Estamos em 2025 e atingimos o pico da excitação da GenAI. As plataformas financeiras agora comercializam chatbots e copilotos de sustentabilidade que prometem "democratizar insights" ou "simplificar a conformidade". O potencial é extraordinário. Mas há uma verdade inconveniente: por mais inteligente que seja o seu assistente GenAI, ele não pode resolver o maior problema das finanças sustentáveis: dados ruins.
Não se trata de uma objeção filosófica. É uma objeção técnica e estratégica. Os Modelos de Linguagem de Grande Porte (LLMs) como o GPT são brilhantes na geração de texto coerente e convincente, e podem ser excecionalmente úteis para resumir grandes conjuntos de dados, gerar relatórios e automatizar tarefas de rotina, fazendo em minutos o que levaria dias a um analista humano. No entanto, estão profundamente dependentes da qualidade e da estrutura da informação que lhes é fornecida. No mundo confuso e de alto risco dos dados de sustentabilidade, confiar apenas na GenAI sem resolver o problema dos dados é como pedir a um arquiteto de renome mundial para construir um arranha-céus com materiais defeituosos: a fachada pode ser grandiosa, mas a estrutura não será sólida e certamente não resistirá ao teste do tempo nem satisfará as necessidades da indústria.
O financiamento sustentável exige mais do que palavras bonitas
A urgência de dados sólidos sobre sustentabilidade é inegável. Os investidores precisam de clareza sobre as emissões de carbono, o impacto social e os riscos de governação. As empresas estão a enfrentar exigências regulamentares cada vez maiores, enquanto as partes interessadas estão a tornar-se cada vez mais expressivas quanto à necessidade de transparência e responsabilidade.
No entanto, o panorama dos dados continua a ser profundamente imperfeito. No domínio das finanças sustentáveis, grande parte da informação é auto-declarada, incompleta, não normalizada ou enterrada em PDFs e notas de rodapé. A nossa investigação sobre relatórios de carbono mostra que apenas 60% das empresas divulgam quaisquer emissões de âmbito 3. Mesmo quando divulgadas, as definições variam muito: o que uma empresa chama de "uso de energia renovável", outra pode categorizar de forma diferente. Esta falta de padronização torna as comparações difíceis e a confiança ilusória.
Para além de serem frustrantes para os analistas, estes problemas afectam diretamente as decisões de investimento, os relatórios de conformidade e a credibilidade de todo o ecossistema financeiro sustentável. Imagine pedir a um modelo GenAI que concilie as metodologias subjacentes às emissões de Âmbito 3 de duas multinacionais. Poderá dar uma resposta bem formulada, mas com a qualidade da divulgação do Âmbito 3 a nível mundial ainda muito abaixo dos padrões aceitáveis - e algumas regiões com pontuações tão baixas como 2,2 em 5 - não existe uma forma fiável de rastrear ou validar a resposta.
Não é desta forma que a GenAI vai conseguir uma verdadeira mudança.
Porque é que até a melhor IA precisa de uma base de dados sólida
É fácil deixarmo-nos seduzir pela ideia de que os LLM podem resumir, analisar ou explicar dados a pedido e a uma escala sem precedentes. E podem, mas só quando os dados em bruto estiverem prontos. Em finanças sustentáveis, a preparação desses dados é um trabalho complexo e técnico: extrair informações de PDFs com várias colunas, relatórios digitalizados e arquivos regulatórios multilíngües; verificar a credibilidade e a pontualidade; e padronizar as métricas para que tenham o mesmo significado entre empresas e setores.
Trata-se também de captar as nuances. Os dados sobre sustentabilidade escondem-se muitas vezes em pormenores: o plano de compensação de um diretor executivo ligado a objectivos de emissões, ou a gravidade de uma controvérsia sobre direitos humanos enterrada numa fonte de notícias regional. Sem esse contexto estruturado, a GenAI pode produzir resumos amplos e até elegantes, mas desligados das realidades no terreno.
