Herramienta de investigación para due diligence: cómo los equipos de transacción construyen evidencia

El problema de recursos detrás del due diligence moderno es fácil de enunciar y difícil de exagerar. Una adquisición de mercado medio genera hoy entre 5.000 y 12.000 documentos en el data room, y el cuestionario de due diligence suele contener entre 200 y 400 preguntas estructuradas distribuidas en 8 a 15 secciones de flujo de trabajo, todo dentro de una ventana de revisión de 30 a 90 días.[1] La metodología en sí no ha cambiado: el vendedor completa un data room virtual, el comprador revisa el contenido, se intercambia el DDQ y los riesgos materiales afloran antes de la firma. Lo que ha cambiado es el volumen de material que fluye por ese proceso, que ahora supera rutinariamente lo que un equipo de transacción puede procesar dentro del plazo.

La presión es medible. En una encuesta a 150 altos ejecutivos de bancos de inversión estadounidenses realizada por SRS Acquiom y Mergermarket, casi dos tercios de los encuestados (64%) declararon que la due diligence tarda ahora más que antes de la pandemia, y el 58% de ellos afirmó que tarda entre uno y tres meses más de media.[2] El mismo estudio reveló que el mayor desafío del lado comprador era verificar la información recibida, citado por el 31% de los encuestados en los dos primeros puestos, seguido de los datos poco fiables o poco claros con un 25%.[2] En otras palabras, el cuello de botella no es encontrar los documentos. Es establecer qué se puede considerar fiable.

Por eso, una respuesta sin respaldo es casi inútil en el contexto de una transacción. Un resumen que afirma que la fuga de clientes es manejable, o que la base de contratos está limpia, no tiene ningún valor a menos que pueda rastrearse hasta los acuerdos específicos, los modelos financieros y los materiales de gestión que lo respaldan. Los hallazgos deben resistir el escrutinio de los asesores de la contraparte, los responsables de los flujos de trabajo y, en última instancia, del comité de inversión, y una conclusión que no puede mostrar sus pruebas simplemente no sobrevive a ese escrutinio. Lo que descarrila las operaciones rara vez es lo evidente: es la concentración de clientes que parecía manejable en los datos resumidos pero resultó frágil en los contratos subyacentes, o una cláusula de cambio de control enterrada en un acuerdo con un proveedor.[1]

Volumen: de 5.000 a 12.000 documentos en la sala de datos en una operación típica de mercado medio[1]

Estructura: de 200 a 400 preguntas del DDQ repartidas en 8 a 15 flujos de trabajo[1]

Tiempo: una ventana de revisión de 30 a 90 días, con un 64% de los banqueros declarando que la diligencia ahora tarda más que antes de la pandemia[2]

Confianza: verificar la información recibida es el principal desafío del lado comprador (31% de los votos en los dos primeros puestos)[2]

La implicación es clara. El resultado valioso de la investigación de diligencia no es una respuesta. Es una respuesta más sus pruebas, su contexto, su fuente y su implicación de riesgo. Cualquier cosa menos que eso traslada la carga de la verificación de vuelta a las mismas personas que la herramienta debía aliviar.

La distinción no es la calidad del modelo. Es lo que la herramienta debe hacer dentro de una transacción en curso. Un asistente de IA genérico produce una respuesta. Una herramienta de investigación de due diligence produce un contrato de entrega: la respuesta, las pruebas que la respaldan, el contexto del flujo de trabajo en el que se inscribe, la cita de la fuente hasta el documento y la página, y la implicación de riesgo para la operación. Si falta alguno de esos cinco elementos, el resultado es un borrador que un humano debe rehacer, no un hallazgo en el que un equipo de transacción pueda confiar.

