Doxa 2469

Cómo la inteligencia artificial puede convertir grandes cantidades de texto en información útil

Un estudio sobre soluciones climáticas muestra cómo la tecnología puede ayudar a los líderes a rastrear tendencias, identificar mercados cambiantes y aprovechar oportunidades emergentes

Por Shirley Lu y George Serafeim

IA y aprendizaje automático

Harvard Business Review

#Doxa  #InteligenciaArtificial #AcciónClimática #AnálisisDeDatos #Sostenibilidad #TendenciasVerdes #MercadosEmergentes #LiderazgoClimático #InnovaciónTecnológica #EconomíaCircular #TransiciónEnergética #BigData #OportunidadesVerdes #SolucionesClimáticas #EstrategiaEmpresarial #FuturoSostenible

Resumen. La IA generativa está transformando la forma en que los líderes utilizan texto no estructurado y regulado para generar información útil. Para ilustrar esto, los investigadores perfeccionaron una GPT para analizar las descripciones empresariales del formulario 10-K de empresas que cotizan en bolsa en EE. UU. La GPT fue explícitamenteBuscando lenguaje sobre las soluciones climáticas de las empresas. Los investigadores compararon estos hallazgos con los resultados empresariales que preocupan a los ejecutivos, incluyendo los ingresos y la valoración de las empresas. Sus hallazgos revelan cómo el texto corporativo puede generar señales precisas sobre cómo están cambiando los panoramas competitivos y dónde está surgiendo el crecimiento. El enfoque es generalizable: con las fuentes textuales, las definiciones y la validación adecuadas, los ejecutivos pueden extraer sistemáticamente una gran cantidad de información textual para fundamentar la estrategia, la asignación de capital y el riesgo.

La información siempre ha sido crucial para una buena toma de decisiones. Sin embargo, parte de la información más valiosa, tanto dentro de las organizaciones como en los mercados, ha permanecido atrapada durante mucho tiempo en texto denso y sin estructura: informes anuales, contratos, comentarios de clientes, manuales técnicos y memorandos internos. El reto no era que la información no existiera, sino que extraerla sistemáticamente, a través de numerosos documentos, empresas y años, era lento, costoso y difícil de realizar de forma consistente.

La IA generativa moderna cambia esa restricción. Con los modelos actuales, los líderes pueden convertir información valiosa en información estructurada y lista para tomar decisiones: una señal consistente que puede rastrearse a lo largo del tiempo, compararse con colegas y vincularse con resultados.

Para concretar esto, estudiamos uno de los campos de oportunidad más relevantes en la actualidad: lo que llamamos soluciones climáticas, es decir, productos y servicios que facilitan la descarbonización. Algunos ejemplos son las baterías, los vehículos eléctricos, el almacenamiento de energía, la energía solar y eólica renovable, los materiales reciclados, las proteínas vegetales, las soluciones de eficiencia energética y los biocombustibles. Muchos líderes que consideran nuevas inversiones para impulsar el crecimiento en estas áreas son conscientes de estas transiciones, pero aún se enfrentan a una pregunta fundamental: ¿Quién está desarrollando y vendiendo realmente soluciones climáticas, y dónde surge la oportunidad? Los estados financieros no desglosan los ingresos por soluciones climáticas de forma estandarizada.

En nuestra investigación reciente, demostramos cómo la IA gen puede ayudar a responder a esta pregunta al tratar el texto regulado como datos. En concreto, aplicamos un modelo GPT perfeccionado al Punto 1 ("Descripción de la Empresa") de los formularios 10-K de las empresas para generar una medida anual específica para cada empresa que indique si están desarrollando o implementando productos y servicios para la solución climática. Nos centramos en el Punto 1 porque proporciona una descripción completa de los productos y servicios de una empresa y está disponible anualmente para todas las empresas que cotizan en bolsa en EE. UU. Además, presenta tres características deseables para el análisis sistemático mediante IA que todo responsable de la toma de decisiones debe tener en cuenta:

• Es comparativamente confiable porque los formularios 10-K son presentaciones estandarizadas y reguladas, sujetas al escrutinio y a la certificación ejecutiva.
• Esto evita un problema central de “selección” porque casi todas las empresas que cotizan en bolsa deben presentar una declaración, por lo que es menos probable que la no divulgación refleje un silencio estratégico en comparación con los datos que se comparten voluntariamente.
• Está lo suficientemente estandarizado entre empresas y años como para ser procesado a escala por un sistema de IA, lo que permite una medición repetible a lo largo del tiempo.

