Doxa 2579

La IA puede medir cómo los criterios ESG realmente impactan en los resultados finales

Los modelos de lenguaje a gran escala están haciendo que el análisis riguroso de la sostenibilidad sea mucho más rápido y económico

Por Robert G. Eccles y Shivaram Rajgopal

Sostenibilidad Ambiental

Harvard Business Review

#Doxa #InteligenciaArtificial #CriteriosESG #ModelosDeLenguaje #Sostenibilidad #Rentabilidad #LLM #AnálisisDeSostenibilidad #ImpactoESG #EficienciaOperativa #InnovaciónTecnológica

Resumen. Los avances en los modelos de lenguaje a gran escala están haciendo que el análisis riguroso de la sostenibilidad sea mucho más rápido y económico, lo que permite a los inversores y otras partes interesadas conectar directamente los riesgos ambientales y sociales divulgados por las empresas con los resultados financieros.

Rendimiento en cuestión de horas en lugar de semanas. Aplicando una metodología simple a ExxonMobil, los autores utilizaron IA para vincular cuestiones relacionadas con la sostenibilidad a partidas específicas de los estados financieros y estimar su impacto en las ganancias y el valor, demostrando tanto el potencial como las limitaciones del análisis asistido por IA. A medida que estas capacidades se vuelven más accesibles, la ventaja competitiva que durante mucho tiempo han mantenido las agencias de calificación ESG, los organismos emisores de estándares y los gestores de fondos sostenibles podría erosionarse, desplazando la atención de las puntuaciones propias hacia supuestos transparentes y consecuencias financieras. El juicio humano sigue siendo esencial para validar los resultados generados por la IA, pero la tendencia general es clara: el análisis de la sostenibilidad se está democratizando, fundamentando financieramente y volviéndose más adaptable, con implicaciones significativas para la forma en que los inversores, los reguladores y otras instituciones evalúan el desempeño corporativo y la creación de valor.

Recientemente, aplicamos cuatro modelos de lenguaje de gran tamaño y ampliamente disponibles a la información pública de ExxonMobil. El objetivo no era generar otra puntuación ESG ni destacar a ExxonMobil en particular. Se trataba de comprobar si la IA podía lograr algo que el análisis de la sostenibilidad ha intentado durante mucho tiempo a gran escala: tomar los aspectos ambientales y sociales que la propia empresa declara como relevantes desde el punto de vista financiero, asignarlos a partidas específicas de su estado de resultados, balance y flujo de caja, y estimar cómo un buen o mal desempeño en cada uno de ellos afectaría al valor de la empresa. Uno de nosotros ya había realizado este tipo de análisis manualmente. Le llevó unas 100 horas. Con la IA, el mismo trabajo principal se realizó en aproximadamente una hora; algunas partes se completaron en minutos.

La velocidad es la clave, y lo importante no es que dos profesores pudieran hacerlo, sino que, en poco tiempo, casi cualquiera podrá. Como argumentamos en nuestro nuevo libro, «  Cómo hacer que la sostenibilidad sea financieramente relevante», el caso de ExxonMobil sirvió para demostrar su utilidad. El análisis riguroso y con fundamento financiero de la sostenibilidad se está volviendo económico, rápido y reproducible. Cuando esto ocurra, el foco de atención se desplazará de debatir sobre en qué calificación ESG confiar a examinar personalmente las suposiciones, las compensaciones y las consecuencias económicas. Esta perspectiva debería dinamizar y, a la vez, inquietar al ecosistema multimillonario de proveedores de calificaciones, organismos de normalización, proveedores de datos y gestores de fondos, que surgió en gran medida porque este análisis solía ser muy complejo.

Una nueva metodología

Dejando de lado, por un momento, que la ESG se ha convertido en un blanco de críticas políticas, un argumento que uno de nosotros planteó en el  artículo de HBR  de 2024 « Más allá de la ESG », sus defensores más serios coinciden desde hace años en el principal obstáculo: nunca ha existido una forma transparente y creíble de vincular el desempeño ambiental y social de una empresa con su desempeño financiero. La habitual afirmación de que «creamos valor para los accionistas cuidando de nuestros grupos de interés» nunca ha convencido a nadie en todo el espectro político, porque carece de rigor analítico e ignora sutilmente las compensaciones.

