Βρισκόμαστε στο 2025, και έχουμε φτάσει στο αποκορύφωμα της διαφημιστικής εκστρατείας GenAI. Οι χρηματοπιστωτικές πλατφόρμες διαθέτουν πλέον στην αγορά chatbots βιωσιμότητας και copilots που υπόσχονται να "εκδημοκρατίσουν τις γνώσεις" ή να "απλοποιήσουν τη συμμόρφωση". Οι δυνατότητες είναι εξαιρετικές. Αλλά υπάρχει μια ενοχλητική αλήθεια: όσο έξυπνος κι αν είναι ο βοηθός GenAI που διαθέτετε, δεν μπορεί να διορθώσει το μεγαλύτερο πρόβλημα στη βιώσιμη χρηματοδότηση: τα κακά δεδομένα.
Αυτή δεν είναι μια φιλοσοφική αντίρρηση. Είναι τεχνική και στρατηγική. Τα Μεγάλα Γλωσσικά Μοντέλα (LLM) όπως το GPT είναι εξαιρετικά ικανά να παράγουν συνεκτικό, πειστικό κείμενο και μπορούν να είναι εξαιρετικά χρήσιμα για τη σύνοψη μεγάλων συνόλων δεδομένων, τη δημιουργία αναφορών και την αυτοματοποίηση εργασιών ρουτίνας, κάνοντας μέσα σε λίγα λεπτά αυτό που θα έπαιρνε μέρες σε έναν ανθρώπινο αναλυτή. Ωστόσο, εξαρτώνται σε μεγάλο βαθμό από την ποιότητα και τη δομή των πληροφοριών με τις οποίες τροφοδοτούνται. Στον ακατάστατο, υψηλού ρίσκου κόσμο των δεδομένων βιωσιμότητας, το να βασίζεσαι μόνο στο GenAI χωρίς να αντιμετωπίζεις το πρόβλημα των δεδομένων είναι σαν να ζητάς από έναν αρχιτέκτονα παγκόσμιας κλάσης να χτίσει έναν ουρανοξύστη με ελαττωματικά υλικά: η πρόσοψη μπορεί να είναι μεγαλοπρεπής, αλλά η δομή δεν θα είναι υγιής και σίγουρα δεν θα αντέξει στο χρόνο ή δεν θα ικανοποιήσει τις ανάγκες του κλάδου.
Η βιώσιμη χρηματοδότηση χρειάζεται περισσότερα από γυαλισμένα λόγια
Η επείγουσα ανάγκη για ισχυρά δεδομένα βιωσιμότητας είναι αναμφισβήτητη. Οι επενδυτές χρειάζονται σαφήνεια σχετικά με τις εκπομπές διοξειδίου του άνθρακα, τον κοινωνικό αντίκτυπο και τους κινδύνους διακυβέρνησης. Οι εταιρείες αντιμετωπίζουν κλιμακούμενες κανονιστικές απαιτήσεις, ενώ τα ενδιαφερόμενα μέρη γίνονται όλο και πιο έντονα για την ανάγκη διαφάνειας και λογοδοσίας.
Ωστόσο, το τοπίο των δεδομένων παραμένει βαθιά προβληματικό. Στη βιώσιμη χρηματοδότηση, πολλές από τις πληροφορίες είναι αυτοαναφερόμενες, ελλιπείς, μη τυποποιημένες ή θαμμένες σε PDF και υποσημειώσεις. Η έρευνά μας σχετικά με την υποβολή εκθέσεων για τον άνθρακα δείχνει ότι μόνο το 60% των εταιρειών γνωστοποιεί οποιεσδήποτε εκπομπές Scope 3. Ακόμη και όταν γνωστοποιούνται, οι ορισμοί διαφέρουν ευρέως: αυτό που μια εταιρεία αποκαλεί "χρήση ανανεώσιμης ενέργειας", μια άλλη μπορεί να το κατηγοριοποιεί διαφορετικά. Αυτή η έλλειψη τυποποίησης καθιστά τις συγκρίσεις δύσκολες και την εμπιστοσύνη απατηλή.
Τα προβλήματα αυτά, πέραν του ότι είναι απογοητευτικά για τους αναλυτές, επηρεάζουν άμεσα τις επενδυτικές αποφάσεις, την υποβολή εκθέσεων συμμόρφωσης και την αξιοπιστία ολόκληρου του οικοσυστήματος της βιώσιμης χρηματοδότησης. Φανταστείτε να ζητήσετε από ένα μοντέλο GenAI να συμβιβάσει τις μεθοδολογίες πίσω από τις εκπομπές Scope 3 για δύο πολυεθνικές εταιρείες. Μπορεί να σας δώσει μια καλά διατυπωμένη απάντηση, αλλά με την ποιότητα των γνωστοποιήσεων Scope 3 παγκοσμίως να εξακολουθεί να είναι πολύ χαμηλότερη από τα αποδεκτά πρότυπα - και ορισμένες περιοχές να βαθμολογούνται με μόλις 2,2 στα 5 - δεν υπάρχει αξιόπιστος τρόπος να εντοπιστεί ή να επικυρωθεί η απάντηση.
