企業GHGインベントリにおけるAI推論の計上：スコープ3カテゴリ1報告のための4段階手法

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a validated methodology for AI inference emissions, bridging AI and carbon accounting research.

🏢実務担当者:Offers a concrete framework to include AI services in Scope 3 inventories, reducing compliance risk.

🏛政策担当者:Highlights the need for standardized guidance on AI emissions in disclosure regulations.

AI推論サービス（APIサブスクリプション、エンタープライズチャットツール、AI機能を組み込んだSaaS製品）は、企業サステナビリティ報告指令（CSRD）の下で明確にスコープ3カテゴリ1に該当し、2024年1月開始の会計年度から開示が義務付けられている。しかし、これらを企業のGHGインベントリに含めるための標準化された方法論は存在しない。現在の実務では、このカテゴリを完全に除外するか、ICTセクター全体に較正された一般的な経済投入産出（EEIO）係数を適用しており、物理的に導出された代替手法と比較してAI推論排出量を10〜40倍過大評価している。我々は、組織が現実的に入手可能なデータに推定精度を合わせた4段階のフレームワークを提案する。これは、GPUエネルギー・ベンチマークと地域別グリッド炭素強度を用いたトークン基準の物理的推定から始まり、使用データが存在しないサービスについては支出ベースのEEIOフォールバックに至る。排出係数は、査読済みのGPUエネルギー・ベンチマーク（ML.ENERGY Leaderboard v3）、確認済みのグリッド炭素強度（EPA eGRID 2023、Ember 2023）、および公表済みの水使用効率データ（Li et al.、2025）から導出される。200人規模の欧州企業に適用したところ、このフレームワークは合計1 tCO2e未満を算出し、コンプライアンス上の課題は規模ではなく方法論にあることを示している。さらに、現在のESGツールが表面化しない水と炭素のトレードオフを文書化する：スウェーデンの水力中心のグリッドは、我々のデータセットで最も低い炭素強度を提供する一方で、最も高い水フットプリントを有し、データセンターの立地戦略に直接的な影響を与える。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

AI inference services -- API subscriptions, enterprise chat tools, and SaaS products with embedded AI features -- fall unambiguously within Scope 3 Category 1 under the Corporate Sustainability Reporting Directive (CSRD), which requires disclosure for fiscal years starting January 2024. Yet no standardised methodology exists for including them in corporate GHG inventories. Current practice either omits the category entirely or applies a generic economic input-output (EEIO) factor calibrated to the ICT sector as a whole, overestimating AI inference emissions by 10-40x relative to physically derived alternatives. We propose a four-tier framework that matches estimation precision to the data organisations can realistically obtain, progressing from direct token-based physical estimation -- using GPU energy benchmarks and regional grid carbon intensities -- down to a spend-based EEIO fallback for services where no usage data exists. Emission factors are derived from peer-reviewed GPU energy benchmarks (ML.ENERGY Leaderboard v3), confirmed grid carbon intensities (EPA eGRID 2023; Ember 2023), and published water use effectiveness data (Li et al., 2025). Applied to a 200-person European firm, the framework yields a total below 1 tCO2e, illustrating that the compliance challenge is methodological rather than magnitude-driven. We further document a water-carbon trade-off that current ESG tools do not surface: Sweden's hydro-dominated grid delivers the lowest carbon intensity in our dataset but the highest water footprint, with direct implications for data centre location strategy.

• semanticscholar https://doi.org/10.48550/arxiv.2606.10660first seen 2026-06-12 05:50:42 · last seen 2026-09-22 05:09:23
• openalex https://doi.org/10.48550/arxiv.2606.10660first seen 2026-06-18 04:53:06