Quando a regra desaparece, o que sobra?
Em maio de 2026, a Comissão de Valores Mobiliários (CVM) revogou a obrigatoriedade de divulgação de informações financeiras ligadas à sustentabilidade nos padrões do ISSB (International Sustainability Standards Board). A medida pegou parte do mercado de surpresa e reacendeu o debate sobre o futuro da agenda ESG no Brasil. Mas, se você espera que eu diga que isso representa um retrocesso, prepare-se para uma visão diferente: na minha avaliação, essa revogação pode ser o empurrão que faltava para que a inteligência de dados ocupe o lugar central que sempre deveria ter tido nas estratégias de sustentabilidade corporativa.
Durante anos, o mercado tratou os relatórios ESG como um exercício de conformidade: preencher formulários, seguir padrões, cumprir prazos. O resultado foi uma enxurrada de dados genéricos, muitas vezes produzidos com baixo rigor analítico e, em alguns casos, com intenções mais próximas do marketing do que da gestão real. A obrigatoriedade criava um incentivo perverso: relatar pelo relatar, sem que houvesse, de fato, uma transformação nos processos de negócio. Agora, sem a pressão regulatória imediata, as empresas que levam a sério a agenda ESG precisarão migrar de uma postura reativa para uma postura proativa — e isso exige inteligência de dados de verdade.
O dilema da padronização prematura
Muita gente associou a revogação da CVM a um enfraquecimento da agenda ambiental. Discordo. Padrões como os do ISSB são úteis, mas foram concebidos num contexto de maturidade informacional que ainda não alcançamos no Brasil. Exigir relatórios padronizados de empresas que não têm governança de dados estruturada para métricas ambientais e sociais é pedir que se produza ficção com cara de ciência. Já vi, em projetos de consultoria, empresas declararem redução de emissões de escopo 3 sem sequer mapear a cadeia de suprimentos — dados inventados ou aproximados grosseiramente.
O problema não é o padrão, é a base. Antes de cobrar relatórios no formato ISSB, precisamos que as organizações saibam coletar, auditar e interpretar dados não financeiros com o mesmo rigor que aplicam a dados contábeis. E essa é uma questão de arquitetura de dados, não de regulamentação. Enquanto a obrigatoriedade esteve vigente, o investimento em infraestrutura de dados ficou em segundo plano: bastava contratar uma consultoria para "preencher" o relatório. Agora, sem a exigência legal, as empresas que realmente querem usar ESG como vantagem competitiva precisarão construir sistemas robustos de coleta, validação e análise.
O papel da inteligência artificial na nova era ESG
Se a coleta manual de dados ESG sempre foi frágil, a inteligência artificial oferece caminhos para automatizar e dar credibilidade ao processo. Dois campos me parecem especialmente promissores: o processamento de linguagem natural (NLP) aplicado a documentos não estruturados e a detecção de anomalias via machine learning.
No primeiro caso, grande parte dos dados socioambientais relevantes ainda reside em contratos, relatórios de fornecedores, certificações, laudos técnicos e até notícias. Extrair indicadores confiáveis desse mar de texto exige algoritmos treinados para reconhecer contextos setoriais — algo que soluções genéricas de NLP não entregam. Em projetos que liderei para clientes do setor agroindustrial, precisei ajustar modelos de linguagem para entender termos como "desmatamento zero" em contratos de fornecimento, distinguindo compromissos reais de cláusulas de exclusão de responsabilidade. Sem uma camada de inteligência de dados bem calibrada, qualquer relatório ESG baseado nessas fontes será frágil.
Já a detecção de anomalias com machine learning pode atacar um dos maiores problemas da agenda: o greenwashing estatístico. Quando uma empresa declara redução de 20% nas emissões, mas os dados operacionais mostram aumento de produção no mesmo período, há uma inconsistência que modelos supervisionados conseguem capturar automaticamente. Ferramentas de auditoria contínua, alimentadas por dados de sensores IoT e sistemas ERP, podem gerar alertas quase em tempo real — muito mais eficazes do que a verificação anual feita por auditores terceirizados que, convenhamos, raramente têm acesso a dados brutos.
O trade-off entre agilidade e padronização
Defensores da regulação obrigatória argumentam que sem ela a comparabilidade entre empresas se perde. É um argumento válido, mas que ignora um fato: a comparabilidade só é útil quando os dados comparados são confiáveis. Prefiro um ecossistema com métricas idiossincráticas porém auditáveis do que relatórios padronizados com alto grau de ruído.