Posteriormente, ajustamos un modelo GPT para detectar frases relacionadas con soluciones climáticas, pero no frases genéricas relacionadas con el clima. Esta distinción significa que la venta de vehículos eléctricos cuenta; el simple uso de vehículos eléctricos en una flota corporativa, no. Para captar esta diferencia, ajustamos el modelo GPT con un conjunto etiquetado de aproximadamente 3500 frases del Ítem 1, muestreadas en diferentes sectores. Posteriormente, utilizamos este modelo para clasificar todas las frases del Ítem 1 de 39 710 presentaciones 10-K de 4483 empresas estadounidenses entre 2005 y 2022. En total, procesamos cerca de 10 millones de frases.

Compartimos nuestra metodología, datos y hallazgos en un artículo publicado recientemente en Nature Communications. Al reflexionar sobre este proceso, identificamos tres conclusiones generalizables sobre cómo la IA general podría mejorar la información utilizada en la toma de decisiones ejecutivas, incluso fuera del contexto de las soluciones climáticas. Nuestros hallazgos destacan la capacidad de la IA para generar información práctica en entornos donde la competencia, los proveedores y los clientes se describen mediante datos abundantes, regulados y públicamente disponibles. Esta información puede ayudar a los líderes a detectar cambios en la dinámica competitiva con mayor antelación y a tomar decisiones estratégicas más rigurosas y basadas en la evidencia.

Cómo convertir el texto regulado en señales prácticas

Muchas preguntas estratégicas comparten las mismas características: los datos estructurados son incompletos o están desfasados, pero el texto es abundante e informativo. Considere estas cinco áreas estratégicas:

• Datos de clientes: Divulgaciones en hallazgos regulados sobre clientes importantes, como aquellos que representan más del 10% de las ventas de una empresa
• Capacidades de la competencia: descripciones de productos, documentación técnica, solicitudes de patentes
• Fragilidad de la cadena de suministro: Divulgaciones de riesgos de proveedores, registros de seguridad o requisitos de adquisición de la propia empresa
• Exposición regulatoria y postura de cumplimiento: divulgación de factores de riesgo, lenguaje de cumplimiento, consultas sobre políticas
• Restricciones de la fuerza laboral: Publicaciones de empleo, inventarios de habilidades internas, retroalimentación de los empleados

En cada caso, se puede hacer referencia a la siguiente secuencia: elegir una fuente de texto que sea relevante y repetible; definir el constructo con precisión (lo que se intenta detectar); ajustar o calibrar el modelo para ese constructo; validar contra cualquier punto de referencia existente; y luego utilizar las medidas resultantes para monitorear el cambio y respaldar las decisiones.

A continuación, le mostraremos cómo aplicar este marco mediante nuestro estudio sobre soluciones climáticas. Si bien analizamos un tema y un tipo de texto (regulado), nuestros hallazgos ofrecen tres conclusiones generalizables para las empresas que buscan convertir sus datos en información:

1. Identificación de áreas de oportunidad

Un escepticismo natural es que el texto corporativo pueda ser solo palabrería. Una razón por la que el Punto 1 es útil es que se acerca más a lo que las empresas afirman vender que a lo que afirman creer. Cuando utilizamos la IA general para cuantificar la intensidad de las soluciones climáticas de una empresa a partir del Punto 1, la medida se comporta como una señal económica real, en lugar de un indicador narrativo vago.

Al identificar áreas de oportunidad, las empresas deben primero encontrar una medida que se compare con indicadores externos. En nuestro estudio, observamos que la medida de intensidad climática derivada de nuestro análisis aumenta con parámetros externos de ingresos e innovación ecológica, y aumenta de forma coherente con una verdadera interacción entre el producto y el mercado, en lugar de con un discurso climático generalizado.

