Documents manquants en due diligence : comment l'IA détecte les lacunes de preuves

Documents manquants en due diligence : comment l'IA détecte les lacunes de preuves

Une lacune probatoire est toute question de diligence pour laquelle la documentation justificative est manquante, non signée, incomplète ou incohérente avec le reste de la data room. C'est l'image inversée d'un signal d'alerte : un signal d'alerte est un document qui révèle quelque chose de préoccupant, tandis qu'une lacune probatoire est l'absence d'un document qui devrait s'y trouver. Une annexe référencée dans un contrat mais jamais versée au dossier, une résolution du conseil sans signatures, un accord client cité dans le CIM mais absent de la data room, une divulgation attendue dans la liste des demandes et jamais fournie par le vendeur. Chacun de ces éléments constitue une conclusion en soi et mérite la même rigueur que tout document que l'équipe lit réellement.

La pression pour bien faire les choses ne cesse d'augmenter. Au quatrième trimestre 2025, SRS Acquiom et Mergermarket ont interrogé 150 cadres dirigeants de banques d'investissement américaines, de taille boutique, moyenne et grande : près des trois quarts (73 %) s'attendent à ce que le processus de due diligence M&A devienne plus complexe au cours des 12 à 24 prochains mois.[1] Dans l'édition du quatrième trimestre 2023 de la même étude, 64 % des répondants déclaraient que la diligence prenait déjà plus de temps qu'avant la pandémie, et le principal défi côté acheteur était la vérification des informations reçues, avec 31 % des votes dans le top deux.[2] Vérifier l'information, c'est précisément là que se nichent les lacunes : le matériau le plus difficile à vérifier est celui qui n'existe pas.

Une lacune de preuve est toute question de diligence à laquelle la data room ne peut répondre avec une documentation suffisante, signée et à jour. C'est l'image inversée d'une constatation : au lieu de demander ce que dit un document, l'équipe demande quel document devrait exister pour étayer une réponse donnée, puis vérifie s'il s'y trouve réellement. Une constatation sans sa preuve à l'appui n'est qu'une hypothèse, et les hypothèses ont tendance à resurgir sous forme de passifs post-clôture.

Valorisation : les hypothèses reposent sur des documents que personne n'a vérifiés, si bien que l'évaluation porte un risque non quantifié.

Calendrier : les lacunes découvertes tardivement imposent des courses aux documents qui compriment le travail de confirmation en quelques jours.

Protection contractuelle : un risque que personne ne peut étayer est difficile à convertir en garantie, déclaration ou indemnisation spécifique.

Crédibilité auprès du comité : une note du comité d'investissement comportant des lacunes inexpliquées invite aux contestations qui bloquent la décision.

Les lacunes de preuves se regroupent en quatre types récurrents. Chacun échoue à un test différent, et chacun exige une réponse différente de la part de l'équipe transactionnelle.

Annexes et pièces jointes manquantes : l'accord-cadre est dans la data room, mais le barème tarifaire, la liste des clients ou l'annexe qu'il référence n'y figure pas, si bien que les conditions commerciales ne peuvent être vérifiées.

Accords non signés ou non exécutés : le texte du contrat existe, mais sans page de signature, sans exemplaire exécuté ni historique d'avenants, ce qui signifie que l'obligation n'a peut-être jamais lié l'une ou l'autre des parties.

Divulgations absentes : les registres de contentieux, les annexes des transactions entre parties liées, les registres de propriété intellectuelle ou la correspondance réglementaire qu'un processus bien mené devrait contenir ne sont tout simplement pas fournis.

Dossiers de data room incomplets ou vides : une arborescence qui promet un contenu qu'elle ne livre pas, comme un dossier fiscal vide ou un dossier de contrats clients ne contenant que quelques modèles d'accords.

Une liste de lacunes n'est utile que si la classification qui la sous-tend l'est aussi. Quatre types couvrent la plupart des situations rencontrées par les équipes de transaction, et il importe de les distinguer car chacun appelle un remède différent et un niveau de préoccupation différent.

Les équipes transactionnelles ne doivent pas seulement analyser les documents dont elles disposent ; elles doivent aussi savoir quelles preuves à l'appui sont manquantes ou insuffisantes. En 2025, les seules constatations de diligence hors QoE représentaient 25,3 % des lettres d'intention exécutées rompues, soit plus que toute autre cause isolée.[3] Ce guide présente un cadre de classification des lacunes de preuves, la manière dont une diligence assistée par l'IA les met en évidence, et ce que chaque lacune implique pour la liste de questions-réponses du vendeur et le périmètre confirmatoire.

