Depuis quelques années, les entreprises ont appris à mieux mesurer leur impact.
Bilan carbone, indicateurs ESG, analyses de cycle de vie, reporting extra-financier, trajectoires de décarbonation, critères environnementaux dans les achats, plans de transition : la performance ne se résume plus au chiffre d’affaires, à la marge ou à la productivité.
C’est une évolution importante.
Mais elle fait apparaître une nouvelle difficulté : mesurer ne suffit pas à transformer.
Une entreprise peut connaître précisément ses émissions de gaz à effet de serre sans savoir comment les réduire. Elle peut suivre des dizaines d’indicateurs environnementaux sans que ceux-ci influencent réellement les décisions quotidiennes. Elle peut produire un plan de transition ambitieux tout en continuant à fonctionner avec des processus qui ont été conçus pour optimiser uniquement les coûts, les délais ou les volumes.
C’est là que la notion de performance durable prend tout son sens.
Et c’est peut-être aussi là que l’intelligence artificielle peut apporter le plus de valeur.
Non pas en ajoutant un nouvel outil à l’entreprise.
Mais en intervenant directement dans les processus métiers, au plus près des décisions qui déterminent réellement sa performance.
Cette approche ressemble beaucoup à celle des Forward Deployed Engineers, ces profils qui travaillent directement avec les métiers pour adapter la technologie aux problèmes opérationnels plutôt que de chercher à imposer une solution générique.
Appliquée aux enjeux de transition, cette logique pourrait profondément faire évoluer notre manière de déployer l’IA dans les entreprises.
La performance durable ne consiste pas à ajouter des indicateurs environnementaux
Lorsque j’ai travaillé sur la notion de performance durable, j’ai progressivement compris qu’elle ne pouvait pas être considérée comme une extension de la performance financière.
Il ne suffit pas d’ajouter quelques indicateurs environnementaux ou sociaux à un tableau de bord économique.
Le sujet est beaucoup plus profond.
La performance durable consiste à considérer que l’entreprise produit plusieurs formes de valeur en même temps.
Une valeur économique, bien sûr.
Mais aussi une valeur environnementale, sociale, territoriale ou parfois même sociétale.
Et surtout, cette valeur ne concerne pas uniquement les actionnaires ou les dirigeants.
Elle concerne l’ensemble des parties prenantes : salariés, clients, fournisseurs, sous-traitants, collectivités, territoires, financeurs, citoyens, écosystèmes.
L’entreprise peut alors être vue comme une sorte de plateforme de création de valeur entre différentes parties prenantes.
La question n’est plus seulement :
Comment maximiser le résultat économique de l’entreprise ?
Mais plutôt :
Comment améliorer durablement plusieurs dimensions de la performance, tout en tenant compte des interactions entre les parties prenantes ?
Ce changement de perspective est important.
Car ces différentes dimensions ne sont pas toujours opposées.
Une meilleure organisation logistique peut réduire simultanément les coûts, les kilomètres parcourus et les émissions de CO₂.
Une meilleure traçabilité des matières premières peut renforcer la conformité, réduire les erreurs administratives et améliorer la confiance des clients.
Un approvisionnement plus local peut parfois réduire l’exposition aux risques, améliorer la résilience d’une filière et créer davantage de valeur sur un territoire.
La performance durable consiste précisément à rechercher ce type de synergies entre performance économique et impact.
Pourtant, la durabilité reste encore largement pilotée par le reporting
Depuis plusieurs années, un effort considérable a été réalisé pour améliorer la mesure.
Et c’était nécessaire.
Sans données fiables, il est impossible de piloter sérieusement une transition.
Mais nous avons parfois créé un paradoxe.
Nous sommes devenus très performants pour observer les impacts, sans toujours devenir beaucoup plus performants pour les réduire.
Prenons un exemple simple.
Une entreprise peut aujourd’hui calculer les émissions liées à son transport.
Elle connaît les kilomètres parcourus, les tonnages, parfois les types de véhicules et les facteurs d’émission associés.
Elle peut produire un indicateur précis.
Mais cet indicateur arrive généralement après que les décisions ont été prises.
- La commande a déjà été préparée.
- Le transporteur a déjà été choisi.
- La tournée a déjà été organisée.
- Le camion est déjà parti.
Le reporting observe donc la conséquence d’un processus.
Il ne modifie pas nécessairement le processus lui-même.
C’est probablement l’un des grands enjeux des prochaines années : passer d’une logique de mesure de la performance durable à une logique de pilotage actif de cette performance.
Et pour cela, il faut descendre beaucoup plus profondément dans le fonctionnement réel de l’entreprise.
Derrière chaque indicateur se cache un processus métier
Les émissions de transport ne sont pas produites par un tableau Excel.