En segundo lugar, las empresas deberían vincular sus medidas con los resultados empresariales que preocupan a los ejecutivos. Observamos que las empresas con mayor intensidad en soluciones climáticas mostraron un mayor crecimiento de los ingresos. Esta relación fue más sólida en entornos donde se esperaría que la demanda y la ventaja competitiva fueran más duraderas: donde la innovación es protegible (por ejemplo, patentes) y para categorías de soluciones con mayor potencial de reducción de carbono. En resumen, la medida derivada del texto no solo reflejó la actividad, sino que también se correlacionó con el crecimiento.

En evidencia complementaria de investigaciones relacionadas, descubrimos que la medida que calculamos también se reflejó en el valor de mercado y el rendimiento prospectivo. Las empresas con soluciones climáticas de alto impacto mostraron una mayor valoración de mercado y experimentaron una reacción positiva del mercado a corto plazo ante eventos que intensificaron la preocupación por el clima, como la firma del Acuerdo de París y el anuncio de la Ley de Reducción de la Inflación. Descubrimos que estas empresas también obtuvieron una mayor rentabilidad futura en las regiones donde surgieron políticas de apoyo. Para los líderes, esta es otra razón para tomar en serio estas señales: los inversores parecen estar incorporándolas en la valoración de las acciones, y las empresas que obtienen buenos resultados en esta medida tienden a obtener mejores resultados financieros a medida que se acelera la transición debido a las políticas de apoyo y la demanda del mercado.

La conclusión es que la IA gen puede convertir una fuente de texto regulada y ampliamente disponible en una señal disciplinada y repetible sobre dónde se encuentra la oportunidad, especialmente cuando los informes financieros tradicionales no identifican por separado esa línea de negocio. De igual manera, los líderes pueden buscar señales relacionadas con el crecimiento en otros textos regulados, como la divulgación obligatoria de contratos importantes de la cadena de suministro por parte de otras empresas.

2. Aprender sobre los factores externos cambiantes

La IA de última generación ofrece una capa escalable de "detección externa". En lugar de depender únicamente de los ciclos de noticias, la actividad en conferencias o una lista seleccionada de competidores, los líderes pueden monitorear sistemáticamente cómo las empresas de la economía describen su actividad y detectar señales tempranas de convergencia que pueden transformar las cadenas de valor. Dependiendo de la fuente de datos utilizada por la IA, esto podría proporcionar una visión anual (en la mayoría de los casos, como en el nuestro), trimestral o incluso más frecuente del panorama cambiante.

En nuestro estudio, descubrimos que, a medida que las tecnologías de descarbonización escalan, trascienden cada vez más las líneas sectoriales tradicionales. Por ejemplo, los biocombustibles están siendo impulsados ​​tanto por compañías petroleras y gasíferas como por actores agrícolas a través de vías basadas en residuos. El almacenamiento de energía es fundamental tanto para los fabricantes de automóviles que construyen vehículos eléctricos como para las empresas de servicios públicos que integran energías renovables en la red. Además, otras áreas de solución, como las tecnologías de reciclaje y los materiales bajos en carbono, están surgiendo en múltiples industrias simultáneamente. En la práctica, esto significa que el ecosistema relevante para cualquier solución suele ser más amplio que una sola clasificación industrial, y el conjunto de competidores, socios y cuellos de botella importantes puede cambiar más rápido de lo que prevén los líderes.

El análisis de texto permite observar esto con mayor antelación. Al examinar la distribución de los temas de soluciones climáticas divulgados en las distintas industrias, podemos cuantificar cuándo dos grupos industriales comienzan a solaparse en las áreas de solución que priorizan. En nuestro estudio, vinculamos esta convergencia con las actividades del mercado de capitales: los pares de industrias con perfiles de temas de soluciones climáticas más similares mostraron una mayor comovimiento en la rentabilidad de sus acciones, en consonancia con la creciente convergencia de sus fundamentos.

