Documentos faltantes en la due diligence: cómo la IA detecta las lagunas de evidencia

Documentos faltantes en la due diligence: cómo la IA detecta las lagunas de evidencia

Una laguna de evidencia es cualquier pregunta de diligencia para la cual la documentación de respaldo falta, no está firmada, está incompleta o es inconsistente con el resto del data room. Es el reflejo inverso de una señal de alerta: una señal de alerta es un documento que dice algo preocupante, mientras que una laguna de evidencia es la ausencia de un documento que debería estar ahí. Un anexo referenciado en un contrato pero nunca aportado, una resolución del consejo sin firmas, un acuerdo con clientes citado en el CIM pero ausente del data room, una divulgación que la lista de solicitudes espera y que el vendedor nunca entregó. Cada uno de estos casos es un hallazgo en sí mismo y merece el mismo rigor que cualquier documento que el equipo realmente lee.

La presión para hacerlo bien está aumentando. En el cuarto trimestre de 2025, SRS Acquiom y Mergermarket encuestaron a 150 altos ejecutivos de bancos de inversión estadounidenses boutique, medianos y grandes, y casi tres cuartas partes (73%) esperan que el proceso de due diligence en M&A se vuelva más complejo en los próximos 12 a 24 meses.[1] En la edición del cuarto trimestre de 2023 del mismo estudio, el 64% de los encuestados informó que la diligencia ya llevaba más tiempo que antes de la pandemia, y el mayor desafío del lado comprador fue verificar la información recibida, con el 31% de los votos entre los dos primeros puestos.[2] Verificar la información es exactamente donde viven las lagunas: el material más difícil de verificar es el que no está.

Una laguna de evidencia es cualquier pregunta de due diligence que el data room no puede responder con documentación suficiente, firmada y vigente. Es el reflejo inverso de un hallazgo: en lugar de preguntar qué dice un documento, el equipo pregunta qué documento debería existir para respaldar una respuesta determinada, y luego comprueba si realmente está allí. Un hallazgo sin su evidencia de respaldo es una suposición, y las suposiciones tienden a resurgir como pasivos posteriores al cierre.

Valoración: las hipótesis se apoyan en documentos que nadie ha verificado, por lo que la valoración conlleva un riesgo no cuantificado.

Plazos: las lagunas descubiertas tarde obligan a perseguir documentos que comprimen el trabajo de confirmación en cuestión de días.

Protección contractual: un riesgo que nadie puede acreditar es difícil de convertir en una declaración, garantía o indemnización específica.

Credibilidad ante el comité: una memoria del IC con lagunas sin explicar invita a cuestionamientos que paralizan la decisión.

Las lagunas de evidencia se agrupan en cuatro tipos recurrentes. Cada uno falla una prueba distinta, y cada uno exige una solución diferente por parte del equipo de la transacción.

Anexos y anillos faltantes: el contrato marco está en el data room, pero la tabla de precios, la lista de clientes o el anexo al que hace referencia no, por lo que no se pueden verificar las condiciones comerciales.

Contratos sin firmar o no ejecutados: el texto del contrato existe, pero no hay página de firmas, ni ejemplar ejecutado, ni historial de modificaciones, lo que significa que la obligación quizá nunca vinculó a ninguna de las partes.

Divulgaciones ausentes: registros de litigios, anexos de transacciones con partes vinculadas, registros de propiedad intelectual o correspondencia regulatoria que un proceso bien gestionado contendría simplemente no se aportan.

Carpetas del data room incompletas o vacías: una estructura de carpetas que promete contenido que no entrega, como una carpeta fiscal vacía o una carpeta de contratos de clientes que contiene solo un puñado de contratos tipo.

Una lista de lagunas solo es tan útil como la clasificación que hay detrás. Cuatro tipos cubren la mayor parte de lo que los equipos de transacción encuentran, y mantenerlos separados importa porque cada tipo conlleva un remedio diferente y un nivel de preocupación distinto.

Los equipos de transacción no solo necesitan analizar los documentos que tienen; necesitan saber qué evidencia de respaldo falta o es insuficiente. En 2025, solo los hallazgos de due diligence distintos de la calidad de las ganancias (non-QoE) representaron el 25,3 % de las cartas de intención ejecutadas que se rompieron, más que cualquier otra causa individual.[3] Esta guía establece un marco para clasificar las lagunas de evidencia, cómo la due diligence asistida por IA las detecta y qué significa cada laguna para la lista de preguntas al vendedor y el alcance confirmatorio.

