Dans de nombreux secteurs, le problème est que les données sont dispersées entre départements et systèmes, mais naissent bien au sein d'une seule organisation. Dans le secteur agricole, la fragmentation commence déjà avant ce point. Une grande partie des données de durabilité les plus demandées — usage des sols, consommation d'eau, rotation des cultures, alimentation animale, émissions liées au fumier — ne naît pas chez l'entreprise qui rapporte elle-même, mais chez des producteurs, fournisseurs et coopératives qui n'ont pas de routine comptable ou numérique pour cela. Là où une organisation de bureau peut retrouver des données dans un système ERP, une entreprise agricole doit souvent d'abord se renseigner auprès d'une chaîne de tiers qui ne considèrent pas eux-mêmes cette question comme leur problème.
À cela s'ajoute que les données qui sont bien disponibles en interne sont généralement enregistrées par unité d'exploitation ou par saison de culture, et non par période de reporting. Un exercice comptable ne coïncide pas avec un cycle de récolte, et un facteur d'émission valable aujourd'hui peut déjà avoir changé la saison prochaine en raison d'une autre culture ou d'un autre travail du sol. La majeure partie du temps consacré au reporting de durabilité ne va pas au remplissage des chiffres, mais à la recherche de la personne auprès de qui ces chiffres doivent en réalité provenir.
Le premier endroit est la chaîne elle-même. Une grande partie des émissions de scope 3 dans le secteur agricole se trouve chez des fournisseurs qui ne tiennent pas de reporting de durabilité et dont les données — si elles existent — se présentent dans un autre format, une autre langue, ou ne sont pas du tout numérisées. Celui qui veut relier ici un point de données à une source découvre que la source est parfois une personne, pas un système.
Le deuxième endroit est l'exploitation elle-même : la consommation d'eau, d'énergie et de produits phytosanitaires est souvent suivie sur papier ou dans des feuilles Excel séparées, par parcelle ou par étable. Ces données existent, mais leur responsabilité n'a été attribuée à personne aux fins du reporting — c'est une comptabilité agricole, pas une comptabilité CSRD, et les deux se recoupent rarement de manière parfaite.
Le troisième endroit est la conversion vers des unités mesurables. L'usage des sols et le carbone du sol sont enregistrés de manières très différentes par différents acteurs, et la conversion vers une unité de reporting uniforme constitue elle-même une source d'erreurs si personne ne consigne quelle hypothèse a été utilisée à cet effet.
Dans le secteur des TIC, les données de durabilité se trouvent généralement dans des systèmes numériques déjà existants, et il s'agit surtout de les rendre accessibles. Dans le secteur de l'énergie, beaucoup de données sont déjà mesurées car l'obligation de mesure et le suivi font partie intégrante de l'exploitation. Le secteur agricole manque plus souvent de cette base : les données ne sont pas cachées dans un système, elles n'ont jamais été systématiquement consignées. Cela ne rend pas le problème plus grand ou plus petit qu'au sein des services financiers ou du secteur immobilier, mais bien de nature différente : là, le problème est généralement l'intégration entre systèmes, ici c'est souvent d'abord l'enregistrement à la source.
La tentation est grande d'acheter un logiciel qui automatise les rapports pour le secteur agricole. Mais un outil qui récupère des données dans des systèmes qui ne contiennent pas les bonnes données ne produit qu'un rapport bien présenté fondé sur les mêmes bouts de fil épars. Avant qu'un système puisse additionner quoi que ce soit, il faut établir quel point de données correspond à quelle source, qui, au sein ou en dehors de l'organisation elle-même, en est responsable, et quelle règle de qualité déterminera si un chiffre saisi est plausible. Ce n'est pas une question logicielle mais une question de mise en ordre, qui précède tout système de reporting.
Le Data Readiness Scan établit, pour chaque point de données, d'où il provient — de l'exploitation propre, d'un producteur, d'une coopérative ou d'une source de données externe — et qui, au sein de la chaîne, en est responsable. Pour un secteur où beaucoup de données naissent hors des propres murs, c'est souvent cette appropriation qui fait défaut : non pas le chiffre lui-même, mais qui en répond. Pour déterminer quels points de données sont réellement pertinents pour une entreprise agricole, et lesquels sont rapportés sans avoir de fonction, la distinction établie dans quels points de données vous sont réellement nécessaires en présence de plusieurs unités d'affaires est utile, tout comme le principe selon lequel un point de données existe souvent déjà au sein d'une des unités d'affaires existantes avant d'être collecté à nouveau.
Dès qu'il est clair quels points de données doivent provenir de la chaîne agricole et qui les fournit, une deuxième question se pose : quelle part du travail de collecte, de contrôle et de traçabilité de ces données requiert encore une intervention humaine, et quelle part est suffisamment répétitive pour être confiée à l'IA. Le scan de travail de FTE TO AI calcule cela tâche par tâche, non pas sur la base d'une estimation pour l'ensemble du secteur, mais sur la base des tâches réellement exécutées dans une chaîne spécifique. Pour un secteur où beaucoup de temps est consacré à retracer les sources plutôt qu'à interpréter les chiffres, c'est un point d'ancrage permettant de voir où l'automatisation apporte un gain et où elle n'en apporte pas.
Le scan qui cartographie ces points de données, sources et responsabilités pour le secteur agricole est en cours de développement. Toute personne souhaitant être informée dès que le scan sera disponible peut s'inscrire sur la liste d'attente.
Vraag maar waar een datapunt vandaan komt. Dat is meestal de hele vraag.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.