Tomemos como exemplo os compromissos em matéria de clima. À primeira vista, duas empresas podem afirmar que "associam a remuneração dos executivos ao desempenho ambiental". Mas, na prática, uma pode vincular 20% da remuneração dos executivos à descarbonização dos fornecedores e à redução das emissões, enquanto a outra oferece apenas promessas vagas e não quantificadas. Se os dados subjacentes não forem codificados e verificados, a análise de IA trata ambos como iguais - enganando os decisores com uma equivalência elegantemente redigida.
Do caos dos dados à clareza
É por isso que, de acordo com a nossa experiência, 80% do valor que a IA proporciona nas finanças sustentáveis acontece antes mesmo de ser invocado o primeiro pedido do LLM. Veja-se o caso do acompanhamento de controvérsias. Os modelos de IA examinam continuamente o conteúdo não estruturado de fontes de notícias, alertas regulatórios e relatórios (muitas vezes em vários idiomas) para detetar possíveis desastres ambientais, violações de direitos trabalhistas ou escândalos de governança. Uma vez identificados, os incidentes têm de ser associados às empresas corretas, categorizados de acordo com as métricas de sustentabilidade corretas e atribuídos a pontuações de gravidade precisas.
O mesmo desafio existe para extrair métricas das divulgações empresariais. Os relatórios são documentos extensos, cheios de notas de rodapé e tabelas complexas, raramente expressos em termos padronizados. Aqui, os sistemas especializados de IA (desde o reconhecimento ótico de caracteres (OCR) avançado e análise de layout até modelos ajustados treinados em grandes conjuntos de dados rotulados) capturam e estruturam os detalhes brutos, detectando KPIs específicos de sustentabilidade que, de outra forma, seriam perdidos.
Num caso, uma empresa referiu-se aos benefícios de cuidados infantis dos seus empregados de forma oblíqua, descrevendo "jardins-de-infância para funcionários", "cuidados de apoio" e "vales para creches". Como o relatório nunca usou a expressão exacta "serviços de creche", os anotadores humanos ignoraram estas passagens. As nossas ferramentas de extração, no entanto, reconheceram a equivalência semântica e mapearam-nas corretamente para a métrica social relevante. Esse único passo reformulou o perfil da empresa, revelando um programa de apoio aos funcionários mais forte do que se supunha anteriormente. Um pormenor suficientemente pequeno para ser ignorado, mas suficientemente significativo para influenciar as decisões de investimento.
É por isso que cada ponto de dados deve ser marcado com a proveniência - a sua fonte, registo de data e hora, método de extração e pontuação de confiança - para que possa ser rastreado e verificado. Com isso, a base da IA torna-se fiável. Só então a GenAI pode ser verdadeiramente transformadora: fornecendo informações que não só são exactas e auditáveis, mas também mais rápidas de gerar e mais contextualmente inteligentes. Sem essa base, a GenAI está a funcionar no escuro.
A moda da GenAI está a distrair-nos da verdadeira inovação
A verdadeira revolução nas finanças sustentáveis não virá de ligar o ChatGPT a um painel de controlo. Virá da resolução do problema sujo e pouco flexível da infraestrutura de dados, ou seja, da construção de condutas que possam receber dados brutos, não estruturados, multilingues e muitas vezes contraditórios, e transformá-los em resultados fiáveis, utilizáveis e acionáveis.
Uma vez implementado, os sistemas de IA podem gerar os inputs verificados, e a GenAI pode então amplificá-los, criando relatórios, insights e análises em velocidade e escala, melhorando drasticamente a eficiência para investidores, reguladores e empresas. O caminho a seguir é a IA criteriosa: não apenas modelos grandes, mas modelos inteligentes, criados especificamente para a sustentabilidade, equilibrando precisão, eficiência e custo-benefício.
No domínio das finanças sustentáveis, a tecnologia vistosa não vai fazer avançar as coisas. Os dados fiáveis sim.
Informações do autor
