Algumas das informações mais valiosas dentro das organizações e nos mercados ficaram por muito tempo presas em textos densos e não estruturados: relatórios anuais, contratos e feedback de clientes. O desafio não era a inexistência dessas informações, mas o fato de que extraí-las era lento, caro e difícil de fazer de forma consistente.
A IA generativa moderna muda essa limitação. Com os modelos atuais, líderes podem transformar “minas de tesouro textuais” em informações estruturadas e prontas para decisões: um sinal consistente que pode ser acompanhado ao longo do tempo, comparado entre pares e conectado a resultados.
Leia também: IA avança nas empresas, mas trava no meio do caminho e expõe desalinhamento interno
Estudamos uma das áreas de oportunidade mais relevantes hoje: o que chamamos de soluções climáticas, ou seja, produtos e serviços que permitem a descarbonização (baterias, veículos elétricos etc.).
Muitos líderes que consideram novos investimentos para impulsionar o crescimento nessas áreas enfrentam uma questão básica: quem está de fato desenvolvendo e vendendo soluções climáticas, e onde a oportunidade está surgindo? Demonstrações financeiras não separam “receita de soluções climáticas” de forma padronizada.
Em nossa pesquisa recente, mostramos como a IA generativa pode ajudar a responder essa questão ao tratar textos regulatórios como dados. Aplicamos um modelo GPT ajustado ao Item 1 (“Descrição do Negócio”) dos formulários 10-K (relatório anual) das empresas para construir uma medida anual específica de cada firma sobre se elas estão desenvolvendo ou implementando produtos e serviços de soluções climáticas.
Focamos no Item 1 porque ele oferece uma descrição rica dos produtos e serviços da empresa e está disponível todos os anos para todas as empresas de capital aberto dos EUA.
Em seguida, ajustamos um modelo GPT para detectar frases relacionadas a soluções climáticas, mas não frases genéricas sobre clima.
Essa distinção significa que vender veículos elétricos conta; apenas utilizá-los em uma frota corporativa não.
Para capturar essa nuance, ajustamos o modelo GPT com um conjunto de cerca de 3.500 frases do Item 1, colhidas de empresas de diversos setores.
Depois, usamos esse modelo para classificar todas as frases do Item 1 de 39.710 formulários 10-K de 4.483 empresas dos EUA entre 2005 e 2022. No total, processamos quase 10 milhões de frases.
Como textos regulatórios podem ser convertidos em informações úteis
Considere estas cinco áreas estratégicas:
- Dados de clientes: divulgações em registros regulatórios sobre grandes clientes, como aqueles que representam mais de 10% das vendas de uma empresa
2. Capacidades dos concorrentes: descrições de produtos, documentação técnica, registros de patentes
3. Fragilidade da cadeia de suprimentos: divulgações da própria empresa sobre risco de fornecedores, registros de segurança ou requisitos de compras
4. Exposição regulatória e postura de conformidade: divulgações de fatores de risco, linguagem de fiscalização, consultas de políticas públicas
5. Restrições de força de trabalho: anúncios de emprego, inventários internos de competências, feedback de funcionários
Em cada caso, pode-se seguir a seguinte sequência: escolher uma fonte de texto relevante e recorrente; definir com precisão o conceito (o que se quer detectar); ajustar ou calibrar o modelo para esse conceito; validar com base em referências disponíveis; e então usar as medidas resultantes para monitorar mudanças e apoiar decisões.
Embora tenhamos analisado um tema e um tipo de texto (regulatório), nossas conclusões trazem três aprendizados generalizáveis para empresas que buscam transformar seus dados em insights:
Identificação de áreas de oportunidade
Uma razão pela qual o Item 1 é útil é que ele está mais próximo do que as empresas afirmam vender do que do que afirmam acreditar. Quando usamos IA generativa para quantificar a intensidade de soluções climáticas de uma empresa com base no Item 1, a medida se comporta como um sinal econômico real, e não como um indicador narrativo vago.
Ao identificar áreas de oportunidade, as empresas devem primeiro encontrar uma medida que possa ser comparada com indicadores externos.
Em nosso estudo, observamos que a medida de intensidade climática derivada de nossa análise aumenta em conjunto com referências externas de receita verde e inovação verde, e cresce de forma consistente com um engajamento real de produto e mercado, e não com uma retórica climática ampla.