La taxonomie en quatre types pour classer les lacunes probatoires dans les volets de travail de la diligence. · Généré par IA

La détection manuelle des lacunes peine face à l'échelle des data rooms modernes. Dans une enquête du T3 2024 menée par SRS Acquiom et Mergermarket auprès de 150 cadres dirigeants de banques d'investissement américaines, 40 % des répondants des boutiques ont cité le manque d'informations complètes sur la cible parmi les plus grands obstacles de diligence de leur dernière opération d'acquisition. Le volume aggrave le problème : l'ICAEW rapporte que le nombre de documents dans les data rooms a augmenté de 32 % en une seule année.[4] Lorsque la data room grossit d'un tiers chaque année, suivre ce qui est absent en lisant ce qui est présent devient une tâche humaine peu fiable — c'est précisément là que le recoupement assisté par l'IA justifie sa place.

L'examen assisté par l'IA change ce qui est économiquement réalisable ici. L'analyse d'EY sur l'IA dans la diligence M&A en donne un exemple concret: lorsqu'un rapport annuel mentionne la vente d'un bien immobilier, le logiciel peut vérifier si la documentation habituelle pour une telle vente est présente, et signaler en quelques secondes un acte notarié manquant ou une déclaration fiscale dont le prix d'achat ne correspond pas aux états financiers.[5] La même logique s'applique à tout fait énoncé qui implique une traçabilité documentaire: une acquisition divulguée implique un contrat d'achat, un dividende implique des formulaires fiscaux, un brevet implique une cession. Les outils génériques ont tendance à interpréter les lacunes des données comme des non-problèmes plutôt que comme des divulgations non remplies, c'est pourquoi l'angle mort des documents manquants est traité comme un mode de défaillance distinct dans une diligence consciente du contexte.

Une lacune de preuve est toute question de diligence pour laquelle la documentation à l'appui est manquante, non signée, incomplète ou incohérente avec le reste de la data room. C'est l'image inversée d'un signal d'alerte : un signal d'alerte est un document qui dit quelque chose de préoccupant, tandis qu'une lacune de preuve est l'absence, ou l'insuffisance, d'un document qui devrait s'y trouver. Une annexe référencée dans un contrat mais jamais versée au dossier, une résolution du conseil sans signatures, un accord client cité dans le CIM mais absent de la data room, une divulgation attendue dans la liste de demandes et jamais fournie par le vendeur. Chacun de ces éléments constitue une constatation à part entière et mérite la même rigueur que tout document que l'équipe lit réellement. Les lacunes se présentent sous deux formes, et cette distinction détermine la réponse à apporter.

L'ampleur de la liste de demandes est le premier élément à respecter. La liste de contrôle type de due diligence M&A de Bloomberg Law compte 174 types de documents, couvrant la gouvernance d'entreprise, les états financiers, les biens, la propriété intellectuelle, les contrats importants, l'emploi et l'ESG.[6] Face à une liste d'une telle ampleur, tester les lacunes flux de travail par flux de travail permet de garder l'exercice gérable et garantit qu'aucun dossier n'échappe à l'examen.

Une lacune non détectée est rarement neutre. Elle se propage dans la transaction de manière prévisible : les tours de questions-réponses s'enlisent pendant que l'acheteur attend des annexes jamais téléversées, les négociations de prix se rouvrent lorsqu'une divulgation manquante apparaît tardivement, les exigences d'indemnisation se durcissent parce que l'acheteur ne peut évaluer ce qu'il ne voit pas, et des surprises post-clôture émergent d'obligations que personne n'a vérifiées parce que l'accord exécuté n'a jamais figuré dans la data room. Le coût n'est pas seulement le retard ; c'est une position transactionnelle dégradée sur des termes qui étaient connaissables plus tôt.

La pression est structurelle, non conjoncturelle. Dans l'étude 2026 de SRS Acquiom sur les meilleures pratiques de due diligence en M&A, 73 % des banquiers d'affaires seniors interrogés s'attendent à ce que le processus de diligence devienne plus complexe au cours des 12 à 24 prochains mois, et parmi les répondants signalant des délais plus longs, 57 % indiquent qu'un à trois mois supplémentaires ont été ajoutés au processus.[1] Dans ce contexte, une lacune qui apparaît en sixième semaine d'une période d'exclusivité de huit semaines est nettement plus coûteuse que la même lacune détectée en première semaine.

