Cómo la IA generativa puede convertir grandes cantidades de texto en información útil

La información siempre ha sido crucial para tomar buenas decisiones. Sin embargo, parte de la información más valiosa dentro de las organizaciones y en los mercados ha permanecido durante mucho tiempo atrapada en textos densos y desestructurados: informes anuales, contratos, comentarios de clientes, manuales técnicos y memorandos internos. El reto no era que la información no existiera, sino que extraerla de forma sistemática, de entre muchos documentos, empresas y años, era lento, caro y difícil de hacer de forma coherente. La IA generativa moderna cambia esa limitación. Con los modelos actuales, los líderes pueden convertir las «minas de oro textuales» en información estructurada y lista para la toma de decisiones: una señal coherente que se puede rastrear a lo largo del tiempo, comparar con otros pares y vincular a los resultados. Para concretar esto, hemos estudiado uno de los ámbitos de oportunidad más importantes en la actualidad: lo que denominamos soluciones climáticas, es decir, productos y servicios que permiten la descarbonización. Algunos ejemplos son las baterías, los vehículos eléctricos, el almacenamiento de energía, las energías renovables solar y eólica, los materiales reciclados, las proteínas de origen vegetal, las soluciones de eficiencia energética y los biocombustibles. Muchos líderes que están considerando nuevas inversiones para impulsar el crecimiento en estas áreas son conscientes de estas transiciones, pero aún se enfrentan a una pregunta básica: ¿quién está creando y vendiendo soluciones climáticas y dónde están surgiendo las oportunidades? Las declaraciones financieras no desglosan los «ingresos por soluciones climáticas» de forma estandarizada. En nuestra reciente investigación, mostramos cómo la IA generativa puede ayudar a responder a esa pregunta tratando el texto regulado como datos. En concreto, aplicamos un modelo GPT ajustado al punto 1 («Descripción del negocio») de los documentos 10-K presentados por las empresas para crear una medida anual específica de cada empresa que indique si están desarrollando o implementando productos y servicios de soluciones climáticas. Nos centramos en el punto 1 porque ofrece una descripción detallada de los productos y servicios de una empresa y está disponible cada año para todas las empresas públicas estadounidenses. También tiene tres características deseables para el análisis sistemático mediante IA que todo responsable de la toma de decisiones debe tener en cuenta: Es relativamente fiable porque los formularios 10-K son documentos estandarizados y regulados, sujetos a escrutinio y certificación ejecutiva. Evita un problema fundamental de «selección», ya que casi todas las empresas que cotizan en bolsa deben presentarlos, por lo que es menos probable que la no divulgación refleje un silencio estratégico en comparación con los datos que se comparten voluntariamente. Está lo suficientemente estandarizado entre empresas y años como para ser procesado a gran escala por un sistema de inteligencia artificial, lo que permite una medición repetible a lo largo del tiempo. A continuación, ajustamos un modelo GPT para detectar frases relacionadas con soluciones climáticas, pero no frases genéricas relacionadas con el clima. Esta distinción significa que la venta de vehículos eléctricos cuenta, pero el mero uso de vehículos eléctricos en una flota corporativa no. Para captar ese matiz, ajustamos el modelo GPT en un conjunto etiquetado de ~3500 frases del punto 1, muestreadas en todos los sectores. A continuación, utilizamos este modelo para clasificar todas las frases del punto 1 de 39 710 documentos 10-K presentados por 4483 empresas estadounidenses entre 2005 y 2022. En total, procesamos cerca de 10 millones de frases. Hemos compartido nuestra metodología, datos y conclusiones en un artículo publicado recientemente en Nature Communications. Reflexionando sobre este proceso, identificamos tres conclusiones generalizables sobre cómo la IA generativa podría mejorar la información utilizada en la toma de decisiones ejecutivas, incluso fuera del contexto de las soluciones climáticas. Nuestras conclusiones destacan la capacidad de la IA para generar conocimientos prácticos en entornos en los que los competidores, los proveedores y los clientes se describen mediante datos abundantes, regulados y disponibles públicamente. Estos conocimientos pueden ayudar a los líderes a detectar antes los cambios en la dinámica competitiva y a tomar decisiones estratégicas más disciplinadas y basadas en pruebas. Cómo se puede convertir el texto regulado en señales útiles Muchas cuestiones estratégicas comparten las mismas características: los datos estructurados son incompletos o están desactualizados, pero hay abundante texto con información útil. Consideren estas cinco áreas estratégicas: Datos de clientes: Divulgación en conclusiones reguladas sobre clientes importantes, como aquellos que representan más del 10 % de las ventas de una empresa. Capacidades de la competencia: Descripciones de productos, documentación técnica, solicitudes de patentes. Fragilidad de la cadena de suministro: divulgaciones de riesgos de los proveedores de la propia empresa, registros de