La taxonomía de cuatro tipos para clasificar las lagunas de evidencia en los flujos de trabajo de diligencia. · Generado con IA

La detección manual de lagunas se queda corta ante la escala de los data rooms actuales. En una encuesta de SRS Acquiom y Mergermarket del tercer trimestre de 2024 a 150 altos ejecutivos de bancos de inversión estadounidenses, el 40 % de los encuestados de boutiques señaló la información incompleta sobre el objetivo como uno de los mayores obstáculos de due diligence en su operación de compra más reciente. El volumen agrava el problema: ICAEW informa de que el número de documentos en los data rooms aumentó un 32 % en un solo año.[4] Cuando el data room crece un tercio al año, rastrear lo que falta leyendo lo que está presente se convierte en una tarea humana poco fiable, y es precisamente ahí donde el contraste cruzado asistido por IA demuestra su valor.

La revisión asistida por IA cambia lo que es económicamente viable aquí. El análisis de EY sobre la IA en la diligencia de M&A ofrece un ejemplo concreto: cuando un informe anual menciona la venta de un inmueble, el software puede comprobar si está presente la documentación habitual para tal venta y, en cuestión de segundos, señalar una escritura notarial faltante o una declaración fiscal cuyo precio de compra no coincide con los estados financieros.[5] La misma lógica se aplica a cualquier hecho declarado que implique un rastro documental: una adquisición divulgada implica un contrato de compraventa, un dividendo implica formularios fiscales, una patente implica una cesión. Las herramientas genéricas tienden a leer las lagunas de datos como asuntos irrelevantes en lugar de divulgaciones no cumplimentadas, por eso la ceguera ante documentos faltantes se trata como un modo de fallo distinto en la diligencia consciente del contexto.

Una laguna de evidencia es cualquier pregunta de due diligence para la cual la documentación de respaldo falta, no está firmada, está incompleta o es inconsistente con el resto del data room. Es el reflejo inverso de una señal de alerta: una señal de alerta es un documento que dice algo preocupante, mientras que una laguna de evidencia es la ausencia, o la insuficiencia, de un documento que debería estar allí. Un anexo referenciado en un contrato pero nunca aportado, una resolución del consejo sin firmas, un contrato de cliente citado en el CIM pero ausente del data room, una divulgación que la lista de solicitudes espera y que el vendedor nunca entregó. Cada uno de estos casos es un hallazgo en sí mismo, y cada uno merece el mismo rigor que cualquier documento que el equipo realmente lee. Las lagunas adoptan dos formas, y esa distinción determina la respuesta.

La escala de la lista de solicitudes es lo primero que hay que respetar. La lista de verificación de diligencia debida en M&A de Bloomberg Law incluye 174 tipos de documentos, que abarcan gobernanza corporativa, estados financieros, propiedades, propiedad intelectual, contratos materiales, empleo y ESG.[6] Frente a una lista de esa amplitud, probar la existencia de lagunas flujo de trabajo por flujo de trabajo mantiene el ejercicio manejable y garantiza que ninguna carpeta quede exenta del escrutinio.

Una laguna no detectada rara vez es neutral. Se propaga a lo largo de la transacción de formas predecibles: las rondas de preguntas y respuestas se atascan mientras el comprador espera anexos que nunca se subieron, las negociaciones de precio se reabren cuando una divulgación faltante aparece tarde, las exigencias de indemnización se endurecen porque el comprador no puede valorar lo que no puede ver, y las sorpresas posteriores al cierre surgen de obligaciones que nadie verificó porque el contrato ejecutado nunca estuvo en el data room. El coste no es solo el retraso; es una posición de negociación peor en condiciones que se podían conocer antes.

La presión es estructural, no cíclica. En el estudio Best Practices in M&A Due Diligence 2026 de SRS Acquiom, el 73 % de los banqueros de inversión senior encuestados espera que el proceso de due diligence se vuelva más complejo en los próximos 12 a 24 meses, y entre los encuestados que reportan plazos más largos, el 57 % afirma que se han añadido entre uno y tres meses adicionales al proceso.[1] En ese contexto, una laguna que aparece en la semana seis de un periodo de exclusividad de ocho semanas es considerablemente más costosa que la misma laguna detectada en la semana uno.

Dos hábitos hacen eficaz la lista de verificación. Primero, cada solicitud debe corresponder a una pregunta de diligencia, de modo que una respuesta ausente tenga un responsable y una consecuencia, y no solo una casilla vacía. Segundo, la lista de verificación debe aplicarse contra la sala de datos tal como se recibe, no contra el índice del vendedor, porque las estructuras de carpetas suelen ser inconsistentes y el índice no es evidencia. Los equipos que anclan la revisión en una lista de verificación estructurada, como en una lista de verificación de diligencia debida con IA para la creación de valor en private equity, detectan las lagunas antes, porque la expectativa y lo recibido se comparan de forma sistemática y no de memoria.

