💬 NLP

Scope3Trace: Evidence-Based Identification and Extraction of Scope 3 GHG Emissions from Sustainability Reports

O artigo apresenta o Scope3Trace, um framework fundamentado em evidências que combina processamento de documentos, localização assistida por LLM e extração híbrida de regra-LLM para identificar e extrair de forma confiável e transparente as emissões de GEE de Escopo 3 de relatórios de sustentabilidade heterogêneos, acompanhado de um novo conjunto de dados multimodal de nível duplo.

Autores originais: Siyuan Zheng, Yifan Duan, Chao Xue, Flora D. Salim

Publicado 2026-07-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Siyuan Zheng, Yifan Duan, Chao Xue, Flora D. Salim

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando resolver um quebra-cabeça gigante e global: descobrir exatamente quanta poluição de carbono cada empresa na Terra é responsável. Isso não se trata apenas da fumaça saindo de suas próprias chaminés; trata-se da nuvem invisível de poluição criada por tudo o que elas compram, vendem ou transportam. No mundo da ciência climática, essa enorme nuvem é chamada de "Escopo 3" (Scope 3). Pense no Escopo 1 e 2 como a fumaça que você pode ver bem à sua frente — como a própria chaminé de uma fábrica ou a conta de eletricidade para suas luzes. Mas o Escopo 3 é o "fantasma na máquina". É a poluição do aço usado para construir a fábrica, dos caminhões que entregam os produtos e até dos resíduos que os clientes descartam.

O problema é que, embora as empresas estejam melhorando na reportagem de sua própria fumaça, elas são terríveis em reportar essa nuvem fantasmagórica do Escopo 3. Seus relatórios são bagunçados, espalhados por milhares de documentos PDF diferentes, escritos em uma linguagem confusa e, muitas vezes, escondidos dentro de tabelas complexas. É como tentar encontrar uma agulha específica em um palheiro feito de outros palheiros, onde as agulhas são feitas de tinta invisível. Cientistas e reguladores se importam profundamente com isso porque não se pode consertar um problema se não for possível medi-lo com precisão. Se não pudermos rastrear essas emissões ocultas, não saberemos se as empresas estão realmente ajudando o planeta ou apenas fingindo.

Aí entra o Scope3Trace, uma nova equipe de detetives digitais projetada para caçar esses números ocultos. Os pesquisadores construíram um sistema inteligente que atua como um bibliotecário superpoderoso combinado com um contador forense. Em vez de contratar uma equipe de humanos para ler milhões de páginas (o que levaria uma eternidade e custaria uma fortuna), eles criaram um pipeline automatizado que usa Inteligência Artificial (IA) para realizar o trabalho pesado. Mas aqui está a parte inteligente: eles não deixaram a IA apenas adivinhar. Eles construíram uma rede de segurança "baseada em regras". A IA lê o documento, encontra os números e, então, um conjunto de regras estritas verifica a matemática e o contexto para garantir que a IA não se confundiu.

O sistema funciona em três etapas principais, como uma máquina bem lubrificada. Primeiro, ele captura os relatórios PDF e os transforma em texto legível, mesmo que sejam imagens escaneadas. Segundo, utiliza uma IA inteligente para encontrar as páginas e tabelas exatas onde as emissões são mencionadas, ignorando o conteúdo irrelevante. Terceiro, reconstrói as tabelas bagunçadas e extrai os números específicos para o Escopo 1, 2 e 3. Crucialmente, para cada número extraído, o sistema captura um "recibo" — um pequeno trecho do texto original provando de onde aquele número veio. Isso significa que você sempre pode rastrear um número de volta à sua origem, assim como conferir um recibo em uma loja.

Os resultados são impressionantes. Quando os pesquisadores testaram seu sistema contra um conjunto de dados "padrão ouro" que foi cuidadosamente verificado por humanos, o Scope3Trace acertou quase todas as vezes, obtendo uma pontuação de precisão próxima de um perfeito 0,99 de 1,0. Isso é significativamente melhor do que usar apenas um modelo de IA bruto ou ferramentas simples baseadas em regras. A equipe também usou este sistema para construir um novo conjunto de dados massivo chamado Scope3Trace, que inclui mais de 54.000 registros de dados ao nível de edifícios e relatórios organizacionais de países como a Austrália e de várias partes da Europa. Eles descobriram que, embora as empresas reportem suas emissões totais, elas raramente as detalham por edifício específico. De fato, apenas cerca de 3% dos dados ao nível de edifício em seu novo conjunto de dados foram diretamente reportados pelas empresas; o restante teve que ser cuidadosamente estimado usando dados públicos de energia e matemática inteligente, mas o sistema manteve o controle de quais números eram "reportados" e quais eram "estimados" para que ninguém se confundisse.

