalogue de contrôles, des scénarios travaillés et une feuille de route d'adoption sur quatre-vingt-dix jours. Les scénarios travaillés sont explicitement des hypothèses de modélisation à caractère hypothétique. Ils ne représentent pas les clients de Matchpoint, des économies réalisées, une performance d'investissement ou des informations soumises à assurance.

Le périmètre de décision « et »

investisseurs en infrastructures

les investisseurs allouent des capitaux à l'énergie, aux transports, aux services publics, aux centres de données et à d'autres infrastructures d'actifs réels. Leurs informations de durabilité sont étroitement liées aux opérations physiques. Les compteurs d'électricité, les relevés de carburant, les systèmes d'eau, les calendriers de construction, les permis environnementaux, les facteurs de réseau, les spécifications des équipements, l'activité des locataires et les observations géospatiales peuvent tous contribuer à un indicateur déclaré. Un même actif peut étayer plusieurs décisions : l'évaluation d'acquisition, le financement de projet, le suivi des covenants, l'amélioration opérationnelle, la valorisation, l'assurance, la préparation de la sortie et le reporting externe.

La charge de données est donc à plusieurs niveaux. Une société de projet a besoin de contrôles au niveau des actifs. Un gestionnaire de fonds a besoin d'une agrégation cohérente au niveau du portefeuille. Un commanditaire a besoin d'informations comparables et utiles à la décision. Un prêteur a besoin de définitions de covenants et d'éléments probants. Un praticien de l'assurance a besoin d'éléments probants suffisants et appropriés au regard de critères adaptés [8,30]. Un seul tableau de bord généré ne peut pas répondre à ces rôles, sauf si sa traçabilité et ses droits de décision sont explicites.

allocateurs de family office

les allocateurs reçoivent souvent des rapports hétérogènes de la part de gestionnaires, de participations directes et de conseillers. Ils peuvent voir le même concept exprimé selon des périmètres, périodes, unités et méthodes d'estimation incompatibles. Un gestionnaire déclare des émissions électriques basées sur la localisation, un autre déclare des émissions basées sur le marché, un troisième fournit un total en équivalent dioxyde de carbone sans note méthodologique. Un actif détenu en direct déclare des émissions évitées par rapport à un scénario contrefactuel propriétaire. Une société de portefeuille fournit un récit sur les avantages pour la communauté sans éléments probants de référence ni de résultat.

AI peut aider une équipe à normaliser ces ensembles, à rapprocher les indicateurs déclarés d'une ontologie interne, à identifier les éléments probants manquants, à comparer les méthodes et à préparer les questions du comité d'investissement. L'équipe doit conserver la représentation originale du gestionnaire et étiqueter chaque ajustement de l'allocateur. Une normalisation par l'allocateur est une vue analytique. Elle ne devient pas le fait déclaré de la société bénéficiaire de l'investissement ni une mesure faisant l'objet d'une assurance.

Droits décisionnels

AI peut recommander une classification ou identifier une anomalie. Il ne doit pas approuver un périmètre de reporting, certifier une allégation climatique, déterminer la matérialité, signer une conclusion d'assurance ni publier une communication publique. Ces actes engagent la responsabilité institutionnelle.

Normes, matérialité et types d'allégations

Cartographier le prisme décisionnel avant la métrique

IFRS S1 et IFRS S2 établissent une base de référence orientée investisseurs pour les informations financières liées à la durabilité [1,2]. Leur structure couvre la gouvernance, la stratégie, la gestion des risques ainsi que les indicateurs et les objectifs. La taxonomie de publication de durabilité IFRS (IFRS Sustainability Disclosure Taxonomy) prend en charge un étiquetage lisible par machine et est conçue pour fonctionner avec la taxonomie comptable IFRS [3]. Les mises à jour de la taxonomie déclenchées par la modification des informations sur les gaz à effet de serre illustrent la nécessité de mappages soumis à contrôle de version [4].

GRI exige des organisations déclarantes qu'elles identifient les impacts matériels et appliquent des principes, notamment l'exactitude, l'équilibre, la clarté, la comparabilité, l'exhaustivité, l'actualité et la vérifiabilité [9]. ESRS utilise la double matérialité et une taxonomie numérique détaillée [11]. La Commission européenne a adopté les ESRS révisés le 3 juillet 2026 ; le paquet révisé réduit les points de données obligatoires et ajoute une norme volontaire pour les petites entités, sous réserve du processus d'examen de l'UE indiqué [12,13]. Un système de production doit donc enregistrer la version de reporting applicable et la période d'application.

PCAF fournit des méthodes pour attribuer les émissions financées aux activités financières et distingue les inventaires de base des informations facultatives prospectives ou relatives aux émissions évitées [7]. La TNFD organise la publication d'informations liées à la nature autour de la gouvernance, de la stratégie, de la gestion des risques et des impacts, ainsi que des indicateurs et des objectifs [10]. L'ICMA recommande une utilisation transparente des produits et un reporting d'impact pour les obligations vertes [16]. Les principes opérationnels de l'IFC relient l'intention stratégique, la sélection des investissements, le suivi, la sortie et la vérification indépendante [17]. IRIS+ fournit un système pratique de sélection d'indicateurs autour de quoi, qui, combien, de la contribution et du risque [18].

Ces référentiels ne constituent pas une bibliothèque d'indicateurs interchangeable. Ils créent une cartographie des normes.

L’échelle des affirmations

Un système robuste empêche qu’une observation de niveau inférieur soit promue en affirmation de niveau supérieur sans éléments probants. Un compteur intelligent peut établir une lecture de consommation électrique dans les limites de son étalonnage et de sa couverture. Un facteur d’émission peut convertir des données d’activité en une estimation des émissions selon une méthode spécifiée. Une réduction d’une année sur l’autre peut être calculée après vérification de la cohérence des périmètres et des méthodes. Une affirmation selon laquelle une action de gestion a causé la réduction nécessite des preuves supplémentaires. Une affirmation selon laquelle un investissement a généré un impact environnemental nécessite une analyse de contribution et une évaluation des risques d’impact.

L’échelle des affirmations doit être encodée sous forme de transitions autorisées :

1. observation source ;
2. donnée d’activité validée ;
3. indicateur calculé ;
4. comparaison de périodes ;
5. évaluation de l’avancement vers l’objectif ;
6. interprétation du risque ou financière ;
7. déclaration de résultat ;
8. allégation de contribution ou d’additionnalité ;
9. information publiée à l’extérieur.

Chaque transition nécessite un responsable, une méthode et un seuil de preuve. AI peut automatiser certaines parties des transitions un à cinq sous contrôle. Les transitions six à neuf nécessitent un jugement substantiel et une approbation.

Le Contrat d’indicateur ESG

Un enregistrement par version d’indicateur

Le contrat d’indicateur est l’enregistrement opérationnel central. Il sépare le libellé affiché dans un rapport de la définition qui donne son sens au chiffre.