Δεν είναι αυτός ο τρόπος με τον οποίο η GenAI θα προσφέρει πραγματική αλλαγή.
Γιατί ακόμη και η καλύτερη τεχνητή νοημοσύνη χρειάζεται μια σταθερή βάση δεδομένων
Είναι εύκολο να παρασυρθεί κανείς από την ιδέα ότι τα LLM μπορούν να συνοψίσουν, να αναλύσουν ή να εξηγήσουν δεδομένα κατά παραγγελία και σε πρωτοφανή κλίμακα. Και μπορούν, αλλά μόνο όταν οι πρώτες εισροές είναι έτοιμες. Στη βιώσιμη χρηματοδότηση, η προετοιμασία αυτών των εισροών είναι πολύπλοκη, τεχνική εργασία: εξαγωγή πληροφοριών από PDF με πολλές στήλες, σαρωμένες αναφορές και πολύγλωσσες κανονιστικές καταθέσεις- επαλήθευση της αξιοπιστίας και της επικαιρότητας- και τυποποίηση των μετρήσεων ώστε να σημαίνουν το ίδιο πράγμα σε όλες τις εταιρείες και τους τομείς.
Πρόκειται επίσης για τη σύλληψη των αποχρώσεων. Τα δεδομένα βιωσιμότητας συχνά κρύβονται σε λεπτομέρειες: το σχέδιο αποζημίωσης ενός διευθύνοντος συμβούλου που συνδέεται με τους στόχους εκπομπών ή η σοβαρότητα μιας διαμάχης για τα ανθρώπινα δικαιώματα που κρύβεται σε μια περιφερειακή πηγή ειδήσεων. Χωρίς αυτό το δομημένο πλαίσιο, η GenAI μπορεί να παράγει περιλήψεις που είναι ευρείες και ακόμη και κομψές στη διατύπωση, αλλά αποσυνδεδεμένες από την πραγματικότητα επί τόπου.
Πάρτε για παράδειγμα τις δεσμεύσεις για το κλίμα. Επιφανειακά, δύο εταιρείες μπορεί να ισχυρίζονται ότι "συνδέουν τις αμοιβές των στελεχών με τις περιβαλλοντικές επιδόσεις". Αλλά στην πράξη, η μία μπορεί να συνδέσει το 20% των αμοιβών των διευθυντικών στελεχών με την απαλλαγή των προμηθευτών από τον άνθρακα και τη μείωση των εκπομπών, ενώ η άλλη προσφέρει μόνο ασαφείς, μη ποσοτικοποιημένες υποσχέσεις. Εάν τα υποκείμενα δεδομένα δεν είναι κωδικοποιημένα και επαληθευμένα, η ανάλυση τεχνητής νοημοσύνης αντιμετωπίζει και τις δύο ως ίσες - παραπλανώντας τους υπεύθυνους λήψης αποφάσεων με κομψά διατυπωμένη ισοδυναμία.
Από το χάος των δεδομένων στη σαφήνεια
Αυτός είναι ο λόγος για τον οποίο, σύμφωνα με την εμπειρία μας, το 80% της αξίας που προσφέρει η ΤΝ στη βιώσιμη χρηματοδότηση συμβαίνει πριν καν κληθεί η πρώτη προτροπή LLM. Πάρτε την παρακολούθηση των διαφωνιών. Τα μοντέλα AI σαρώνουν συνεχώς μη δομημένο περιεχόμενο από πηγές ειδήσεων, ρυθμιστικές ειδοποιήσεις και εκθέσεις (συχνά σε πολλές γλώσσες) για να εντοπίζουν πιθανές περιβαλλοντικές καταστροφές, παραβιάσεις εργασιακών δικαιωμάτων ή σκάνδαλα διακυβέρνησης. Μόλις εντοπιστούν, τα περιστατικά πρέπει να συνδεθούν με τις σωστές εταιρείες, να κατηγοριοποιηθούν με τις σωστές μετρήσεις βιωσιμότητας και να τους αποδοθούν ακριβείς βαθμολογίες σοβαρότητας.
