Οι μεγάλες επενδυτικές εταιρείες και οι διαχειριστές κεφαλαίων στρέφονται όλο και περισσότερο στην τεχνητή νοημοσύνη για να παρακολουθούν εσωτερικά ζητήματα ESG, περιορίζοντας την εξάρτησή τους από τρίτους παρόχους δεδομένων και παραδοσιακές υπηρεσίες αξιολόγησης. Η τάση αυτή αποτυπώνει μια ευρύτερη μετατόπιση στον τρόπο με τον οποίο η αγορά αντιλαμβάνεται τον κίνδυνο που σχετίζεται με περιβαλλοντικά, κοινωνικά και ζητήματα εταιρικής διακυβέρνησης, σε μια περίοδο όπου η αξιοπιστία και η χρονική υστέρηση των κλασικών ESG ratings αμφισβητούνται ανοιχτά.
Σύμφωνα με στελέχη της αγοράς, η χρήση εργαλείων AI επιτρέπει στα funds να εντοπίζουν σχεδόν σε πραγματικό χρόνο περιστατικά και αντιπαραθέσεις που μπορεί να επηρεάσουν την αξία μιας επένδυσης – από εργατικά ατυχήματα και περιβαλλοντικές παραβάσεις έως καταγγελίες για διακυβέρνηση ή κοινωνική συμπεριφορά. Τα συστήματα αυτά «σαρώνουν» ειδησεογραφικές πηγές, αναρτήσεις στα social media, ανακοινώσεις ρυθμιστικών αρχών και άλλες δημόσιες πηγές, προσφέροντας μια πιο δυναμική εικόνα του ESG ρίσκου από εκείνη που προκύπτει από περιοδικές εταιρικές αναφορές.
Για πολλούς επενδυτές, το βασικό πλεονέκτημα της εσωτερικής χρήσης AI είναι ο έλεγχος. Αντί να βασίζονται σε black-box βαθμολογίες εξωτερικών παρόχων, μπορούν να προσαρμόζουν τα κριτήρια ουσιώδους πληροφορίας, να βλέπουν την «πρώτη ύλη» των δεδομένων και να κατανοούν γιατί ένα περιστατικό αξιολογείται ως σημαντικό. Η προσέγγιση αυτή θεωρείται ιδιαίτερα πολύτιμη σε μια περίοδο όπου οι αποκλίσεις μεταξύ ESG ratings διαφορετικών οίκων παραμένουν μεγάλες και συχνά δύσκολα εξηγήσιμες.
Παράλληλα, η τεχνητή νοημοσύνη αντιμετωπίζεται ως εργαλείο άμυνας απέναντι στο greenwashing. Η παρακολούθηση γεγονότων σε πραγματικό χρόνο μπορεί να αποκαλύψει γρήγορα αν μια εταιρεία που διαφημίζει υψηλές επιδόσεις βιωσιμότητας εμπλέκεται σε πρακτικές που έρχονται σε αντίθεση με το αφήγημά της. Για τους διαχειριστές κινδύνου, αυτό μεταφράζεται σε ταχύτερη αντίδραση και καλύτερη προετοιμασία απέναντι σε ενδεχόμενες απώλειες ή πιέσεις από επενδυτές και ρυθμιστικές αρχές.
Ωστόσο, η στροφή στην AI δεν είναι χωρίς προκλήσεις. Η ποιότητα των αποτελεσμάτων εξαρτάται άμεσα από την ποιότητα των δεδομένων και τον τρόπο «εκπαίδευσης» των αλγορίθμων. Λανθασμένα φίλτρα ή μεροληψίες στα μοντέλα μπορεί να οδηγήσουν είτε σε υπερεκτίμηση κινδύνων είτε σε παράβλεψη ουσιωδών ζητημάτων. Επιπλέον, αρκετοί στην αγορά επισημαίνουν ότι η τελική αξιολόγηση παραμένει ανθρώπινη υπόθεση: τα συστήματα μπορούν να εντοπίζουν σήματα, όχι όμως να αντικαθιστούν την κρίση για το τι είναι πραγματικά σημαντικό σε στρατηγικό επίπεδο.
Το ενδιαφέρον για in-house AI λύσεις έρχεται σε μια στιγμή κατά την οποία η Ευρωπαϊκή Ένωση επανεξετάζει και απλοποιεί το πλαίσιο υποχρεωτικής αναφοράς βιωσιμότητας, με τις εταιρείες να καλούνται να κάνουν περισσότερα με λιγότερους πόρους. Για τους επενδυτές, αυτό σημαίνει ότι θα πρέπει να αναπτύξουν συμπληρωματικά εργαλεία για να διατηρήσουν επαρκή ορατότητα στους ESG κινδύνους των χαρτοφυλακίων τους.
Η εικόνα που διαμορφώνεται είναι ξεκάθαρη: το ESG περνά σταδιακά από τη στατική βαθμολόγηση στη συνεχή παρακολούθηση. Και καθώς τα δεδομένα πληθαίνουν και οι απαιτήσεις για διαφάνεια αυξάνονται, η τεχνητή νοημοσύνη φαίνεται να καθιερώνεται όχι ως «μαγική λύση», αλλά ως βασικό εργαλείο στο οπλοστάσιο των σύγχρονων επενδυτών.
Πηγή: Responsible Investor,