La solución es casi trivial y tan simple que cualquiera podría haber ideado nuestra metodología hace 20 años, pero habría sido demasiado laboriosa. Para una empresa que cotiza en bolsa, se identifican los factores de riesgo ambiental y social que ya divulga en su informe 10-K o 20-F; se comparan con los aspectos considerados financieramente relevantes para su sector (las normas SASB son un buen punto de partida); se asigna cada factor a partidas específicas de los estados financieros; y se estima el impacto financiero de un buen y un mal desempeño en diversos escenarios. El resultado no es un eslogan ni una puntuación. Es el tipo de análisis que un inversor puede utilizar realmente.

Para ExxonMobil, la metodología produjo cifras en lugar de impresiones. Nuestro propio análisis asistido por IA estimó la exposición total relacionada con la sostenibilidad en aproximadamente $5–10 mil millones en el caso base, aumentando a $12–18 mil millones bajo supuestos adversos. Una ejecución paralela utilizando Gemini Pro 2.5 llegó a una cifra significativamente más alta de $25–45 mil millones, que atribuimos a supuestos más agresivos de transferencia de costos de carbono y un cálculo de deterioro de reservas que cuestionamos explícitamente. En tres escenarios definidos por la trayectoria del precio del petróleo, el precio del carbono, la velocidad de los litigios y la tasa de transferencia de costos de carbono, el efecto anual estimado en el EBIT osciló entre aproximadamente -$3.3 mil millones (conservador) a -$8.3 mil millones (adverso) a -$15.2 mil millones (severo).

Es evidente que la elección del sistema de IA fue crucial. Y ahí reside la advertencia. Al llevar nuestro marco de trabajo más allá de sus posibilidades, generó una estimación amplia, internamente coherente y completamente errónea de la destrucción de la demanda a largo plazo. El error se debió a que el panorama político que asumía acababa de cambiar en la dirección opuesta. Solo lo detectamos gracias a nuestro profundo conocimiento de la empresa y del contexto político. Esta es la norma, no la excepción. La IA posibilita el análisis, y el juicio humano lo hace fiable. Las mejores herramientas aumentan la exigencia de la experiencia necesaria para utilizarlas correctamente; no la eliminan.

Sin embargo, el cambio es real y modifica quién puede realizar el trabajo. Un análisis que antes era artesanal se está volviendo industrial, empresa por empresa, sector por sector. Esto tiene profundas implicaciones para el ecosistema ESG. No tenemos información privilegiada sobre las deliberaciones en curso dentro de las agencias de calificación, los organismos de normalización ni los reguladores de fondos, pero la capacidad que describimos se está poniendo directamente en manos de los individuos a un ritmo mucho más rápido del que estas instituciones pueden avanzar. Cabe destacar que los tres pilares —calificaciones, estándares y fondos— ya están avanzando en la dirección que indica nuestro método. La única pregunta real es si lo harán con la suficiente rapidez. Quienes no lo hagan se quedarán atrás.

Calificaciones ESG

Comencemos con la pregunta más sencilla del lector: ¿Por qué pagar por una única puntuación de un tercero cuando se puede analizar la información subyacente uno mismo? Las calificaciones ESG tenían sentido cuando surgieron, hace casi 40 años, en un mundo donde las empresas divulgaban poca información y no existían estándares; alguien tenía que llenar ese vacío. Si bien ahora se publican grandes volúmenes de datos de sostenibilidad (de calidad desigual), una calificación sigue siendo un agregado basado en la metodología y las ponderaciones elegidas por una empresa. Las empresas se han quejado durante mucho tiempo de que el resultado es, en última instancia, subjetivo. El panorama ya está cambiando visiblemente. Incluso MSCI, el mayor proveedor, está reconstruyendo su modelo  en torno a la materialidad financiera y el flujo de caja en lugar de la divulgación. Cualquiera puede ahora generar su propia visión detallada, partida por partida, y producir una puntuación agregada solo si la considera útil, algo que dudamos que ocurra con frecuencia.

