En la actualidad, el concepto de sostenibilidad y cuidado del medio ambiente ha cobrado una relevancia sin precedentes. Sin embargo, esta tendencia ha llevado a un fenómeno preocupante: el greenwashing, o lavado de imagen verde. Ante esta problemática, la IA emerge como una herramienta fundamental en la detección y prevención del greenwashing. En este artículo, exploraremos la importancia de la IA en la lucha contra el greenwashing y los motivos por los cuales representa un paso crucial en la promoción de prácticas empresariales verdaderamente sostenibles.
Julio de 2023 fue el mes más caluroso jamás registrado. Más o menos al mismo tiempo que las fotos virales mostraban el humo de los incendios forestales asfixiando los rascacielos de Manhattan, los expertos en inversión denunciaban que las métricas ASG eran «a menudo… muy subjetivas, blandas y fáciles de manipular». No es de extrañar que las acusaciones de «lavado verde» dirigidas a sectores que van desde el petróleo y el gas hasta las finanzas y la banca sigan dominando los titulares y los debates de los consejos de administración.
En un extremo del espectro, existe el deseo de eliminar la inversión basada en principios medioambientales, sociales y de gobernanza (ESG). En el otro extremo, hay llamamientos urgentes para que se acelere el movimiento a favor de la sostenibilidad. También hay un punto intermedio en el que todos parecen estar de acuerdo: los métodos actuales para medir la eficacia de los esfuerzos ASG son a menudo incoherentes y poco fiables.
La transición hacia un futuro neto cero está muy cerca. En la actualidad, cientos de empresas que representan 130 billones de dólares en activos gestionados forman parte de la Alianza Financiera de Glasgow para un Futuro Neto Cero (GFANZ) y se han comprometido a acelerar la descarbonización de la economía. Dado que el sector de los servicios financieros está muy implicado en la transición energética, tiene que replantearse cómo generar confianza afrontando estos retos de medición ASG. Hay que hacer algo, y rápido.
Vea también: ¿Qué es el greenwashing y cómo prevenirlo en las empresas?
Hacer que las métricas ASG sean más significativas
En la actualidad, existen docenas de proveedores externos de datos y calificaciones ASG, entre ellos ESG Book, Moody’s, S&P, Bloomberg, MSCI, Refinitiv y Sustainalytics. Cientos de datos se procesan y se agrupan en categorías ambientales, sociales y de gobernanza ponderadas para obtener una calificación. Todos esos datos pueden dividirse en miles de dimensiones, lo que hace difícil diferenciar la realidad de la ficción.
Por ejemplo, ¿qué ocurre cuando se examinan las calificaciones generales de ASG de una gran empresa de petróleo y gas de tres proveedores diferentes? Abarcan todo un espectro: El proveedor 1 la califica de «BBB» (media), el proveedor 2 de «buena» y el proveedor 3 de «riesgo grave».
Nunca ha habido tanto en juego para mejorar las calificaciones ASG en todos los sectores.
Vea también: La sostenibilidad en las organizaciones para evitar el Greenwashing
La inteligencia artificial
La ambigüedad en torno a las calificaciones ASG existe por varias razones. La existencia de datos aislados y superpuestos, la presentación de informes incompletos y exagerados, la falta de normas de medición y el lavado verde de buena fe son algunos de los culpables.
Las puntuaciones ESG se agregan. Y aunque existe la posibilidad de profundizar, los responsables de la toma de decisiones necesitan datos más detallados y transparencia para contextualizar y determinar la fiabilidad y validez de sus decisiones empresariales, especialmente cuando hay valores atípicos. Por ejemplo, a principios de este año, se informó de que una empresa tabaquera tenía una puntuación ESG significativamente más alta que el fabricante de vehículos eléctricos Tesla.
Al examinar los datos ASG, los analistas de investigación, los suscriptores y los gestores de activos deberían poder acceder a la fuente para evaluarlos y compararlos con otras calificaciones e investigaciones comparables. Y ahí radica otro problema: Las puntuaciones ESG se basan en parte en información disponible públicamente, por lo que dependen del compromiso de una empresa con la divulgación y la transparencia. Si existen lagunas, ¿cómo se colman? Es difícil saberlo. Al fin y al cabo, los calificadores ESG son humanos. La puntuación neutra de una persona es negativa para otra y, a pesar de nuestros mejores esfuerzos, todos somos propensos a la parcialidad y al error. Afortunadamente, la inteligencia artificial (IA) no es sensible.
Mientras que las calificaciones ESG se componen de datos estructurados o cuantitativos, los comentarios y opiniones en línea son datos no estructurados o cualitativos. Piense en el ciclo de noticias de 24 horas, que genera constantemente historias y actualizaciones. A diferencia de los humanos, las máquinas pueden leer cada artículo y analizar texto, audio, vídeo e imágenes. Pensemos ahora en la naturaleza dinámica de las plataformas de medios sociales, donde las reacciones instantáneas pueden hacerse virales y afectar a la forma en que las partes interesadas perciben las prácticas ASG de una empresa. El procesamiento del lenguaje natural (NLP) puede «leer» el lenguaje humano, y el aprendizaje automático (ML) puede analizar y medir el valor emocional o el sentimiento de las comunicaciones como positivo, neutro o negativo. El análisis de estos datos no estructurados, o sentimiento, puede ayudar a validar y aumentar las declaraciones ASG, descubrir discrepancias y proporcionar información en tiempo real para apoyar las decisiones de inversión y suscripción a escala.
Vea también: Cómo lograr que el eCommerce sí sea sostenible y no solo greenwashing
Reducir el ruido y colmar las lagunas geográficas
Los datos no estructurados producidos por eventos relacionados con ESG pueden ser a menudo ruidosos. Aumentar el resultado de un motor de sentimiento de PLN con IA Generativa para el análisis puede introducir matices y precisión tanto en los sentimientos positivos como en los negativos. Este enfoque también ayuda a mitigar cualquier sesgo en los informes de noticias, mientras que el filtrado avanzado reduce aún más el ruido no deseado.
Por ejemplo, un banco de inversión fue capaz de crear un sistema de sentimiento ESG casi en tiempo real que integra más de 70.000 fuentes de noticias globales, lo que permite a los operadores comprender rápidamente y reaccionar ante el impacto de los acontecimientos en el perfil ESG de las empresas.
Los datos no estructurados también pueden ayudar a colmar lagunas cuando los datos estructurados no están disponibles o no se puede acceder a ellos a través de calificadores externos. En ambos casos, las instituciones financieras pueden analizar la información no estructurada para desarrollar datos indirectos que ofrezcan una imagen de las actividades ASG. Esta información también puede ayudar a comparar los informes con los marcos aceptados en el sector para revelar incoherencias y exageraciones en los datos ASG.
El camino a seguir es sencillo: Para combatir el «lavado verde», el sector de los servicios financieros debe desarrollar una visión más profunda y fiable de los resultados ASG. Esto garantizará que estén en mejores condiciones para adoptar una visión más predictiva de los riesgos y las oportunidades. Una vez conseguido esto, no sólo podremos sacar provecho de la transición hacia una economía con bajas emisiones de carbono, sino que también podremos confiar en que los 130 billones de dólares necesarios para financiarla irán a parar a las manos adecuadas.
