Recientemente, los dos hemos puesto a trabajar cuatro modelos de lenguaje a gran escala, ampliamente disponibles, con la información pública de ExxonMobil. El objetivo no era generar otra puntuación ESG, ni señalar específicamente a ExxonMobil. Se trataba de comprobar si la IA podía llevar a cabo algo que el análisis de sostenibilidad lleva mucho tiempo intentando hacer a gran escala: tomar las cuestiones medioambientales y sociales que la propia empresa considera financieramente relevantes, relacionarlas con conceptos específicos del estado de resultados, el balance y el estado de flujos de efectivo, y estimar en qué medida un buen o mal rendimiento en cada una de ellas afectaría al valor de la empresa. Uno de nosotros ya había realizado este tipo de análisis manualmente anteriormente. Le llevó unas 100 horas. Con la IA, el mismo trabajo básico se completó en aproximadamente una hora; algunas partes se realizaron en cuestión de minutos.

La rapidez es la noticia, y la razón por la que es importante no es que dos profesores hayan podido hacerlo, sino que, en poco tiempo, casi cualquiera podrá hacerlo. Tal y como argumentamos en nuestro nuevo libro, *Making Sustainability Financially Relevant*, el objetivo del caso de ExxonMobil era demostrar un caso práctico. El análisis de sostenibilidad riguroso y con base financiera se está volviendo económico, rápido y repetible. Cuando eso ocurre, el centro de gravedad pasa de debatir en qué calificación ESG confiar a examinar por uno mismo los supuestos, las compensaciones y las consecuencias económicas. Esa perspectiva debería dinamizar e inquietar al mismo tiempo al ecosistema de varios billones de dólares formado por proveedores de calificaciones, organismos normativos, proveedores de datos y gestores de fondos, que creció en gran medida precisamente porque este análisis solía ser tan complicado.

Una nueva metodología

Dejemos de lado, por un momento, el hecho de que los criterios ESG se hayan convertido en un blanco político, un argumento que uno de nosotros expuso en el artículo de la HBR de 2024 titulado«Moving Beyond ESG». Sus defensores más comprometidos llevan años coincidiendo en cuál es el principal obstáculo. Nunca ha existido una forma transparente y creíble de vincular el desempeño medioambiental y social de una empresa con su rendimiento financiero. La conocida afirmación de que «creamos valor para los accionistas al cuidar de nuestros stakeholders» nunca ha convencido a nadie en todo el espectro político, ya que carece de rigor analítico e ignora discretamente las compensaciones.

La solución es casi trivial, y tan sencilla que cualquiera podría haber ideado nuestra sencilla metodología hace 20 años, pero habría supuesto un esfuerzo demasiado laborioso. En el caso de una empresa que cotiza en bolsa, se identifican los factores de riesgo medioambiental y social que ya divulga en sus formularios 10-K o 20-F; se comparan con las cuestiones consideradas financieramente relevantes para su sector (las normas del SASB constituyen un buen punto de partida); se asigna cada uno de ellos a conceptos (line items) específicos de los estados financieros; y se estima el efecto financiero de un rendimiento sólido o deficiente en función de diversos escenarios. El resultado no es un eslogan ni una puntuación. Se trata del tipo de análisis que un inversor puede utilizar realmente.

En el caso de ExxonMobil, la metodología arrojó cifras en lugar de impresiones. Nuestro propio análisis, asistido por IA, estimó la exposición total relacionada con la sostenibilidad en aproximadamente entre 5 000 y 10 000 millones de dólares en el escenario base, cifra que ascendía a entre 12 000 y 18 000 millones de dólares bajo hipótesis adversas. Un análisis paralelo realizado con Gemini Pro 2.5 arrojó una cifra significativamente superior, de entre 25 000 y 45 000 millones de dólares, lo cual atribuimos a hipótesis más agresivas sobre la repercusión del coste del carbono y a un cálculo de deterioro de las reservas que cuestionamos explícitamente. En los tres escenarios definidos en función de la evolución del precio del petróleo, el precio del carbono, la frecuencia de los litigios y la tasa de repercusión del coste del carbono, el efecto estimado en el EBIT anual osciló entre aproximadamente –3.3 mil millones de dólares (escenario conservador), –8.3 mil millones de dólares (escenario adverso) y –15.2 mil millones de dólares (escenario grave).

Es evidente que la elección del sistema de IA fue determinante. Y ahí es donde reside la parte de la historia que invita a la cautela. Al llevarlo más allá de los datos disponibles, nuestro marco generó en una ocasión una estimación de la destrucción de la demanda a largo plazo que, aunque amplia y coherente en sí misma, resultaba totalmente errónea. Era errónea porque el contexto normativo que suponía acababa de cambiar en la dirección opuesta. Solo lo detectamos porque conocíamos bien la empresa y el panorama normativo. Esto es la norma, no la excepción. La IA hace posible el análisis, y el juicio humano lo hace fiable. Unas herramientas mejores aumentan el valor de la experiencia necesaria para utilizarlas correctamente; no la eliminan.