Para los líderes, este hallazgo refleja que cuando industrias adyacentes empiezan a parecerse en su enfoque de soluciones, es probable que el panorama competitivo esté cambiando, ya sea por nuevos participantes, nuevos sustitutos o nuevas dependencias de proveedores y plataformas compartidas. Esto puede generar amenazas (competencia por clientes, talento e insumos) y oportunidades (alianzas, objetivos de fusiones y adquisiciones, nuevos canales). Pero es difícil responder si no se ve el cambio de límites.

3. Pruebas de presión a priori utilizando evidencia de toda la economía

Los ejecutivos operan con preconceptos: creencias sobre qué limitará la adopción, de dónde provendrá la demanda y qué barreras son estructurales y cuáles temporales. Sin embargo, en mercados inciertos, los preconceptos pueden convertirse en pilares, especialmente cuando los ejecutivos carecen de visibilidad directa de lo que ocurre en el mercado en general.

Una característica útil de la medición basada en IA gen es que permite cuestionar las hipótesis previas al agregar evidencia a gran escala. Nuestros resultados ilustran esto con una creencia común sobre la transición climática: que la política segmentará drásticamente las oportunidades y la adopción.

Observamos que la política sí importa, pero en menor medida de lo que se podría suponer: las empresas con mayor exposición a estados con tendencia republicana presentan un menor índice de soluciones climáticas en nuestro estudio que aquellas con mayor exposición a estados con tendencia demócrata. Sin embargo, el patrón no es uniforme en todas las tecnologías. La diferencia política desaparece en el caso de las tecnologías de bajo coste. Este matiz es importante estratégicamente porque replantea la restricción: la política puede ralentizar o condicionar la adopción en algunos segmentos, pero a medida que los costes bajan y las soluciones se vuelven económicamente atractivas, la restricción se debilita.

Este tipo de perspectiva puede ayudar a actualizar las creencias de los ejecutivos. En lugar de debatir anécdotas —"esa región nunca adoptará" o "este entorno político lo hace imposible"—, los líderes pueden usar evidencia sistemática de datos textuales para distinguir dónde las restricciones políticas son limitantes y dónde predomina la economía. Esto, a su vez, puede orientar la asignación de capital, las zonas geográficas priorizar y cómo organizar la entrada en las distintas categorías de soluciones.

...

El texto, especialmente el texto regulado y estandarizado, puede tratarse como datos. La inteligencia artificial (IA) de última generación es lo que lo hace práctico a gran escala. Las soluciones climáticas son un ejemplo oportuno, pero el flujo de trabajo más amplio se generaliza. El factor limitante siempre será el mismo: la disponibilidad de datos de alta calidad para el caso de uso específico. Analizar datos de empresas privadas será más difícil, ya que podrían no estar sujetos al escrutinio de entidades que mejoran la calidad de la información, como auditores y reguladores. De igual manera, cuanto mayor sea la confianza depositada en la información divulgada voluntariamente, como la retroalimentación de los empleados, mayor será la probabilidad de obtener información confusa.

Este proceso está ampliando la base de información para el juicio ejecutivo. Cuando los mercados cambian, las oportunidades surgen primero en señales dispersas: nuevas descripciones de productos, nuevo lenguaje de capacidades y nuevos patrones en la forma en que las empresas describen su actividad. La IA de Generación permite convertir estas señales en información estructurada y comparable. Y una vez que esa información es medible, los líderes pueden utilizarla como cualquier otro insumo estratégico: para establecer parámetros de referencia, rastrear tendencias, identificar puntos de inflexión y revisar suposiciones.

Lea más sobre IA y aprendizaje automático o temas relacionados IA generativa, Indicadores de rendimiento, Análisis estratégico, Toma de decisiones y resolución de problemas, Estrategia de crecimiento, Estrategia corporativa, Mercados financieros y Gestión de la incertidumbre

Shirley Lu es profesora adjunta de administración de empresas en la Harvard Business School.

George Serafeim es profesor Charles M. Williams de Administración de Empresas en la Harvard Business School.