En el ámbito del análisis ESG, la inteligencia artificial (AI) se enfrenta a obstáculos significativos debido al manejo de datos no estructurados. La falta de estándares en los datos ESG complica el panorama para la AI, que si bien promete transformar el análisis mediante su capacidad para acelerar la recolección y análisis de datos, encuentra limitaciones al tratar con la inconsistencia y no estandarización de estos datos. Este artículo explora cómo los desafíos relacionados con las definiciones divergentes y la integridad de datos afectan la capacidad transformadora de la AI en el contexto ESG.
Análisis ESG mediante AI: Desafíos y Oportunidades
La integración de inteligencia artificial en el análisis de criterios ambientales, sociales y de gobernanza (ESG) ha sido promovida como la solución para desentrañar la complejidad de los datos de sostenibilidad. Sin embargo, la incoherencia de los datos no estructurados presenta un desafío, comparado con los datos financieros que son estandarizados y diseñados para la legibilidad por máquinas. La AI, aunque puede mejorar la eficiencia de la recolección de datos, permanece con dificultades al transformar esta eficiencia en verdadera comprensión.
Definiciones Divergentes y la Lucha de Algoritmos
Uno de los principales desafíos es la diversidad en las definiciones de indicadores básicos, como la seguridad del trabajador, que se reportan de múltiples formas. Esto hace que los modelos de AI tengan que reconciliar informaciones disímiles, lo cual complica aún más la uniformidad y precisión del análisis. Además, los valores intangibles y cualitativos, como la cultura empresarial y la gobernanza, presentan desafíos debido a su resistencia a ser catalogados ordenadamente, sumando dificultad para los algoritmos en el juicio contextual.
La Integridad de Datos como Piedra Angular
La falta de auditoría en muchos reportes ESG aumenta el riesgo de inexactitudes y prácticas de “greenwashing”. La salida de cualquier proceso automatizado es tan fiable como sus datos de entrada, y la falta de auditoría compromete la calidad del análisis. A pesar de que la AI puede aumentar la eficiencia, eso no garantiza que los análisis se vuelvan significativamente más efectivos o precisos sin garantías de consistencia y verificación.
El Contraste Frente a las Regulaciones Financieras
A nivel global, la regulación ESG está avanzando, aunque de manera desigual en diferentes jurisdicciones. La Directiva de Informes de Sostenibilidad Corporativa de la UE (CSRD) presenta un avance significativo en términos de alcance y detalle. Sin embargo, en Estados Unidos, las reglas de divulgación climática de la SEC enfrentan desafíos legales, generando incertidumbre en cuanto a la adhesión a estas normas. Esta falta de uniformidad regulatoria deja a los inversores con dificultades para obtener datos comparables.
Propuestas para Mejorar el Uso de AI en ESG
El futuro de un análisis efectivo de ESG mediante AI radica en la creación de datos más claros y estandarizados. Las propuestas incluyen el establecimiento de umbrales basados en la materialidad para separar información relevante de la periférica, y avanzar en procesos de verificación más estrictos para incrementar la confianza en las divulgaciones. Un enfoque en datos estructurados y confiables permitirá eventualmente que la AI complemente el juicio humano de manera más efectiva, en lugar de reemplazarlo.
Para lograr un avance auténtico, es necesario un enfoque centrado en datos, donde el futuro del análisis ESG dependa menos de algoritmos sofisticados y más de si los datos mismos se vuelven estructurados, fiables y realmente comparables en todos los mercados.
