Pesquisadores demonstram que modelos de inteligência artificial generativa podem transformar textos regulatórios extensos em sinais estruturados úteis para decisões de investimento e estratégia. A técnica foi aplicada a descrições de negócios em relatórios 10-K de empresas dos EUA para mapear a presença de produtos e serviços voltados à descarbonização, como baterias e veículos elétricos.

O método foca no Item 1 (“Descrição do Negócio”) dos formulários 10-K porque esse campo oferece descrições anuais e detalhadas dos produtos e serviços das empresas negociadas nos EUA. Os autores ajustaram um modelo GPT para distinguir frases que indicam desenvolvimento ou venda de soluções climáticas de menções genéricas sobre clima — por exemplo, vender veículos elétricos conta como atividade, enquanto apenas usá-los em frota corporativa não.

Para calibrar o modelo, foram utilizadas cerca de 3.500 frases do Item 1 extraídas de empresas de diversos setores. Em seguida, o modelo classificou todas as frases do Item 1 em 39.710 formulários 10-K de 4.483 empresas americanas no período de 2005 a 2022, totalizando quase 10 milhões de frases processadas.

Principais aplicações e achados

Os autores identificaram que a mensuração baseada em texto gera um sinal econômico consistente, que cresce em conjunto com referências externas de receita verde e inovação verde. Empresas com maior intensidade de menção a soluções climáticas apresentaram maior crescimento de receita, especialmente quando a inovação é protegível (por exemplo, por patentes) e quando as soluções têm maior potencial de redução de carbono.

A pesquisa também mostrou que a IA pode funcionar como uma camada escalável de “sensoriamento externo”, permitindo monitorar como empresas em diferentes setores descrevem suas atividades e detectar convergências setoriais que podem remodelar cadeias de valor. A análise de distribuição temática permitiu quantificar quando setores distintos começam a enfatizar soluções semelhantes, e essa convergência se relacionou com maior co-movimentação nos retornos das ações entre pares setoriais.

Além disso, os resultados serviram para testar hipóteses executivas em escala. Um exemplo levantado pelos autores refere-se ao papel da política: empresas com maior exposição a estados com inclinação republicana apresentaram medidas menores de soluções climáticas em comparação às mais expostas a estados de inclinação democrata. No entanto, essa diferença desaparece no caso de tecnologias de baixo custo, indicando que a política pesa menos quando a economia favorece a adoção.

Imagem: Freepik

Áreas estratégicas e procedimento recomendado

Os pesquisadores apontam cinco áreas onde textos regulatórios e corporativos podem gerar insights:

  1. Dados de clientes: divulgações sobre grandes clientes que representam parcela significativa das vendas;
  2. Capacidades dos concorrentes: descrições de produtos, documentação técnica e registros de patentes;
  3. Fragilidade da cadeia de suprimentos: riscos de fornecedores e requisitos contratuais;
  4. Exposição regulatória e conformidade: fatores de risco e linguagem de fiscalização;
  5. Restrições de força de trabalho: anúncios de emprego e inventário de competências.

O fluxo recomendado é: escolher fontes textuais recorrentes, definir com precisão o conceito a ser detectado, ajustar ou calibrar o modelo para esse conceito, validar as medidas com referências externas e usar os indicadores resultantes para monitorar mudanças e apoiar decisões executivas.

Em suma, o uso de IA generativa em textos regulatórios permitiu converter narrativas densas em medidas comparáveis ao longo do tempo, úteis para identificar onde surgem oportunidades de mercado, acompanhar mudanças externas e testar hipóteses estratégicas em escala.

Com informações de Infomoney