seguridad o requisitos de aprovisionamiento. Exposición normativa y postura de cumplimiento: divulgaciones de factores de riesgo, lenguaje de aplicación, consultas sobre políticas. Limitaciones de la plantilla: ofertas de empleo, inventarios de habilidades internas, comentarios de los empleados. En cada caso, se puede hacer referencia a la siguiente secuencia: elegir una fuente de texto que sea relevante y repetible; definir el concepto con precisión (lo que se intenta detectar); ajustar o calibrar el modelo a ese concepto; validarlo con respecto a los puntos de referencia existentes; y, a continuación, utilizar las medidas resultantes para supervisar los cambios y respaldar las decisiones. A continuación, le mostraremos cómo se puede aplicar este marco mediante nuestro estudio sobre soluciones climáticas. Aunque nos hemos centrado en un tema y un tipo de texto (regulado), nuestras conclusiones ofrecen tres conclusiones generalizables para las empresas que desean convertir sus datos en información útil: 1. Identificar áreas de oportunidad Es natural mostrarse escéptico ante la posibilidad de que los textos corporativos sean «solo palabras». Una de las razones por las que el punto 1 es útil es que se acerca más a lo que las empresas dicen vender que a lo que dicen creer. Cuando utilizamos la IA generativa para cuantificar la intensidad de las soluciones climáticas de una empresa a partir del punto 1, la medida se comporta como una señal económica real en lugar de como un indicador narrativo vago. A la hora de identificar áreas de oportunidad, las empresas deben encontrar primero una medida que sirva de referencia con respecto a indicadores externos. En nuestro estudio, descubrimos que la medida de intensidad climática extraída de nuestro análisis aumenta con los puntos de referencia externos de ingresos ecológicos e innovación ecológica, y lo hace de una manera coherente con un compromiso genuino con el mercado de productos, en lugar de con una retórica climática general. En segundo lugar, las empresas deben vincular sus medidas a los resultados empresariales que preocupan a los ejecutivos. Descubrimos que las empresas con una mayor intensidad en soluciones climáticas mostraban un mayor crecimiento de los ingresos. Esta relación era más fuerte en entornos en los que se esperaba que la demanda y la ventaja competitiva fueran más duraderas: donde la innovación es protegible (por ejemplo, patentes) y para categorías de soluciones con mayor potencial de reducción de carbono. En resumen, la medida derivada del texto no solo reflejaba la actividad, sino que se correspondía con el crecimiento. En pruebas complementarias de investigaciones relacionadas, descubrimos que la medida que calculamos también se reflejaba en el valor de mercado y en el rendimiento futuro. Las empresas con soluciones climáticas avanzadas mostraron una mayor valoración de mercado y experimentaron una reacción positiva a corto plazo en torno a acontecimientos que aumentaron la preocupación por el clima, como la firma del Acuerdo de París y el anuncio de la Ley de Reducción de la Inflación. Descubrimos que estas empresas también tenían una mayor rentabilidad futura en regiones donde surgieron políticas de apoyo. Para los líderes, esta es otra razón para tomarse en serio estas señales: los inversores parecen estar valorándolas en la valoración de las acciones, y las empresas que obtienen una buena puntuación en esta medida tienden a obtener mejores resultados financieros a medida que se acelera la transición debido a las políticas de apoyo y la demanda del mercado. La conclusión es que la IA generativa puede convertir una fuente de texto regulada y ampliamente disponible en una señal disciplinada y repetible sobre dónde se encuentran las oportunidades, especialmente cuando los informes financieros tradicionales no identifican por separado esa línea de negocio. Del mismo modo, los líderes pueden buscar señales relacionadas con el crecimiento en otros textos regulados, como la divulgación obligatoria de los contratos importantes de la cadena de suministro de otras empresas. 2. Aprender sobre los factores externos cambiantes La IA generativa ofrece una capa de «detección externa» escalable. En lugar de basarse únicamente en los ciclos de noticias, los rumores de las conferencias o una lista seleccionada de rivales, los líderes pueden supervisar sistemáticamente cómo las empresas de toda la economía describen lo que hacen y detectar los primeros signos de convergencia que pueden remodelar las cadenas de valor. Dependiendo de la fuente de los datos utilizados por la IA, esto podría proporcionar una visión anual (en la mayoría de los casos, como en el nuestro), trimestral o incluso más frecuente del panorama cambiante. En nuestro estudio, descubrimos que, a medida que las tecnologías de descarbonización se expanden, traspasan cada vez más las fronteras de los sectores tradicionales. Los biocombustibles, por ejemplo, están siendo promovidos tanto por las empresas petroleras y gasísticas como combustibles alternativos, como por los actores agrícolas a través de vías basadas en residuos. El almacenamiento de energía es fundamental tanto para los fabricantes de automóviles que construyen vehículos eléctricos como para las empresas de servicios