Na prática, as empresas que avançarem na construção de suas próprias plataformas de inteligência de dados ESG — com pipelines bem definidos, curadoria de fontes e modelos de validação — estarão em posição de definir seus próprios critérios de transparência. Isso pode soar assustador para investidores institucionais que querem comparar empresas lado a lado, mas acredito que a solução virá de intermediários de dados (data brokers especializados em ESG), não de regulamentações. Esses intermediários, apoiados por IA, poderão normalizar relatórios heterogêneos, desde que tenham acesso a dados brutos de qualidade.
Implicações práticas para times de produto e engenharia
Para quem trabalha com desenvolvimento de produtos digitais, a revogação da CVM abre oportunidades claras. Primeiro, sistemas de gestão ESG que antes eram vistos como "obrigação legal" agora precisam ser vendidos como ferramentas de inteligência competitiva. Isso muda a proposta de valor: não é mais um compliance tool, é um motor de insights para redução de riscos e otimização de recursos.
Segundo, a integração de dados financeiros e não financeiros em uma única plataforma se torna mais crítica. Empresas que mantiverem silos entre contabilidade e sustentabilidade terão dificuldade em demonstrar consistência. Na prática, isso significa que engenheiros de dados precisarão construir ontologias que conectem contas contábeis (ex.: gastos com energia) a métricas ambientais (ex.: toneladas de CO₂). Ferramentas de gráfico de conhecimento podem ajudar, mas exigem investimento em modelagem semântica que poucas organizações fizeram até hoje.
Terceiro, a demanda por algoritmos de detecção de greenwashing crescerá, tanto para uso interno quanto para due diligence de investidores. Startups que oferecem APIs de auditoria contínua de relatórios ESG têm um mercado em expansão — desde que consigam provar acurácia em setores específicos. Não adianta um modelo treinado em dados de empresas de tecnologia ser aplicado a mineradoras sem re-treino.
Riscos e pontos de atenção
Não quero soar ingênuo: a inteligência de dados aplicada a ESG também carrega riscos. O principal é o viés algorítmico: se os dados históricos usados para treinar modelos refletem más práticas de coleta, o aprendizado de máquina pode reforçar padrões inconsistentes. Por exemplo, um modelo treinado para prever emissões com base em dados autorreportados pode aprender a "confiar" em declarações de empresas que sistematicamente subnotificam.
Outro risco é a dependência excessiva de fontes de dados proprietárias. Sem padronização, algumas empresas podem se tornar gatekeepers de informações ESG, vendendo "certificações" baseadas em algoritmos opacos. Isso seria um desserviço ao mercado e abriria espaço para novos tipos de greenwashing, agora com verniz tecnológico.
Por fim, há o risco de que a ausência de obrigatoriedade leve empresas medianas a simplesmente abandonar qualquer esforço de relato. Isso é real e preocupante. Mas acredito que o movimento será de concentração: as empresas líderes avançarão, as intermediárias buscarão diferenciação via dados, e as piores ficarão expostas — o que, no limite, pode ser melhor para alocação de capital do que um oceano de relatórios igualmente opacos.
Minha perspectiva: o dado como ativo, não como obrigação
Vejo a decisão da CVM não como um recuo, mas como um reconhecimento de que a maturidade informacional do mercado brasileiro ainda não sustenta uma padronização rígida. A inteligência de dados — especialmente combinando sensoriamento, NLP e machine learning — é a ponte entre o desejo de transparência e a capacidade real de gerá-la.
Para quem atua em engenharia de software e IA, o recado é claro: o próximo grande nicho de inovação em sustentabilidade não estará na produção de mais relatórios, mas na criação de infraestruturas que tornem os dados ESG tão rastreáveis e auditáveis quanto os dados financeiros de uma transação bancária. Empresas que investirem em arquiteturas de dados modulares, com verificabilidade criptográfica e modelos de IA explicáveis, criarão vantagens competitivas que nenhuma regra regulatória será capaz de substituir.
A agenda ESG não morreu com a revogação. Ela apenas deixou de ser uma tarefa burocrática para se tornar um problema genuíno de engenharia de dados. E, como engenheiro, não consigo imaginar um cenário mais instigante.