Em segundo lugar, as empresas devem conectar suas medidas a resultados de negócio que importam para os executivos. Observamos que empresas com maior intensidade em soluções climáticas apresentaram maior crescimento de receita.
Essa relação foi mais forte em contextos onde a demanda e a vantagem competitiva tendem a ser mais duradouras: onde a inovação é protegível (por exemplo, patentes) e em categorias de soluções com maior potencial de redução de carbono.
Em suma, a medida derivada de texto não apenas refletiu atividade, como também se associou ao crescimento.
Aprendizado sobre mudanças em fatores externos
A IA generativa oferece uma camada escalável de “sensoriamento externo”. Em vez de depender apenas do ciclo de notícias, de tendências em conferências ou de uma lista selecionada de concorrentes, líderes podem monitorar sistematicamente como empresas em toda a economia descrevem o que fazem e detectar sinais iniciais de convergência que podem remodelar cadeias de valor.
Dependendo da fonte de dados usada pela IA, isso pode oferecer uma visão anual, trimestral ou até mais frequente das mudanças no cenário.
Observamos que, à medida que tecnologias de descarbonização ganham escala, elas passam a atravessar linhas setoriais tradicionais. Biocombustíveis, por exemplo, estão sendo desenvolvidos tanto por empresas de petróleo e gás como combustíveis alternativos quanto por atores do setor agrícola por meio de rotas baseadas em resíduos.
Na prática, isso significa que o ecossistema relevante para uma determinada solução costuma ser mais amplo do que uma única classificação industrial, e que o conjunto de concorrentes, parceiros e gargalos relevantes pode mudar mais rapidamente do que os líderes esperam.
A análise de texto oferece uma forma de observar isso mais cedo. Ao examinar a distribuição de temas de soluções climáticas divulgados entre setores, podemos quantificar quando dois grupos industriais começam a se sobrepor nas áreas de solução que enfatizam.
Relacionamos essa convergência a atividades do mercado de capitais: pares de setores mais semelhantes em seus perfis de temas de soluções climáticas apresentaram maior co-movimentação nos retornos das ações, consistente com fundamentos que passam a se mover juntos.
Para líderes, essa constatação indica que, quando setores adjacentes começam a se parecer em seu foco de soluções, o ambiente competitivo provavelmente está mudando, seja por novos entrantes, novos substitutos ou novas dependências de fornecedores e plataformas compartilhados.
Teste de hipóteses com base em evidências em escala econômica
Executivos operam com hipóteses: crenças sobre o que limitará a adoção, de onde virá a demanda e quais barreiras são estruturais ou temporárias. Mas, em mercados incertos, essas hipóteses podem se tornar âncoras, especialmente quando os executivos não têm visibilidade direta do que está acontecendo no mercado mais amplo.
Uma característica útil da mensuração baseada em IA generativa é que ela pode desafiar essas hipóteses ao agregar evidências em escala. Nossos resultados ilustram isso com uma crença comum sobre a transição climática: a de que a política dividirá fortemente a oportunidade e a adoção.
Constatamos que a política importa, mas em menor grau do que se poderia supor: empresas com maior exposição a estados com inclinação republicana apresentam uma medida menor de soluções climáticas em nosso estudo do que aquelas mais expostas a estados com inclinação democrata.
No entanto, o padrão não é uniforme entre as tecnologias. A diferença política desaparece no caso de tecnologias de baixo custo. Essa nuance é estrategicamente importante porque reformula a restrição: a política pode retardar ou moldar a adoção em alguns segmentos, mas, à medida que os custos caem e as soluções se tornam economicamente atraentes, essa restrição enfraquece.
Esse tipo de insight pode ajudar a atualizar as crenças dos executivos. Em vez de debater casos isolados, líderes podem usar evidências sistemáticas provenientes de dados textuais para distinguir onde restrições políticas de fato pesam e onde a economia predomina. Isso, por sua vez, pode orientar onde alocar capital, quais geografias priorizar e como planejar a entrada em diferentes categorias de soluções.
c.2026 Harvard Business School Publishing Corp. Distribuído por New York Times Licensing
The post Como a IA transforma relatórios longos em dados para achar oportunidades de negócios appeared first on InfoMoney.