En un artículo publicado en la Harvard Business Review, los profesores Robert G. Eccles y Shivaram Rajgopal plantean que la inteligencia artificial podría estar a punto de alterar uno de los debates más persistentes en materia de sostenibilidad corporativa: traducir los riesgos ambientales y sociales en consecuencias financieras concretas para una empresa.
Foto: Robert G. Eccles, profesor de la Universidad de Oxford y exprofesor titular de la Escuela de Negocios de Harvard.
Ambos autores sostienen que los avances en los grandes modelos de lenguaje están haciendo que un tipo de análisis que hasta ahora requería semanas de trabajo especializado pueda realizarse en cuestión de horas.
El planteo parte de una dificultad histórica de la agenda ESG: aunque las compañías informan cada vez más sobre cuestiones ambientales y sociales, todavía existe una brecha entre esos datos y su traducción en términos de resultados financieros. Para Eccles y Rajgopal, la inteligencia artificial podría contribuir a cerrar esa brecha al permitir identificar riesgos de sostenibilidad, vincularlos con partidas específicas de los estados financieros y estimar cómo distintos escenarios podrían afectar las ganancias y el valor de una compañía.
De las calificaciones ESG a las consecuencias financieras
Para poner a prueba esta hipótesis, los autores utilizaron cuatro grandes modelos de lenguaje disponibles públicamente para analizar información divulgada por ExxonMobil. El objetivo no era construir otra calificación ESG ni evaluar a la compañía en particular, sino comprobar si la IA podía reproducir un análisis financiero de los riesgos ambientales y sociales que anteriormente había requerido unas 100 horas de trabajo manual.
Con IA, explican, el mismo trabajo central demandó aproximadamente una hora, mientras que algunas partes pudieron realizarse en cuestión de minutos.
La metodología propuesta es relativamente sencilla. Consiste en identificar los riesgos ambientales y sociales que la propia empresa reconoce como relevantes en sus informes financieros; contrastarlos con las cuestiones consideradas materiales para su sector —los estándares SASB aparecen como un punto de partida—; vincular cada riesgo con partidas concretas de los estados financieros; y finalmente estimar su impacto bajo distintos escenarios.
El resultado buscado no es un nuevo score ESG, sino una estimación financiera que permita a un inversor comprender qué está en juego y cuáles son los supuestos detrás del cálculo.
En el caso de ExxonMobil, el análisis asistido por IA realizado por los autores estimó una exposición relacionada con la sostenibilidad de entre US$5.000 millones y US$10.000 millones en el escenario base, que podía elevarse a entre US$12.000 millones y US$18.000 millones bajo supuestos adversos. Otra ejecución con Gemini Pro 2.5 produjo una estimación significativamente mayor, de entre US$25.000 millones y US$45.000 millones. Las diferencias, según los autores, estuvieron relacionadas principalmente con supuestos más agresivos sobre la transferencia de costos de carbono y con un cálculo de deterioro de reservas que ellos cuestionaron.
El ejercicio también mostró diferencias importantes en el impacto potencial sobre el EBIT. Dependiendo de la trayectoria del precio del petróleo, el precio del carbono, la velocidad de los litigios y el grado de transferencia de los costos de carbono, los autores estimaron efectos anuales que iban desde aproximadamente US$3.300 millones negativos en un escenario conservador hasta US$15.200 millones negativos en uno severo.
El límite: la IA no reemplaza el criterio humano
El experimento también expuso una de las principales advertencias del artículo. Los modelos de IA no necesariamente producen resultados confiables por el solo hecho de trabajar con grandes cantidades de información.
En uno de los ejercicios, el sistema generó una estimación sobre la destrucción de demanda a largo plazo que era internamente consistente, pero completamente equivocada. El error provenía de una hipótesis sobre el escenario regulatorio que había quedado desactualizada. Los autores pudieron detectarlo porque conocían la compañía y el contexto de política pública.
La conclusión es relevante para el futuro de la profesión: la IA puede hacer posible un análisis que antes resultaba demasiado costoso, pero no elimina la necesidad de conocimiento especializado. Por el contrario, Eccles y Rajgopal sostienen que cuanto mejores sean las herramientas, mayor será la importancia de la experiencia necesaria para evaluar sus resultados.
En otras palabras, el desafío no desaparece: cambia de lugar. El trabajo deja de consistir exclusivamente en procesar información y pasa a incluir una mayor capacidad para formular hipótesis, evaluar supuestos y detectar errores.
Un desafío para las agencias de ratings ESG
A partir de este experimento, los autores plantean consecuencias para tres sectores que ocupan un lugar central en el ecosistema de las finanzas sostenibles: las agencias de calificación ESG, los organismos de normalización y los fondos de inversión sostenible.
El primer impacto podría producirse sobre los ratings ESG. Eccles y Rajgopal cuestionan cuánto valor seguirá teniendo una única puntuación elaborada por un tercero cuando un inversor pueda consultar directamente las divulgaciones corporativas y utilizar herramientas de IA para construir su propio análisis.
Las calificaciones surgieron en un contexto en el que las empresas divulgaban mucha menos información y prácticamente no existían estándares consolidados. En ese escenario, los proveedores externos cumplían una función evidente: llenar un vacío informativo.
