USO DE INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO DE GREENWASHING
UMA REVISÃO BIBLIOGRÁFICA NARRATIVA
Palavras-chave:
Inteligência Artificial; Greenwashing; Sustentabilidade Corporativa; Governança Ambiental; AIPU.Resumo
Resumo: Este artigo realiza uma revisão bibliográfica estruturada (2021–2025) sobre a aplicação de Inteligência Artificial (IA) na detecção e mitigação do greenwashing corporativo. Foram analisados 101 estudos da base Scopus, resultando em uma amostra final de 10 artigos. Os resultados revelam um consenso empírico de que a adoção substantiva de IA — incluindo deep learning, Large Language Models, análise computacional de vagueza semântica e integração entre machine learning e blockchain — reduz significativamente o greenwashing ao ampliar a eficiência operacional, diminuir a assimetria de informações e estimular a inovação verde. Entretanto, emergem paradoxos importantes: a própria IA possui impacto ambiental relevante (Digital Rebound Effect) e a Incerteza da Política de IA (AIPU) pode aumentar o greenwashing ao incentivar discursos simbólicos em detrimento de investimentos reais. Tais efeitos são moderados por fatores como background tecnológico do CEO, pressão da mídia, governança colaborativa e intensidade competitiva. Conclui-se que a eficácia da IA depende de ecossistemas regulatórios estáveis e de estruturas robustas de governança ambiental.
Referências
REFERÊNCIAS
ALNAFRAH, I. The Two Tales of AI: A Global assessment of the environmental impacts of artificial intelligence from a multidimensional policy perspective. Journal of Environmental Management, v. 392, p. 126813, set. 2025.
BAI, C.; YAO, D.; XUE, Q. Does artificial intelligence suppress firms’ greenwashing behavior? Evidence from robot adoption in China. Energy Economics, v. 142, p. 108168, fev. 2025.
CUTULI, E. Analisi computazionale dei report di sostenibilità: la vaghezza come strategia di greenwashing. Umanistica Digitale, v. 9, n. 20, p. 341–359, 10 jul. 2025.
DAGA, S.; YADAV, K.; SINGH, D.; PAMUCAR, D.; SIMIC, V. Unveiling Greenwashing: Analyzing the interaction of factors discouraging ESG Greenwashing through TISM and MICMAC. Journal of Environmental Management, v. 380, p. 124850, abr. 2025.
GAN, Y.; PI, L. Artificial intelligence policy uncertainty and corporate Greenwashing: Evidence from China. International Review of Economics ; Finance, v. 104, p. 104630, dez. 2025.
GIL, A. C. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008.
HE, L.Y.; WANG, L. Can artificial intelligence curb greenwashing? Firm-level evidence based on large language model. Energy Economics, v. 152, p. 108954, dez. 2025.
MARCONI, M. A.; LAKATOS, E. M. Metodologia Científica. 8. ed. Rio de Janeiro: Atlas, 2022.
SEGARAN, B. R.; RUM, S. N. M.; NINGGAL, M. I. H.; ARIS, T. N. M. Efficient ML technique in blockchain-based solution in carbon credit for mitigating greenwashing. Discover Sustainability, v. 6, n. 1, p. 281, 14 abr. 2025.
TIAN, X.; SHI, D. Facilitating or Inhibiting: A Study on the Impact of Artificial Intelligence on Corporate Greenwashing. Sustainability, v. 17, n. 5, p. 2154, 2 mar. 2025.
WANG, X.; GAO, X.; SUN, M. Construction and analysis of corporate greenwashing index: a deep learning approach. EPJ Data Science, v. 14, n. 1, p. 44, 10 jun. 2025.
WANG, Z.; HE, A.; NAN, S. Green finance reform, multifaceted collaborative governance, and corporate greenwashing: Evidence from double/debiased machine learning method. Journal of Environmental Management, v. 383, p. 125466, maio 2025.
Downloads
Publicado
Edição
Seção
Licença
Os conteúdos submetidos e publicados na Revista NEADS são de inteira e exclusiva responsabilidade de seus autores, mesmo que reservado aos editores do periódico o direito de proceder a ajustes textuais e de adequação às normas de publicação na Revista NEADS.