De ese contrato se derivan cinco requisitos estructurales. Procedencia: cada afirmación se basa en un documento identificable que el equipo realmente recibió, no en contenido de la web abierta de origen incierto. Trazabilidad: cada hallazgo enlaza con su fuente para que un revisor pueda verificarlo en segundos. Repetibilidad: la misma pregunta ejecutada contra la misma sala de datos produce la misma respuesta, de modo que el trabajo se sostiene cuando se vuelve a comprobar. Contexto del flujo de trabajo: un hallazgo sobre una cláusula de cambio de control llega al flujo de trabajo legal, no a un hilo de chat indiferenciado. Revisabilidad: los hallazgos son estables en cuanto a versiones y pueden ser aprobados, cuestionados y auditados por otras personas.

Los asistentes genéricos de web abierta fallan precisamente en estos puntos. Como señala Third Bridge en su guía sobre IA fundamentada en la diligencia de capital privado, los modelos genéricos introducen conclusiones alucinadas que no pueden rastrearse hasta una fuente fiable, carecen de pista de auditoría para el escrutinio del comité de inversión o regulatorio, presentan una procedencia y gestión de permisos de datos poco claras, y sufren contaminación de la web abierta con información irrelevante u obsoleta.[3] La IA fundamentada, en cambio, produce información verificable y auditable vinculada a fuentes identificables. El sector espera que esta diferencia importe: en el SS&C Intralinks 2024 AI in M&A Report, que encuestó a 300 profesionales de transacciones a nivel mundial, el 97% de los participantes afirmó que la IA impactará profundamente sus operaciones y la forma en que dirigen los procesos de M&A.[4] Una expectativa de esa magnitud eleva, en lugar de reducir, el listón del control: cuanto más análisis toca un modelo, más demostrable debe ser la cadena de pruebas. Ese es el argumento detrás de una due diligence con IA de propósito específico en lugar de un chatbot de propósito general apuntado a una sala de datos.

La prueba práctica es sencilla. Pregunte a la herramienta de dónde proviene una conclusión, quién la revisó y si será la misma mañana. Un asistente genérico tiene dificultades con las tres preguntas. Una auténtica herramienta de investigación de DD las responde por diseño, porque fue construida para apoyar una transacción en curso y no para ganar un chat.

Una herramienta de investigación para la DD se justifica por su capacidad de soportar el proceso de extremo a extremo, no por destacar en una sola etapa. El flujo de trabajo se desarrolla en tres grandes movimientos: la ingesta, la verificación entre documentos y los resultados estructurados que alimentan la preparación del comité.

Ingesta e indexación

El primer movimiento consiste en poner el corpus de la operación en un estado manejable. Eso significa conectarse a la sala de datos virtual y procesar con rapidez contratos, modelos financieros, hojas de cálculo y materiales de la dirección, y luego indexarlos para que las preguntas posteriores se resuelvan contra los documentos correctos, que es la tarea que realiza la ingesta de la sala de datos antes de que comience cualquier análisis. También significa combinar la sala de datos con fuentes externas y públicas, porque parte de la evidencia que necesita el equipo de la operación no está en la sala: los datos de mercado, los registros regulatorios, las inscripciones societarias y la cobertura previa del objetivo pertenecen todos a la misma base de evidencia. Hasta que esa ingesta esté completa, cada paso posterior es manual.

Verificación entre documentos y generación de preguntas

El segundo movimiento es donde la herramienta de investigación demuestra su valor. Leer los documentos de forma aislada pasa por alto los problemas que realmente descarrilan las operaciones; los hallazgos materiales viven en los huecos entre documentos. La herramienta debe sacar a la luz contradicciones entre el modelo financiero y los materiales de la dirección, señalar cláusulas de cambio de control que requieren el consentimiento de la contraparte, exponer la concentración de clientes oculta tras cifras de ingresos agregados e identificar lagunas de evidencia donde un flujo de trabajo simplemente no tiene nada con qué trabajar.[1] A partir de esas lagunas debe generar preguntas de diligencia para el DDQ y preguntas dirigidas a la dirección para las sesiones con expertos, de modo que el tiempo humano se dedique a indagar en lugar de reconstruir.

