Alors que les exigences de transparence climatique s’intensifient, les équipes ESG en entreprise peinent à suivre le rythme. En Suisse comme ailleurs, la production d’indicateurs fiables repose encore largement sur des processus manuels ou des enquêtes, processus souvent coûteux et difficilement généralisables. Cette tension entre exigences réglementaires croissantes et ressources limitées invite à repenser les méthodes de mesure.
Dans un récent white paper publié par E4S, les professeurs Eric Jondeau et Fabio Alessandrini à HEC Lausanne (Unil) ainsi que Nathan Delacrétaz, doctorant HEC, aujourd’hui chez Quanthome, explorent une alternative fondée sur l’intelligence artificielle : extraire automatiquement des informations ESG à partir des rapports annuels des entreprises.
Exploiter les données existantes plutôt que collecter de nouvelles informations
L’approche proposée repose sur des modèles de langage capables d’analyser des documents textuels volumineux. Plutôt que de solliciter directement les entreprises via des questionnaires, il s’agit d’exploiter les informations déjà publiées dans leurs rapports.
Les modèles sont entraînés à identifier et structurer des données correspondant à un cadre ESG précis, transformant ainsi un contenu narratif en indicateurs quantifiables. Cette méthode permet de mobiliser une source d’information largement disponible mais encore sous-exploitée.
Une solution applicable à grande échelle
Les résultats montrent que l’extraction automatisée atteint environ 80% de précision pour l’évaluation de 36 critères ESG. Cette approche permet d’analyser rapidement un grand nombre d’entreprises, y compris celles qui ne publient pas de reporting ESG.
L’étude montre également que des modèles plus légers, utilisés localement, peuvent rivaliser avec des solutions plus coûteuses. Selon les besoins, certains sont mieux adaptés à une analyse rapide, tandis que d’autres répondent davantage à des exigences de conformité.
Des limites à encadrer
Cette approche dépend toutefois de la qualité des informations disponibles dans les rapports. Les éléments non divulgués ou peu détaillés échappent à l’analyse, et les modèles peuvent parfois manquer certaines nuances. Leur utilisation implique donc des étapes de validation et un calibrage rigoureux.
En automatisant l’extraction de données non structurées, cette méthode permet de réduire significativement la charge de travail manuel qui domine encore l’analyse ESG, tout en ouvrant la voie à une couverture plus large et plus homogène des entreprises.