Deux habitudes rendent la liste de contrôle efficace. Premièrement, chaque demande doit correspondre à une question de due diligence, afin qu'une réponse manquante ait un responsable et une conséquence plutôt qu'une simple case vide. Deuxièmement, la liste de contrôle doit être appliquée à la data room telle que reçue, et non à l'index du vendeur, car les structures de dossiers sont souvent incohérentes et l'index n'est pas une preuve. Les équipes qui ancrent leur revue dans une liste de contrôle structurée, comme dans une liste de contrôle de due diligence par IA pour la création de valeur en private equity, détectent les lacunes plus tôt, car l'attendu et le reçu sont comparés de manière systématique plutôt que de mémoire.

Absence de preuve : la data room ne contient aucun document pour une affirmation qui a été faite. Le modèle financier fait référence à un contrat-cadre signé, le tableau de propriété intellectuelle mentionne une cession par un prestataire, ou le DDQ affirme l'existence d'un plan de réponse aux incidents cyber, et aucun document de ce type n'existe dans la data room.

Insuffisance de preuve : un document existe mais ne remplit pas son rôle. Le contrat n'est pas signé ou est au stade de projet, la police a expiré, la version présente dans la data room a été remplacée par un avenant ultérieur que personne n'a téléversé, ou le tableau ne couvre qu'une partie de la période ou des entités concernées par l'affirmation.

Certains schémas doivent susciter la méfiance avant même de lancer un outil, car ils indiquent presque toujours que des preuves manquent quelque part dans le corpus.

Il existe aussi une dimension concurrentielle. L'étude Deloitte 2026 Generative AI in M&A Pulse Study révèle que 90 % des organisations utilisent désormais l'IA dans leurs processus de fusion-acquisition.[7] Lorsque neuf équipes sur dix mènent une revue assistée par l'IA, la question de fond n'est plus de savoir s'il faut utiliser l'IA, mais contre quoi l'IA est réellement testée. Les équipes qui se contentent de résumer les documents qu'elles possèdent restent exposées aux documents que personne n'a fournis ; celles qui interrogent aussi la data room sur ce qui manque ferment ce flanc.

Des références à des annexes, exhibits ou appendices qui n'apparaissent nulle part dans la data room.

Des versions non signées ou des projets de documents qui devraient être exécutés, comme des résolutions du conseil dépourvues des signatures nécessaires.

Des chiffres dans les documents de gestion qu'aucun document de la data room ne permet de rapprocher, du chiffre d'affaires par segment aux effectifs.

Des dossiers qui restent vides ou anormalement maigres tard dans la période d'exclusivité, en particulier pour les sujets fiscaux, de PI ou réglementaires.

Les exemples concrets d'EY montrent comment ces schémas se traduisent en problèmes identifiés: un dividende versé sans retenue à la source et sans attestation de convention ni formulaires fiscaux associés disponibles dans la data room, et des résolutions du conseil non conformes aux règles sociales applicables parce qu'elles manquent des signatures nécessaires.[5] L'inverse est également vrai, et il vaut la peine de le dire tôt à la direction: un ensemble documentaire complet, cohérent et signé est en soi un signal de qualité de gestion, et son absence en est un aussi. Les équipes qui soumettent chaque constat à une exigence d'appui sur les sources, dans l'esprit des décisions d'investissement à forte conviction, ont tendance à faire remonter ces signaux alors qu'il est encore temps d'agir.

Les lacunes sont dangereuses en raison de la réaction des acheteurs. Un acheteur qui ne peut pas vérifier une affirmation ne conclut pas que celle-ci est correcte ; il suppose le pire jusqu'à ce que le vendeur explique le trou, et les explications qui arrivent tard coûtent du levier de négociation. L'enjeu est mesurable. Le rapport 2025 Dead Deal Report d'Axial, portant sur 75 transactions non abouties, a révélé que les constats de due diligence hors QoE étaient la première cause d'échec des lettres d'intention signées, à 25,3 %, les écarts d'EBITDA relevés par la QoE ajoutant 21,3 % supplémentaires.[3] Les constats liés à la due diligence dépassent désormais le financement, le coupable historique, cité dans 10,7 % des cas.[3] Ce n'est plus le capital qui fait échouer les transactions, c'est la vérification.

La détection systématique des lacunes part d'une référence de preuves attendues : pour chaque question matérielle de due diligence, l'équipe définit quels documents devraient exister si la réponse est correctement étayée, puis mesure la data room par rapport à cette attente. La comparaison n'est jamais un simple décompte de fichiers. Un dossier peut être plein tout en ne répondant pas à la question, et un seul tableau signé peut valoir plus que cinquante pages de matériel marketing.

