Από την έρευνα στη διαχείριση: Το επόμενο βήμα για την τεχνητή νοημοσύνη στον τομέα των υπεύθυνων επενδύσεων

Ρωτήσαμε μια ομάδα θεσμικών επενδυτών, κατά τη διάρκεια μιας από τις μεγαλύτερες ετήσιες συναντήσεις για την υπεύθυνη επένδυση παγκοσμίως, το PRI in Person, πού θεωρούν ότι υπάρχει το μεγαλύτερο δυναμικό για την τεχνητή νοημοσύνη και τα εναλλακτικά δεδομένα. Η υπεύθυνη διαχείριση και η ενεργός συμμετοχή συγκέντρωσαν το 71%, ακολουθούμενες από την ανάλυση κινδύνου χαρτοφυλακίου με 55% και τον έλεγχο με 52%.

Δεν το περίμενα αυτό. Το μεγαλύτερο μέρος της συζήτησης σχετικά με την τεχνητή νοημοσύνη στον τομέα των υπεύθυνων επενδύσεων έχει επικεντρωθεί στην έρευνα, την αξιολόγηση και τη διαμόρφωση χαρτοφυλακίων, και σε αυτούς τους τομείς τα εργαλεία έχουν προχωρήσει περισσότερο. Η ενεργός συμμετοχή κατέλαβε ούτως ή άλλως την πρώτη θέση, γεγονός που υποδεικνύει πού υπάρχει περιθώριο βελτίωσης. Αυτό αντανακλά την ατμόσφαιρα της εβδομάδας στο Άμστερνταμ, όπου η φετινή ετήσια διάσκεψη του PRI συγκέντρωσε σχεδόν 2.000 συμμετέχοντες.

Οι επενδυτές δέχονται ολοένα και μεγαλύτερη πίεση να αποδείξουν τα αποτελέσματα της εμπλοκής τους και όχι απλώς τον αριθμό των συναντήσεων που πραγματοποίησαν, και αυτό αποτελεί ένα πρόβλημα μέτρησης για το οποίο η τεχνητή νοημοσύνη είναι αρκετά κατάλληλη.

Οι δυνατότητες για κάτι τέτοιο υπάρχουν ήδη. Τις αναπτύξαμε για να αναλύουν τις δημοσιοποιήσεις και να εξετάζουν την ειδησεογραφική κάλυψη, επειδή εκεί βρίσκονταν τα δεδομένα και εκεί υπήρχε η αρχική ζήτηση. Αυτό που ζητούν τώρα οι επενδυτές είναι να τους συνοδεύσουμε μέχρι το τέλος, ώστε η διαδικασία να εκτελείται από την αρχή μέχρι το τέλος και να μην σταματά στο στάδιο της ανάλυσης.

Τι χρειάζεται η τεχνητή νοημοσύνη για να εκτελέσει σωστά αυτό το έργο ήταν το θέμα που εξετάσαμε κατά τη διάρκεια της συνεδρίας στην οποία συμμετείχα στο PRI in Person: «Η επόμενη γενιά επενδυτικών πληροφοριών: αξιοποίηση εναλλακτικών δεδομένων και ανάλυσης με τεχνητή νοημοσύνη». Συμμετείχα στη συζήτηση μαζί με τον James Phare της Neural Alpha, τον καθηγητή Peter Schwendner της ZHAW και της PanGeo Nature Risk, καθώς και τον Tim Verheyden της Goldman Sachs Asset Management.

Τι προσφέρουν τα μη δομημένα δεδομένα σε μια επενδυτική διαδικασία

Κατά την προετοιμασία της παρουσίασης, προσπάθησα να αναδείξω τι μπορούν ενδεχομένως να προσφέρουν τα μη δομημένα δεδομένα σε μια επενδυτική διαδικασία. Κατέληξα σε έξι οφέλη, τα οποία, όπως είναι βολικό, σχηματίζουν τη λέξη MOSAIC.

• Η ποικιλομορφία σας προσφέρει οπτικές γωνίες που συμπληρώνουν ή αμφισβητούν την εκδοχή της διοίκησης.
• Η πρωτοτυπία σου δίνει ενδείξεις που ξεπερνούν τα στοιχεία που χρησιμοποιούν ήδη όλοι.
• Η εξειδίκευση σας παρέχει λεπτομέρειες σχετικά με τα περιουσιακά στοιχεία και τις δραστηριότητες που δεν αποτυπώνονται στους δείκτες σε επίπεδο εταιρείας.
• Η διαθεσιμότητα καλύπτει τα κενά όπου οι γνωστοποιήσεις είναι ελλιπείς, κάτι που αποκτά μεγαλύτερη σημασία τώρα που το πεδίο εφαρμογής της CSRD έχει περιοριστεί.
• Η άμεση ανταπόκριση παρέχει στοιχεία εκτός του ετήσιου κύκλου, αντλώντας δεδομένα από τριμηνιαίες τηλεδιασκέψεις ή δορυφορικά δεδομένα.
• Το πλαίσιο εξηγεί γιατί μια μέτρηση παρουσίασε μεταβολή και αν το πρόβλημα επαναλαμβάνεται.

