La inversión de impacto crece rápidamente, pero la falta de datos comparables se está convirtiendo en un cuello de botella para la asignación de capital y la credibilidad.
Estandarizar las métricas por sí solo no garantiza la comparabilidad, ya que el impacto depende del contexto y exige traducir las diferencias en lugar de imponer la uniformidad.
La inteligencia artificial, combinada con una gobernanza sólida, puede armonizar a gran escala diversos datos de impacto y permitir decisiones de inversión de impacto más acertadas sin sacrificar el contexto.
La inversión de impacto representa ya 1,57 billones de dólares en activos gestionados, abarca casi 4.000 organizaciones en todo el mundo y crece a más del 20 % anual, según el informe de 2024 de la Global Impact Investing Network (GIIN) sobre el mercado de la inversión de impacto inversión de impacto.
Se está destinando más capital que nunca con la intención explícita de generar resultados sociales y ambientales medibles.
Sin embargo, a medida que el mercado madura, resulta cada vez más difícil ignorar una debilidad estructural: el sector sigue careciendo de una forma uniforme de comparar los resultados de impacto entre organizaciones, lo que socava su credibilidad y su capacidad para asignar capital de manera eficaz como sector.
Sin comparabilidad, el capital no puede dirigirse a las soluciones de mayor impacto, los modelos de alto rendimiento tienen dificultades para destacar y las afirmaciones sobre el impacto siguen siendo difíciles de verificar. Esto crea un cuello de botella de comparabilidad que amenaza con frenar el crecimiento futuro.
¿Por qué seguimos sin tener estándares para la inversión de impacto?
El impacto depende intrínsecamente del contexto. Un kilogramo de residuos desviado en Nairobi —donde la desviación está estrechamente vinculada a los medios de vida dentro de sistemas informales— no representa el mismo resultado que un kilogramo desviado en Barcelona, donde refleja mejoras de eficiencia en una infraestructura madura.
Los esfuerzos por estandarizar las métricas corren el riesgo de borrar precisamente el contexto que da sentido al impacto.
Sin embargo, la falta de estandarización también genera un problema. Cuando los datos no se pueden comparar en absoluto, la asignación de capital se vuelve opaca. Las organizaciones que miden el impacto con rigor, pero de maneras que no se ajustan a los marcos dominantes, corren el riesgo de volverse analíticamente invisibles.
El panorama actual refleja esta disyuntiva. La coexistencia de IRIS+, la Global Reporting Initiative (GRI), el Sustainability Accounting Standards Board (SASB)/las Normas Internacionales de Información Financiera, el Reglamento sobre la divulgación de información relativa a la sostenibilidad en el sector de los servicios financieros, las Normas de Desempeño de la Corporación Financiera Internacional y decenas de otros marcos —componentes clave del ámbito ambiental, social y de gobernanza y de la medición del impacto— implica que incluso los indicadores similares se definen con unidades, alcances y umbrales distintos.
La GRI puede informar sobre el consumo de energía en megavatios hora en toda la cadena de valor, mientras que el SASB se centra en las operaciones principales y usa gigajulios. Cada enfoque es coherente internamente, pero, en una cartera, estas diferencias se acumulan y generan ruido en lugar de información útil.
Este no es un problema nuevo en los mercados de capitales. Los mercados financieros solo pudieron ampliarse cuando se introdujeron normas contables que hicieron posible la comparabilidad. Las calificaciones crediticias establecieron un lenguaje común para el riesgo.
Las Métricas del capitalismo de las partes interesadas del Foro Económico Mundial, adoptadas por más de 50 empresas líderes, representan un intento similar de aportar coherencia a la presentación de información no financiera.
La inversión de impacto afronta ahora su propia versión de este reto de infraestructura: sin una base común de comparación, la escala por sí sola no puede generar eficiencia ni credibilidad.
