Os relatórios de sustentabilidade têm um novo stakeholder: os robôs

Até pouco tempo atrás, relatórios de sustentabilidade eram escritos para pessoas. Investidores, clientes, colaboradores, comunidades, reguladores, conselheiros, jornalistas e organizações da sociedade civil formavam o público esperado desses documentos. A linguagem deveria ser clara, com uma narrativa coerente e dados que sustentassem a percepção de que a empresa compreendia seus impactos e sabia administrá-los. Contudo, os acelerados avanços tecnológicos trouxeram um novo stakeholder para esses materiais: os robôs.

Essa afirmação não é futurista. Relatórios ESG, documentos institucionais, notícias, sites corporativos, imagens de satélite e posts em redes sociais já são lidos, classificados e cruzados por ferramentas de inteligência artificial, que não se emocionam com uma boa abertura de capítulo, não se impressionam com adjetivos sofisticados e não aceitam, sem questionamento, expressões como “sustentável”, “baixo carbono”, “carbono neutro”, “responsável” ou “comprometido com o futuro”. Elas alteram o tom da conversa com as empresas ao apoiar os demais stakeholders na leitura crítica das informações divulgadas.

Essa mudança é especialmente relevante quando o assunto envolve dinheiro. Bancos, gestoras e agências de rating vêm utilizando Processamento de Linguagem Natural (também conhecido pela sigla NLP), modelos de linguagem (como os LLMs), machine learning, IA generativa, entre outras tecnologias para ler grandes volumes de dados, identificar padrões, localizar inconsistências e transformar informações dispersas em insumos para tomadas de decisão.

O Deutsche Bank, por exemplo, utiliza Processamento de Linguagem Natural e modelagem de tópicos para verificar se compromissos declarados em relatórios de sustentabilidade se traduzem em desempenho real. Essa lógica é central para a detecção de greenwashing. O HSBC lançou o HSBC ESG Risk Improvers Index, um índice global impulsionado por inteligência artificial que rastreia o desempenho de mais de 1.100 ações globais com foco no chamado “momento ESG”. A lógica é identificar empresas com potencial de benefício financeiro associado à melhora progressiva de seus riscos ambientais, sociais e de governança. Ou seja, a IA não observa apenas o desempenho atual; ela também busca sinais de evolução que possam orientar decisões de investimento. Já o JP Morgan Chase, em parceria com a plataforma Datamaran, desenvolveu a plataforma ESG Discovery, que utiliza IA para fornecer dados dinâmicos sobre riscos e oportunidades ambientais, sociais e de governança. Esse tipo de solução permite comparar o que uma empresa declara com temas emergentes, pressões regulatórias, expectativas de stakeholders e tendências setoriais, tornando a materialidade menos estática e mais conectada ao ambiente externo.

Provedores de dados e ratings também lançam mão da leitura automatizada. O MSCI utiliza inteligência artificial e tecnologias avançadas de dados para analisar informações de sustentabilidade e compor seus ratings e índices ESG. A finalidade dessas avaliações é medir como as empresas gerenciam riscos e oportunidades ESG financeiramente relevantes, apoiando investidores na integração de critérios de sustentabilidade em suas estratégias de investimento e gestão de portfólio. Na prática, dados extraídos de relatórios, sites corporativos, notícias e outras fontes públicas podem alimentar modelos que ajudam a classificar empresas, comparar desempenhos e orientar decisões financeiras.

Esse novo cenário altera profundamente o papel dos relatórios de sustentabilidade, que passam a ser lidos em duas camadas. A primeira é humana, interpretativa e narrativa. A segunda é algorítmica, classificatória, comparativa e, em muitos casos, preditiva. O futuro exigirá, portanto, uma competência híbrida. O profissional responsável por esse tipo de relatório precisará continuar dominando narrativa, estratégia, materialidade, GRI, IFRS, riscos, indicadores e linguagem corporativa. Mas também deverá entender como máquinas leem documentos: que palavras-chave reconhecem, que padrões procuram, que lacunas sinalizam, que inconsistências conseguem cruzar e que tipos de dado são mais facilmente interpretáveis.

Para os profissionais de reporte, isso impõe um novo padrão de responsabilidade.

A boa escrita ganha ainda mais relevância e novos contornos: o texto precisa ser claro para pessoas e, ao mesmo tempo, suficientemente estruturado para ser bem interpretado por máquinas. É necessário que o relatório tenha fluidez, mas também precisão terminológica. Que construa uma narrativa institucional sem esconder lacunas atrás de abstrações. E que conecte estratégia, gestão, indicadores, metas e desempenho de forma lógica, já que a IA pode cruzar o conteúdo do documento com outras informações públicas sobre a empresa.

Nesse sentido, empresa que declara compromisso com a descarbonização, mas não apresenta evolução de emissões, metas verificáveis ou explicação sobre desvios, possivelmente será sinalizada como inconsistente. Uma companhia que afirma promover inclusão, mas não divulga indicadores mínimos de diversidade, remuneração e desenvolvimento, deixa um vazio interpretativo. Uma organização que usa termos amplos como “verde”, “natural”, “sustentável” ou “carbono neutro” sem lastro técnico pode ser lida não apenas como imprecisa, mas como potencialmente exposta a risco reputacional, regulatório ou financeiro.

A grande questão editorial dos próximos anos talvez seja esta: como escrever um relatório que faça sentido para uma pessoa e, ao mesmo tempo, seja legível, rastreável e verificável para uma máquina?

A resposta não está em transformar relatórios em bases de dados frias, sem narrativa. Tampouco está em insistir em textos inspiracionais, genéricos e pouco comprováveis. O caminho está no equilíbrio: uma narrativa fluida, lógica e estratégica para o leitor humano, sustentada por dados consistentes, termos precisos, indicadores bem definidos, metas claras e evidências suficientes para a leitura algorítmica.