Siamo nel 2025 e abbiamo raggiunto il picco di hype della GenAI. Le piattaforme finanziarie commercializzano chatbot e copiloti della sostenibilità che promettono di "democratizzare gli approfondimenti" o "semplificare la compliance". Il potenziale è straordinario. Ma c'è una scomoda verità: per quanto intelligente sia il vostro assistente GenAI, non può risolvere il problema più grande della finanza sostenibile: i cattivi dati.
Non si tratta di un'obiezione filosofica. È un'obiezione tecnica e strategica. I modelli linguistici di grandi dimensioni (LLM) come GPT sono brillanti nel generare testi coerenti e convincenti e possono essere eccezionalmente utili per riassumere grandi insiemi di dati, generare rapporti e automatizzare attività di routine, facendo in pochi minuti ciò che richiederebbe giorni all'analista umano. Tuttavia, dipendono profondamente dalla qualità e dalla struttura delle informazioni che ricevono. Nel mondo disordinato e ad alto rischio dei dati sulla sostenibilità, affidarsi alla sola Genai senza affrontare il problema dei dati è come chiedere a un architetto di fama mondiale di costruire un grattacielo con materiali difettosi: la facciata sarà anche grandiosa, ma la struttura non sarà solida, e di certo non resisterà alla prova del tempo né soddisferà le esigenze del settore.
La finanza sostenibile ha bisogno di qualcosa di più che di parole raffinate
L'urgenza di dati solidi sulla sostenibilità è innegabile. Gli investitori hanno bisogno di chiarezza sulle emissioni di carbonio, sull'impatto sociale e sui rischi di governance. Le aziende devono fare i conti con le crescenti esigenze normative, mentre gli stakeholder si fanno sempre più sentire sulla necessità di trasparenza e responsabilità.
Eppure il panorama dei dati rimane profondamente lacunoso. Nella finanza sostenibile, molte informazioni sono autodichiarate, incomplete, non standardizzate o nascoste in PDF e note a piè di pagina. La nostra ricerca sulla rendicontazione delle emissioni di carbonio mostra che solo il 60% delle aziende dichiara le emissioni dell'Ambito 3. Anche quando vengono dichiarate, le definizioni variano. Anche quando vengono dichiarate, le definizioni variano molto: ciò che un'azienda chiama "uso di energia rinnovabile", un'altra potrebbe classificarlo in modo diverso. Questa mancanza di standardizzazione rende difficile il confronto e sfugge la fiducia.
Oltre a essere frustranti per gli analisti, questi problemi incidono direttamente sulle decisioni di investimento, sulle relazioni di conformità e sulla credibilità dell'intero ecosistema della finanza sostenibile. Immaginate di chiedere a un modello GenAI di riconciliare le metodologie alla base delle emissioni Scope 3 di due multinazionali. Potrebbe darvi una risposta ben formulata, ma con la qualità della divulgazione delle emissioni Scope 3 in tutto il mondo ancora molto al di sotto degli standard accettabili - e alcune regioni con un punteggio di 2,2 su 5 - non c'è un modo affidabile per rintracciare o convalidare la risposta.
Non è così che GenAI produrrà un vero cambiamento.
Perché anche la migliore IA ha bisogno di una solida base di dati
È facile lasciarsi sedurre dall'idea che i LLM possano riassumere, analizzare o spiegare i dati su richiesta e su scala senza precedenti. È vero, ma solo quando i dati grezzi sono pronti. Nella finanza sostenibile, la preparazione di questi dati è un lavoro complesso e tecnico: estrarre le informazioni da PDF a più colonne, rapporti scannerizzati e documenti normativi multilingue, verificare la credibilità e la tempestività e standardizzare le metriche in modo che abbiano lo stesso significato per tutte le aziende e i settori.
Si tratta anche di cogliere le sfumature. I dati sulla sostenibilità spesso si nascondono nei dettagli: il piano di retribuzione di un amministratore delegato collegato agli obiettivi di emissione, o la gravità di una controversia sui diritti umani sepolta in una fonte di notizie regionali. Senza questo contesto strutturato, GenAI può produrre sintesi ampie e persino eleganti nella formulazione, ma scollegate dalla realtà sul campo.
