Comment l'IA peut-elle aider à estimer les émissions de scope 3 dans les chaînes d'approvisionnement de la mode ?

L'IA peut rendre les estimations de scope 3 dans la mode plus rapides et plus cohérentes en triant les données d'achat, en lisant les publications des fournisseurs et en associant matières et procédés aux facteurs d'émission. Elle ne peut pas créer de données crédibles là où les fournisseurs n'ont rien publié. Son rôle concret est de produire une première estimation défendable, de montrer où elle est la plus fragile et d'aider la marque à décider auprès de quels fournisseurs obtenir des données primaires.

Que recouvrent les émissions de scope 3 pour une marque de mode ?

Le scope 3 couvre les émissions indirectes de la chaîne de valeur d'une entreprise, en amont et en aval, en dehors de ses propres activités et de l'énergie qu'elle achète. Le Scope 3 Calculation Guidance du GHG Protocol les répartit en 15 catégories. Pour une marque qui sous-traite sa fabrication, la catégorie dominante est généralement la catégorie 1, biens et services achetés : production des fibres, filature, tissage ou tricotage, traitements humides, teinture et confection, presque entièrement réalisés chez des fournisseurs tiers sur plusieurs rangs.

C'est ce qui rend le travail sur le scope 3 si difficile dans la mode. La marque connaît souvent ses confectionneurs de rang 1, en sait moins sur les usines textiles et n'a parfois guère de visibilité sur l'origine des fibres. Une même chemise peut avoir une empreinte très différente selon le mix énergétique de la teinturerie, que la marque mesure rarement elle-même.

Comment le scope 3 est-il calculé aujourd'hui ?

Les lignes directrices du GHG Protocol décrivent plusieurs méthodes de calcul par catégorie. Pour simplifier, elles vont des données propres au fournisseur (le fournisseur déclare ses propres émissions affectées au produit) aux méthodes fondées sur des données moyennes ou sur les dépenses, qui multiplient des quantités ou des montants dépensés par des facteurs d'émission génériques, en passant par des approches hybrides qui combinent données fournisseurs et données secondaires.

Les facteurs fondés sur les dépenses sont les plus simples pour démarrer, mais, comme le souligne Normative, les facteurs issus de bases de données entrées-sorties étendues à l'environnement, comme Exiobase, reflètent des moyennes sectorielles, de sorte que l'empreinte réelle d'un fournisseur donné peut être inférieure ou supérieure. Passer des dépenses aux données d'activité, puis aux données fournisseurs, améliore en général la précision, mais chaque étape exige des données plus nombreuses et de meilleure qualité.

Lire aussi

Comment l'IA détecte-t-elle les défauts des tissus et des vêtements ?

Où l'IA aide-t-elle concrètement pour le scope 3 ?

Les applications utiles consistent surtout à traiter le volume et l'hétérogénéité des données, pas à modéliser le climat.

• Classification des dépenses et des produits : rattacher des milliers de lignes d'achat en texte libre, de descriptions d'articles et de nomenclatures à des catégories cohérentes de matières et de procédés.
• Extraction documentaire : analyser les rapports de durabilité des fournisseurs, les réponses au CDP et les questionnaires pour en extraire les chiffres de scope 1, 2 et 3, les méthodologies et le statut de vérification.
• Choix des facteurs : proposer le facteur d'émission le plus proche pour une matière ou un procédé, avec un niveau de confiance qu'un spécialiste peut examiner.
• Détection d'anomalies : signaler les entrées invraisemblables, par exemple un fournisseur déclarant zéro émission dans une catégorie normalement significative.
• Priorisation : classer les fournisseurs selon leurs émissions estimées et la maturité de leurs données, afin de concentrer les efforts de dialogue là où ils comptent.

Normative insiste sur le fait que l'extraction exige des instructions précises et des contrôles de validation, et que le rapprochement des données comporte un risque de faux positifs, par exemple le rattachement d'un fournisseur à la mauvaise entité juridique. La traçabilité de chaque étape assistée par l'IA jusqu'à son document source n'est donc pas facultative.

Quelles sont les limites de l'IA pour les données de scope 3 ?

