The Say-Do Gap Index: A Reproducible NLP Pipeline for Detecting ESG Rhetoric–Reality Divergence in Corporate Media Coverage

Dans le monde des affaires moderne, les entreprises font fréquemment des promesses publiques sur la manière dont elles protégeront l'environnement, traiteront leurs travailleurs et agiront de manière éthique. Ces promesses, souvent appelées engagements environnementaux, sociaux et de gouvernance (ESG), sont destinées à montrer qu'une entreprise se soucie de plus que du simple profit. Cependant, une question persistante hante les investisseurs, les régulateurs et le public : ces entreprises respectent-elles réellement leurs engagements ? Il existe une inquiétude croissante selon laquelle certaines entreprises se livrent au « greenwashing » (ou écoblanchiment), une pratique consistant à tenir un beau discours dans leurs rapports et communiqués de presse, mais à ne pas prendre de mesures significatives dans le monde réel. Mesurer la distance entre ce qu'une entreprise dit et ce qu'elle fait réellement a traditionnellement été un processus lent et manuel, exigeant des chercheurs qu'ils lisent des milliers de documents et les recoupent avec des rapports de presse faisant état de scandales ou de violations. Ce fossé entre la rhétorique et la réalité est difficile à suivre à grande échelle, laissant un angle mort dans notre compréhension de la responsabilité des entreprises.

Une nouvelle étude d'Alfredo Merlet, de l'Université de Séville, propose un moyen de faire la lumière sur ce fossé en utilisant un outil issu du domaine de l'intelligence artificielle. Plutôt que de simplement rapporter si les entreprises espagnoles tiennent leurs promesses, cet article se concentre sur la construction de la machine capable de les vérifier. Le chercheur a développé un système entièrement documenté et réutilisable capable de lire des milliers d'articles de presse, de comprendre ce qu'ils disent du comportement d'une entreprise et de calculer automatiquement un score qui représente la différence entre les paroles et les actes d'une firme. Le système a été testé sur une collection massive de 131 151 articles de presse couvrant 34 grandes entreprises espagnoles sur une période de sept ans. En apprenant à un ordinateur à distinguer les actions authentiques, les promesses vagues et les controverses négatives, l'étude a créé une méthode fiable pour repérer quand l'image publique d'une entreprise ne correspond pas à sa performance réelle.

Le cœur de ce travail est un pipeline, qui est essentiellement une chaîne de montage étape par étape pour le traitement de l'information. D'abord, le système rassemble des articles de presse provenant d'une base de données mondiale qui suit la couverture médiatique. Il filtre ces articles pour ne trouver que ceux mentionnant des entreprises espagnoles spécifiques de grande taille. Ensuite, il utilise un programme informatique spécialisé, entraîné sur la langue espagnole, pour lire chaque article et le classer dans l'une des six catégories. Ces catégories vont de la preuve claire d'une action environnementale positive aux engagements vagues qui n'ont pas été prouvés, et enfin aux rapports de controverses ou de scandales négatifs. Le système a appris à faire ces distinctions en lui montrant des milliers d'exemples que des experts humains avaient déjà étiquetés, un processus appelé entraînement. Les chercheurs ont constaté que l'ordinateur avait d'abord des difficultés à identifier les promesses vagues car il y avait très peu d'exemples de celles-ci dans les données initiales. Pour y remédier, ils ont spécifiquement recherché davantage d'articles contenant ces types de promesses et les ont ajoutés à l'ensemble d'entraînement, ce qui a considérablement amélioré la capacité de l'ordinateur à les repérer.

Une fois que le système pouvait classifier les articles de presse avec précision, les chercheurs l'ont utilisé pour construire un score pour chaque entreprise pour chaque année de l'étude. Ce score, appelé l'Indice de l'écart entre le Dire et le Faire (Say-Do Gap Index), mesure l'équilibre entre les promesses non vérifiées et les actions positives réelles ou les controverses négatives. Si une entreprise fait beaucoup de promesses vagues mais peu de réalisations concrètes, le score reflète un écart important. Si les actions d'une entreprise s'alignent sur ses paroles, l'écart est faible. Le résultat final est un ensemble de données couvrant 238 années-entreprises différentes, offrant une vue numérique claire de la manière dont ces entreprises ont réussi à faire correspondre leurs paroles à leurs actes. Le modèle informatique a atteint un haut niveau de précision dans ses classifications, identifiant avec succès les différents types d'articles de presse avec un niveau de performance que les chercheurs considèrent comme suffisamment robuste pour des études ultérieures.

Crucialement, l'article souligne que cet outil est conçu pour être utilisé par d'autres scientifiques et analystes, et pas seulement pour cette étude spécifique. L'intégralité du code, les règles de l'apprentissage de l'ordinateur et les étapes de collecte des données sont rendues publiques. Cela permet à quiconque d'appliquer la même méthode à différents pays, différentes périodes ou différentes langues, à condition d'ajuster le système pour l'adapter au contexte local. L'auteur note que si la structure de l'outil est universelle, le « cerveau » informatique spécifique utilisé ici a été entraîné uniquement sur du texte espagnol, il doit donc être réentraîné pour d'autres langues pour fonctionner correctement.

L'étude trace également une ligne prudente entre ce que l'outil peut faire et ce qu'il ne peut pas faire. Le système est excellent pour mesurer la différence observable entre une déclaration et un résultat. Cependant, l'article prévient qu'un écart important ne prouve pas automatiquement qu'une entreprise ment ou agit avec une mauvaise intention. Une entreprise peut ne pas atteindre un objectif en raison de changements économiques imprévus, de nouvelles lois ou de changements légitimes de stratégie. L'outil identifie la divergence, mais il ne peut pas expliquer la raison de celle-ci. Déterminer si un écart représente une tromperie ou simplement un changement de circonstances nécessite le jugement humain et une compréhension de la situation spécifique.

En fin de compte, ce travail offre une nouvelle façon de passer à l'échelle l'étude de l'honnêteté des entreprises. Avant ce pipeline, vérifier la cohérence des promesses des entreprises exigeait un effort humain immense et était limité à de petits échantillons. Désormais, les chercheurs peuvent analyser systématiquement de vastes quantités de couverture médiatique pour voir où se situe l'écart entre les paroles et les actes. L'étude ne prétend pas avoir résolu le problème de la responsabilité des entreprises, ni ne déclare que toutes les entreprises présentant un écart sont coupables de mauvaise conduite. Au contraire, elle propose une méthode reproductible et transparente pour mesurer le phénomène, transformant une suspicion vague de greenwashing en une observation concrète, basée sur les données, qui peut être vérifiée et améliorée par d'autres.