O artigo também testou se esses novos dados poderiam ser usados para prever emissões futuras. Eles alimentaram o modelo com os dados e um modelo que analisava detalhes dos edifícios e até fotos de satélite dos prédios. O modelo aprendeu que combinar os dados de texto com imagens de satélite oferecia as melhores previsões, sugerindo que o que um edifício parece ser visto do espaço contém pistas sobre quanta poluição ele cria. No entanto, os autores fazem questão de notar que isso não é uma varinha mágica. O sistema funciona melhor onde existem dados públicos (como na Austrália e em partes da Europa) e tem dificuldades onde os dados estão ausentes. Eles afirmam explicitamente que seus cálculos não são um substituto para relatórios oficiais auditados, mas sim uma forma transparente de preencher as lacunas para que possamos ver o quadro geral.

Em suma, o Scope3Trace não resolve o mistério da poluição corporativa da noite para o dia, mas fornece o melhor mapa que já tivemos para navegar pela névoa. Ele prova que, ao combinar IA inteligente com regras estritas e evidências claras, podemos transformar uma montanha caótica de PDFs em um conjunto de dados claro e confiável. Isso permite que pesquisadores, investidores e formuladores de políticas possam finalmente enxergar o "fantasma" das emissões do Escopo 3, entender de onde ele vem e começar a tomar decisões baseadas em evidências reais, em vez de suposições.

Resumo Técnico: Scope3Trace

Definição do Problema

As emissões de gases de efeito estufa (GEE) de Escopo 3 constituem a maior parte das pegadas de carbono corporativas, mas permanecem difíceis de analisar em escala. Os desafios atuais incluem divulgações esparsas, formatos de relatórios heterogêneos (PDFs digitalizados, layouts mistos) e a falta de conjuntos de dados estruturados unificados. As abordagens existentes tipicamente dependem de Modelos de Linguagem de Grande Escala (LLMs) para extração, mas frequentemente sofam de duas limitações críticas:

Falta de Fundamentação de Evidências: Valores extraídos frequentemente carecem de links explícitos com o texto de origem, tornando a verificação difícil e aumentando o risco de alucinação.
Dependência de Verificação Manual: Muitos pipelines dependem de anotação manual de especialistas, que é custosa e demorada, para garantir a confiabilidade, o que dificulta a escalabilidade.
Estimativa Abstraída: Métodos alternativos baseados em estimativa frequentemente inferem emissões a partir de fatores da indústria e dados de gastos, abstraindo características de nível organizacional ou de ativos e oferecendo transparência limitada quanto aos limites de relato.

Consequentemente, os dados de Escopo 3 permanecem difíceis de interpretar, validar e operacionalizar para a tomada de decisão.

Metodologia: O Framework Scope3Trace

Os autores propõem o Scope3Trace, um framework de extração de informações fundamentado em evidências, projetado para processar relatórios de ESG e sustentabilidade heterogêneos. O sistema emprega um pipeline multi-agente modular orquestrado por três agentes especializados: Busca (Search), Escopo (Scope) e Verificação (Verify).

1. Arquitetura do Pipeline

O fluxo de trabalho procede através de quatro fases distintas, combinando o determinismo baseado em regras com a compreensão semântica limitada de LLMs:

Aquisição de Dados e Parsing: O Agente de Busca coleta relatórios em PDF públicos e os converte em texto estruturado usando OCR. Ele realiza a localização ao nível de página para identificar seções contendo divulgações de Escopo 1–3, substituando a localização genérica de páginas por compreensão semântica.
Reconstrução de Tabelas e Extração: O sistema reconstrói divulgações tabulares usando interpretação de tabelas assistida por LLM. Um design híbrido regra–LLM é empregado: LLMs lidam com tarefas semânticas (localização, reconhecimento de estrutura de tabela), enquanto componentes baseados em regras lidam com tarefas determinísticas, como parsing numérico, normalização de unidades, mapeamento de categorias e verificação de evidências contra o texto do OCR.
Inventário de Ativos e Alinhamento: O Agente de Escopo compila um inventário de ativos prediais vinculando registros públicos (ex: NABERS, NGER) com entidades mencionadas nos relatórios. Ele utiliza modelos semânticos para resolver ambiguidades (ex: nomes de edifícios sinônimos) e alinha identificadores de ativos com divulgações organizacionais.
Verificação e Diagnósticos: O Agente de Verificação realiza o alinhamento entre níveis. Ele valida a relevância dos dados de ativos em relação às divulgações organizacionais usando similaridade semântica. Crucialmente, ele distingue entre valores reportados diretamente (extraídos literalmente) e valores estimados (derivados via fórmulas determinísticas usando dados de atividade e fatores de emissão).

