Impact measurment and management in the AI area

The increasing importance of sustainability within financial and organizational decision-making has created growing demand for robust systems capable of measuring and managing social and environmental performance. Impact Measurement and Management (IMM) provides the methodological and operational basis for assessing impact outcomes and supporting accountability. At the same time, recent advances in artificial intelligence (AI) are transforming how impact-related data is processed and analysed. AI-enabled digital platforms can automate data collection, integrate diverse information sources and generate impact assessments at a scale and speed that traditional approaches cannot achieve. Despite this technological development, limited empirical evidence exists on how AI is integrated into IMM platforms and how it influences their role within the impact finance ecosystem. The objective of this thesis is to analyse the integration of artificial intelligence within impact measurement and management platforms and to examine how different levels of AI adoption relate to platform characteristics, including business model, funding structure and functional role. The research adopts a qualitative exploratory approach based on systematic desk research and qualitative content analysis. A sample of thirty IMM platforms was identified and analysed using a structured classification framework designed to capture organizational, functional and technological characteristics, with particular attention to the extent and role of AI integration. The results show that AI integration varies significantly across platforms and is closely associated with their institutional function and market positioning. Platforms providing data analytics and impact intelligence for investors exhibit the highest levels of AI integration, using machine learning, natural language processing and automated modelling to generate scalable analytical outputs. In contrast, platforms primarily supporting impact reporting and management rely on lower levels of AI integration and focus on facilitating data collection and disclosure. The findings also indicate that venture-backed and commercially oriented platforms are more likely to develop advanced AI capabilities, reflecting the role of financial resources and scalability requirements in driving technological adoption. The study demonstrates that artificial intelligence is becoming a central component of the technological infrastructure supporting impact measurement. While AI enhances scalability and analytical efficiency, it also raises important challenges related to transparency, methodological validity and governance. These findings contribute to understanding the technological transformation of impact measurement and highlight the importance of ensuring that AI-enabled systems maintain credibility and accountability within the impact finance ecosystem.

La crescente integrazione della sostenibilità nei processi decisionali finanziari e organizzativi ha determinato una maggiore necessità di strumenti affidabili per la misurazione e la gestione delle performance sociali e ambientali. L’Impact Measurement and Management (IMM) rappresenta il quadro metodologico e operativo che consente di valutare tali impatti e supportare la trasparenza e la responsabilità degli attori coinvolti. Parallelamente, i recenti sviluppi nel campo dell’intelligenza artificiale (AI) stanno trasformando le modalità con cui i dati di impatto vengono raccolti, elaborati e analizzati. Le piattaforme digitali basate su AI consentono di automatizzare i processi analitici, integrare grandi volumi di dati eterogenei e generare valutazioni di impatto su larga scala. Nonostante questa evoluzione tecnologica, esistono ancora limitate evidenze empiriche su come l’AI venga concretamente integrata nelle piattaforme IMM e su quali siano le implicazioni per l’ecosistema della finanza d’impatto. L’obiettivo di questa tesi è analizzare l’integrazione dell’intelligenza artificiale all’interno delle piattaforme di Impact Measurement and Management e valutare come i diversi livelli di adozione dell’AI siano associati alle caratteristiche delle piattaforme, tra cui modello di business, struttura di finanziamento e ruolo funzionale. La ricerca adotta un approccio qualitativo esplorativo basato su desk research sistematica e analisi qualitativa dei contenuti. È stato costruito un campione di trenta piattaforme IMM, analizzate attraverso un framework di classificazione strutturato volto a identificare le principali caratteristiche organizzative, funzionali e tecnologiche, con particolare attenzione al livello di integrazione dell’intelligenza artificiale. I risultati mostrano che il livello di integrazione dell’AI varia significativamente tra le piattaforme ed è strettamente legato al loro posizionamento di mercato e al ruolo svolto nell’ecosistema della finanza d’impatto. Le piattaforme che forniscono servizi di analisi e intelligence per investitori presentano i livelli più elevati di integrazione dell’AI, utilizzando tecniche di machine learning, natural language processing e modellazione automatizzata per generare valutazioni scalabili. Al contrario, le piattaforme orientate principalmente al supporto del reporting e della gestione dell’impatto mostrano livelli più limitati di integrazione dell’AI e si concentrano prevalentemente sulla gestione e organizzazione dei dati. I risultati evidenziano inoltre come le piattaforme finanziate da venture capital o operanti con modelli di business scalabili presentino una maggiore probabilità di sviluppare capacità avanzate basate sull’intelligenza artificiale. Lo studio dimostra che l’intelligenza artificiale sta diventando una componente centrale dell’infrastruttura tecnologica che supporta la misurazione dell’impatto. Sebbene l’AI consenta di migliorare la scalabilità e l’efficienza dei processi analitici, essa introduce anche importanti sfide legate alla trasparenza, alla validità metodologica e alla governance. Questi risultati contribuiscono a una migliore comprensione della trasformazione tecnologica della misurazione dell’impatto e sottolineano l’importanza di garantire che l’adozione dell’AI avvenga in modo coerente con i principi di credibilità e affidabilità richiesti nell’ambito della finanza d’impatto.