De la sala de datos al comité: cada etapa produce resultados estructurados y vinculados a sus fuentes, en lugar de resúmenes de texto libre. · Generado con IA

Resultados estructurados y preparación del comité de inversión

El tercer movimiento convierte el análisis en entregables: hallazgos, señales de alerta, registros de riesgos y paquetes de evidencia que alimentan la preparación del comité de inversión. La práctica estándar de diligencia legal apunta a la misma secuencia: estructurar el trabajo en fases de modo que las áreas con mayor probabilidad de generar problemas de señal de alerta o de ir/no ir se aborden primero, y que la diligencia confirmatoria siga una vez que mejore la certeza de la operación. Una herramienta que soporta esta secuencia permite al equipo realizar una pasada de señales de alerta al principio y luego profundizar en cada flujo de trabajo a medida que el panorama se consolida, que es como se suele escalonar en la práctica un flujo de trabajo de due diligence con IA. El estado final es un paquete para el comité en el que cada hallazgo material lleva su fuente, de modo que la discusión trate sobre la operación y no sobre si las cifras son correctas.

Con el flujo de trabajo definido, la selección de herramientas se convierte en una cuestión de capacidades y no de rendimiento en una demo. Tres áreas de capacidad distinguen las herramientas que aguantan en operaciones reales de las que solo lucen bien en un entorno de pruebas.

Fundamentación en las fuentes y repetibilidad

Empieza por la cadena de evidencia. Cada hallazgo debe vincularse a un documento y una página citables, y los resultados deben ser repetibles entre ejecuciones: la misma pregunta sobre la misma sala de datos debería producir la misma respuesta, con las mismas citas. Si una herramienta no puede mostrar de dónde salió una cifra, el equipo acabará verificándola manualmente, que es justo el trabajo que la herramienta debía eliminar. La procedencia y la trazabilidad no son características para admirar en una demo; son las condiciones bajo las cuales un hallazgo puede defenderse ante un comité de inversión o un asesor contrario. La forma en que una plataforma gestiona esto se aprecia en cómo trata la procedencia de los datos y la evidencia de las fuentes a lo largo del expediente de due diligence.

Adecuación a los flujos de trabajo

En segundo lugar, la herramienta debe organizar los hallazgos por flujo de trabajo: financiero, legal, fiscal, comercial, operativo, tecnológico y de recursos humanos. La due diligence es un proceso paralelo con responsables, conjuntos de preguntas y formatos de informe distintos por cada flujo, y Debevoise señala que el formato del informe debe reflejar cómo lo usarán realmente el equipo de la operación y los terceros, desde informes exhaustivos de formato largo hasta listas breves de señales de alerta.[5] Una herramienta que entrega un único chat indiferenciado obliga a los analistas a imponer esa estructura a mano. Los hallazgos y la puntuación de riesgo que llegan ya mapeados a los flujos de trabajo, con la materialidad y la relevancia para la operación asociadas, son lo que hace que el resultado sea utilizable por el equipo en su conjunto, que es el propósito de los hallazgos estructurados y la inteligencia de riesgos hallazgos estructurados e inteligencia de riesgos.

Revisabilidad y colaboración

En tercer lugar, la due diligence es un trabajo en equipo con una cadena de revisión. Busca hallazgos estables por versión, aprobaciones de los revisores y pistas de auditoría, de modo que siempre quede claro qué se afirmó, con qué evidencia y quién lo verificó. Esto no es burocracia; es el mecanismo que permite a un socio respaldar el informe, y es la razón por la que el control de versiones de los hallazgos de due diligence y la evidencia de las fuentes importan tanto para el memorando del comité de inversión como para el análisis subyacente. El control de calidad y el rendimiento fiable figuran entre las preocupaciones que los operadores de transacciones plantean con mayor constancia sobre la IA en el trabajo transaccional, lo que convierte la capa de revisión en un criterio de selección por derecho propio y no en una ocurrencia tardía. La forma en que los hallazgos avanzan por la revisión con experto en el circuito, el debate por hilos y las pistas de auditoría es donde la colaboración del equipo de la operación y las herramientas de flujo de trabajo colaboración del equipo de la operación y herramientas de flujo de trabajo sostienen o socavan esa cadena.

¿Cada hallazgo puede rastrearse hasta un documento y una página, y la misma pregunta produce la misma respuesta en una segunda ejecución?