L’identité de la métrique prévient les dérives silencieuses

L’identité de la métrique doit changer lorsqu’une définition importante change. Un nouveau facteur d’émission, un périmètre d’actifs révisé, une méthode PCAF mise à jour, une nouvelle définition de bénéficiaire ou une nouvelle version de modèle doit créer une nouvelle version de la métrique. La politique de retraitement doit préciser si les périodes historiques sont recalculées et comment les deux versions restent consultables.

Un libellé de rapport tel que « énergie renouvelable produite » ne suffit pas. Le contrat doit préciser la production brute ou nette, l’emplacement du compteur, la consommation auxiliaire, le traitement de l’écrêtement, le traitement des exportations, la période de reporting, les lacunes de données et si une estimation a été utilisée. Le mapping AI doit renvoyer l’ID de la métrique et le niveau de confiance avec la valeur extraite. Une valeur sans identité de métrique valide doit entrer dans une file d’exceptions.

La qualité des données est un vecteur

Un score de qualité composite peut masquer la raison pour laquelle un chiffre est faible. Le système doit conserver un vecteur :

• provenance : original, copié, inféré ou obtenu auprès d’une source externe ;
• couverture : part des actifs, du temps ou de la population représentée ;
• complétude : champs requis présents ;
• fraîcheur : décalage entre l’événement, la capture et l’utilisation ;
• méthode : mesure directe, calcul, estimation ou proxy ;
• contrôle : statut de validation et de rapprochement ;
• incertitude : intervalle connu de mesure ou de modèle ;
• assurance : non assuré, revu en interne, assurance limitée ou assurance raisonnable, le cas échéant ;
• comparabilité : cohérence des périmètres et des méthodes entre les périodes ou les actifs.

Les concepts de qualité des données de PCAF montrent pourquoi les données d'émissions financées mesurées et estimées doivent rester distinguables [7]. Les principes de reporting de GRI soutiennent également des attributs explicites d'exactitude, d'exhaustivité et de vérifiabilité [9]. Les allocateurs peuvent utiliser le vecteur pour orienter leur engagement : améliorer la couverture chez un gestionnaire, remplacer les estimations chez un autre et résoudre l'incohérence de périmètre chez un troisième.

Données sources et mesure numérique

Hiérarchie des sources

La hiérarchie des sources doit privilégier les enregistrements les plus proches de l'événement et conserver les observations corroborantes. Exemples :

MRV numérique

La Banque mondiale définit le suivi, la notification et la vérification numériques comme l’utilisation de technologies et de processus numériques pour automatiser la collecte de données, la déclaration des émissions et la génération de résultats d’atténuation [19,27]. Ses orientations de 2025 portent sur l’évaluation des systèmes, l’interopérabilité et les points de contrôle critiques. Le MRV numérique peut connecter des compteurs, des capteurs, des satellites, des applications mobiles, des systèmes cloud et des registres. Les utilisations à des fins de déclaration devraient conserver les enregistrements exigés par les dispositifs de transparence applicables [21]. L’architecture gagne en valeur lorsque les couches physique et numérique sont reliées par des identités, des contrôles et des pistes d’audit cohérents.

Le Système d’alerte et de réponse au méthane du PNUE constitue un exemple opérationnel. En juillet 2026, MARS utilise les données de plus de 30 instruments satellitaires, l’expertise scientifique et des modèles AI avancés pour détecter et signaler aux gouvernements et aux entreprises des émissions de méthane très importantes ; son périmètre s’est étendu au charbon et aux déchets en 2026 [20,28]. L’exemple illustre une observation assistée par AI et extensible. Il montre également l’importance de la documentation des méthodes, de l’attribution des sources, du flux de réponse et de la corroboration. Une alerte satellitaire est un signal de décision dont l’attribution à un actif et la réponse d’atténuation exigent un suivi opérationnel.

Le pont d’identité entre le physique et le numérique

Chaque actif, compteur, projet, entité juridique, instrument de financement et périmètre de déclaration devrait avoir un identifiant stable. Le pont d’identité relie :

• l’entité juridique au fonds et à la période de détention ;
• l’actif à l’emplacement et au périmètre d’exploitation ;
• le compteur à l’équipement, à l’unité et à l’enregistrement d’étalonnage ;
• le document à l’émetteur, à la signature et à la période de validité ;
• l’investissement au montant de financement et au dénominateur d’attribution PCAF ;
• l’enregistrement du bénéficiaire au consentement, au programme et aux règles de déduplication ;
• l’observation géospatiale aux coordonnées, à l’heure, à la résolution et au niveau de confiance.

La résolution d’entités AI peut proposer des liens. Les liens à fort impact ou ambigus devraient nécessiter un examen. Le graphe de preuves devrait conserver les alternatives rejetées et l’approbateur final. W3C PROV fournit un modèle générique utile d’entités, d’activités et d’agents pour une provenance interopérable [26].

L’architecture AI contrôlée

Sept couches

L'architecture cible comporte sept couches :

1. source et identité ;
2. éléments probants bruts immuables ;
3. données validées et normalisées ;
4. calcul déterministe des indicateurs ;
5. services AI encadrés ;
6. espace de travail de revue, d'approbation et d'assurance ;
7. reporting, étiquetage taxonomique et publication d'informations.

La couche brute conserve les fichiers d'origine, les observations et les métadonnées. La couche validée applique les règles relatives aux unités, aux identités, à la date d'arrêté et à la qualité. Les calculs déterministes mettent en œuvre les formules approuvées. Les services AI peuvent ensuite extraire, classer, rapprocher, détecter des anomalies, établir des prévisions ou rédiger à partir d'intrants contrôlés. Les réviseurs voient le résultat généré accompagné des éléments probants cités, de la méthode et des exceptions. Les adaptateurs de reporting associent les versions approuvées des indicateurs à la taxonomie ou au modèle pertinents.

Catalogue de services AI

Le RMF AI du NIST organise la gestion des risques autour des fonctions gouverner, cartographier, mesurer et gérer [22]. Son profil génératif-AI identifie les risques liés à l'intégrité des informations et à la provenance qui sont pertinents pour les rapports publics [23]. L'architecture doit donc inventorier les modèles, consigner l'usage prévu, tester des données représentatives, surveiller les changements et maintenir les processus de gestion des incidents, de dérogation et de mise hors service.

Récupération et citation

La récupération doit s'appuyer sur des lots de preuves approuvés plutôt que sur un univers documentaire non restreint. Chaque segment doit conserver l'ID du document, la version, la page ou l'emplacement, la date d'entrée en vigueur, le libellé de sécurité et la relation avec l'indicateur. Le texte généré doit citer l'extrait de preuve exact ou l'enregistrement de l'indicateur. Les phrases non étayées doivent être bloquées ou renvoyées pour complétion manuelle.