Το ποια από αυτά χρειάζεστε εξαρτάται προφανώς από το επενδυτικό ερώτημα με το οποίο ξεκινήσατε και από το είδος του μη δομημένου ή εναλλακτικού συνόλου δεδομένων με το οποίο εργάζεστε. Πρόκειται για πιθανά οφέλη και όχι για έναν κατάλογο κριτηρίων που θα ικανοποιεί κάθε σύνολο δεδομένων. Για παράδειγμα, οι δορυφορικές εικόνες μπορεί να προσθέσουν άμεσες λεπτομέρειες σχετικά με ένα συγκεκριμένο περιουσιακό στοιχείο, ενώ η ειδησεογραφική κάλυψη μπορεί να βοηθήσει στον εντοπισμό αναδυόμενων αντιπαραθέσεων που διαφέρουν από την επίσημη εκδοχή της διοίκησης. Το κριτήριο είναι αν η πηγή συμβάλλει στην απάντηση του επενδυτικού ερωτήματος.

Τι μπορούν να αποκαλύψουν τα μη δομημένα δεδομένα στους επενδυτές

Δύο μελέτες που έχουμε πραγματοποιήσει οι ίδιοι δίνουν μια εικόνα για το πώς αυτό εφαρμόζεται στην πράξη.

Στην πρώτη, χρησιμοποιήσαμε τεχνητή νοημοσύνη για να αντλήσουμε κείμενο και ποσοτικά δεδομένα από εταιρικές ανακοινώσεις 900 επιχειρήσεων σε τομείς με υψηλές εκπομπές που αναφέρουν «πράσινες» κεφαλαιουχικές δαπάνες. Οι εταιρείες με στόχους ευθυγραμμισμένους με το όριο των 2°C ή χαμηλότερο διέθεσαν κατά μέσο όρο το 27% των κεφαλαιουχικών δαπανών τους σε «πράσινα» έργα, έναντι 25% για εκείνες που δεν είχαν δηλώσει συγκεκριμένο στόχο. Ο βαθμός φιλοδοξίας ενός στόχου από μόνος του δεν αποκαλύπτει τόσα πολλά για την κατεύθυνση των κεφαλαίων όσο θα περίμενε κανείς.

Στη δεύτερη φάση, χρησιμοποιήσαμε την επεξεργασία φυσικής γλώσσας για να εντοπίσουμε αμφιλεγόμενα ζητήματα βιωσιμότητας στην ειδησεογραφική κάλυψη και, στη συνέχεια, εξετάσαμε περισσότερα από 12.000 περιστατικά. Η εκτιμώμενη υποαπόδοση σε διάστημα έξι μηνών σε σύγκριση με ομοειδείς εταιρείες κυμάνθηκε από περίπου 2% για περιστατικά χαμηλής σοβαρότητας έως 5% για περιστατικά υψηλής σοβαρότητας.

Οι μελέτες απαντούν σε διάφορα επενδυτικά ερωτήματα. Η ανάλυση των κεφαλαιουχικών δαπανών (CapEx) εξετάζει κατά πόσον οι κλιματικοί στόχοι αντικατοπτρίζονται στην κατανομή κεφαλαίων· η μελέτη σχετικά με τις αντιπαραθέσεις διερευνά τη σχέση μεταξύ περιστατικών που αφορούν τη βιωσιμότητα και της επακόλουθης απόδοσης της τιμής της μετοχής.

Και οι δύο μελέτες καταδεικνύουν πώς τα μη δομημένα δεδομένα μπορούν να βοηθήσουν τους επενδυτές να ελέγξουν τις υποθέσεις τους και να εντοπίσουν ερωτήματα που πρέπει να θέσουν στις εταιρείες. Οι μελέτες αυτές εντάσσονται στον τομέα της έρευνας και της αξιολόγησης, καθώς εκεί έχει πραγματοποιηθεί η σχετική εργασία. Το επόμενο βήμα που επιδιώκουν τώρα οι επενδυτές είναι να μεταφέρουν αυτό το επίπεδο τεκμηρίωσης στις συζητήσεις που διεξάγουν με τις εταιρείες.