La limite principale est simple : l'IA ne peut interpréter que ce qui existe. Normative le dit clairement : l'IA ne peut pas créer de données crédibles là où rien n'a été déclaré. De nombreux fournisseurs de la mode, en particulier les petites usines textiles et les ateliers, ne publient aucune donnée d'émissions. Un modèle d'IA qui comble ces lacunes avec des moyennes produit une estimation, et le rapport doit la présenter comme telle.

Les informations publiées varient aussi en qualité, en exhaustivité et en niveau de vérification. Utiliser des chiffres non vérifiés peut entraîner des observations d'audit, un examen par les autorités ou une atteinte à la réputation. Normative relève également que la Science Based Targets initiative a mené une consultation sur l'idée de faire de l'assurance externe une condition préalable à la validation des objectifs, ce qui relèverait encore le niveau d'exigence en matière de qualité des données.

Quel est l'effet de la CSRD révisée sur les demandes de données aux fournisseurs ?

Pour les marques soumises à la directive sur la publication d'informations en matière de durabilité (CSRD), la révision Omnibus I modifie ce qu'elles peuvent exiger de leurs fournisseurs. Selon la fiche d'information d'Accountancy Europe, les entreprises ne peuvent pas demander d'informations allant au-delà de la norme de reporting volontaire aux entreprises dites protégées, c'est-à-dire aux partenaires de la chaîne de valeur comptant en moyenne 1 000 salariés ou moins. Elles peuvent s'appuyer sur les autodéclarations de leurs partenaires de la chaîne de valeur, sauf si elles savent, ou devraient raisonnablement savoir, qu'une déclaration est manifestement inexacte.

L'analyse de Morrison Foerster précise que les entreprises qui respectent ce plafond sont réputées satisfaire à l'obligation de reporting sur la chaîne de valeur, y compris au moyen d'estimations. Dans les faits, cela renforce l'importance de méthodes d'estimation bien documentées, pour lesquelles l'IA peut être utile, et réduit l'intérêt des longs questionnaires fournisseurs auxquels les petites usines ne peuvent pas répondre.

Par où une marque de mode doit-elle commencer ?

1. Nettoyer les données d'entrée : consolider les données d'achat, les données de référence fournisseurs et les nomenclatures afin que chaque ligne de dépense soit liée à un fournisseur et, si possible, à une matière.
2. Établir une base de référence fondée sur les dépenses pour les 15 catégories, puis identifier les catégories et les fournisseurs prépondérants.
3. Utiliser l'IA pour classer, extraire et rapprocher les données, en consignant chaque document source et chaque hypothèse.
4. Remplacer les moyennes par des données d'activité pour les principales matières, et par des données propres aux fournisseurs pour les plus gros émetteurs.
5. Faire examiner par un spécialiste les facteurs et les anomalies proposés par l'IA avant que les chiffres n'entrent dans un rapport.
6. Répéter l'exercice chaque année et suivre, comme indicateur de qualité, la part des émissions fondée sur des données primaires.

Le travail au niveau des produits s'y rattache également. Les règles de catégorie de produits relatives à l'empreinte environnementale (PEFCR) pour l'habillement et les chaussures, lancées par Cascale et approuvées par la Commission européenne en 2025, offrent aux marques une méthode harmonisée d'analyse du cycle de vie qui peut rendre les données sur les matières et les procédés plus comparables d'un fournisseur à l'autre.

Lire aussi

Qu'est-ce qu'une tour de contrôle supply chain pilotée par l'IA, et qui agit sur ce qu'elle montre ?

À quoi ressemble une bonne gouvernance du scope 3 ?

Une bonne gouvernance signifie que chaque chiffre publié peut être rattaché à une source, à une méthode et à une personne qui l'a validé. Les outils d'IA doivent consigner leurs entrées et leurs sorties, les modèles doivent être validés par rapport à des données fournisseurs connues, et les méthodes d'estimation doivent être publiées. Les marques qui considèrent l'IA comme un accélérateur d'un processus rigoureux, et non comme un substitut à la relation fournisseur, sont mieux préparées à l'assurance et au travail de décarbonation que ces chiffres doivent orienter.