Ausencia de evidencia: la sala de datos no contiene ningún documento para una afirmación que se ha hecho. El modelo financiero hace referencia a un acuerdo marco firmado, el calendario de propiedad intelectual enumera una cesión de un contratista, o el DDQ afirma un plan de respuesta a incidentes cibernéticos, y no existe tal documento en ningún lugar de la sala.

Insuficiencia de evidencia: existe un documento pero no cumple su función. El acuerdo no está firmado o está en estado de borrador, la póliza ha caducado, la versión en la sala fue sustituida por una enmienda posterior que nadie subió, o el calendario cubre solo parte del período o de las entidades que abarca la afirmación.

Ciertos patrones deberían despertar sospechas antes de ejecutar cualquier herramienta, porque casi siempre indican que falta evidencia en algún punto del corpus.

También existe una dimensión competitiva. El Generative AI in M&A Pulse Study de Deloitte de 2026 constata que el 90% de las organizaciones ya utilizan IA en los procesos de M&A.[7] Cuando nueve de cada diez equipos realizan revisiones asistidas por IA, la pregunta de referencia deja de ser si usar IA para pasar a ser contra qué se prueba realmente la IA. Los equipos que solo resumen los documentos que tienen siguen expuestos a los documentos que nadie proporcionó; los equipos que además interrogan a la sala sobre lo que falta cierran ese flanco.

Referencias a anexos, apéndices o adjuntos que nunca aparecen en ninguna parte de la sala de datos.

Versiones sin firmar o borradores de documentos que deberían estar ejecutados, como resoluciones del consejo sin las firmas necesarias.

Cifras en los materiales de gestión que ningún documento de la sala de datos permite conciliar, desde ingresos por segmento hasta plantilla.

Carpetas que permanecen vacías o llamativamente escasas en fases avanzadas de la exclusividad, especialmente en temas fiscales, de propiedad intelectual o regulatorios.

Los ejemplos prácticos de EY muestran cómo estos patrones se concretan en problemas identificados: un dividendo pagado sin retención de impuestos y sin certificado de convenio fiscal ni formularios fiscales relacionados disponibles en la sala, y resoluciones del consejo que no cumplen las normas corporativas aplicables porque carecen de las firmas necesarias.[5] Lo inverso también se cumple, y conviene decírselo a la dirección desde el principio: un conjunto documental completo, coherente y firmado es en sí mismo una señal de calidad directiva, y su ausencia también lo es. Los equipos que someten cada hallazgo a un estándar basado en fuentes, en el espíritu de las decisiones de inversión de alta convicción, tienden a detectar estas señales cuando todavía hay tiempo de actuar sobre ellas.

Los vacíos son peligrosos por cómo reaccionan los compradores ante ellos. Un comprador que no puede verificar una afirmación no concluye que la afirmación sea correcta; asume lo peor hasta que el vendedor explica el hueco, y las explicaciones que llegan tarde cuestan poder de negociación. Los riesgos son medibles. El Dead Deal Report de Axial de 2025, que cubre 75 transacciones fallidas, constató que los hallazgos de due diligence distintos del QoE fueron la razón más común de que las LOI ejecutadas se rompieran, con un 25,3%, y las discrepancias de EBITDA del QoE añadieron otro 21,3%.[3] Los hallazgos derivados de la due diligence ahora superan a la financiación, el villano histórico, citada en el 10,7% de los casos.[3] La verificación, no el capital, es lo que hoy mata las transacciones.

La detección sistemática de vacíos parte de una línea base de evidencia esperada: para cada pregunta material de due diligence, el equipo define qué documentos deberían existir si la respuesta está debidamente respaldada, y luego mide la sala frente a esa expectativa. La comparación nunca es un recuento de archivos. Una carpeta puede estar llena y aun así no responder a la pregunta, y un único calendario ejecutado puede valer más que cincuenta páginas de material de marketing.

Una laguna detectada solo vale el análisis si cambia el proceso. El primer cambio se produce en la lista de preguntas al vendedor: cada laguna debe convertirse en una pregunta específica y fundamentada, vinculada al documento o divulgación ausente, con un plazo y un responsable. «Por favor, proporcionen todos los contratos materiales» invita a un volcado de carpetas; «el CIM menciona acuerdos con clientes que representan el 10 % superior de los ingresos, por favor proporcionen las versiones firmadas» invita a un documento, y esa formulación refleja cómo las listas de solicitudes legales estándar plantean la petición.[6] Es la misma disciplina que rige el contraste cruzado de datos financieros, donde cada excepción se convierte en una consulta verificable y no en una preocupación vaga.