Γι’ αυτό ακριβώς έχει σχεδιαστεί η λύση «Climate Intelligence» που ανέπτυξαν οι νέοι μας συνάδελφοι από την Glass Lewis. Συνδυάζει δημοσιοποιημένες πληροφορίες, ανάλυση με τη βοήθεια τεχνητής νοημοσύνης και εξειδικευμένη μεθοδολογία για την αξιολόγηση της στρατηγικής μετάβασης και της εφαρμογής της, μετατρέποντας τα ευρήματα σε συγκεκριμένες ερωτήσεις που πρέπει να τεθούν στη διοίκηση.

Σχεδιασμός και διακυβέρνηση της τεχνητής νοημοσύνης στις υπεύθυνες επενδύσεις: τι απαιτείται

Πρώτα απ’ όλα, ξεκινήστε με έναν σαφή επενδυτικό στόχο: ποια απόφαση προσπαθείτε να στηρίξετε ή τι θέλετε να επιτύχετε; Αυτός ο στόχος πρέπει να καθοδηγεί την επιλογή των δεδομένων και των εργαλείων. Δυστυχώς, εξακολουθώ να βλέπω πολλούς φορείς να ενθουσιάζονται με την τεχνητή νοημοσύνη και να ξεκινούν από το εργαλείο. Δεν είναι έκπληξη που τόσα πολλά έργα τεχνητής νοημοσύνης φαίνεται να αποτυγχάνουν να αποδώσουν την επένδυσή τους!

Εξίσου σημαντικό είναι το γεγονός ότι η επίτευξη του στόχου απαιτεί τη συντονισμένη συνεργασία τριών βασικών ικανοτήτων:

• Σύνολα δεδομένων καλής ποιότητας που σχετίζονται με το ερώτημα, με επαρκή κάλυψη και αξιόπιστες πηγές.
• Εξειδίκευση σε θέματα βιωσιμότητας, προκειμένου να προσδιοριστούν τα σημαντικά ζητήματα και να ερμηνευθούν τα στοιχεία στο πλαίσιο τους.
• Δεξιότητες στον τομέα της τεχνητής νοημοσύνης και της τεχνολογίας για την ανάπτυξη, τη δοκιμή και την παρακολούθηση των εργαλείων που χρησιμοποιούνται για την εξαγωγή και την ανάλυση των εν λόγω αποδεικτικών στοιχείων.

Τέλος, το αποτέλεσμα είναι θετικό, αρκεί η διακυβέρνηση να έχει το ίδιο βάρος, και θα το ομαδοποιούσα σε τέσσερις πυλώνες:

1. Η ακεραιότητα αφορά τον τρόπο συλλογής και προστασίας των δεδομένων, καθώς και τα πνευματικά δικαιώματα, την αξιοπιστία και την μεροληψία.
2. Η ακρίβεια αφορά το αν το μοντέλο εξήγαγε το σωστό στοιχείο και αν αυτό ανταποκρίνεται στους ορισμούς, τα πεδία εφαρμογής και τις χρονικές περιόδους με τις οποίες εργάζεστε.
3. Διαφάνεια σημαίνει ότι οι πηγές, οι μέθοδοι και οι παραδοχές είναι ορατές, συμπεριλαμβανομένων των περιπτώσεων όπου ένας αριθμός αποτελεί εκτίμηση.
4. Η λογοδοσία καθιστά σαφές ποιος είναι υπεύθυνος για τις επιμέρους αναλυτικές επιλογές, ποιος εποπτεύει τη διαδικασία και ποιος λογοδοτεί για το σύστημα στο σύνολό του. Οι ευθύνες αυτές ενδέχεται να κατανέμονται μεταξύ των ομάδων επενδύσεων, βιωσιμότητας και τεχνολογίας, καθώς και σε εξωτερικούς παρόχους. Πρέπει να είναι ρητά καθορισμένες, συμπεριλαμβανομένου του ποιος μπορεί να αμφισβητήσει ένα αποτέλεσμα ή να τροποποιήσει το σύστημα.

Αυτή η κατανομή αρμοδιοτήτων ισχύει επίσης όταν ένας πάροχος παρέχει στοιχεία που έχουν εξαχθεί, αναλυτική αξιολόγηση ή και τα δύο. Ο πάροχος είναι υπεύθυνος για τις υπηρεσίες που παρέχει, ενώ ο επενδυτής παραμένει υπεύθυνος για τον τρόπο με τον οποίο χρησιμοποιούνται τα εν λόγω αποτελέσματα και για τις επενδυτικές αποφάσεις ή τις αποφάσεις διαχείρισης που προκύπτουν. Ο επενδυτής πρέπει πάντα να έχει τον τελικό λόγο στην απόφαση.

