Esta investigación investiga la eficacia de las arquitecturas de transformadores en la clasificación de las afirmaciones de sostenibilidad realizadas por proyectos de criptomonedas, abordando una brecha crítica en la evaluación automatizada del impacto ambiental de los activos digitales. Empleando la metodología de investigación en ciencia del diseño (DSR), desarrollamos y evaluamos empíricamente un nuevo marco que compara cinco modelos de transformadores de última generación en múltiples dimensiones de rendimiento. A través de un análisis riguroso de 300 artículos de noticias sobre sostenibilidad de criptomonedas sintéticas, demostramos que RoBERTa-large-MNLI logra un rendimiento óptimo (F1: 1.00) con una estabilidad de predicción excepcional (0.98), lo que significa predicciones altamente consistentes a través de entradas variadas, y una entropía mínima (0.05), lo que indica una fuerte confianza en las decisiones de clasificación, aunque a un costo computacional más alto. Nuestros hallazgos desafían las suposiciones convencionales sobre la relación inversa entre la complejidad del modelo y la fiabilidad de la predicción en dominios financieros especializados. Los resultados avanzan la comprensión teórica del aprendizaje por transferencia en finanzas sostenibles, al tiempo que establecen puntos de referencia cuantitativos para la verificación automatizada de afirmaciones ambientales. Esta investigación contribuye tanto a la literatura académica como a los marcos regulatorios al proporcionar metodologías validadas empíricamente para distinguir entre iniciativas ambientales sustantivas y simbólicas en los mercados de criptomonedas. Los hallazgos proporcionan pautas valiosas para proyectos de criptomonedas, instituciones financieras y organismos reguladores que buscan implementar sistemas de evaluación de sostenibilidad automatizados, al tiempo que establecen una base para futuras investigaciones en la intersección de la inteligencia artificial y las finanzas sostenibles.