Convertir cada laguna clasificada en un punto específico del Q&A con el vendedor, con su referencia de origen y un plazo de respuesta.

Incorporar la lista de lagunas al alcance de la diligencia confirmatoria tras la LOI, la fase cuyo propósito es verificar los supuestos formulados sobre el objetivo y sacar a la luz los riesgos que el comprador está a punto de heredar.

Hacer seguimiento del cierre: una laguna que se cierra con un documento queda resuelta, una que se cierra con una explicación se convierte en un hallazgo de diligencia, y una que permanece abierta se convierte en un punto de negociación.

El modelo de evidencia esperada: la cobertura se prueba contra lo que debería existir, no contra lo que se subió. · Generado con IA

Las lagunas no resueltas fluyen después al contrato de compraventa. Las lagunas manejables se abordan mediante declaraciones, garantías y cláusulas de indemnización; los hallazgos significativos suelen reabrir la negociación del precio de compra; y los problemas que no pueden resolverse ni mitigarse pueden llevar al comprador a retirarse por completo. Para las firmas de asesoramiento que necesitan que este tratamiento sea coherente entre operaciones y equipos, un registro clasificado de lagunas es lo que hace repetible el paso del hallazgo al lenguaje contractual, en lugar de depender de quien dirija el flujo de trabajo en cada momento.

Definir la pregunta del flujo de trabajo. Enunciarla con precisión: no «revisar contratos de clientes», sino «¿los diez principales contratos de ingresos contienen cláusulas de cambio de control que exijan consentimiento?»

Enumerar los documentos que deberían existir para responderla. Acuerdos ejecutados, calendarios y enmiendas, calendarios de divulgación, aprobaciones del consejo, registros, correspondencia con las contrapartes.

Comprobar la cobertura frente a lo que la sala de datos realmente contiene. Cotejar la lista esperada con la sala, documento por documento, incluidas las versiones y el estado de ejecución.

Clasificar cada vacío. Ausente (nunca proporcionado), sin firmar (texto sin ejecución), inconsistente (documentos que se contradicen entre sí) u obsoleto (sustituido, sin fecha o desactualizado).

El espacio de trabajo soporta este flujo de trabajo de principio a fin, y sus módulos se corresponden directamente con el marco anterior.

El paso de clasificación es lo que convierte una lista de ausencias en un producto de trabajo accionable, porque cada clase impulsa un movimiento posterior diferente: los documentos faltantes se convierten en solicitudes de información, los acuerdos sin firmar en confirmaciones de ejecución o condiciones de cierre, las inconsistencias en preguntas y respuestas específicas, y los documentos desactualizados en solicitudes de actualización. La guía de ICAEW Financial Due Diligence, redactada por expertos en finanzas corporativas de PwC, plantea la misma división del trabajo: la IA y el análisis de datos, combinados, críticamente, con la supervisión humana, permiten un nivel de conocimiento significativamente mayor que cualquiera de ellos por separado.[4] La máquina compara la sala de datos con la línea base; el equipo de la operación decide qué significa cada brecha para el precio, los términos y el proceso.

Data Room Ingestion se conecta al VDR y procesa PDF, hojas de cálculo, contratos y modelos financieros, clasificando cada documento para que todo el corpus sea analizable, y compara lo recibido con lo esperado para cada flujo de trabajo.

El AI-Analysis Engine lee y contrasta documentos entre los distintos flujos de trabajo y ayuda a los usuarios a identificar documentación de respaldo faltante o insuficiente para las preguntas de due diligence, con cada resultado vinculado a su documento y página de origen.

Findings & Risk Intelligence evalúa los hallazgos detectados según su materialidad, impacto financiero, exposición legal y relevancia para la operación, de modo que las brechas se prioricen en lugar de limitarse a enumerarse.

El Collaboration Hub alinea los flujos de trabajo y comparte información en tiempo real, y el Report Builder traslada los hallazgos de brechas a entregables trazables a la fuente para comités y clientes.

Los límites son tan importantes como las capacidades. La plataforma no identifica automáticamente todos los documentos faltantes, no garantiza la integridad de ningún data room y no sustituye la revisión profesional: todos los hallazgos requieren validación humana por parte del equipo de la operación. Estructura y acelera el análisis de brechas; el juicio sobre lo que una brecha significa para el precio, la protección contractual o la viabilidad de la operación corresponde al equipo. Lo mismo se aplica a su trabajo con las asesorías de M&A y los fondos: apoya el proceso, no dirige la operación.

