מ-ESG לשורת הרווח: כך ה-AI מסייע לכמת סיכוני קיימות

במשך יותר מעשור התמודדה תעשיית השקעות ה-ESG עם אתגר מרכזי: הפער שבין הצהרות, יעדים ומידע לא-פיננסי לבין השפעתם האפשרית על הביצועים הפיננסיים. מנהלי השקעות, אנליסטים וגופים מוסדיים בארץ ובעולם נדרשים להתמודד עם כמויות גדולות של מידע סביבתי, חברתי וממשלי, שלא תמיד ניתן לתרגם בקלות לנתונים פיננסיים.

האתגר הוא לקשר בין מידע על פליטות פחמן, שימוש במים, מדיניות גיוון והכלה או סיכוני שרשרת אספקה לבין מודלים פיננסיים, כגון תזרים מזומנים מהוון (DCF) או מכפילי רווח עתידיים. אחד הכלים שהתפתחו לצורך זה הוא דירוגי ESG שמפרסמות חברות דירוג שונות. עם זאת, בין הדירוגים עשויים להתקיים פערים, בין היתר בשל הבדלים במתודולוגיה, במקורות המידע ובמשקל שניתן לכל גורם. דירוג מצרפי לבדו אינו בהכרח מספק את רמת הפירוט הנדרשת כדי להבין כיצד סיכון מסוים עשוי להשפיע על הכנסות, עלויות, תזרימי מזומנים או שווי.

התפתחותם של מודלי שפה גדולים (LLMs) עשויה לסייע בהתמודדות עם האתגר. מודלים אלה מאפשרים לעבד כמויות גדולות של מידע פומבי, לזהות גורמי סיכון ולהציע קשרים אפשריים בינם לבין סעיפים פיננסיים. בכך הם עשויים לתמוך במעבר מדיון כללי בסוגיות ESG לניתוח המבוסס על נתונים, הנחות והשלכות פיננסיות שניתן לבחון

מאמר מאת Robert G. Eccles ו-Shivaram Rajgopal שפורסם ב-Harvard Business Review  ביולי 2026, בחן שימוש בארבעה מודלי שפה זמינים לניתוח הגילויים הפומביים של חברת האנרגיה ExxonMobil. . מטרת הניתוח לא הייתה ליצור דירוג ESG  נוסף, אלא למפות סוגיות קיימות לסעיפים מסוימים בדוחות הכספיים ולאמוד את השפעתן האפשרית על הרווח ועל שווי החברה. 

לצורך הניתוח בחנו החוקרים מידע שנכלל בגילויים הפומביים של החברה, לרבות דוחות שנתיים ודוחות קיימות, באמצעות ארבעה מודלי שפה. בחירת ExxonMobil שימשה כמקרה בוחן ליישום המתודולוגיה, ולא כהערכה של החברה או של ביצועיה.

המשימה שהוגדרה למודלים לא התסכמה בהפקת סיכום כללי. היא כללה זיהוי סוגיות סביבתיות וחברתיות שעשויה להיות להן מהותיות פיננסית; מיפוי שלהן לסעיפים בדוחות הכספיים, לרבות הכנסות, הוצאות, תפעוליות, השקעות הוניות, מאזן ותזרים מזומנים, והערכת ההשפעה האפשרית  של תרחישים שונים  על הרווח ועל שווי החברה. תיאור המאמר מדגיש הן את הפוטנציאל של ניתוח מבוסס AI והן את מגבלותיו.

על פי המאמר, עבודה ידנית שנמשכה כ-100 שעות הושלמה באמצעות כלי AI בתוך כשעה, כאשר חלקים מסוימים בתהליך הושלמו בתוך דקות. נתון זה ממחיש את פוטנציאל ההתייעלות, אך אינו מלמד שכל ניתוח ESG ניתן לביצוע באותה מהירות או באותה רמת איכות. התוצאה עשויה להשתנות בהתאם לאיכות הגילויים, למורכבות החברה, למודל שנבחר, למתודולוגיה ולהיקף הבקרה האנושית.

עבור מנהלי קרנות נאמנות, קרנות גידור, חברות ביטוח וקרנות פנסיה, המשמעות האפשרית היא שינוי בתהליכי המחקר והניתוח. במקום להסתמך רק על קריאה ידנית של מסמכים רבים, כלי AI עשויים לסייע בביצוע בדיקות בהיקף רחב יותר, בהשוואה בין מקורות מידע ובהתמקדות בסוגיות המחייבות בחינה מקצועית נוספת.

כך, למשל, ניתן להשתמש במודלים כדי להשוות בין התחייבויות הנהלה להפחתת פליטות פחמן לבין נתונים תקציביים ותפעוליים, לזהות פערים או אי-התאמות המחייבים בדיקה נוספת, ולבחון האם ההנחות שבבסיס התחייבויות אלה משתקפות בתוכניות העסקיות ובתחזיות הפיננסיות. פער כזה אינו מוכיח כשלעצמו גרינוושינג, אך הוא עשוי לשמש אינדיקציה המצדיקה בירור והקשר נוספים.

בנוסף, כלי AI עשויים לסייע בהרצת תרחישים מורכבים. לדוגמה, ניתן לבחון כיצד שינוי במחיר הפחמן או בדרישות הרגולטוריות באירופה עשוי להשפיע על העלויות, על מרווחי הרווח ועל תזרים המזומנים של חברה תעשייתית. תוצאות הניתוח יכולות להשתלב בתהליכי הערכת שווי וניהול סיכונים, ובלבד שהן נבחנות ומאומתות בידי אנשי מקצוע.

עם זאת, אין להסתמך על תוצרי המודלים כתחליף לשיקול דעת מקצועי. מודלי AI עלולים להפיק מידע שגוי, להחמיץ הקשר, לפרש באופן לא מדויק גילויים מורכבים או להתקשות בחישובים ובהנחות פיננסיות. משום כך, השימוש בהם מחייב בקרה של אנשי מקצוע מנוסים, אימות מול מקורות ראשוניים ותיעוד ברור של הנתונים, ההנחות והמתודולוגיה.

נוסף על כך, איכות הניתוח תלויה באיכות, בשלמות ובעקביות של המידע הזמין לציבור. מידע שלא פורסם, שאינו מלא או שאינו מוצג באופן ברור לא יוכל להיכלל באופן מהימן בניתוח. גם התרחישים שמייצרים המודלים אינם תחזיות ודאיות, אלא תוצאות המבוססות על נתונים והנחות מסוימים. בהתאם, נכון להתייחס אליהם ככלי תומך החלטה ולא כמסקנה סופית או כהמלצת השקעה. גם תיאור המקור של Harvard Business Review מדגיש כי שיקול דעת אנושי נותר חיוני לאימות תוצרים שהופקו באמצעות AI / המשמעותית אינה בכך שה-AI "מכניס" את ה-ESG לדוח רווח והפסד, אלא בכך שהוא יכול לסייע לתרגם מידע הקשור לקיימות להנחות פיננסיות שאפשר לבחון, לאתגר ולעדכן גופים מוסדיים ומנהלי השקעות שישלבו יכולות אלה בתהליך סדור, מבוקר ומבוסס מקורות עשויים לייעל חלק מעבודת הניתוח ולשפר את יכולתם לזהות השפעות פיננסיות רלוונטיות. עם זאת, הערך לא יגיע מהמודל לבדו. הוא ייגזר מהשילוב בין טכנולוגיה, מידע איכותי ושיקול דעת מקצועי.

הכותבת היא רו"ח אירנה בן יקר, שותפה, מנהלת תחום  ESGוChief Purpose Officer- ב-Deloitte ישראל