El objetivo principal de este estudio es analizar la relevancia del rendimiento financiero como un predictor preciso de las puntuaciones ESG para las empresas francesas desde 2010 hasta 2022. Para ello, se emplearon técnicas de aprendizaje automático como la regresión lineal, la regresión polinómica, Random Forest y la regresión de vectores de soporte (SVR) para proporcionar evaluaciones más precisas y fiables, informando así el proceso de atribución de calificaciones ESG. Los resultados obtenidos destacan el excelente rendimiento del método Random Forest en la predicción de las puntuaciones ESG a partir de variables financieras de la empresa. Además, el enfoque identificó variables financieras específicas (ingresos operativos, capitalización de mercado, valor empresarial, etc.) que actúan como poderosos predictores de las puntuaciones ESG de las empresas. Este enfoque de modelado ofrece una herramienta robusta para predecir las puntuaciones ESG de las empresas a partir de datos financieros, lo que puede ser valioso para inversores y tomadores de decisiones que deseen evaluar y comprender el impacto de las variables financieras en la sostenibilidad corporativa. Además, esto permite a los inversores en sostenibilidad diversificar sus carteras al incluir empresas que actualmente no están calificadas por agencias de calificación ESG, que no producen informes de sostenibilidad, así como empresas recién cotizadas. También brinda a las empresas la oportunidad de identificar áreas donde se necesitan mejoras para mejorar su rendimiento ESG. Finalmente, facilita el acceso a las calificaciones ESG para interesados externos. Nuestro estudio se centra en utilizar avances en inteligencia artificial, explorando técnicas de aprendizaje automático para desarrollar un modelo predictivo fiable de puntuaciones ESG, que está demostrando ser un área de investigación original y prometedora.