論文の概要: Accounting for AI Inference in Corporate GHG Inventories: A Four-Tier Methodology for Scope 3 Category 1 Reporting

• arxiv url: http://arxiv.org/abs/2606.10660v1
• Date: Tue, 09 Jun 2026 10:08:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.437427
• Title: Accounting for AI Inference in Corporate GHG Inventories: A Four-Tier Methodology for Scope 3 Category 1 Reporting
• Title（参考訳）: コーポレートGGGインベントリにおけるAI推論の会計:スコープ3カテゴリの4階層方法論の報告
• Authors: Guillermo Llopis,
• Abstract要約: AI推論サービスは、CSRD(Comporate Sustainability Reporting Directive)の下でScope 3 Category 1に該当する。 現在の慣行では、カテゴリーを完全に省略するか、ICTセクター全体に対して調整された一般的な経済的な入出力要素を適用している。 推定精度とデータ組織が現実的に得るデータとを一致させる4層フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 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、組み込みAI機能を備えたSaaS製品 -- は、2024年1月からの会計年度の開示を必要とするCSRD(Corporate Sustainability Reporting Directive)の下で、Scope 3 Category 1に明確に該当する。 しかし、企業GGの在庫に含めるための標準化された方法論は存在しない。 現在のプラクティスでは、カテゴリを完全に省略するか、ICTセクター全体に対して調整された一般的な経済入出力(EEIO)ファクタを適用し、物理的に派生した代替手段と比較してAI推論エミッションを10～40倍過大に見積もっている。 我々は、GPUエネルギベンチマークと地域グリッドの炭素強度を使って、直接トークンベースの物理推定から、使用データがないサービスに対する支出ベースのEEIOフォールバックまで、現実的に取得できるデータ組織と見積の精度に一致する4層フレームワークを提案する。 排出要因は、ピアレビューされたGPUエネルギーベンチマーク(ML.ENERGY Leaderboard v3)、確認されたグリッドカーボン強度(EPA eGRID 2023; Ember 2023)、公表された水利用効果データ(Li et al , 2025)から導かれる。 200人の欧州企業に適用すると、このフレームワークはトータルで1tCO2e以下となり、コンプライアンスの課題はマグニチュード駆動ではなく方法論的だ、と説明される。 現在のESGツールが表面化していない水-炭素のトレードオフについても、さらに文書化しています。 スウェーデンのハイドロドミネーショングリッドは、データセットの中では最低の炭素強度を提供するが、最も高い水フットプリントを提供し、データセンターの位置戦略に直接影響します。

関連論文リスト

• Agents' Last Exam [265.9133708028224]
  本稿では,AIエージェントを長期的,経済的に価値のある実世界のタスクで評価するためのベンチマークであるエージェントのLast Exam(ALE)を紹介する。 ALEは250以上の業界の専門家と共同で開発され、O*NET / SOC 2018を参照して定義された非物理産業をカバーしている。 現在の結果は、最も硬い層が飽和していないことを示している:主流のハーネスとバックボーンの構成で、平均フルパスレートは2.6%である。
  論文  参考訳（メタデータ） (2026-06-03T20:20:46Z)
• Quantifying the Climate Risk of Generative AI: Region-Aware Carbon Accounting with G-TRACE and the AI Sustainability Pyramid [2.2999148299770047]
  GenAIは、エネルギー需要と関連するCO2排出量が新たな気候リスクのカテゴリとして出現する、急速に拡大するデジタルインフラである。 本研究は、トレーニングおよび推論関連エミッションを定量化するクロスモーダルな領域認識フレームワークであるG-TRACEを紹介する。 AI Sustainability Pyramidは、炭素会計メトリクスと運用の準備、最適化、管理を結びつける7段階のガバナンスモデルである。
  論文  参考訳（メタデータ） (2025-11-06T19:52:02Z)
• Environmental Impact of CI/CD Pipelines [45.02374935546107]
  GitHub Actionsエコシステムは、かなりの炭素と水のフットプリントをもたらす。 したがって、最も可能性の高いシナリオの炭素フットプリントは、1年で7,615本の都会の木によって捕獲された炭素と同等である。 主な推奨事項は、エネルギー生産が環境への影響の低い地域にランナーを配置することである。
  論文  参考訳（メタデータ） (2025-10-30T12:02:09Z)
• A Graph-Retrieval-Augmented Generation Framework Enhances Decision-Making in the Circular Economy [40.04207519131063]
  CircuGraphRAGは検索拡張世代(RAG)フレームワークで、LLMの出力を循環経済のためのドメイン固有の知識グラフに根拠付ける。 このグラフは117,380の産業・廃棄物を分類コードとGWP100排出データと結びつけ、構造化されたマルチホップ推論を可能にする。
  論文  参考訳（メタデータ） (2025-06-01T07:49:47Z)
• How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [0.0]
  本稿では,商用データセンタにデプロイされる30の最先端モデルを対象とした,AI推論の環境フットプリントを定量化する,新たなインフラストラクチャ対応ベンチマークフレームワークを提案する。 以上の結果から,O3とDeepSeek-R1が最もエネルギー集約的なモデルとして出現し,GPT-4.1ナノの70倍以上のGPT-4.1ナノを消費し,Claude-3.7 Sonnetはエコ効率で最高であることがわかった。 AIは安価で速くなっているが、そのグローバルな採用はリソース消費を不均等にしている。
  論文  参考訳（メタデータ） (2025-05-14T17:47:00Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。