影响力投资增长迅速，但缺乏可比数据正日益成为资本配置和公信力的瓶颈。
仅靠指标标准化无法实现可比性，因为影响力具有情境依赖性，因此需要转译差异，而非强求统一。
人工智能与健全的治理相结合，可以大规模协调多样化的影响力数据，在不牺牲情境的前提下，助力更明智的影响力投资决策。
根据全球影响力投资网络（GIIN）《2024年影响力投资市场报告》，影响力投资目前管理的资产规模达1.57万亿美元，覆盖全球近4000家机构，并以每年超过20%的速度增长。影响力投资市场报告。
如今，明确旨在产生可衡量的社会和环境成效的资本投入规模前所未有。
然而，随着市场走向成熟，一个结构性弱点日益难以忽视：该行业仍缺乏统一方式来比较各机构的影响力成效，这削弱了其公信力，也降低了行业整体有效配置资本的能力。
若缺乏可比性，资本便无法流向最具影响力的解决方案，表现优异的模式也难以脱颖而出，影响力宣称也难以得到验证。这形成了可比性瓶颈，可能拖慢未来的增长。
为何我们至今仍没有影响力投资的标准？
影响力本质上具有情境依赖性。在内罗毕，一千克废弃物被转向再利用，而这一过程与非正规体系中的生计密切相关；在巴塞罗那，一千克废弃物被转向再利用，则表明成熟基础设施下的效率提升。二者并不代表相同的成效。
指标标准化的努力可能抹去赋予影响力意义的正是那些情境。
然而，缺乏标准化本身也会带来问题。当数据根本无法比较时，资本配置便变得不透明。那些严格衡量影响力、但衡量方式与主流框架不一致的机构，可能在分析层面变得不可见。
当前的格局正体现了这一权衡。IRIS+、全球报告倡议组织（GRI）、可持续会计准则委员会（SASB）/国际财务报告准则、《可持续金融披露条例》、国际金融公司绩效标准以及其他数十种框架并存，它们是环境、社会和治理以及影响力衡量格局的关键组成部分。这意味着，即便是相似的指标，其定义所采用的单位、范围和阈值也各不相同。
GRI可能以兆瓦时报告全价值链的能源使用情况，而SASB则聚焦核心运营，并以吉焦为单位。每种方法在内部都是自洽的，但在一个投资组合中，这些差异会累积成噪音而非洞察。
这并非资本市场的新问题。金融市场只有在会计准则出台之后才得以扩大规模，因为会计准则创造了可比性。信用评级则为风险确立了共同语言。
世界经济论坛的利益相关方资本主义指标已获得50多家领先企业采纳，代表了为非财务报告带来一致性的类似尝试。
影响力投资如今正面临这一基础设施挑战的自身版本：若缺乏共同的比较基础，单凭规模无法带来效率或公信力。
如何突破可比性瓶颈
如果仅靠标准化无法解决可比性问题，那么问题就变成：要使影响力数据能够大规模使用，需要什么条件？目前正出现三大转变：
1. 可比性有助于解读差异
首先，应将可比性视为一种转译，而非统一。投资者并不需要完全相同的指标，他们需要可靠的方法来解读差异：判断哪些指标反映的是同一潜在成效，哪些应归为一组但保持区分，哪些根本不应加总。
一些新兴方法，例如由共同方法（Common Approach）制定的共同框架，以及GIIN的IRIS+和联合国开发计划署的可持续发展目标影响力标准等体系，都指向这一模式：结构化程度足以实现协调一致，同时又足够灵活，能够保留情境。
2. 人工智能有助于规模化分类
其次，应利用人工智能（AI）实现大规模分类与协调。人工智能不会（也不应）界定什么才算影响力，但它可以显著改善影响力数据的处理方式。
通过依据含义而非措辞对指标进行分类，识别不同报告体系之间的等效关系，并标记重复计算等风险，人工智能使大规模可比性切实可行。
在Agile Impacts与美洲开发银行合作开发的一项试点中，该方法覆盖了500多个投资项目，在指标匹配方面达到了约90%的精确度。人工判断仍然不可或缺，但过去在大规模上不可行的事情，如今变得切实可行。
3. 治理是可比性的基础
第三，应投资于治理，而不仅是技术。一个高质量的投资组合体系仍然需要人工决策：哪些内容符合纳入条件、在哪些情况下协调是合理的、如何防止重复计算，以及哪些假设可以接受。技术使这些职能得以实现，但它不决定什么才应当计入。
对影响力数据思维方式的范式转变
这一解决方案最重要的部分并非人工智能，而是我们对问题的框定方式发生改变。
如今，大多数标准试图同时解决两个截然不同的挑战：企业如何更有效地衡量影响力，以及我们如何在整个市场中比较这些数据。这两者并非同一个问题。
帮助企业衡量更多内容、以更高质量和更强一致性进行衡量，需要灵活性：为每个机构留出空间，使其能够捕捉对运营具有实际意义的内容，以及驱动其竞争优势的内容。
另一方面，跨投资组合比较成效，则需要一套共同的逻辑，用于对指标进行分组、转译和加总，而无论各机构选择了何种衡量方式。
若将这两项挑战捆绑于单一框架之中，该领域便被迫陷入一种不可能的权衡：为了可比性而标准化得越多，企业用于衡量真正对其重要事项的空间就越小；而衡量得越少，数据对所有人的用处就越小。
范式转变在于将这两个问题分开。一条路径聚焦于帮助企业更好地衡量：提供更多情境、更高细度，并与商业价值更紧密地对齐。另一条路径则将可比性视为一个独立的分析层，它在不同衡量体系之间进行转译，而非对其加以限制。
人工智能可以同时服务于两者，但方式不同：一方面支持更丰富的数据收集，另一方面推动可扩展的分类与协调。使这一转变在当下成为可能的，是技术本身。
只有借助当今的工具，我们才能现实地从数千家机构获取异质性数据，并在不强求源头统一的前提下，将其转化为可支持决策的证据。这将问题从“如何让所有人以相同方式衡量？”转变为“如何理解每个人已经在衡量的内容？”
仅仅重新界定问题，就可能解锁我们真正追求的解决方案。