Le système doit distinguer trois états :

• étayé : l'affirmation découle de preuves approuvées ;
• qualifié : les preuves étayent l'affirmation dans le cadre d'une méthode, d'une limite ou d'une incertitude déclarée ;
• non étayé : les preuves sont absentes, contradictoires ou inférieures au seuil requis.

L'interface de rédaction doit privilégier l'abstention plutôt qu'une complétion fluide. Le texte d'un rapport externe ne doit être généré qu'à partir de déclarations étayées ou de déclarations qualifiées approuvées.

Préparation à la vérification et à l'assurance

La vérification est conçue en amont

L'assurance ne peut pas réparer une provenance manquante après publication. Le dossier de preuves doit être créé en même temps que l'indicateur. Il doit inclure le critère applicable, la population source, le résultat d'extraction, les enregistrements rejetés, le journal de transformation, la formule, la version du facteur, le rapprochement, la résolution des exceptions, la validation du réviseur et le rattachement final aux informations à publier.

L'ISSA 5000 s'applique à l'ensemble des sujets de durabilité et des référentiels de reporting appropriés, et prend en charge les missions d'assurance limitée et raisonnable [8,30]. Le système de production ne doit pas qualifier un indicateur d'« assuré » à moins que la conclusion d'assurance ne couvre cette information et cette période. La revue interne, la validation du modèle et l'assurance indépendante constituent des couches de contrôle différentes.

Matrice de suffisance des preuves

Séparation des tâches

Le propriétaire de la source ne doit pas approuver unilatéralement l'indicateur, modifier le modèle et publier l'information. Au minimum, le système doit séparer :

• soumission par la source ;
• préparation de l'indicateur ;
• administration du modèle ou des règles ;
• revue et approbation des exceptions ;
• publication externe ;
• accès pour l'assurance indépendante.

Les modifications privilégiées nécessitent un ticket, un motif, des preuves de test et une date d'entrée en vigueur. Le graphe des éléments probants doit indiquer quelle version a produit chaque information publiée. Une mise à jour du modèle postérieure à la période ne doit pas réécrire silencieusement le dossier d'éléments probants historique.

Mesure des émissions, de l'énergie et des ressources

Inventaire des émissions

Le GHG Protocol fournit des bases comptables pour l'entreprise et la chaîne de valeur [5,6]. Le flux de travail doit établir les périmètres organisationnel et opérationnel avant le chargement des données. Il doit consigner les catégories Scope 1, Scope 2 et Scope 3 pertinentes ; les vues du Scope 2 fondées sur la localisation et sur le marché doivent rester distinctes lorsque cela est requis. Les données d'activité, la source du facteur, le millésime du facteur, la base du potentiel de réchauffement planétaire, la conversion d'unités et le statut d'estimation doivent être traçables.

AI peut extraire la consommation à partir des factures, rattacher les installations aux facteurs du réseau, identifier les périodes manquantes et rapprocher les relevés énergétiques du grand livre ou des systèmes opérationnels. Des règles déterministes doivent réaliser le calcul des émissions. Un facteur généré par un modèle ou une valeur web non documentée est inacceptable. Les mises à jour des facteurs doivent créer une décision de retraitement contrôlée.

Indicateurs opérationnels des infrastructures

La même conception s’applique à l’énergie produite, à l’énergie consommée, à l’eau prélevée, à l’eau rejetée, aux déchets, aux fluides frigorigènes et aux indicateurs d’efficacité des centres de données. Le contexte de l’actif compte. Un centre de données doit relier les factures des fournisseurs d’énergie, la production sur site, les systèmes d’alimentation sans interruption, le refroidissement, les charges des locataires et les systèmes d’eau à des périmètres définis. Un actif renouvelable doit distinguer la production brute, la charge auxiliaire, l’écrêtement et l’énergie exportée.

Un moteur d’anomalies peut signaler une discontinuité. Les équipes d’exploitation doivent déterminer si elle correspond à la performance d’un équipement, à une erreur de compteur, à des données manquantes, à un changement de périmètre ou à une saisonnalité ordinaire. L’enregistrement de l’indicateur doit conserver l’investigation et sa résolution.

Émissions financées

La partie A du PCAF fournit des méthodes pour les émissions financées couvrant les classes d’actifs financiers, notamment le financement de projets et l’immobilier commercial [7]. Un fonds doit relier le montant de l’exposition, le dénominateur d’attribution, les émissions de l’actif et les attributs de qualité des données pour chaque date de reporting. Un répartiteur d’allocation doit conserver si un gestionnaire a fourni des émissions déclarées, une estimation ou une allocation au niveau du portefeuille.

L’agrégation du portefeuille doit éviter les doubles comptages entre structures de détention et périodes. Si un fonds détient un projet via plusieurs véhicules, le graphe de propriété juridique et économique doit résoudre l’exposition une seule fois selon la méthode retenue. AI peut aider à la résolution et à la classification des entités ; les règles approuvées de propriété et d’attribution restent déterministes.

Mesure de la nature, du social et de l’impact

Données probantes liées à la nature

La TNFD recommande de communiquer sur la gouvernance, la stratégie, la gestion des risques et des impacts, ainsi que sur les indicateurs et cibles [10]. Les projets d’infrastructure peuvent affecter les terres, l’eau, les écosystèmes et les communautés à des endroits précis. Les données géospatiales et l’apprentissage automatique peuvent faciliter le criblage des sites, la surveillance de l’occupation des sols et la détection des changements. Leur dossier de preuves doit indiquer la source des images, la date, la résolution, le modèle de classification, la vérité terrain, le traitement des nuages ou des obstructions, l’incertitude et l’interprétation de l’évaluateur.

Un changement d’occupation des sols détecté n’établit pas en soi un lien de causalité, une violation juridique ou un effet financier significatif. Le système doit relier l’observation aux permis, aux limites du projet, aux preuves de terrain et à l’examen des responsables. Les dépendances et impacts sur la nature peuvent nécessiter une expertise métier qu’un modèle général ne peut fournir.

Informations sociales et relatives aux bénéficiaires

Les mesures sociales et d’impact peuvent concerner les travailleurs, les sous-traitants, les clients et les communautés touchées. Le contrat d’indicateur doit traiter la confidentialité, le consentement, la protection, l’échantillonnage, la représentativité et les mécanismes de plainte. La déduplication ne doit pas effacer une participation répétée significative. Les attributs sensibles doivent être soumis à un contrôle d’accès et utilisés uniquement à des fins approuvées.

AI peut coder les réponses aux enquêtes, traduire le texte et identifier les thèmes. L’équipe de recherche doit tester les performances selon la langue, le sous-groupe et la culture. Les résumés générés doivent inclure les points de vue minoritaires et défavorables lorsqu’ils sont significatifs. Un rapport équilibré ne peut pas reposer uniquement sur l’agrégation des sentiments.