Pero el contexto ha cambiado. Los autores señalan que actualmente existe un volumen considerable de información sobre sostenibilidad y que una calificación continúa siendo, en última instancia, un agregado construido a partir de la metodología, ponderaciones y criterios elegidos por cada proveedor.
La consecuencia que anticipan es un desplazamiento desde la pregunta sobre qué rating ESG es más confiable hacia una pregunta diferente: qué supuestos financieros explican el resultado y cuánto impacto económico tiene cada uno de ellos.
La inteligencia artificial también puede tensionar los estándares
El segundo ámbito afectado sería el de los organismos que desarrollan estándares de información.
Los autores observan una tensión entre la velocidad con la que pueden aparecer nuevos riesgos materiales y el tiempo que requieren los procesos formales de elaboración y actualización de estándares. La regulación y la normalización tienen procesos deliberadamente lentos, porque necesitan consultas, consensos y legitimidad institucional.
La IA podría ampliar esa brecha al identificar cuestiones materiales emergentes mucho antes de que los organismos puedan incorporarlas formalmente a sus estándares. Pero, al mismo tiempo, podría ayudar a reducirla: detectar nuevos temas, elaborar propuestas de actualización y procesar comentarios públicos son algunas de las tareas que podrían beneficiarse de estas herramientas sin eliminar los procesos de consulta.
El planteo no implica, por lo tanto, reemplazar a los organismos de normalización por algoritmos. La oportunidad estaría en utilizar la IA para acelerar determinadas etapas de un proceso cuya legitimidad seguiría dependiendo de la deliberación humana.
¿Qué ocurrirá con los fondos sostenibles?
El tercer ámbito señalado es el de los fondos de inversión sostenible.
Eccles y Rajgopal sostienen que la construcción de estos fondos suele combinar calificaciones de terceros con el juicio privado de quienes diseñan las carteras. Aunque los inversores pueden conocer las tenencias, no siempre pueden conocer con la misma precisión las razones que llevaron a incluir determinados activos.
Aquí aparece otro de los problemas que atraviesan el debate sobre inversión sostenible: la confusión entre valor y valores.
La metodología propuesta por los autores permitiría, según su visión, que un inversor analizara qué riesgos financieros relacionados con la sostenibilidad están realmente presentes dentro de un fondo que se presenta como sostenible o, alternativamente, construyera una cartera de acuerdo con sus propios criterios.
La distinción que puede redefinir el debate sobre sostenibilidad
Sin embargo, el punto más importante del artículo aparece cuando los autores advierten que el análisis financiero de la sostenibilidad no equivale a medir el impacto de una empresa sobre el mundo.
Eccles y Rajgopal distinguen entre materialidad financiera y materialidad de impacto. La primera busca determinar cómo las cuestiones ambientales y sociales pueden afectar la creación de valor de una compañía. La segunda analiza cómo las actividades de la compañía afectan al entorno, las personas y los sistemas en los que opera.
La diferencia puede resultar decisiva. Una compañía petrolera podría gestionar eficazmente sus riesgos climáticos y proteger de ese modo el valor para sus accionistas mientras sus operaciones continúan contribuyendo al aumento de las emisiones globales. Del mismo modo, una empresa tecnológica podría generar un enorme valor económico y, simultáneamente, producir efectos negativos sobre los mercados laborales, la privacidad o las instituciones democráticas. Para los autores, ambas cuestiones son relevantes, pero no responden a la misma pregunta.
De medir el riesgo financiero a medir el valor para los stakeholders
Esa distinción abre lo que Eccles y Rajgopal consideran la próxima frontera de este proceso: medir el valor generado para los stakeholders a nivel sistémico.
Los autores señalan que ya comenzaron a trabajar sobre ese problema y reconocen que se trata de un desafío considerablemente más complejo. Los datos son menos ordenados y las decisiones metodológicas requieren un nivel mayor de juicio.
La IA también podría desempeñar un papel relevante en esa etapa, pero la advertencia se mantiene: las herramientas deberán ser utilizadas junto con conocimiento especializado y criterio humano.
La tesis de fondo del artículo, entonces, no es que la inteligencia artificial vaya a resolver por sí misma los problemas de la sostenibilidad corporativa. Es más específica: puede reducir drásticamente el costo y el tiempo necesarios para transformar información de sostenibilidad en análisis financiero comparable y accionable.
Si esa capacidad se democratiza, como anticipan los autores, el poder dentro del ecosistema ESG podría desplazarse. Las ventajas históricas asociadas al acceso a datos, metodologías propietarias y capacidad de procesamiento podrían perder parte de su valor. En su lugar, ganarían importancia la transparencia de los supuestos, la calidad de los datos, la comprensión sectorial y la capacidad para interpretar críticamente los resultados.
El cambio, por lo tanto, no sería simplemente tecnológico. Podría modificar la pregunta central que durante décadas estructuró buena parte del mercado ESG: de “¿qué calificación tiene esta empresa?” a “¿qué riesgos de sostenibilidad afectan realmente su desempeño financiero, bajo qué supuestos y con qué consecuencias económicas?”.