Prendiamo ad esempio gli impegni sul clima. In superficie, due aziende possono affermare di "collegare la retribuzione dei dirigenti alle prestazioni ambientali". Ma in pratica, una può vincolare il 20% della retribuzione dei dirigenti alla decarbonizzazione dei fornitori e alla riduzione delle emissioni, mentre l'altra offre solo promesse vaghe e non quantificate. Se i dati sottostanti non sono codificati e verificati, l'analisi dell'intelligenza artificiale li considera entrambi uguali, ingannando i responsabili delle decisioni con un'equivalenza elegantemente formulata.
Dal caos dei dati alla chiarezza
Ecco perché, secondo la nostra esperienza, l'80% del valore che l'IA apporta alla finanza sostenibile avviene prima che venga invocata la prima richiesta di LLM. Prendiamo ad esempio il monitoraggio delle controversie. I modelli di intelligenza artificiale analizzano continuamente contenuti non strutturati provenienti da fonti di notizie, avvisi normativi e rapporti (spesso in più lingue) per individuare potenziali disastri ambientali, violazioni dei diritti del lavoro o scandali di governance. Una volta identificati, gli incidenti devono essere collegati alle aziende corrette, classificati secondo le giuste metriche di sostenibilità e assegnati punteggi di gravità accurati.
La stessa sfida esiste per l'estrazione di metriche dalle informazioni aziendali. I rapporti sono documenti molto voluminosi, pieni di note a piè di pagina e tabelle complesse, raramente espressi in termini standardizzati. In questo caso, i sistemi di intelligenza artificiale specializzati (dal riconoscimento ottico avanzato dei caratteri (OCR) e dal parsing del layout a modelli perfezionati addestrati su grandi set di dati etichettati) catturano e strutturano i dettagli grezzi, rilevando KPI specifici per la sostenibilità che altrimenti andrebbero persi.
In un caso, un'azienda ha fatto riferimento ai suoi servizi di assistenza all'infanzia per i dipendenti in modo obliquo, descrivendo "asili nido per il personale", "assistenza di riserva" e "buoni per l'asilo nido". Poiché il rapporto non utilizzava mai la dicitura precisa "servizi di assistenza diurna", gli annotatori umani avevano saltato questi passaggi. I nostri strumenti di estrazione, tuttavia, hanno riconosciuto l'equivalenza semantica e li hanno correttamente mappati alla metrica sociale pertinente. Questo singolo passo ha rimodellato il profilo dell'azienda, rivelando un programma di supporto ai dipendenti più forte di quanto si pensasse in precedenza. Un dettaglio abbastanza piccolo da essere ignorato, ma abbastanza significativo da influenzare le decisioni di investimento.
Per questo motivo, ogni punto di dati deve essere etichettato con la provenienza - la fonte, il timestamp, il metodo di estrazione e il punteggio di confidenza - in modo da poter essere tracciato e verificato. Con questo sistema, la base dell'IA diventa affidabile. Solo allora l'IA può essere veramente trasformativa: fornire approfondimenti non solo accurati e verificabili, ma anche più rapidi da generare e più intelligenti dal punto di vista contestuale. Senza questa base, la GenAI opera nel buio.
Il clamore della GenAI ci distrae dalla vera innovazione
La vera rivoluzione nella finanza sostenibile non verrà dall'inserimento di ChatGPT in un cruscotto. Verrà dalla soluzione del problema, sporco e poco delicato, dell'infrastruttura dei dati: costruire pipeline in grado di raccogliere input grezzi, non strutturati, multilingue e spesso contraddittori, e trasformarli in output affidabili, utilizzabili e perseguibili.
Una volta che tutto ciò è pronto, i sistemi di IA possono generare gli input verificati e GenAI può quindi amplificarli, creando report, approfondimenti e analisi in velocità e su scala, migliorando drasticamente l'efficienza per gli investitori, le autorità di regolamentazione e le aziende. La strada da percorrere è quella di un'IA oculata: non solo modelli di grandi dimensioni, ma modelli intelligenti, costruiti appositamente per la sostenibilità, bilanciando accuratezza, efficienza ed economicità.
Nel campo della finanza sostenibile, la tecnologia appariscente non serve a spostare l'ago della bilancia. Lo faranno i dati affidabili.
Informazioni sull'autore