Logique d’impact

Les principes opérationnels de l’IFC et IRIS+ soutiennent une chaîne structurée allant de l’intention stratégique à la mesure et à la gestion [17,18]. Le graphe de preuves doit représenter :

• intrant : capital, main-d'œuvre ou ressources engagés ;
• activité : travail réalisé ;
• extrant : produit, service ou capacité fournis ;
• effet : changement vécu par les personnes ou la planète ;
• contribution : rôle de l'entreprise ou de l'investisseur dans ce changement ;
• risque d'impact : probabilité que les effets diffèrent des attentes ou causent un préjudice.

Le système doit enregistrer les effets négatifs et non intentionnels. Le reporting d'impact ne doit pas se limiter à des indicateurs positifs sélectionnés. AI peut surveiller la chaîne et identifier les allégations incohérentes ; la responsabilité de l'impact et les mesures correctives restent du ressort humain.

Reporting, taxonomie et divulgation

Une base de preuves unique, des vues de reporting contrôlées

La couche de reporting doit restituer les versions approuvées des indicateurs sous forme de vues propres à chaque référentiel. Elle doit préserver la relation entre un fait source et chaque correspondance de divulgation. Ainsi, un même enregistrement de consommation électrique peut alimenter un calcul de GES, un KPI opérationnel, un tableau de bord investisseur et une balise de divulgation, tout en maintenant distinctes les méthodes et les types d'allégations concernés.

Le système ne doit jamais déduire une équivalence à partir de simples libellés similaires. Un enregistrement de correspondance doit indiquer :

• identifiant et version de l'indicateur source ;
• référentiel cible, paragraphe, point de données ou élément de taxonomie ;
• transformation ou agrégation ;
• membres dimensionnels tels que la géographie, l'actif, la période ou la catégorie Scope 3 ;
• responsable du mapping et approbation ;
• date d'entrée en vigueur et mapping remplacé ;
• destination du texte ou du tableau de publication.

Les taxonomies numériques IFRS et ESRS montrent comment les balises et les dimensions peuvent faciliter l'extraction et la comparaison [3,11]. Les documents d'accompagnement de la Fondation IFRS fournissent des ressources de mise en œuvre pour l'application des normes ISSB [29]. Un moteur de reporting devrait valider les dimensions requises, le signe, l'unité, le type de période et les faits en double avant publication. La validation de la taxonomie complète l'examen substantiel. Un fait XBRL techniquement valide peut néanmoins être erroné, incomplet ou non étayé.

Contrôles des informations narratives

La rédaction d'informations narratives présente un risque particulier, car une phrase plausible peut laisser entendre plus que ce que les indicateurs établissent. Le registre des allégations devrait contenir le sujet approuvé, le prédicat, les qualificatifs, les identifiants de preuve, les destinations de reporting autorisées ainsi que la date d'expiration ou de réexamen. Les commentaires générés ne devraient utiliser que des allégations enregistrées et des indicateurs approuvés à jour.

Voici des exemples de qualificatifs obligatoires :

• estimé ou mesuré ;
• déclaré par l'entité détenue ou vérifié de manière indépendante ;
• brut ou net ;
• fondé sur la localisation ou sur le marché ;
• empreinte opérationnelle ou émissions financées ;
• extrant ou résultat ;
• attendu ou réalisé ;
• pourcentage de couverture du portefeuille ;
• exclusions significatives ;
• incertitude ou retraitement.

Les orientations de la Commission européenne de juillet 2026 relatives à la loi AI portent sur la transparence de certains contenus d'intérêt public générés par AI à compter du 2 août 2026 [24]. L'applicabilité dépend du système, du rôle et de l'usage. Une revue juridique reste nécessaire. La règle opérationnelle est plus simple : consigner l'implication de AI dans le reporting public, préserver la validation éditoriale humaine et conserver les éléments probants étayant chaque déclaration significative.

Contexte de reporting UAE

Les principes de divulgation du groupe de travail sur la finance durable UAE appellent à des systèmes, des procédures et une gouvernance des données adéquats pour suivre les questions de durabilité et combler les lacunes de données [14]. La réglementation de la CBUAE sur les risques climatiques impose aux institutions financières de développer des capacités de gouvernance, de données, de mesure et de reporting pour les risques financiers liés au climat [15]. Un gestionnaire ou un allocateur travaillant avec des institutions UAE réglementées doit s'attendre à ce que les demandes d'éléments probants dépassent un rapport annuel soigné et portent sur la qualité des données, la méthodologie, l'analyse de scénarios et la gouvernance.

Le moteur de reporting doit donc prendre en charge à la fois les publications externes et des salles de données probantes contrôlées destinées aux prêteurs ou à la due diligence. Les données sensibles sur les actifs peuvent être partagées au moyen d'un accès fondé sur les rôles, de vues expurgées et de téléchargements journalisés. La transparence publique et la sécurité de l'information sont des exigences de conception simultanées.

Le modèle opérationnel avant-après

État actuel fragmenté

Un schéma courant de l'état actuel repose sur des tableurs locaux, des modèles envoyés par e-mail, une revue manuelle des documents, des libellés d'indicateurs incohérents et une préparation narrative tardive dans le cycle de reporting. Les réviseurs demandent des éléments probants après l'agrégation. L'historique des versions réside dans les noms de fichiers. Les retraitements sont difficiles à reproduire. Les équipes de portefeuille passent du temps à rechercher et à ressaisir les données, tandis que les équipes d'assurance reconstituent la lignée des données.

Cet état crée quatre formes de travail invisible :

1. travail d'acquisition : rechercher des fichiers et résoudre les problèmes d'autorisations ;
2. travail sémantique : comprendre les définitions, les périmètres et les unités ;
3. travail de contrôle : identifier les lacunes, les doublons et les incohérences ;
4. travail de présentation : transposer les éléments probants en plusieurs formats de reporting.

Le nombre d'heures ne suffit pas à établir la valeur. Certaines activités relèvent d'un jugement nécessaire. Certaines constituent des reprises évitables. Certaines devraient être réalisées par un expert métier. La base de référence doit classifier le travail avant l'automatisation.

État cible maîtrisé

L’état cible commence par un catalogue de métriques approuvé et un contrat de soumission. Les sources sont intégrées via des connecteurs contrôlés ou des téléversements de preuves. La validation automatisée vérifie l’identité, la période, l’unité, l’exhaustivité et la relation attendue. L’extraction et la classification AI s’opèrent sur des types de documents délimités. Les exceptions sont transmises au responsable désigné. Les calculs déterministes produisent des métriques versionnées. Les réviseurs approuvent les dossiers de preuves. Les adaptateurs de reporting créent des tableaux balisés et des brouillons de commentaires liés aux sources.