Η ίδια πρόκληση υπάρχει και για την εξαγωγή μετρήσεων από τις εταιρικές γνωστοποιήσεις. Οι εκθέσεις είναι εκτεταμένα έγγραφα γεμάτα υποσημειώσεις και πολύπλοκους πίνακες, που σπάνια εκφράζονται με τυποποιημένους όρους. Εδώ, εξειδικευμένα συστήματα ΤΝ (από προηγμένη οπτική αναγνώριση χαρακτήρων (OCR) και ανάλυση διάταξης έως λεπτομερώς ρυθμισμένα μοντέλα που εκπαιδεύονται σε μεγάλα, επισημασμένα σύνολα δεδομένων) συλλαμβάνουν και δομούν τις ακατέργαστες λεπτομέρειες, εντοπίζοντας ειδικούς δείκτες KPI για τη βιωσιμότητα που διαφορετικά θα χάνονταν.
Σε μια περίπτωση, μια εταιρεία αναφέρθηκε στις παροχές παιδικής φροντίδας των εργαζομένων της με πλάγιο τρόπο, περιγράφοντας "παιδικούς σταθμούς προσωπικού", "εφεδρική φροντίδα" και "κουπόνια παιδικών σταθμών". Επειδή η έκθεση δεν χρησιμοποίησε ποτέ την ακριβή διατύπωση "υπηρεσίες ημερήσιας φροντίδας", οι ανθρώπινοι σχολιαστές είχαν παρακάμψει αυτά τα αποσπάσματα. Τα εργαλεία εξαγωγής μας, ωστόσο, αναγνώρισαν τη σημασιολογική ισοδυναμία και τα αντιστοιχούσαν σωστά στη σχετική κοινωνική μέτρηση. Αυτό το μοναδικό βήμα αναδιαμόρφωσε το προφίλ της εταιρείας, αποκαλύπτοντας ένα ισχυρότερο πρόγραμμα υποστήριξης των εργαζομένων από ό,τι είχε υποτεθεί προηγουμένως. Μια λεπτομέρεια αρκετά μικρή για να παραλειφθεί, αλλά αρκετά σημαντική για να επηρεάσει τις επενδυτικές αποφάσεις.
Γι' αυτό κάθε σημείο δεδομένων πρέπει να φέρει ετικέτα προέλευσης - την πηγή του, τη χρονοσήμανση, τη μέθοδο εξαγωγής και τη βαθμολογία εμπιστοσύνης - ώστε να μπορεί να εντοπιστεί και να επαληθευτεί. Με αυτό στη θέση του, το θεμέλιο της ΤΝ γίνεται αξιόπιστο. Μόνο τότε μπορεί το GenAI να είναι πραγματικά μετασχηματιστικό: να παρέχει γνώσεις που δεν είναι μόνο ακριβείς και ελέγξιμες, αλλά και ταχύτερες στη δημιουργία και πιο ευφυείς από άποψη πλαισίου. Χωρίς αυτό το θεμέλιο, το GenAI λειτουργεί στο σκοτάδι.
Η διαφημιστική εκστρατεία GenAI μας αποσπά την προσοχή από την πραγματική καινοτομία
Η πραγματική επανάσταση στη βιώσιμη χρηματοδότηση δεν θα έρθει με την προσθήκη του ChatGPT σε ένα ταμπλό. Θα προέλθει από την επίλυση του βρώμικου, ακατάλληλου προβλήματος της υποδομής δεδομένων για την κατασκευή αγωγών που μπορούν να λαμβάνουν ακατέργαστες, αδόμητες, πολύγλωσσες και συχνά αντιφατικές εισροές και να τις μετατρέπουν σε αξιόπιστες, αξιοποιήσιμες και εφαρμόσιμες εκροές.
Μόλις αυτό γίνει, τα συστήματα τεχνητής νοημοσύνης μπορούν να δημιουργήσουν τις επαληθευμένες εισροές και η GenAI μπορεί στη συνέχεια να τις ενισχύσει, δημιουργώντας αναφορές, ιδέες και αναλύσεις με ταχύτητα και κλίμακα, βελτιώνοντας δραματικά την αποτελεσματικότητα για τους επενδυτές, τις ρυθμιστικές αρχές και τις εταιρείες. Ο δρόμος προς τα εμπρός είναι η συνετή ΤΝ: όχι απλώς μεγάλα μοντέλα, αλλά έξυπνα μοντέλα, ειδικά κατασκευασμένα για τη βιωσιμότητα, που εξισορροπούν την ακρίβεια, την αποτελεσματικότητα και τη σχέση κόστους-αποτελεσματικότητας.
Στη βιώσιμη χρηματοδότηση, η φανταχτερή τεχνολογία δεν θα κινήσει τη βελόνα. Τα αξιόπιστα δεδομένα θα το κάνουν.
Πληροφορίες για τον συγγραφέα