Configuración estándar

Ahora bien, una pregunta más compleja: ¿Qué sucede cuando la IA puede detectar problemas materiales emergentes con mayor rapidez que la actualización de las normas por parte de los organismos oficiales? La elaboración de normas es, por diseño, lenta. La norma de contabilidad de seguros tardó aproximadamente dos décadas desde su propuesta hasta su adopción. Nuestro colega Bhakti Mirchandani, coautor de « Necesitamos normas contables ESG universales »,  nos ha sugerido que las normas del SASB, fundamentales para redefinir la materialidad para los inversores, requieren una actualización importante. Estas normas citan cuestiones climáticas como materiales, cuando ya no lo son, y prácticamente no han tenido en cuenta los nuevos problemas materiales derivados de la IA.

Predecimos que la IA ampliará la brecha entre la rapidez con la que surgen los problemas materiales y la rapidez con la que se actualizan las normas formales. Sin embargo, la IA también puede ayudar a cerrar esa brecha al detectar problemas emergentes, redactar revisiones y facilitar el procesamiento de los comentarios públicos, sin sacrificar la consulta que otorga legitimidad a las normas.

Fondos sostenibles

Los fondos sostenibles, con sus diversas denominaciones, han estado en el centro de la controversia política sobre sostenibilidad y han sido objeto de críticas en todo el espectro político. Invertir de forma sostenible significa cosas diferentes para distintas personas, y una distinción importante radica en la diferencia entre inversión basada en el valor y la inversión basada en valores. Hoy en día, la estructura de un fondo combina calificaciones de terceros con el criterio personal de quien lo creó; se pueden ver las participaciones, pero rara vez el razonamiento detrás de ellas. Y a menudo se confunde valor con valores. Nuestro método permite al inversor comprobar qué contiene realmente un fondo supuestamente sostenible o construir una cartera según sus propios criterios.

La próxima frontera

Esto nos lleva a la pregunta más difícil, basada en la confusión que ha existido desde el principio entre dos significados diferentes del término «sostenibilidad». Creemos que esta confusión ha desempeñado un papel fundamental en la politización de la sostenibilidad. Todo lo anterior se refiere a la materialidad financiera: la sostenibilidad como creación de valor para la empresa. No mide el impacto total de una empresa en el mundo, o lo que ahora se conoce comúnmente como «materialidad del impacto». Una petrolera puede gestionar su riesgo climático de forma que proteja el valor para los accionistas, aun cuando contribuya a las emisiones globales; una empresa tecnológica puede crear un valor enorme, pero imponiendo costes a los mercados laborales, la privacidad o las instituciones democráticas. Estas cuestiones son importantes. Simplemente no son la misma pregunta que hemos respondido aquí.

Hemos comenzado a trabajar en ese problema más complejo: medir el valor añadido que una empresa aporta a sus grupos de interés a nivel sistémico. La IA también será fundamental en este ámbito, aunque los datos sean más complejos y los juicios más difíciles. Todas las instituciones que hemos mencionado trabajan en la sostenibilidad a nivel sistémico. La IA les ayudará a lograrlo. Sin embargo, deben combinarla con conocimientos especializados y criterio humano para evitar que la IA las supere.

Lea más sobre sostenibilidad ambiental o temas relacionados. Contabilidad y estados financieros.

Robert G. Eccles es profesor visitante de práctica de gestión en la Saïd Business School de la Universidad de Oxford y presidente fundador del Consejo de Normas de Contabilidad de Sostenibilidad.

Shivaram Rajgopal es profesor titular de Contabilidad y Auditoría (Cátedra Roy Bernard Kester y TW Byrnes) y vicedecano de Investigación en la Escuela de Negocios de Columbia. Su investigación se centra en la información financiera y la remuneración de los ejecutivos, y ha publicado numerosos trabajos en los campos de la contabilidad y las finanzas.