Travail humain dans le modèle cible

L'effort humain se déplace vers la méthode, les exceptions, la contestation des éléments probants, l'interprétation métier et la prise de décision. Le modèle opérationnel ne doit pas considérer un brouillon généré comme un livrable accepté. Un lot d'indicateurs n'est accepté que lorsque les sources requises, la validation, la revue et la cartographie des informations à publier sont validées. Un texte narratif n'est accepté que lorsque chaque affirmation importante est étayée, assortie de réserves et approuvée.

Deux exemples illustratifs hypothétiques

Toutes les données d'entrée de cette section sont des hypothèses de modélisation hypothétiques. Les exemples ne décrivent pas les clients de Matchpoint ni des missions observées. Ils illustrent la logique de calcul et de contrôle. Les revenus attribués à Matchpoint ou aux clients, la réduction des coûts de trésorerie, la réduction des pertes et l'alpha restent USD 0.

Scénario A : fonds d'infrastructures numériques

Exemple illustratif : un fonds détient huit actifs d'infrastructures numériques. L'équipe de reporting reçoit les factures de services publics, les exports de compteurs, les échéanciers des locataires, les autorisations environnementales et les dossiers d'exploitation trimestriels. L'équipe prépare des indicateurs d'énergie, d'eau, de Scope 1, de Scope 2 et certains indicateurs de Scope 3, ainsi que des commentaires à l'intention des prêteurs et des investisseurs.

Le pilote limite AI à l'extraction de factures et de documents, à la mise en correspondance des unités, à la détection des périodes manquantes et à la rédaction de narratifs liés aux sources. Les calculs d'émissions, la sélection des facteurs, la validation des périmètres et la publication externe restent déterministes ou sous contrôle humain.

Calcul illustratif. L'équipe modélise 1 056 heures cibles, comprenant 720 heures de préparation, 240 heures de revue et 96 heures d'exception ou d'administration. La capacité brute libérée modélisée est :

1 920 heures de référence - 1 056 heures cibles = 864 heures

Calcul illustratif. La valeur de la capacité de planification est :

864 heures x USD 75 par heure = USD 64,800

Ce montant correspond à une valeur de capacité, et non à une réduction des coûts décaissés. Le scénario ne fournit aucune preuve approuvée de suppression de postes, de dépenses externes évitées ou de contribution au chiffre d'affaires. La réduction des coûts décaissés attribuée est donc USD 0.. Une décision de poursuivre exigerait des avantages en matière de contrôle, de qualité du reporting et de préparation à l'assurance, ainsi que des avantages stratégiques, en plus de toute valeur de capacité observée.

Ces seuils sont des propositions de la direction non vérifiées. Le responsable désigné doit les approuver ou les remplacer en fonction de leur matérialité, de l'utilisation dans le reporting et de la tolérance au risque.

Scénario B : portefeuille de family office

Exemple illustratif : un family office reçoit chaque trimestre des ESG et des dossiers d'impact de la part de dix-huit gestionnaires et de six participations directes. Chaque dossier utilise des modèles différents. L'équipe d'investissement souhaite une vision consolidée de la couverture, des émissions financées, de l'exposition énergétique, des indicateurs d'impact et des controverses, sans modifier les représentations des gestionnaires sous-jacents.

Le flux de travail cible conserve chaque valeur d'origine, le libellé du gestionnaire, la note de méthode et le fichier. AI propose des mappages vers l'ontologie interne et signale les champs manquants pour le périmètre, la période, l'unité, la méthodologie, la couverture ou l'assurance. Un réviseur approuve le mappage. Les calculs de portefeuille utilisent uniquement les mappages approuvés. Le tableau de bord du comité affiche à la fois les vues déclarées par les gestionnaires et les vues normalisées par l'allocateur.

Calcul illustratif. L'équipe modélise 760 heures cibles, comprenant 420 heures de préparation, 260 heures de revue et 80 heures d'exception ou d'administration. La capacité libérée modélisée est :

1 440 heures de référence - 760 heures cibles = 680 heures

Calcul illustratif. La valeur de la capacité de planification est :

680 heures x USD 90 par heure = USD 61,200

Le scénario ne fournit aucune preuve que la capacité est convertie en économies de trésorerie ou en performance d’investissement supérieure. La réduction attribuée des coûts de trésorerie, la réduction des pertes et l’alpha sont USD 0. Le dossier de décision doit inclure les améliorations observées de la couverture des preuves, de la qualité des questions, du cycle de décision et de la fiabilité des contrôles, sans les convertir en valeur financière tant qu’il n’existe pas de preuves causales approuvées.

Limite du scénario

Les deux scénarios démontrent que l’économie de la productivité peut être calculée avant que la valeur ne soit réalisée. Un taux de planification convertit le temps en valeur de capacité. L’attribution des flux de trésorerie, des revenus, des pertes et de l’alpha nécessite des preuves observées supplémentaires. Le programme doit conserver zéro pour ces champs jusqu’à ce que le seuil de preuve soit atteint.

Productivité, qualité et attribution de valeur

Paquets de preuves acceptés

L’unité de productivité principale est un paquet de preuves accepté. Il comprend les enregistrements sources, l’identité de la métrique, la validation, le calcul déterministe lorsque nécessaire, la sortie AI, la résolution des exceptions, l’approbation du réviseur et le mappage des informations à fournir. Compter les champs extraits, les phrases générées ou les appels de modèle récompense l’activité plutôt qu’un résultat utile à la décision.

Utilisez ces mesures :

Productivité des paquets acceptés = paquets acceptés / total des heures rémunérées

Taux d’acceptation au premier passage = paquets acceptés sans retraitement substantiel / paquets examinés

Charge des exceptions = heures de traitement des exceptions / total des heures de flux de travail

Temps de récupération des preuves = minutes du réviseur entre la demande et des preuves suffisantes

Taux d’affirmations non étayées = affirmations importantes non étayées / affirmations importantes examinées

Couverture = population représentée / population requise

Registre de valeur

Le registre doit consigner la fenêtre de référence, la population, la règle d’acceptation, les exclusions de données, le coût de mise en œuvre, le coût d’exploitation, l’effort de revue et le niveau de confiance. La capacité doit rester distincte des liquidités. Une meilleure couverture doit rester distincte de la performance. Une décision d’investissement éclairée par de meilleures preuves ne permet pas d’établir l’alpha.

Jalons de mise en production

1. finalité et critères de reporting approuvés ;
2. catalogue de métriques et périmètre approuvés ;
3. population source représentative testée ;
4. contrôles d’identité, d’accès et de conservation approuvés ;
5. AI l’évaluation est validée par cas d’usage et niveau de risque ;
6. les calculs déterministes se reproduisent indépendamment ;
7. les citations de preuves et les exceptions passent la revue ;
8. revue de préparation à l’assurance réalisée le cas échéant ;
9. le registre de valeur consigne les résultats observés et met à zéro les champs non étayés ;
10. l’autorité responsable approuve une utilisation en production encadrée.

