- 生成式人工智能正在改变领导者利用年度报告、合同、客户反馈、技术文档和内部备忘录等非结构化文本数据的方式，以产生可操作的商业战略信息。
- 过去，分析海量企业文本既耗时又昂贵，导致许多重要数据被“困”在冗长且难以挖掘的文档中。
- 研究通过微调 GPT 模型来分析美国上市公司 10-K 报告中的“业务描述”部分，以检测与支持脱碳的产品和服务相关的内容。
- 训练数据集包含来自多个行业的约 3,500 个标记句子，帮助人工智能区分销售气候解决方案与仅泛泛提及环境问题。
- 该模型随后被应用于分类 2005-2022 年间 4,483 家美国公司的 39,710 份 10-K 报告中的近 1,000 万个句子。
- 识别出的气候解决方案包括电池、电动汽车、储能、风能和太阳能等可再生能源、回收材料、植物蛋白、节能解决方案和生物燃料。
- 结果表明，从文本中提取的“气候解决方案强度”与更高的营收增长、更高的市场估值以及股票市场对气候政策的积极反应相关。
- 文本分析还有助于早期发现行业融合，例如储能技术同时涉及汽车行业和电力公用事业行业。
- 具有相似气候解决方案主题的行业也倾向于表现出类似的股票波动，表明业务基础正在变得相互关联。
- 生成式人工智能还有助于验证领导层的战略假设，例如，随着技术变得更便宜、更高效，政治对能源转型的影响低于预期。
📌 过去，分析大量企业文本既耗时又昂贵，导致许多重要数据被“困”在冗长且难以挖掘的文档中。生成式人工智能正在改变领导者利用年度报告、合同、客户反馈、技术文档和内部备忘录等非结构化文本数据的方式，以产生可操作的商业战略信息。从文本中提取的信号不仅反映了业务活动，还与营收增长、市场估值和竞争趋势有关。这种方法可以应用于供应链、客户、人力资源和法律风险等许多其他领域。
