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

Nel mondo del business moderno, le aziende fanno frequentemente promesse pubbliche su come proteggeranno l'ambiente, tratteranno i propri lavoratori e agiranno eticamente. Queste promesse, spesso chiamate impegni ESG (ambientali, sociali e di governance), sono volte a dimostrare che un'impresa si cura di qualcosa di più del semplice profitto. Tuttavia, una domanda persistente tormenta investitori, regolatori e il pubblico: queste aziende mantengono davvero le promesse? Esiste una crescente preoccupazione che alcune imprese pratichino il "greenwashing", una pratica in cui parlano bene nei loro rapporti e comunicati stampa, ma non intraprendono azioni significative nel mondo reale. Misurare la distanza tra ciò che un'azienda dice e ciò che effettivamente fa è stato tradizionalmente un processo lento e manuale, che richiedeva ai ricercatori di leggere migliaia di documenti e incrociarli con notizie di scandali o violazioni. Questo divario tra retorica e realtà è difficile da monitorare su larga scala, lasciando un punto cieco nella nostra comprensione della responsabilità aziendale.

Un nuovo studio di Alfredo Merlet, dell'Università di Siviglia, offre un modo per fare luce su questo divario utilizzando uno strumento proveniente dal campo dell'intelligenza artificiale. Invece di limitarsi a riferire se le aziende spagnole stiano mantenendo le proprie promesse, questo articolo si concentra sulla costruzione della macchina in grado di verificarle. Il ricercatore ha sviluppato un sistema completamente documentato e riutilizzabile in grado di leggere migliaia di articoli di notizie, comprendere ciò che dicono sul comportamento di un'azienda e calcolare automaticamente un punteggio che rappresenti la differenza tra le parole e le azioni di un'impresa. Il sistema è stato testato su una vasta collezione di 131.151 articoli di notizie che coprono 34 grandi aziende spagnole in un periodo di sette anni. Insegnando a un computer a distinguere tra azioni genuine, promesse vaghe e controversie negative, lo studio ha creato un metodo affidabile per individuare quando l'immagine pubblica di un'azienda non corrisponde alle sue reali prestazioni.

Il nucleo di questo lavoro è una "pipeline", che è essenzialmente una catena di montaggio per l'elaborazione delle informazioni. Per prima cosa, il sistema raccoglie le notizie da un database globale che traccia la copertura mediatica. Filtra queste storie per trovare solo quelle che menzionano specifiche grandi aziende spagnole. Successivamente, utilizza un programma per computer specializzato, addestrato sulla lingua spagnola, per leggere ogni articolo e classificarlo in una di sei categorie. Queste categorie variano da prove chiare di azione ambientale positiva a impegni vaghi che non sono stati provati, fino a segnalazioni di controversie o scandali negativi. Il sistema è stato istruito a fare queste distinzioni mostrandogli migliaia di esempi che esperti umani avevano già etichettato, un processo noto come addestramento. I ricercatori hanno scoperto che il computer faticava inizialmente a identificare le promesse vaghe perché c'erano pochissimi esempi di esse nei dati iniziali. Per risolvere il problema, hanno cercato specificamente più articoli contenenti quel tipo di promesse e li hanno aggiunti al set di addestramento, migliorando significativamente la capacità del computer di individuarli.

Una volta che il sistema fosse stato in grado di classificare accuratamente le notizie, i ricercatori lo hanno utilizzato per costruire un punteggio per ogni azienda per ogni anno dello studio. Questo punteggio, chiamato "Say-Do Gap Index" (Indice del divario tra dire e fare), misura l'equilibrio tra promesse non verificate e azioni positive reali o controversie negative. Se un'azienda fa molte promesse vaghe ma poche realizzazioni concrete, il punteggio riflette un ampio divario. Se le azioni di un'azienda si allineano con le sue parole, il divario è piccolo. Il risultato finale è un dataset che copre 238 diversi "anni-azienda", fornendo una visione numerica chiara di quanto bene queste imprese abbiano fatto corrispondere il parlare con il camminare. Il modello informatico ha raggiunto un alto livello di accuratezza nelle sue classificazioni, identificando con successo i diversi tipi di notizie con un livello di prestazione che i ricercatori considerano abbastanza robusto per ulteriori studi.

Fondamentalmente, l'articolo sottolinea che questo strumento è progettato per essere utilizzato da altri scienziati e analisti, non solo per questo studio specifico. L'intero codice, le regole su come il computer è stato istruito e i passaggi per la raccolta dei dati sono resi pubblici. Ciò consente a chiunque di applicare lo stesso metodo a diversi paesi, diversi periodi di tempo e diverse lingue, a condizione di adattare il sistema per conformarlo al contesto locale. L'autore osserva che, mentre la struttura dello strumento è universale, il "cervello" informatico specifico utilizzato qui è stato addestrato solo su testi spagnoli, quindi dovrebbe essere riaddestrato per altre lingue per funzionare correttamente.

Lo studio traccia anche una linea cautelativa tra ciò che lo strumento può fare e ciò che non può fare. Il sistema è eccellente nel misurare la differenza osservabile tra una dichiarazione e un esito. Tuttavia, l'articolo avverte che un ampio divario non prova automaticamente che un'azienda stia mentendo o agendo con cattive intenzioni. Un'azienda potrebbe non raggiungere un obiettivo a causa di cambiamenti economici inaspettati, nuove leggi o legittimi cambiamenti di strategia. Lo strumento identifica la discrepanza, ma non può spiegarne la ragione. Determinare se un divario rappresenti un inganno o semplicemente un cambiamento nelle circostanze richiede il giudizio umano e una comprensione della situazione specifica.

In definitiva, questo lavoro fornisce un nuovo modo per scalare lo studio dell'onestà aziendale. Prima di questa pipeline, verificare la coerenza delle promesse aziendali richiedeva un immenso sforzo umano ed era limitato a piccoli campioni. Ora, i ricercatori possono analizzare sistematicamente vaste quantità di copertura mediatica per vedere dove esiste il divario tra parole e azioni. Lo studio non pretende di aver risolto il problema della responsabilità aziendale, né dichiara che tutte le aziende con un divario siano colpevoli di condotta illecita. Al contrario, offre un metodo riproducibile e trasparente per misurare il fenomeno, trasformando un vago sospetto di greenwashing in un'osservazione concreta e basata sui dati che può essere verificata e migliorata da altri.