públicos que integran la energía renovable en la red. Y otras áreas de soluciones, como las tecnologías de reciclaje y los materiales bajos en carbono, están surgiendo en múltiples industrias a la vez. En la práctica, esto significa que el ecosistema relevante para cualquier solución dada suele ser más amplio que una única clasificación industrial, y que el conjunto de competidores, socios y cuellos de botella significativos puede cambiar más rápido de lo que esperan los líderes. El análisis de textos ofrece una forma de observar esto con mayor antelación. Al examinar la distribución de los temas relacionados con las soluciones climáticas divulgados en todos los sectores, podemos cuantificar cuándo dos grupos industriales comienzan a solaparse en las áreas de solución que enfatizan. En nuestro estudio, relacionamos esta convergencia con las actividades del mercado de capitales: los pares de industrias que eran más similares en sus perfiles de temas relacionados con las soluciones climáticas mostraban una mayor correlación en el rendimiento de las acciones, en consonancia con el hecho de que sus fundamentos se movían cada vez más al unísono. Para los líderes, este hallazgo refleja que cuando industrias adyacentes comienzan a parecerse en su enfoque de soluciones, es probable que el panorama competitivo esté cambiando, ya sea a través de nuevos participantes, nuevos sustitutos o nuevas dependencias de proveedores y plataformas compartidas. Eso puede generar amenazas (competencia por clientes, talento e insumos) y oportunidades (asociaciones, objetivos de fusiones y adquisiciones, nuevos canales). Pero es difícil responder si no se ve el cambio de límites que se está produciendo. 3. Poner a prueba las hipótesis previas utilizando pruebas de resistencia con datos de toda la economía Los ejecutivos operan con supuestos previos: creencias sobre lo que limitará la adopción, de dónde vendrá la demanda y qué barreras son estructurales frente a cuáles son temporales. Pero en mercados inciertos, los supuestos previos pueden convertirse en anclas, especialmente cuando los ejecutivos carecen de visibilidad directa sobre lo que está sucediendo en el mercado en general. Una característica útil de la medición basada en la IA generativa es que puede cuestionar las ideas preconcebidas al agregar pruebas a gran escala. Nuestros resultados ilustran esto con una creencia común sobre la transición climática: que la política segmentará drásticamente las oportunidades y la adopción. Hemos observado que la política sí importa, pero en menor medida de lo que se podría suponer: según nuestro estudio, las empresas con mayor exposición a los estados de tendencia republicana muestran un menor nivel de soluciones climáticas que aquellas más expuestas a los estados de tendencia demócrata. Sin embargo, el patrón no es uniforme en todas las tecnologías. La diferencia política desaparece en el caso de las tecnologías de bajo coste. Ese matiz es importante desde el punto de vista estratégico, ya que replantea la limitación: la política puede ralentizar o condicionar la adopción en algunos segmentos, pero a medida que los costes disminuyen y las soluciones se vuelven económicamente atractivas, la limitación se debilita. Este tipo de información puede ayudar a actualizar las creencias de los ejecutivos. En lugar de debatir anécdotas —«esa región nunca lo adoptará» o «este entorno político lo hace imposible»—, los líderes pueden utilizar pruebas sistemáticas extraídas de datos textuales para distinguir dónde prevalecen las restricciones políticas y dónde domina la economía. Eso, a su vez, puede servir de base para decidir dónde asignar el capital, qué zonas geográficas priorizar y cómo organizar la entrada en las distintas categorías de soluciones. . . . El texto, especialmente el texto regulado y estandarizado, puede tratarse como datos. La IA generativa es lo que lo hace práctico a gran escala. Las soluciones climáticas son un ejemplo oportuno, pero el flujo de trabajo más amplio se generaliza. El factor limitante siempre será el mismo: la disponibilidad de datos de alta calidad para el caso de uso específico. Buscar analizar datos de empresas privadas será más difícil, ya que es posible que no sean objeto de escrutinio por parte de entidades que mejoran la calidad de la información, como auditores y reguladores. Del mismo modo, cuanto más se confíe en la información divulgada voluntariamente, como los comentarios de los empleados, mayor será la probabilidad de obtener información ruidosa. Este proceso está ampliando la base de información para la toma de decisiones ejecutivas. Cuando los mercados cambian, las oportunidades surgen primero en forma de señales dispersas: descripciones de nuevos productos, nuevo lenguaje sobre capacidades y nuevos patrones en la forma en que las empresas hablan de lo que hacen. La IA generativa hace posible convertir esas señales en información estructurada y comparable. Y una vez que esa información es medible, ustedes pueden utilizarla como cualquier otra información estratégica: para establecer puntos de referencia, seguir tendencias, identificar puntos de inflexión y revisar hipótesis.

Cómo la IA generativa puede convertir grandes cantidades de texto en información útil

Resumen.

Partner Center