Να αναπτύξουμε ή να αγοράσουμε δυνατότητες τεχνητής νοημοσύνης; Όλο και περισσότερο και τα δύο

Η έρευνα του καθηγητή Δρ. Peter Schwendner καταδεικνύει πόσο ευρύ είναι πλέον το πεδίο εφαρμογής των ανοιχτών δεδομένων. Η ομάδα του εξέτασε φράγματα αποβλήτων σε ένα χαρτοφυλάκιο, χρησιμοποιώντας δημόσια παγκόσμια σύνολα δεδομένων σχετικά με το υψόμετρο, τις διαδρομές ροής των ποταμών και τον πληθυσμό, χωρίς καμία απολύτως αποκάλυψη πληροφοριών από τις εταιρείες, και διαπίστωσε ότι το μέγεθος ενός φράγματος προβλέπει τις συνέπειες μιας ρήξης πολύ λιγότερο ακριβώς από τον αριθμό των ανθρώπων που ζουν κατάντη.

Οι επενδυτές εξετάζουν αυτού του είδους τα ζητήματα και εσωτερικά, συμπεριλαμβανομένων των οικονομικών επιπτώσεων των φυσικών κλιματικών κινδύνων και της προσαρμογής. Η συλλογή δεδομένων και η μοντελοποίηση έχουν πάψει να αποτελούν αποκλειστικό προνόμιο των παρόχων. Παρ’ όλα αυτά, οι επενδυτές που συμμετείχαν στο συνέδριο μοιράστηκαν τα εμπειρικά τους στοιχεία, σύμφωνα με τα οποία περίπου το 80% έως 90% αυτών των πληροφοριών εξακολουθεί να φτάνει στους επενδυτές μέσω ενός παρόχου, ενώ οι εξειδικευμένοι συνεργάτες διατηρούν σαφώς τον ρόλο τους.

Το πού θα τραβήξει αυτή τη γραμμή κάθε οργανισμός θα διαφέρει. Αυτό που δεν πρέπει να διαφέρει είναι η διαδικασία προμήθειας που βρίσκεται πίσω από αυτό, η οποία πρέπει να ελέγχει τα δεδομένα, την τεχνογνωσία και τη διακυβέρνηση της τεχνητής νοημοσύνης όσων αγοράζετε.

Ποια είναι η επόμενη πορεία της τεχνητής νοημοσύνης στον τομέα των υπεύθυνων επενδύσεων

Το πλεονέκτημα της ταχύτητας είναι το πιο προφανές: γνωστή εργασία, που γίνεται πιο γρήγορα και με χαμηλότερο κόστος. Με ενδιαφέρει περισσότερο το δεύτερο, δηλαδή να διαπιστώνω τι θα μας διέφευγε διαφορετικά, χάρη στην ευρύτερη κάλυψη και τις διασυνδέσεις μεταξύ των στοιχείων. Η επεξεργασία θα γίνεται όλο και ευκολότερη, ενώ τα στοιχεία που παραλείπονται και η αβεβαιότητα παραμένουν ως έχουν, οπότε η κρίση και η ερμηνεία αποκτούν όλο και μεγαλύτερη αξία.

Η δυνατότητα υπάρχει σε μεγάλο βαθμό. Έχει επικεντρωθεί κυρίως στα τμήματα της διαδικασίας που ήταν πιο εύκολο να αυτοματοποιηθούν. Όταν εφαρμόζεται στη διαχείριση, τα στοιχεία πρέπει να πληρούν τα ίδια πρότυπα, αλλά με διαφορετική μορφή. Συζητείται με την εταιρεία που περιγράφει, οπότε πρέπει να είναι αρκετά συγκεκριμένα ώστε να μπορούν να τεθούν σχετικές ερωτήσεις, και πρέπει να καταγράφονται, ώστε η δέσμευση του περασμένου έτους να μπορεί να παρατεθεί δίπλα σε εκείνη του τρέχοντος έτους.

Πρόκειται για ένα προϊόν που είναι πιο δύσκολο να κατασκευαστεί και πιο δύσκολο να αξιολογηθεί. Κρίνοντας από τη δημοσκόπηση του κοινού στο Άμστερνταμ, είναι αυτό που ζητούν οι επενδυτές.