Modes de défaillance

Automatiser des métriques non définies

Un modèle peut extraire parfaitement un nombre et produire malgré tout un rapport erroné lorsque le libellé, le périmètre ou l’unité ne sont pas définis. Complétez le contrat de la métrique avant l’automatisation.

Traiter les résultats de AI comme des preuves

Une explication de calcul ou un texte narratif généré constitue une couche de présentation. Préserver indépendamment les enregistrements sources, la formule et les éléments probants de la revue.

Dérive méthodologique silencieuse

Les facteurs d’émission, les taxonomies, les mappages de portefeuille et les modèles évoluent. Versionnez-les, approuvez les dates d’effet et contrôlez les retraitements.

Donnée manquante représentée par zéro

Zéro est une mesure. Une donnée manquante est un état de données. Le système ne doit jamais remplacer une donnée manquante par zéro sans une méthode d’estimation approuvée et un libellé explicite.

Fausse précision

L’activité estimée, les classifications géospatiales et les prévisions comportent une incertitude. Afficher davantage de décimales n’améliore pas les éléments probants. Communiquer une précision cohérente avec la source et la méthode.

Incohérence de périmètre

Les périmètres des actifs, des fonds, du contrôle financier, du contrôle opérationnel et de la chaîne de valeur peuvent différer. Stocker chaque périmètre et tester la comparabilité avant agrégation.

Double comptage

Les structures de détention, l’attribution des émissions financées, les instruments renouvelables, les crédits carbone et les allégations d’impact peuvent se chevaucher. Utiliser les registres d’identité et de droits pour éviter les inclusions répétées.

Promotion des résultats

Les réalisations peuvent être confondues avec les résultats, et les résultats avec la contribution. Faire respecter l’échelle des allégations et exiger des éléments probants à chaque transition.

Déséquilibre narratif

La rédaction générative peut sélectionner des faits positifs et omettre les effets négatifs, l’incertitude ou les exceptions non résolues. Des tests d’allégations équilibrées et une revue humaine doivent couvrir les éléments probants positifs et négatifs.

Biais des modèles et lacunes de couverture

Les types de documents, langues, zones géographiques, capteurs et groupes de parties prenantes peuvent avoir des performances différentes. Communiquez les performances par sous-groupe et exigez l’abstention en dehors de la couverture validée.

Séparation des tâches insuffisante

Un seul opérateur ne doit pas modifier les mappages, traiter les exceptions et diffuser les informations à publier sans contrôle indépendant. Les privilèges et approbations doivent respecter la conception du contrôle.

Assurance de façade

Un badge interne ou une validation de modèle ne constitue pas une assurance indépendante. Utilisez des libellés précis pour le statut de revue et d’assurance.

Déclarations publiques sans citation

Chaque déclaration externe importante doit renvoyer à une métrique ou à un enregistrement de déclaration approuvé. Le texte non étayé doit rester bloqué.

Shadow AI

Les analystes peuvent utiliser des outils non approuvés pour résumer des rapports confidentiels. Des espaces de travail approuvés, des contrôles de classification des données, un inventaire des modèles et une formation sont requis.

Feuille de route d’adoption à 90 jours

Jours 0-15 : mandat et inventaire

• nommer un sponsor exécutif, les propriétaires des métriques, les propriétaires des données et l’autorité de publication ;
• identifier les cadres applicables, les covenants et les destinations des rapports ;
• inventorier les actifs, les entités, les sources, les modèles et les contrôles existants ;
• sélectionner deux cas d'usage à fort volume et à périmètre délimité ;
• définir les contraintes de confidentialité, de sécurité, d'assurance et de conservation ;
• définir des valeurs nulles dans le registre des valeurs pour les champs financiers non pris en charge.

Jours 16-30 : conception des indicateurs et des éléments de preuve

• construire le catalogue des indicateurs prioritaires et la hiérarchie des affirmations ;
• créer des règles d'identité pour les entités, les actifs, les compteurs, les investissements et les documents ;
• définir la hiérarchie des sources, le vecteur de qualité et la taxonomie des exceptions ;
• concevoir des dossiers de preuves et des calculs déterministes ;
• sélectionner des données de test représentatives, y compris des cas défavorables et de faible qualité ;
• convenir des seuils d'acceptation proposés et des droits de décision.

Jours 31-45 : construction et exécution en mode miroir

• mettre en œuvre une capture immuable des sources et une normalisation contrôlée ;
• configurer les services d'extraction, de mappage et de détection d'anomalies ;
• conserver la version du modèle, le prompt ou la configuration et les citations ;
• exécuter un traitement en mode miroir parallèlement au flux de travail actuel ;
• étiqueter chaque erreur et mesurer l’effort des réviseurs ;
• interdire toute diffusion externe depuis le système miroir.

Jours 46-60 : pilote contrôlé

• déployer un cas d’usage interne auprès d’une population restreinte ;
• exiger une revue des champs importants et de toutes les sorties à faible confiance ;
• mesurer les dossiers acceptés, les reprises, la charge des exceptions et le temps de récupération ;
• réaliser des tests de confidentialité, d’accès, d’incident et de contrôle des modifications ;
• effectuer une revue de préparation à l’assurance ;
• arrêter ou restreindre l’utilisation en cas de non-respect des seuils.

Jours 61-75 : renforcer et cartographier le reporting

• résoudre les causes profondes liées à l’identité, à la définition et à la qualité des sources ;
• approuver les versions des facteurs, des méthodes et des taxonomies ;
• mettre en œuvre les correspondances de divulgation spécifiques au référentiel ;
• ajouter des tests sur le registre des allégations et sur l’appui narratif ;
• documenter les procédures d'exploitation, les solutions de repli et le décommissionnement ;
• relancer l'évaluation représentative après tout changement important.

Jours 76-90 : déploiement à périmètre limité

• approuver le périmètre de production et les opérateurs désignés ;
• maintenir une validation humaine pour les décisions d'appréciation et la communication externe ;
• réaliser un exercice complet de clôture de période ou de cycle de reporting ;
• rapprocher les indicateurs approuvés du support de publication ;
• mettre à jour le registre de valeur avec les éléments probants observés ;
• planifier les revues de dérive, d'accès, de contrôle et d'assurance.

