Mesurer l’empreinte
biodiversité avec l’IA
Mesurer l’empreinte
biodiversité avec l’IA
Automatiser la collecte de données extra-financières pour préciser les analyses biodiversité d’institutions financières
Automatiser la collecte de données extra-financières pour préciser les analyses biodiversité d’institutions financières
Contexte
Contexte
CDC Biodiversité développe le Global Biodiversity Score (GBS), un outil de référence permettant aux entreprises et aux investisseurs de mesurer leur empreinte sur la biodiversité.
Pour alimenter ses calculs, l’organisation peut s’appuyer sur un large volume d’informations financières et environnementales publiées par les entreprises. Ces données proviennent de multiples formats et sources (rapports CSRD, TNFD, TCFD, DPEF, rapports de durabilité, etc.), rendant leur collecte et leur harmonisation particulièrement chronophages.
CDC Biodiversité a souhaité tester l’automatisation de cette collecte à l’aide d’Opale, afin d’évaluer dans quelle mesure l’IA pouvait faciliter la structuration, la vérification et la mise à jour des données utilisées pour des mesures d’empreinte biodiversité.
CDC Biodiversité développe le Global Biodiversity Score (GBS), un outil de référence permettant aux entreprises et aux investisseurs de mesurer leur empreinte sur la biodiversité.
Pour alimenter ses calculs, l’organisation peut s’appuyer sur un large volume d’informations financières et environnementales publiées par les entreprises. Ces données proviennent de multiples formats et sources (rapports CSRD, TNFD, TCFD, DPEF, rapports de durabilité, etc.), rendant leur collecte et leur harmonisation particulièrement chronophages.
CDC Biodiversité a souhaité tester l’automatisation de cette collecte à l’aide d’Opale, afin d’évaluer dans quelle mesure l’IA pouvait faciliter la structuration, la vérification et la mise à jour des données utilisées pour des mesures d’empreinte biodiversité.
Notre approche
Notre approche
Un pilote a été conduit avec Opale sur un échantillon de 10 entreprises internationales (Europe, Asie, Amérique latine) couvrant plusieurs secteurs : pharma, énergie, immobilier, industrie, automobile.
Les documents ont été analysés automatiquement afin de :
Identifier les sections contenant les données cibles (CA, EVIC, MSA.km², PDF.km², BII, STAR, intensités, cibles climat/biodiversité) ;
Extraire et structurer les valeurs pertinentes pour les modèles GBS ;
Associer chaque donnée à sa source vérifiable, garantissant une traçabilité complète.
L’ensemble du processus s’est déroulé au sein de la Grid d’Opale, l’environnement collaboratif permettant de transformer de grands volumes de documents en bases de données prêtes à l’analyse.
Un pilote a été conduit avec Opale sur un échantillon de 10 entreprises internationales (Europe, Asie, Amérique latine) couvrant plusieurs secteurs : pharma, énergie, immobilier, industrie, automobile.
Les documents ont été analysés automatiquement afin de :
Identifier les sections contenant les données cibles (CA, EVIC, MSA.km², PDF.km², BII, STAR, intensités, cibles climat/biodiversité) ;
Extraire et structurer les valeurs pertinentes pour les modèles GBS ;
Associer chaque donnée à sa source vérifiable, garantissant une traçabilité complète.
L’ensemble du processus s’est déroulé au sein de la Grid d’Opale, l’environnement collaboratif permettant de transformer de grands volumes de documents en bases de données prêtes à l’analyse.
Le travail avec Opale a été très fluide et efficace, avec des allers-retours réguliers pour affiner les prompts et améliorer la performance. La qualité des résultats a significativement augmenté en quelques semaines. Cette co-construction a permis d’obtenir des résultats fiables sur des indicateurs quantitatifs et qualitatifs complexes
Le travail avec Opale a été très fluide et efficace, avec des allers-retours réguliers pour affiner les prompts et améliorer la performance. La qualité des résultats a significativement augmenté en quelques semaines. Cette co-construction a permis d’obtenir des résultats fiables sur des indicateurs quantitatifs et qualitatifs complexes
Lise Quenet
Lise Quenet
Chargée d'études
chez CDC Biodiversité
Résultats
Résultats
Le pilote a permis de valider la fiabilité et la performance de l’automatisation :
80% de taux de complétude global sur les indicateurs testés ;
Temps d’analyse divisé par deux par rapport au traitement manuel.
Cette expérimentation a démontré qu’une approche IA bien structurée pouvait fiabiliser la collecte, améliorer la couverture sectorielle et accélérer les processus d’analyse tout en conservant la transparence des sources.
Le pilote a permis de valider la fiabilité et la performance de l’automatisation :
80% de taux de complétude global sur les indicateurs testés ;
Temps d’analyse divisé par deux par rapport au traitement manuel.
Cette expérimentation a démontré qu’une approche IA bien structurée pouvait fiabiliser la collecte, améliorer la couverture sectorielle et accélérer les processus d’analyse tout en conservant la transparence des sources.
Prochaine étape
Prochaine étape
Portée par les résultats du pilote, CDC Biodiversité prépare déjà la montée en puissance de la démarche.
Dans cette nouvelle phase, l’organisation prévoit de s’appuyer sur Opale pour automatiser la collecte des données, élargir la couverture des entreprises analysées et renforcer l’alimentation du Global Biodiversity Score avec des informations mieux structurées et traçables.
Portée par les résultats du pilote, CDC Biodiversité prépare déjà la montée en puissance de la démarche.
Dans cette nouvelle phase, l’organisation prévoit de s’appuyer sur Opale pour automatiser la collecte des données, élargir la couverture des entreprises analysées et renforcer l’alimentation du Global Biodiversity Score avec des informations mieux structurées et traçables.
80%
80%
de complétude moyenne
X2
X2
Gain de productivité
50+
50+
Indicateurs suivis