Elles sont produites par une succession de décisions.
- Quel fournisseur choisir ?
- À quelle fréquence commander ?
- Comment regrouper les flux ?
- Quel transporteur solliciter ?
- Quel véhicule utiliser ?
- Quelle tournée organiser ?
- Quel niveau de stock accepter ?
- Quelle promesse de livraison proposer au client ?
Exactement la même logique existe dans la filière bois.
L’impact environnemental d’un produit dépend de nombreux éléments : origine de la matière, mode de gestion forestière, transformation, séchage, transports successifs, assemblage, durée d’utilisation, réemploi ou fin de vie.
Ces impacts sont le résultat de centaines de décisions réparties entre plusieurs organisations.
Autrement dit :
la donnée permet de voir la performance, mais ce sont les processus qui la produisent.
Si l’on veut réellement transformer la performance durable, il faut donc intervenir sur ces processus.
Et c’est précisément là que l’IA devient intéressante.
Le véritable potentiel de l’IA n’est peut-être pas dans les outils, mais dans les processus
Le débat autour de l’intelligence artificielle est encore souvent formulé de cette manière :
« Quels outils IA devons-nous utiliser ? »
Ou :
« Quels cas d’usage pouvons-nous déployer dans notre entreprise ? »
Cette approche est compréhensible.
Mais elle conduit facilement à une accumulation d’expérimentations : copilotes, chatbots, assistants documentaires, génération de contenus, automatisations diverses.
Certaines créent beaucoup de valeur.
D’autres restent anecdotiques.
Le problème vient souvent du point de départ.
On commence par la technologie.
Puis on cherche où l’utiliser.
Une approche centrée sur la performance durable consiste à inverser complètement cette logique.
On commence par identifier un problème opérationnel.
Puis on cherche le processus qui le produit.
Ensuite, on identifie les décisions qui structurent ce processus.
On regarde les données disponibles.
Et seulement à ce moment-là, on se demande si l’IA peut améliorer la situation.
La chaîne devient alors :
Performance → processus → décision → données → technologie.
Et non :
Technologie → cas d’usage → adoption éventuelle.
Cette différence paraît simple.
Elle change pourtant profondément la manière de mener un projet IA.
Ce que le Forward Deployed Engineer change dans cette approche
Le concept de Forward Deployed Engineer, popularisé notamment dans les entreprises technologiques développant des solutions complexes, repose sur une idée relativement simple.
La technologie ne peut pas toujours être conçue loin du terrain puis déployée telle quelle chez le client.
Il faut parfois envoyer des profils capables de travailler directement avec les utilisateurs, de comprendre leur environnement et d’adapter rapidement la solution.
Le Forward Deployed Engineer se situe ainsi à la frontière entre plusieurs mondes.
Il comprend suffisamment la technologie pour construire.
Il comprend suffisamment le métier pour identifier les bons problèmes.
Et surtout, il travaille directement avec les équipes opérationnelles.
Il observe.
Il teste.
Il ajuste.
Il mesure.
Puis il recommence.
Ce fonctionnement est particulièrement intéressant pour l’intelligence artificielle.
Car contrairement à un logiciel traditionnel, une solution IA peut parfois être développée ou adaptée très rapidement.
Un agent peut analyser des documents.
Un modèle peut détecter des anomalies.
Un système peut rapprocher différentes sources de données.
Un assistant peut aider un opérateur à prendre une décision.
Une automatisation peut vérifier des centaines de dossiers.
Le coût de création d’un premier prototype diminue considérablement.
Le principal défi devient donc moins la capacité à développer une technologie que la capacité à identifier l’endroit précis où cette technologie produira réellement de la valeur.
Et si nous appliquions cette logique à la performance durable ?
C’est ici que les deux concepts se rejoignent.
La performance durable cherche à améliorer simultanément plusieurs dimensions de la performance.
L’approche Forward Deployed cherche à intervenir directement sur les problèmes opérationnels.
En combinant les deux, on obtient une nouvelle manière d’accompagner la transformation des entreprises.
On pourrait presque parler de Forward Deployed Sustainability.
L’idée serait simple :
identifier les endroits où les processus détruisent ou limitent la performance durable, puis y déployer très rapidement des capacités numériques ou d’intelligence artificielle permettant d’améliorer les décisions.
Il ne s’agit plus seulement de produire un diagnostic.
Ni uniquement de construire une feuille de route.
Il s’agit d’intervenir directement dans le système opérationnel.
Prenons le cas de la logistique
La logistique constitue un terrain particulièrement intéressant.
Parce que performance économique et performance environnementale y sont souvent fortement liées.
Un kilomètre inutile représente à la fois un coût et un impact environnemental.