Aun así, este avance es real y cambia quién puede realizar el trabajo. Un análisis que antes era artesanal se está convirtiendo en industrial, empresa a empresa, sector a sector. Esto tiene profundas implicaciones para el ecosistema ESG. No disponemos de información privilegiada sobre las deliberaciones que se están llevando a cabo en las agencias de calificación, los organismos normativos o los reguladores de fondos, pero la capacidad que describimos se está poniendo directamente en manos de particulares a un ritmo mucho más rápido del que pueden seguir estas instituciones. Hay que reconocer que los tres pilares —calificaciones, normas y fondos— ya se están moviendo en la dirección que señala nuestro método. La única cuestión real es si avanzan con la suficiente rapidez. Quienes no lo hagan se quedarán atrás.

Calificaciones ESG

Comencemos con la pregunta más sencilla de un lector. ¿Por qué pagar por una única calificación de un tercero cuando puede analizar usted mismo la información subyacente? Las calificaciones ESG tenían sentido cuando surgieron, hace casi 40 años, en un mundo en el que las empresas revelaban poca información y no existían normas; alguien tenía que cubrir ese vacío. Aunque ahora se publican grandes volúmenes de datos de sostenibilidad (de calidad desigual), una calificación sigue siendo un agregado basado en la metodología y las ponderaciones elegidas por una sola empresa. Las empresas llevan mucho tiempo quejándose de que el resultado es, en definitiva, subjetivo. El panorama ya está cambiando de forma visible. Incluso MSCI, el mayor proveedor, está reestructurando su modelo en torno a la materialidad financiera y el flujo de caja, en lugar de basarse en la información divulgada. Ahora cualquiera puede generar su propia visión detallada, por concepto (line item), y elaborar una puntuación agregada solo si la considera útil, algo que dudamos que muchos hagan.

Elaboración de normas

Ahora, una pregunta más compleja. ¿Qué ocurre cuando la IA es capaz de detectar cuestiones materiales emergentes con mayor rapidez de la que tardan los organismos oficiales en actualizar sus normas? El proceso de establecimiento de normas es lento por naturaleza. La norma contable sobre seguros tardó aproximadamente dos décadas en pasar de la propuesta a su adopción. Nuestro colega Bhakti Mirchandani, coautor del artículo«We Need Universal ESG Accounting Standards» («Necesitamos normas contables ESG universales»), nos ha señalado que las normas del SASB —que resultaron fundamentales para redefinir el concepto de «materialidad» para los inversores— necesitan una actualización importante. En ellas se citan cuestiones climáticas como «materiales» que ya no lo son, y apenas se han tenido en cuenta las nuevas cuestiones materiales derivadas de la IA.

Nuestra previsión es que la IA ampliará la brecha entre la rapidez con la que surgen las cuestiones sustantivas y la rapidez con la que las normas formales se adaptan a ellas. Sin embargo, la IA también puede ayudar a reducir esa brecha sacando a la luz cuestiones emergentes, redactando revisiones y facilitando el procesamiento de las observaciones públicas, sin sacrificar el proceso de consulta que confiere legitimidad a las normas.

Fondos sostenibles

Los fondos sostenibles, bajo diversas denominaciones, han estado en el centro de la controversia política en torno a la sostenibilidad y han sido objeto de críticas en todo el espectro político. La inversión sostenible significa cosas diferentes para cada persona, y una distinción importante es la que existe entre la inversión basada en el valor y la inversión basada en los valores. Hoy en día, la composición de un fondo combina calificaciones de terceros con el criterio personal de quien lo ha creado; se pueden ver las posiciones, pero rara vez el razonamiento. Y a menudo se produce una confusión entre el valor y los valores. Nuestro método permite al inversor comprobar qué hay realmente dentro de un fondo aparentemente sostenible o confeccionar una cartera según sus propios criterios.

La próxima frontera

Esto nos lleva a la cuestión más compleja, basada en la confusión que ha existido desde el principio entre dos significados distintos del término «sostenibilidad». Creemos que esta confusión ha desempeñado un papel fundamental en la politización de la sostenibilidad. Todo lo anterior se refiere a la materialidad financiera: la sostenibilidad como creación de valor para la empresa. No mide el efecto total de una empresa sobre el mundo, ni lo que hoy en día se conoce comúnmente como «materialidad de impacto». Una empresa petrolera puede gestionar su riesgo climático de forma que proteja el valor para los accionistas sin dejar de contribuir a las emisiones globales; una empresa tecnológica puede crear un valor enorme al tiempo que impone costes a los mercados laborales, a la privacidad o a las instituciones democráticas. Esas cuestiones son importantes. Simplemente, no son la misma cuestión que hemos abordado aquí.

Hemos comenzado a abordar ese problema más complejo: medir el valor añadido para las partes interesadas de una empresa a nivel sistémico. La inteligencia artificial también será esencial en este ámbito, aunque los datos sean más desordenados y las valoraciones más difíciles. Todas las instituciones de las que hemos hablado están trabajando en la sostenibilidad a nivel sistémico. La inteligencia artificial les ayudará a hacerlo. Sin embargo, deben aprovecharla combinándola con conocimientos especializados y el criterio humano, para evitar que esta les supere.

Fuente: Harvard Business Review