- Генеративный ИИ меняет то, как руководители используют неструктурированные текстовые данные, такие как годовые отчеты, контракты, отзывы клиентов, техническая документация и внутренние заметки, для создания практически значимой информации в бизнес-стратегии.
- Раньше анализ огромных объемов корпоративных текстов требовал много времени и затрат, из-за чего многие важные данные оставались «запертыми» в длинных и труднодоступных документах.
- В ходе исследования была дообучена модель GPT для анализа раздела «Описание бизнеса» в отчетах 10-K публичных компаний США с целью выявления контента, связанного с продуктами и услугами по декарбонизации.
- Обучающий набор данных состоял из примерно 3500 размеченных предложений из различных отраслей, чтобы помочь ИИ отличить продажу климатических решений от простого упоминания экологических проблем.
- Затем модель была применена для классификации почти 10 миллионов предложений из 39 710 отчетов 10-K 4483 американских компаний за период 2005–2022 гг.
- Среди выявленных климатических решений — аккумуляторы, электромобили, хранение энергии, возобновляемые источники энергии (ветер и солнце), переработанные материалы, растительные белки, энергосберегающие решения и биотопливо.
- Результаты показывают, что «интенсивность климатических решений», извлеченная из текста, коррелирует с более высоким ростом выручки, более высокой рыночной оценкой и положительной реакцией фондового рынка на климатическую политику.
- Текстовый анализ также помогает на ранних стадиях обнаружить конвергенцию отраслей, например, когда технологии хранения энергии одновременно относятся к автомобильной промышленности и электроэнергетике.
- Отрасли со схожими темами климатических решений также имеют тенденцию к схожим колебаниям акций, что свидетельствует о растущей взаимосвязи основ бизнеса.
- Генеративный ИИ также помогает проверять стратегические предположения руководителей, например, о том, что политическое влияние на энергетический переход ниже прогнозируемого по мере того, как технологии становятся дешевле и эффективнее.
📌 В прошлом анализ больших объемов корпоративного текста отнимал много времени и средств, в результате чего многие важные данные оказывались «запертыми» в длинных и труднодоступных документах. Генеративный ИИ меняет способы, которыми руководители используют неструктурированные текстовые данные, такие как годовые отчеты, контракты, отзывы клиентов, технические документы и внутренние заметки, для создания полезной информации в бизнес-стратегии. Сигналы, извлеченные из текста, не только отражают бизнес-деятельность, но и связаны с ростом выручки, рыночной оценкой и конкурентными тенденциями. Этот метод можно применить во многих других областях, таких как цепочки поставок, работа с клиентами, персонал и юридические риски.