Un mauvais taux de remplissage réduit la productivité des opérations et augmente les émissions par unité transportée.
Une mauvaise qualité de données peut générer des erreurs de facturation, des retards et rendre impossible un calcul carbone fiable.
Une tournée mal organisée peut dégrader simultanément les coûts, les délais et les émissions.
Les entreprises disposent généralement déjà d’une quantité importante de données.
- Commandes.
- Adresses.
- Poids.
- Volumes.
- Transporteurs.
- Factures.
- Kilométrages.
- Horaires.
- Délais.
Mais ces données sont souvent dispersées entre plusieurs systèmes.
L’approche Forward Deployed consiste alors à poser une question très concrète :
quelle décision pourrions-nous améliorer demain matin grâce à ces données ?
Par exemple, l’IA peut détecter automatiquement des tournées anormalement longues.
- Elle peut identifier des possibilités de regroupement.
- Elle peut comparer plusieurs scénarios logistiques selon le coût, le délai et le carbone.
- Elle peut repérer des incohérences entre une facture transporteur et les données réellement observées.
- Elle peut aider à reconstituer certaines informations manquantes.
- Elle peut alerter un opérateur lorsqu’une décision semble particulièrement défavorable sur le plan économique ou environnemental.
Dans ce cas, l’IA n’est plus une couche technologique abstraite.
Elle devient une capacité d’aide à la décision intégrée directement au processus métier.
Et surtout, son impact peut être mesuré.
- Combien de kilomètres évités ?
- Combien d’euros économisés ?
- Combien d’émissions évitées ?
- Combien d’heures administratives gagnées ?
- Combien d’anomalies détectées ?
Nous retrouvons exactement la logique de performance durable.
La filière bois présente une problématique similaire
La filière bois est, par nature, distribuée.
La matière passe par de nombreux acteurs.
- Propriétaires forestiers.
- Exploitants.
- Transporteurs.
- Scieries.
- Transformateurs.
- Négociants.
- Fabricants.
- Entreprises du bâtiment.
- Maîtres d’ouvrage.
- Organismes de certification.
Chaque acteur possède une partie de l’information.
Personne ne possède nécessairement la vision complète.
La traçabilité devient donc un enjeu central.
Mais la traçabilité ne doit pas être une finalité.
Elle est une infrastructure.
Une fois la donnée mieux structurée et mieux partagée, de nombreux nouveaux usages deviennent possibles.
L’IA peut aider à vérifier la cohérence des informations fournies.
- Elle peut détecter des anomalies dans des documents.
- Elle peut rapprocher automatiquement une preuve d’un critère de certification.
- Elle peut faciliter la documentation de l’origine d’un matériau.
- Elle peut contribuer au calcul de certains indicateurs environnementaux.
- Elle peut aider à comparer plusieurs scénarios d’approvisionnement.
- Elle peut identifier des ressources disponibles plus proches géographiquement.
- Elle peut simplifier une partie du travail administratif lié aux certifications ou aux obligations de reporting.
Là encore, la valeur se situe dans la combinaison des impacts.
Une meilleure donnée peut améliorer à la fois la conformité, la traçabilité, les coûts administratifs, la résilience des approvisionnements et la performance environnementale.
C’est ce type de combinaison que doit rechercher une démarche de performance durable.
Une méthode pour déployer l’IA au service de la performance durable
Cette approche peut être structurée de manière relativement simple.
La première étape consiste à cartographier la performance.
- Quels sont les principaux enjeux économiques, environnementaux et sociaux de l’activité ?
- Quels indicateurs permettent de les mesurer ?
- Quelles parties prenantes sont concernées ?
La deuxième étape consiste à cartographier les processus.
- Où cette performance est-elle réellement produite ?
- Où se dégrade-t-elle ?
- Quels processus génèrent les coûts, les émissions, les déchets, les erreurs ou les risques ?
La troisième étape consiste à identifier les décisions.
Dans un processus donné, quelles décisions humaines ou automatiques influencent réellement la performance ?
Cette étape est essentielle.
Parce qu’une technologie ne transforme rien si elle n’influence aucune décision.
La quatrième étape consiste à observer les données disponibles.
- Quelles informations existent déjà ?
- Sous quelle forme ?
- Avec quel niveau de qualité ?
- Quelles preuves sont disponibles ?
- Quelles informations restent manquantes ?
Ce n’est qu’à la cinquième étape que l’on choisit la technologie.
Un modèle prédictif ?
- Un agent IA ?
- Un moteur de règles ?
- Un RAG documentaire ?
- Une automatisation ?
Parfois, un simple algorithme suffit.
L’objectif n’est pas d’utiliser l’intelligence artificielle à tout prix.
L’objectif est d’améliorer la performance.
