Организация экономического сотрудничества и развития (ОЭСР) в феврале 2025 года опубликовала доклад Behind ESG Ratings, в котором отмечается: применение искусственного интеллекта для расчёта ESG-оценок1 позволяет обрабатывать больше информации, но усиливает проблему сопоставимости данных и снижает прозрачность методик.
В докладе подчеркивается, что большинство существующих ESG-рейтингов опираются на несопоставимые входные показатели и самоотчеты компаний. Применение искусственного интеллекта ускорило обработку данных, однако не обеспечило достоверность и устойчивость получаемых ESG-рейтингов. По словам соавтора исследования ОЭСР, доктора по экологическим системам Земли Даниэлы Рибейро, «рост машинной аналитики без единых стандартов ведет к формальному исполнению критериев и снижает доверие инвесторов к самим рейтингам».
Эксперты объясняют (см. раздел 1.3.2), что подобная ситуация возникает не из-за технической ограниченности алгоритмов, а из-за несоответствия между ожиданиями пользователей и целями разработчиков. Большинство моделей создавалось как инструмент статистической обработки, а не как средство оценки корпоративного поведения. Алгоритмы эффективно выявляют закономерности, но не способны оценить контекст или управленческие решения, лежащие за цифрами. Как отмечают исследователи Университета Утрехта, это приводит к систематическому «смещению смысла»: инвесторы воспринимают количественный рейтинг как комплексную оценку устойчивости, тогда как по сути получают результат статистического ранжирования
В аналитической работе Unveiling the Blackbox within ESG Ratings (Wiley Online Library 2024).исследователи Фелипе Суарес Гири и Марион Хёггели отмечают, что алгоритмы выявляют статистические зависимости, которые стали незаметными для специалистов, однако их непрозрачность приводит к эффекту «чёрного ящика» и затрудняет оценку обоснованности полученных результатов. Авторы фиксируют, что даже незначительные изменения исходных показателей приводят к заметным колебаниям итоговых рейтингов.
Разработчики ориентируются на оптимизацию вычислительных процессов и точность распознавания закономерностей, тогда как инвесторы и регуляторы ожидают от алгоритмов содержательной интерпретации — объяснения, почему конкретная компания получила определённую оценку. Алгоритмы машинного обучения не предназначены для изучения контекстных факторов, таких как управленческая стратегия или социальные последствия деятельности компании, но именно этого ждут пользователи рейтингов. В результате инструмент, созданный для обработки статистики, используется как средство принятия решений, для которых он не рассчитан. Исследователи подчеркивают, что «проблема не в недостатке вычислительной мощности, а в завышенных ожиданиях к тому, что искусственный интеллект способен объективно оценивать устойчивость бизнеса».
Согласно обзору Explainable Artificial Intelligence in Finance (Frontiers in Artificial Intelligence, Vol. 7, 2024), применение технологий XAI остается ограниченным: менее 20 % поставщиков ESG-рейтингов используют методы объяснимого искусственного интеллекта, остальные компании не раскрывают логику работы своих алгоритмов, что делает результаты оценок трудными для внешней проверки. Редакция журнала указывает, что «отсутствие обязательных требований к документации алгоритмов делает невозможной внешнюю верификацию корректности оценок».
Расхождения между методиками и закрытый характер алгоритмов усиливают неопределенность в сфере устойчивого финансирования. Отсутствие единых требований к проверке моделей и раскрытию данных делает систему ESG-оценок зависимой от технических параметров, а не от реальных показателей устойчивости бизнеса. В заключении отчета ОЭСР Даниэла Рибейро отмечает: «Без прозрачных алгоритмов устойчивое инвестирование утратит признак устойчивости».
Автор статьей о макроэкономических показателях, которые влияют на экономики многих государств, также изучает о проблемы искусственного интеллекта в микроэкономике, его влияние на показатели отдельных фирм в рамках государств.