El modelo de evidencia esperada se vuelve práctico cuando se aplica flujo de trabajo por flujo de trabajo. Las pruebas siguientes se plantean deliberadamente como una pregunta más el documento que debería responderla, porque esa combinación es lo que hace visible una ausencia: si el documento no está en la sala de datos, la pregunta sigue abierta, diga lo que diga el memorando de resumen.

Ejecuta la identificación de brechas como un proceso permanente desde el primer día, en lugar de una limpieza en la fase de informe. Una secuencia viable:

Ingiere el data room desde el principio y aplica la taxonomía de los cuatro tipos de brechas a la lista de solicitudes en la primera semana, no en la fase de informe.

Registra cada brecha con su referencia de origen y clasifícala como faltante, sin firmar, ausente o insuficiente.

Incorpora las brechas clasificadas a la lista de preguntas y respuestas del vendedor por lotes, cada una con un plazo y un responsable.

Vuelve a ejecutar las comprobaciones de brechas a medida que llegan nuevos documentos y sigue las tasas de cierre a lo largo del proceso.

Trasladar las brechas no resueltas al alcance confirmatorio y a la negociación del contrato de compraventa, donde se convierten en declaraciones y garantías, indemnizaciones, condiciones o ajustes de precio.

La división del trabajo es la clave. La IA estructura el corpus, contrasta lo recibido con lo esperado y detecta las brechas a escala; el equipo de la operación asume el juicio sobre la materialidad, la solución y la postura de negociación. Así está concebida la automatización del flujo de trabajo de due diligence moderna: las herramientas gestionan el volumen y los profesionales toman las decisiones. Diseñada para los equipos de inversión y de operaciones actuales y de confianza de más de 200 firmas, Plausity está pensada para encajar en esa división del trabajo en tu próxima transacción.

Dos hallazgos dan urgencia a esta lista de verificación. Primero, la información incompleta sobre el objetivo es uno de los principales obstáculos de la due diligence: el 40% de los encuestados de bancos boutique citado anteriormente la nombró entre los mayores obstáculos en su operación de compra más reciente. Segundo, la propia revisión está cambiando de carácter. Houthoff observa que la IA ha hecho que el análisis de documentos, que antes llevaba a los abogados semanas, sea más rápido y eficiente, y que el foco se está desplazando de la recopilación de hechos al conocimiento estratégico.[8] A medida que las máquinas asumen la recopilación de hechos, la contribución humana se concentra exactamente donde vive el análisis de brechas: juzgar qué ausencias importan y cuánto valen.

1. [1] srsacquiom.com — https://www.srsacquiom.com/our-insights/m-a-due-diligence-study-2026/
2. [2] ionanalytics.com — https://ionanalytics.com/wp-content/uploads/dlm_uploads/2024/03/SRS_Acquiom-DueDiligence_v7_DS.pdf
3. [3] axial.net — https://www.axial.net/forum/dead-deal-report-unpacking-2025s-broken-lois/
4. [4] icaew.com — https://www.icaew.com/insights/viewpoints-on-the-news/2024/nov-2024/icaew-launches-financial-due-diligence-guideline
5. [5] ey.com — https://www.ey.com/en_ch/insights/strategy-transactions/how-ai-will-impact-due-diligence-in-m-and-a-transactions
6. [6] pro.bloomberglaw.com — https://pro.bloomberglaw.com/insights/contracts/ma-due-diligence-checklist/
7. [7] deloitte.com — https://www.deloitte.com/us/en/what-we-do/capabilities/mergers-acquisitions-restructuring/articles/m-and-a-generative-ai-study.html
8. [8] houthoff.com — https://www.houthoff.com/insights/news/red-flags-from-black-boxes-legal-due-diligence-in-the-age-of-ai
9. [9] mondaq.com — https://www.mondaq.com/unitedstates/contracts-and-commercial-law/1831962/the-hidden-risks-of-ai-generated-due-diligence
10. [10] law.cornell.edu — https://www.law.cornell.edu/ucc/2/2-204
11. [11] peony.ink — https://www.peony.ink/blog/due-diligence-data-room-checklist
12. [12] hai.stanford.edu — https://hai.stanford.edu/news/ai-trial-legal-models-hallucinate-1-out-6-or-more-benchmarking-queries
13. [13] theglobeandmail.com — https://www.theglobeandmail.com/investing/markets/markets-news/ACN/3932700/boundeal-highlights-data-room-discipline-as-a-key-step-in-preparing-for-ipo-and-investor-due-diligence/