Liste de contrôle de la gouvernance et du contrôle

Registre des allégations et limitations

Propositions étayées

Les normes citées et les documents officiels étayent les propositions suivantes :

• les informations de durabilité destinées aux investisseurs exigent des informations sur la gouvernance, la stratégie, la gestion des risques ainsi que les indicateurs et objectifs [1,2] ;
• les taxonomies numériques permettent un étiquetage structuré et une analyse lisible par machine [3,11] ;
• les méthodes relatives aux émissions et aux émissions financées exigent la définition des périmètres, des facteurs, de l'attribution et de la communication sur la qualité des données [5-7] ;
• l’assurance de durabilité exige des critères appropriés, des éléments probants et une performance d’engagement rigoureuse [8,30] ;
• la mesure d’impact doit distinguer l’intention, les réalisations, les résultats, la contribution et le risque [17,18] ;
• le MRV numérique peut intégrer des capteurs, des satellites, AI et des registres, avec des exigences d’interopérabilité et de contrôle [19,20,27,28] ;
• la gestion des risques liés à AI exige gouvernance, mesure, tests, surveillance et documentation [22,23,25] ;
• UAE les cadres de durabilité du secteur financier mettent l’accent sur les systèmes, la gouvernance des données, la mesure des risques et le reporting [14,15].

Allégations non étayées

Cet article n’établit pas qu’un programme AI réduit le coût de trésorerie d’une organisation donnée, augmente les revenus, prévient les pertes, améliore les rendements des investissements ou produit de l’alpha. Il n’établit pas l’assurance, la conformité réglementaire ou l’additionnalité d’impact pour un actif ou un portefeuille quelconque. Ces conclusions exigent des éléments probants observés et approuvés dans le périmètre pertinent.

Limites empiriques

Cet article est un cadre opérationnel piloté par les normes. Il ne s’agit pas d’une étude statistique de la performance de AI, du coût du reporting de durabilité ou des résultats d’investissement. Les deux scénarios sont des hypothèses théoriques de modélisation. Les seuils pilotes proposés exigent l’approbation du propriétaire et un calibrage empirique.

Limites réglementaires et professionnelles

Les obligations de reporting et liées à AI varient selon l’entité, la juridiction, l’instrument et la date d’entrée en vigueur. L’UE et d’autres cadres continuent d’évoluer. Cet article ne constitue pas un conseil juridique, réglementaire, comptable, d’audit, d’assurance, fiscal, environnemental, d’ingénierie ou d’investissement. Des professionnels qualifiés doivent déterminer l’applicabilité et la validation.

Limites techniques

L’extraction, la classification, la résolution d’entités, la détection d’anomalies, l’analyse géospatiale, la prévision et la génération peuvent échouer. La performance peut varier selon le type de source, la langue, la géographie, la version du modèle et le contexte opérationnel. La revue humaine, les contrôles déterministes et les procédures de repli restent nécessaires.

Limites des données

Les données relatives aux infrastructures et aux actifs privés peuvent être incomplètes, retardées, estimées ou confidentielles. L’agrégation de portefeuille peut masquer les variations au niveau des actifs. Les facteurs externes et les taxonomies évoluent. Le graphe de preuves doit conserver toutes les limites plutôt que de les gommer.

Conclusion

AI peut améliorer ESG et la mesure d’impact lorsqu’il est placé dans un système de preuves contrôlé. Le système commence par le prisme décisionnel, les critères, l’identité de la métrique, le périmètre et la provenance des sources. Il utilise un calcul déterministe pour des métriques reproductibles. Il attribue à AI des tâches encadrées avec évaluation représentative, abstention et surveillance. Il fournit aux réviseurs un dossier de preuves, préserve les droits de décision et ne fait correspondre que les faits approuvés aux taxonomies et narratifs de reporting.

Pour les investisseurs en infrastructures, la priorité est le lien entre les actifs physiques, les observations numériques, la propriété financière et la publication d’informations. Pour les allocateurs de family office, la priorité est la préservation des éléments probants déclarés par les gérants parallèlement à une normalisation interne transparente. Les deux audiences ont besoin de vecteurs explicites de qualité des données, d’échelles d’allégations et d’un statut d’assurance.

La discipline commerciale est tout aussi stricte. Mesurez les dossiers de preuves acceptés et l’effort observé du flux de travail. Préservez les coûts de mise en œuvre et d’exploitation. N’attribuez les liquidités, les revenus, la réduction des pertes ou l’alpha qu’après approbation et observation du pont causal. D’ici là, le registre de valeur enregistre USD 0 pour ces champs.

Le résultat est un modèle opérationnel dans lequel AI soutient un travail sur les éléments probants plus rapide et plus cohérent, tout en maintenant la responsabilité visible. C’est la base d’une information de durabilité de qualité investissement.

Références

[1] Fondation IFRS. 2023. IFRS S1 Exigences générales en matière de communication d’informations financières liées à la durabilité. https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs-s1-general-requirements/

[2] Fondation IFRS. 2023. IFRS S2 Informations à communiquer relatives au climat. https://www.ifrs.org/issued-standards/ifrs-sustainability-standards-navigator/ifrs-s2-climate-related-disclosures/

[3] Fondation IFRS. 2024. Taxonomie IFRS de communication d’informations sur la durabilité. https://www.ifrs.org/issued-standards/ifrs-sustainability-taxonomy/

[4] Fondation IFRS. 2025-2026. Mise à jour de la taxonomie IFRS de communication d’informations sur la durabilité - Amendements aux informations à communiquer sur les émissions de gaz à effet de serre. https://www.ifrs.org/projects/work-plan/ifrs-sustainability-disclosure-taxonomy-update-amendments-ghg-emissions-disclosures/

[5] GHG Protocol. 2004. Norme de comptabilité et de reporting d’entreprise, édition révisée. https://ghgprotocol.org/corporate-standard

[6] Protocole des GES. 2011. Norme de comptabilisation et de déclaration de la chaîne de valeur de l'entreprise (Scope 3). https://ghgprotocol.org/scope-3-calculation-guidance-2

[7] Partenariat pour la comptabilisation du carbone dans le secteur financier. 2025. Norme mondiale de comptabilisation et de déclaration des émissions de GES, partie A : émissions financées, troisième édition. https://carbonaccountingfinancials.com/standard

[8] Conseil des normes internationales d'audit et d'assurance. 2024. Norme internationale d'assurance en matière de durabilité 5000, Exigences générales relatives aux missions d'assurance en matière de durabilité. https://www.iaasb.org/consultations-projects/sustainability-assurance-issa-5000

[9] Initiative mondiale de reporting. 2021-2025. Normes universelles GRI et normes GRI consolidées. https://www.globalreporting.org/standards/

[10] Groupe de travail sur les informations financières relatives à la nature. 2023. Recommandations du Groupe de travail sur les informations financières relatives à la nature, version 1.0. https://tnfd.global/publication/recommendations-of-the-taskforce-on-nature-related-financial-disclosures/

[11] EFRAG. 2024. Taxonomie XBRL du jeu 1 des ESRS et note explicative. https://www.efrag.org/en/projects/esrs-xbrl-taxonomy/concluded

[12] Commission européenne. 2026. La Commission adopte des normes révisées de reporting de durabilité afin de réduire les charges administratives des entreprises de l'UE tout en maintenant des informations de haute qualité. https://finance.ec.europa.eu/news/commission-adopts-revised-sustainability-reporting-standards-reduce-administrative-burdens-eu-2026-07-03_en