¿Los hallazgos están organizados por flujo de trabajo con materialidad y relevancia para la operación, o se entregan como un único chat indiferenciado?

¿Pueden los revisores aprobar, cuestionar y auditar los hallazgos, con historial de versiones y un registro de quién verificó qué?

Ser explícito sobre los modos de fallo forma parte del uso profesional de estas herramientas. Las debilidades conocidas de la IA en la due diligence están bien documentadas y conviene nombrarlas antes de descubrirlas en plena operación.

Conclusiones alucinadas: resultados seguros de sí mismos que no pueden rastrearse hasta ninguna fuente fiable[3]

Falta de contexto: análisis que lee correctamente una cláusula o una métrica, pero pasa por alto la tesis de la operación o el marco del flujo de trabajo que la rodea

Fuentes obsoletas o contaminadas: material de la web abierta desactualizado, irrelevante o fuera de los permisos de la operación

Confianza sin trazabilidad: hallazgos presentados sin enlaces a la evidencia, que no pueden verificarse ni defenderse

Las barreras de adopción son reales, no hipotéticas. La encuesta de Deloitte de 2025 sobre GenAI en M&A, con 1.000 líderes corporativos y de capital privado, reveló que el 86 % de las organizaciones ha integrado la GenAI en sus flujos de trabajo de M&A, pero los usuarios siguen siendo cautelosos: el 67 % destacó la seguridad de los datos como la principal preocupación, seguida de la calidad y disponibilidad de los datos con un 65 %.[6] Esas dos preocupaciones se corresponden directamente con los modos de fallo anteriores: la seguridad determina qué material puede tocar la herramienta, y la calidad de los datos determina cuánto se puede confiar en el resultado. Una herramienta que no pueda responder con claridad a ambas preguntas se atascará en la revisión de gobernanza, sea cual sea su capacidad analítica.

La implicación práctica para los inversores es una división del trabajo, no una entrega del control. La IA estructura y acelera la investigación: comprime la revisión de documentos, detecta contradicciones y mantiene intacta la cadena de evidencia. Las decisiones de inversión, la interacción con los asesores y el juicio final siguen siendo humanos, exactamente como lo plantea Third Bridge: la IA no decide si desplegar capital, mejora la calidad y la velocidad de los insumos.[3] Una consecuencia merece especial énfasis: las lagunas de evidencia deben escalarse, no disimularse. Una herramienta que tapa un documento faltante con una inferencia plausible es más peligrosa que una que señala la laguna de forma rotunda, porque la laguna suele ser el hallazgo.

Contrastado con el flujo de trabajo y el marco de evaluación anteriores, Plausity funciona como un espacio de trabajo colaborativo de IA para la debida diligencia, más que como una interfaz de chat añadida a un almacén de documentos. Cada etapa del proceso corresponde a una capacidad de la plataforma.

Data Room Ingestion se conecta a las salas de datos virtuales y procesa PDF, hojas de cálculo, contratos y modelos financieros en cuestión de minutos, estableciendo la base de evidencia indexada de la que depende el resto del flujo de trabajo

El AI-Analysis Engine lee, interpreta, cruza y razona sobre miles de documentos y puntos de datos para producir análisis de grado DD en las vertientes comercial, financiera, legal, fiscal y tecnológica

Risk Radar evalúa los hallazgos según su materialidad, impacto financiero, exposición legal y relevancia para la operación para poner de relieve los riesgos y anomalías clave

Report Builder redacta, estructura y refina entregables de debida diligencia listos para inversores, con trazabilidad completa a las fuentes

El Collaboration Hub coordina las actividades del equipo de la operación, alinea las vertientes de trabajo y comparte información en tiempo real