La sixième étape consiste à construire rapidement une première capacité opérationnelle.
Sur un processus précis.
Avec quelques utilisateurs.
Et avec des indicateurs de résultat définis dès le départ.
Enfin, il faut mesurer.
- Avant.
- Après.
Et sur plusieurs dimensions.
- Temps gagné.
- Coût évité.
- Émissions réduites.
- Qualité améliorée.
- Risque diminué.
- Satisfaction utilisateur.
C’est cette capacité à mesurer les effets réels qui permet de distinguer une transformation d’un simple démonstrateur technologique.
Cette approche pourrait également transformer le métier du conseil
Traditionnellement, le consultant intervient de manière assez séquentielle.
- Il analyse.
- Il diagnostique.
- Il formule des recommandations.
- Il produit une feuille de route.
- Puis l’entreprise organise la mise en œuvre.
Cette séparation entre conseil et exécution présente une limite.
Beaucoup de bonnes recommandations disparaissent quelque part entre le PowerPoint et le processus métier.
L’intelligence artificielle permet aujourd’hui de réduire cette distance.
Un consultant capable de comprendre les enjeux de performance durable, d’analyser les processus et de mobiliser rapidement des capacités technologiques peut aller beaucoup plus loin.
Il peut identifier un levier.
Construire une première solution.
La tester avec les équipes.
Mesurer les résultats.
Puis améliorer le dispositif.
Le cycle devient :
diagnostiquer → construire → déployer → mesurer → apprendre.
Cela ne signifie pas que la stratégie disparaît.
Au contraire.
Elle devient plus importante.
Parce qu’il faut choisir avec précision les endroits où intervenir.
L’IA accélère l’exécution.
Mais elle ne décide pas de ce qui mérite d’être optimisé.
C’est là que l’expertise métier et la compréhension des enjeux de durabilité restent déterminantes.
Le vrai enjeu sera probablement de choisir où ne pas utiliser l’IA
La facilité croissante avec laquelle nous pouvons créer des agents et des automatisations risque de produire un nouveau phénomène : l’IA partout.
Chaque processus pourrait théoriquement recevoir son assistant.
Chaque salarié son copilote.
Chaque logiciel son agent.
Mais une entreprise durable n’est pas nécessairement une entreprise remplie d’intelligence artificielle.
L’IA possède elle-même un coût économique et environnemental.
Elle introduit également de nouvelles dépendances technologiques, des enjeux de gouvernance, de qualité des données et parfois de sécurité.
Une approche réellement orientée performance durable doit donc rester sélective.
Utiliser l’IA uniquement lorsque le gain attendu justifie réellement son utilisation.
Choisir le modèle adapté au besoin.
Éviter de mobiliser un système complexe lorsqu’une règle simple suffit.
Mesurer autant que possible la valeur créée.
C’est probablement l’un des principes les plus importants d’une approche responsable du sujet.
La bonne question n’est pas :
Où pouvons-nous mettre de l’IA ?
Mais :
Où l’IA possède-t-elle un effet de levier suffisamment important pour améliorer réellement la performance globale du système ?
De la mesure à l’action
Depuis une dizaine d’années, les entreprises ont énormément progressé dans leur capacité à mesurer leur performance environnementale et sociale.
Cette étape était indispensable.
La prochaine sera probablement différente.
Elle consistera à connecter ces indicateurs aux milliers de décisions opérationnelles qui structurent quotidiennement l’entreprise.
- Achats.
- Production.
- Transport.
- Maintenance.
- Approvisionnement.
- Contrôle.
- Facturation.
- Conception.
- Reporting.
L’intelligence artificielle offre aujourd’hui une nouvelle capacité pour intervenir à ce niveau.
Mais la technologie seule ne fera pas la transition.
Il faudra des personnes capables de comprendre simultanément les enjeux de durabilité, les processus métiers, les données et les possibilités offertes par la technologie.
Des personnes capables de passer du diagnostic à l’expérimentation.
De l’indicateur au processus.
De la recommandation à la capacité opérationnelle.
C’est peut-être là que se trouve l’une des évolutions les plus intéressantes du métier de consultant en performance durable.
Non plus seulement aider une organisation à comprendre où elle doit aller.
Mais être capable d’intervenir directement, avec elle, dans les endroits où se construit réellement sa performance.
La question que les dirigeants devraient se poser n’est donc peut-être plus :
« Comment utiliser l’intelligence artificielle dans notre entreprise ? »
Mais plutôt :
« Où, dans nos processus, l’intelligence artificielle peut-elle réellement améliorer notre performance durable ? »
C’est à cet endroit précis que la technologie cesse d’être un sujet d’innovation.
Et qu’elle devient un véritable levier de transformation.