[13] Commission européenne. 2026. Reporting de durabilité des entreprises. https://finance.ec.europa.eu/financial-markets/company-reporting-and-auditing/company-reporting/corporate-sustainability-reporting_en

[14] UAE Groupe de travail sur la finance durable. 2024. Principes relatifs aux informations à fournir en matière de durabilité pour les entités déclarantes. https://rulebook.centralbank.ae/en/entiresection/46

[15] Banque centrale de UAE. À jour jusqu'en 2026. Règlement sur la gestion des risques financiers liés au climat. https://rulebook.centralbank.ae/en/rulebook/climate-related-financial-risk-management-regulation

[16] Association internationale des marchés de capitaux. 2024. Manuel : Cadre harmonisé de reporting d’impact pour les obligations vertes. https://www.icmagroup.org/assets/documents/Sustainable-finance/2024-updates/Handbook-Harmonised-Framework-for-Impact-Reporting-June-2024.pdf

[17] Société financière internationale. 2019 à aujourd’hui. Principes opérationnels pour la gestion de l’impact. https://www.ifc.org/en/our-impact/impact-investing-at-ifc

[18] Réseau mondial de l’investissement à impact. Actuel. IRIS+. https://iris.thegiin.org/

[19] Banque mondiale et Groupe de travail sur les infrastructures des marchés du carbone. 2025. Note d’orientation technique sur la normalisation de la MRV numérique dans les marchés du carbone : critères d’évaluation des systèmes et évaluation des points critiques. https://openknowledge.worldbank.org/entities/publication/397c4e52-445a-4cf4-89df-f2e61373a524

[20] Programme des Nations Unies pour l’environnement, Observatoire international des émissions de méthane. Mis à jour en 2026. Système d’alerte et de réponse au méthane. https://www.unep.org/topics/energy/methane/methane-alert-and-response-system-mars

[21] Convention-cadre des Nations Unies sur les changements climatiques. Version actuelle. Ressources sur la transparence et le cadre de transparence renforcé. https://unfccc.int/Transparency

[22] Institut national des normes et de la technologie. 2023. Cadre de gestion des risques liés à l'intelligence artificielle 1.0. https://doi.org/10.6028/NIST.AI.100-1

[23] Institut national des normes et de la technologie. 2024. Cadre de gestion des risques liés à l'intelligence artificielle : profil d'intelligence artificielle générative. https://doi.org/10.6028/NIST.AI.600-1

[24] Commission européenne. À jour au 27 juillet 2026. Mise en œuvre de la loi AI et calendrier de l'omnibus AI. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

[25] Organisation de coopération et de développement économiques. Mise à jour 2024. Principes AI de l'OCDE. https://oecd.ai/en/principles

[26] World Wide Web Consortium. 2013. PROV-DM : le modèle de données PROV. https://www.w3.org/TR/prov-dm/

[27] Banque mondiale. 2022. Systèmes numériques de suivi, notification et vérification et leur application aux futurs marchés du carbone. https://openknowledge.worldbank.org/handle/10986/37622

[28] Programme des Nations unies pour l'environnement, Observatoire international des émissions de méthane. Actuel. Pleins feux sur le méthane : approche et méthodologie MARS. https://methanedata.unep.org/mars-approach-methodology

[29] Fondation IFRS. Actuel. Documents d'appui pour les normes IFRS de publication d'informations en matière de durabilité. https://www.ifrs.org/supporting-implementation/supporting-materials-for-ifrs-sustainability-disclosure-standards/

[30] Conseil international des normes d'audit et d'assurance. 2025-2026. Fiche d'information ISSA 5000, guide de mise en œuvre et FAQ sur l'importance relative. https://www.iaasb.org/publications/issa-5000-fact-sheet

Annexe A. Fiche minimale de l'indicateur ESG

Annexe B. Tableau de bord pilote

Annexe C. Dossier de preuves prêt pour l'audit

1. critère de reporting et version ;
2. contrat de métrique et approbation du périmètre ;
3. rapprochement complet de la population source ;
4. enregistrements sources immuables et journal d'accès ;
5. sortie d'extraction avec segments de preuve ;
6. approbations d'identité et de mapping ;
7. formule déterministe, facteurs et résultat de réexécution ;
8. estimations, incertitude et plan de remplacement ;
9. version du modèle, évaluation représentative et résultat de surveillance ;
10. journal des exceptions et éléments probants de résolution ;
11. approbation du réviseur et éléments probants de séparation des fonctions ;
12. mapping de la taxonomie et production d'informations à fournir ;
13. dossier de retraitement et de contrôle des modifications ;
14. inscription au registre des allégations pour chaque déclaration narrative importante ;
15. statut précis de revue interne ou d'assurance indépendante.

Annexe D. Glossaire

Public visé. directeurs des investissements de family offices et responsables des investissements alternatifs.

Public visé. investisseurs en infrastructures et en infrastructures numériques.

service AI. Un composant à périmètre délimité pour l'extraction, la classification, la résolution d'entités, la détection d'anomalies, l'analyse géospatiale, la prévision ou la génération.

Assurance. Une mission réalisée au regard de critères appropriés selon une norme d’assurance applicable ; la revue interne est indiquée séparément.

Catégorie d’allégation. La catégorie contrôlée d’une déclaration, telle que l’empreinte, les émissions financées, l’extrant, le résultat, la contribution, le risque ou le récit.

Vecteur de qualité des données. Attributs distincts pour la provenance, la couverture, l’exhaustivité, la fraîcheur, la méthode, le contrôle, l’incertitude, l’assurance et la comparabilité.

MRV numérique. Suivi, notification et vérification numériques intégrant des preuves physiques et numériques contrôlées.

Graphe de preuves. Enregistrements liés pour la source, l’identité, la transformation, le calcul, la revue, l’approbation et la divulgation.

Émissions financées. Émissions attribuées aux activités financières selon une méthode approuvée telle que PCAF.

Impact. Changement d’un résultat vécu par les personnes ou la planète, évalué en tenant compte de la contribution et du risque plutôt que du seul volume d’extrants.

Matérialité. Détermination propre à un critère de l'importance des informations ; la matérialité financière et la matérialité d'impact restent distinguables.

Contrat de métrique. La définition contrôlée, le périmètre, l'unité, la méthode, la source, le responsable et la correspondance de reporting pour une version de métrique.

Provenance. Informations sur les entités, les activités et les agents impliqués dans la production ou l'influence des données.

Correspondance de taxonomie. Relation approuvée entre une version de métrique et un élément de reporting ou un point de données.

TEVV. Test, évaluation, vérification et validation d'un système AI.

hypothèses de modélisation hypothétiques. Une entrée travaillée créée uniquement pour démontrer la logique ; elle ne constitue pas une preuve observée du client ni une preuve Matchpoint.