La intención de diseño coincide con el contrato de salida descrito anteriormente: los hallazgos llegan con sus fuentes adjuntas, los riesgos llegan puntuados según su relevancia para la operación y los entregables llegan trazables a los documentos subyacentes. La plataforma apoya el trabajo de analistas y asesores a lo largo de la cadena de revisión; no sustituye a los profesionales que dirigen la operación. Para las firmas de asesoría, el mismo flujo de trabajo se extiende a la estandarización de los resultados de la diligencia y a la aceleración del trabajo de los analistas bajo presión de plazos, que es como se posiciona la plataforma para las firmas de asesoría en M&A; para los inversores que llevan a cabo su propia diligencia, el planteamiento equivalente se encuentra en los fondos de VC y PE que trabajan al ritmo de la operación. El argumento de fondo, que las herramientas de diligencia construidas a medida difieren estructuralmente de los chatbots genéricos, es uno que el propio posicionamiento de la plataforma hace explícito.

Lo que un equipo de operación debe extraer de este mapeo es la adecuación entre capacidad y etapa del flujo de trabajo. La ingesta responde al problema del volumen, el Analysis Engine y el Risk Radar responden al problema del escrutinio, y el Report Builder y el Collaboration Hub responden al problema de la revisión y la entrega. Cuando el proceso de un equipo difiere, el marco de la sección anterior es la lista de verificación a aplicar: procedencia, adecuación a la vertiente de trabajo y verificabilidad, en ese orden.

El marco anterior se condensa en una secuencia práctica que es independiente de la herramienta: funciona tanto si el equipo utiliza una plataforma dedicada como un proceso manual disciplinado, aunque la plataforma hace cada paso más rápido.

En la apertura de la sala de datos: ingiere la sala de forma temprana y completa, construye el mapa de vertientes de trabajo en las áreas financiera, legal, fiscal, comercial, operativa, tecnológica y de RR. HH., y realiza una primera pasada de señales de alerta antes de enviar el DDQ, de modo que el cuestionario se informe de lo que los documentos realmente muestran

A mitad del proceso: exige una cita de la fuente en cada hallazgo, registra las contradicciones y las lagunas de evidencia como elementos explícitos con seguimiento en lugar de notas al pie, y canalízalas hacia las preguntas de diligencia y de gestión mientras aún haya tiempo de obtener respuestas

Antes del comité de inversión: reúne el registro de riesgos y el paquete de evidencia, pide a los revisores que verifiquen los hallazgos materiales contra los documentos fuente, y registra qué se comprobó y quién lo hizo para que el comité vea la cadena de revisión, no solo las conclusiones

Dos hábitos hacen que la secuencia arraigue. Primero, trata la laguna de evidencia como un entregable: un elemento registrado como pendiente, con un responsable y una pregunta adjunta, es un avance, mientras que una laguna silenciosamente salvada por inferencia es un pasivo. Segundo, ten presente la secuenciación de señales de alerta primero de Debevoise cuando el tiempo se comprime: el trabajo confirmatorio puede esperar, las cuestiones de ir o no ir no.[5]

Trabajando así, el registro de la diligencia se convierte en un activo en lugar de un subproducto: hallazgos que pueden volver a verificarse, fuentes que pueden volver a consultarse y una pista de revisión que muestra al comité exactamente cómo llegó el equipo a su conclusión. Eso es lo que significa en la práctica una investigación basada en evidencia, y es el estándar con el que debería medirse cualquier herramienta de investigación, genérica o construida a medida.

1. [1] v7labs.com — https://www.v7labs.com/blog/ma-due-diligence
2. [2] ionanalytics.com — https://ionanalytics.com/wp-content/uploads/dlm_uploads/2024/03/SRS_Acquiom-DueDiligence_v7_DS.pdf
3. [3] thirdbridge.com — https://www.thirdbridge.com/en-us/about-us/media/perspectives/ai-due-diligence-private-equity
4. [4] investor.ssctech.com — https://investor.ssctech.com/news-and-events/news-details/2024/Global-MA-Dealmakers-See-AI-Adoption-Accelerating-SSC-Intralinks-Survey-Finds/default.aspx
5. [5] debevoise.com — https://www.debevoise.com/insights/publications/2025/05/eight-principles-of-effective-and-strategic
6. [6] deloitte.com — https://www.deloitte.com/us/en/about/press-room/deloitte-survey-genai-in-mna.html