2. Representação de Dados em Dois Níveis

O framework constró lại um conjunto de dados de dois níveis:

Nível Organizacional: Os registros correspondem a uma organização e um ano de relatório, contendo totais de emissões de Escopo 1–3, detalhamentos por categoria, limites de reporte e status de auditoria. Cada valor é pareado com um trecho de texto do relatório original (fundamentação de evidência).
Nível de Edifício: Os registros correspondem a edifícios individuais, documentando atributos físicos, coordenadas geoespaciais e indicadores operacionais. Esta camada integra dados multimodais (imagens de satélite) e metadados semânticos.

3. Estratégia de Fundamentação de Evidências

Um princípio central de design é que cada valor extraído é vinculado ao seu intervalo de texto de origem. O sistema não depende de inferência especulativa; em vez disso, utiliza LLMs para tarefas semânticas limitadas enquanto delega a lógica (parsing, normalização, verificação de evidências) para componentes baseados em regras. Isso garante que os valores derivados sejam transparentemente rotulados como "modelados" ou "estimados" em vez de "reportados".

Principais Contribuições

Framework de Extração Fundamentado em Evidências: Um pipeline inovador que integra coleta de PDF, parsing de OCR, localização assistida por LLM/reconstrução de tabela e extração híbrida regra–LLM. Ele vincula explicitamente os valores de emissão extraídos à evidência textual de suporte.
Conjunto de Dados Multimodal de Dois Níveis: A construção do Scope3Trace, um conjunto de dados que compreende divulgações de nível organizacional e registros de ativos de nível de edifício. É um dos primeiros esforços para criar um conjunto de dados multimodal e fundamentado em evidências visando especificamente emissões de Escopo 3, cobrindo formatos de relatório heterogêneos.
Extração Rastreável e Verificável: O sistema permite a extração de emissões de Escopo em nível organizacional e de edifício com alta precisão, fornecendo transparência sobre a procedência dos dados (reportado vs. estimado) e limites de reporte.

Resultados

O sistema foi avaliado em um conjunto de ouro anotado manualmente cobrindo totais de Escopo 1/2/3, categorias e evidência ao nível de página.

Desempenho: O Scope3Trace alcançou um desempenho próximo da perfeição, superando significativamente os baselines baseados em regras, LLMs isolados (tanto em blocos quanto em chamada única), pipelines de recuperação aumentada (RAG) e outros frameworks multi-agente (ex: AutoGen, CrewAI).
- F1 de Escopo 3: 0,99 (vs. 0,88 para o melhor baseline).
- F1 de Categoria: 0,97 (vs. 0,78 para o melhor baseline).
- Correspondência Exata (EM): 0,96.
Estudos de Ablação: A remoção de componentes chave, particularmente a reconstrução de tabelas e a fundamentação de evidências, levou a quedas substanciais de desempenho. A localização de página afetou principalmente a eficiência, não a precisão.
Robustez do Modelo: O desempenho do sistema permaneceu estável entre diferentes backbones de LLM (GPT-4o, Gemini-2.0, DeepSeek-V3), sugerindo que a parte semântica da tarefa é robusta à escolha do modelo quando a lógica determinística é delegada a regras.
Utilidade Downstream: Em uma tarefa de predição de Escopo 3 de nível de edifício usando entradas multimodais (metadados + imagens de satélite), um MLP multimodal alcançou um $R^2$ de 0,46 para o Escopo 3 total e 0,54 para predição de nível de categoria, superando os baselines de modalidade única.

Significância e Alegações

O artigo afirma que o Scope3Trace aborda a lacuna crítica na análise de emissões de Escopo 3 ao fornecer uma abordagem transparente, interpretável e consciente da cobertura.

Transparência: Ao distinguir entre valores reportados e estimados e fornecer links de evidência explícitos, o framework permite que os usuários entendam as suposições e limitações dos dados.
Escalabilidade: A abordagem híbrida reduz a dependência de anotação manual, permitindo o processamento de relatórios heterogêneos em escala.
Operacionalização: O conjunto de dados facilita o exame de como as emissões reportadas se relacionam com os ativos subjacentes e proxies de atividade, destacando as limitações estruturais nas práticas atuais de reporte (ex: a escassez de divulgações de Escopo 3 ao nível de edifício).

Os autores enfatizam que o conjunto de dados é destinado à pesquisa e análise para apoiar a modelagem de emissões interpretável, não para substituir divulgações auditadas ou apoiar o reporte de conformidade. O trabalho destaca tanto as oportunidades para a análise climática impulsionada por IA quanto as lacunas estruturais de dados que persistem nos reportes de sustentabilidade do mundo real.