Cómo superar el cuello de botella de la comparabilidad
Si la comparabilidad no se puede resolver únicamente mediante la estandarización, la pregunta es: ¿qué hace falta para que los datos de impacto sean utilizables a gran escala? Se perfilan tres cambios:
1. La comparabilidad ayuda a interpretar las diferencias
En primer lugar, hay que entender la comparabilidad como traducción, no como uniformidad. Los inversores no necesitan indicadores idénticos. Necesitan formas fiables de interpretar las diferencias: determinar cuándo las métricas reflejan el mismo resultado subyacente, cuándo deben agruparse pero mantenerse diferenciadas y cuándo no deben agregarse en absoluto.
Enfoques emergentes como el Marco común desarrollado por Common Approach, junto con sistemas como IRIS+ de GIIN y las Normas de impacto de los ODS del Programa de las Naciones Unidas para el Desarrollo, apuntan a este modelo: lo bastante estructurado para permitir la alineación y lo bastante flexible para preservar el contexto.
2. La IA puede ampliar la clasificación
En segundo lugar, hay que usar la inteligencia artificial (IA) para facilitar la clasificación y la armonización a gran escala. La IA no definirá (ni debería definir) qué se considera impacto. Pero puede mejorar enormemente el procesamiento de los datos de impacto.
Al clasificar los indicadores según su significado, en lugar de su redacción, identificar equivalencias entre sistemas de presentación de información y señalar riesgos como el doble recuento, la IA hace operativa la comparabilidad a gran escala.
En un proyecto piloto desarrollado por Agile Impacts con el Banco Interamericano de Desarrollo en más de 500 operaciones de inversión, este enfoque logró una precisión cercana al 90 % en la correspondencia entre indicadores. El criterio humano siguió siendo esencial, pero lo que antes era inviable a gran escala se volvió práctico.
3. La gobernanza sustenta la comparabilidad
En tercer lugar, hay que invertir en gobernanza, no solo en tecnología. Un sistema adecuado para una cartera sigue requiriendo decisiones humanas: qué cumple los requisitos para incluirse, dónde es razonable armonizar, cómo se evita el doble recuento y qué supuestos son aceptables. La tecnología posibilita estas funciones. No determina qué debe contabilizarse.
Un cambio de paradigma en nuestra forma de pensar sobre los datos de impacto
La parte más importante de esta solución no es la IA, sino un cambio en la manera de plantear el problema.
Hoy, la mayoría de los estándares intenta resolver a la vez dos retos distintos: cómo pueden las empresas medir el impacto de manera más eficaz y cómo podemos comparar esos datos en todo el mercado. No son el mismo problema.
Ayudar a una empresa a medir más, con mayor calidad y coherencia, requiere flexibilidad: dar margen a cada organización para captar lo que es relevante desde el punto de vista operativo y lo que impulsa su ventaja competitiva.
Comparar resultados entre carteras, en cambio, requiere una lógica común para agrupar, traducir y agregar indicadores, independientemente de cómo haya elegido medirlos cada organización.
Al combinar ambos retos en un solo marco, el sector se ha visto abocado a una disyuntiva imposible: cuanto más se estandariza para lograr comparabilidad, menos margen tienen las empresas para medir lo que realmente les importa; y cuanto menos miden, menos útiles se vuelven los datos para todos.
El cambio de paradigma consiste en separar estos dos problemas. Una línea de trabajo se centra en ayudar a las empresas a medir mejor: con más contexto, más granularidad y mayor alineación con el valor empresarial. La otra aborda la comparabilidad como una capa analítica independiente que traduce entre sistemas de medición en lugar de limitarlos.
La IA puede contribuir a ambos objetivos, pero de maneras distintas: por un lado, apoyando una recopilación de datos más rica; por otro, facilitando la clasificación y la armonización a gran escala. La tecnología es lo que hace posible este cambio ahora.
Solo con las herramientas actuales podemos tomar de forma realista datos heterogéneos de miles de organizaciones y traducirlos en evidencia útil para la toma de decisiones, sin imponer uniformidad desde el origen. Esto cambia la pregunta de «¿cómo conseguimos que todos midan de la misma manera?» a «¿cómo damos sentido a lo que todos ya están midiendo?»
Replantear la pregunta puede abrir la puerta a la solución que realmente buscamos.