Une lacune mise au jour ne vaut l'analyse que si elle fait évoluer le processus. Le premier changement concerne la liste de Q&A du vendeur: chaque lacune doit devenir une question précise et sourcée, liée au document ou à la divulgation absente, avec une échéance et un responsable. « Veuillez fournir tous les contrats importants » invite à un déversement de dossiers; « le CIM mentionne des accords clients représentant les 10 premiers pour cent du chiffre d'affaires, veuillez fournir les versions signées » invite à un document, et cette formulation reflète la manière dont les listes de demandes juridiques standard posent la question.[6] C'est la même discipline qui régit le rapprochement des données financières, où chaque exception devient une requête vérifiable plutôt qu'une inquiétude vague.

Convertir chaque lacune classée en une question précise de Q&A du vendeur, avec sa référence source et une échéance de réponse.

Intégrer la liste des lacunes dans le périmétrage de la due diligence de confirmation après le LOI, la phase dont l'objet est de vérifier les hypothèses formulées sur la cible et de faire émerger les risques que l'acheteur s'apprête à hériter.

Suivre la clôture : une lacune close par un document est résolue, une lacune close par une explication devient un constat de due diligence, et une lacune qui reste ouverte devient un point de négociation.

Le modèle des preuves attendues : la couverture est testée par rapport à ce qui devrait exister, non par rapport à ce qui a été téléversé. · Généré par IA

Les lacunes non résolues se répercutent ensuite dans le contrat d'achat. Les lacunes gérables sont traitées par des clauses de déclarations et garanties et d'indemnisation ; les constats significatifs rouvrent généralement la négociation du prix d'achat ; et les problèmes qui ne peuvent être résolus ni atténués peuvent conduire l'acheteur à renoncer entièrement. Pour les cabinets de conseil qui ont besoin que ce traitement soit cohérent d'une transaction et d'une équipe à l'autre, un registre des lacunes classées est ce qui rend l'étape du constat au langage contractuel répétable, plutôt que dépendante de celui qui pilote le flux de travail.

Définir la question du volet de travail. La formuler avec précision : non pas « examiner les contrats clients », mais « les dix premiers contrats de chiffre d'affaires contiennent-ils des clauses de changement de contrôle exigeant un consentement ? »

Lister les documents qui devraient exister pour y répondre. Contrats signés, tableaux et avenants, tableaux de divulgation, approbations du conseil, registres, correspondances avec les contreparties.

Vérifier la couverture par rapport à ce que contient réellement la data room. Faire correspondre la liste attendue au contenu de la data room, document par document, y compris les versions et le statut de signature.

Classer chaque lacune. Manquante (jamais fournie), non signée (texte sans exécution), incohérente (documents qui se contredisent) ou obsolète (remplacée, non datée ou périmée).

L'espace de travail prend en charge ce flux de travail de bout en bout, et ses modules correspondent directement au cadre décrit ci-dessus.

L'étape de classification est ce qui transforme une liste d'absences en livrable exploitable, car chaque catégorie déclenche une action différente en aval : les documents manquants deviennent des demandes d'information, les accords non signés des confirmations de signature ou des conditions de closing, les incohérences des questions-réponses ciblées, et les documents périmés des demandes de mise à jour. Le guide de due diligence financière de l'ICAEW, rédigé par des experts en corporate finance de PwC, décrit la même répartition des rôles : l'IA et l'analytique de données, combinées — et c'est essentiel — à une supervision humaine, permettent un niveau de compréhension nettement supérieur à ce que l'une ou l'autre pourrait offrir seule.[4] La machine compare la data room à la référence attendue ; l'équipe de transaction décide de ce que chaque écart signifie pour le prix, les conditions et le processus.

Data Room Ingestion se connecte à la VDR et traite les PDF, tableurs, contrats et modèles financiers, en classant chaque document afin que l'ensemble du corpus soit analysable, et confronte ce qui a été reçu à ce qui est attendu pour chaque volet de travail.

L'AI-Analysis Engine lit et recoupe les documents entre les volets de travail et aide les utilisateurs à identifier les pièces justificatives manquantes ou insuffisantes pour les questions de due diligence, chaque résultat étant relié à son document et à sa page d'origine.

Findings & Risk Intelligence évalue les résultats mis en évidence selon leur matérialité, leur impact financier, leur exposition juridique et leur pertinence pour la transaction, afin que les lacunes soient hiérarchisées plutôt que simplement listées.

Le Collaboration Hub aligne les volets de travail et partage les analyses en temps réel, et le Report Builder intègre les lacunes identifiées dans des livrables traçables à leur source pour les comités et les clients.

Les limites sont aussi importantes que les capacités. La plateforme n'identifie pas automatiquement chaque document manquant, ne garantit pas l'exhaustivité d'une data room et ne remplace pas la revue professionnelle: tous les résultats exigent une validation humaine par l'équipe de transaction. Elle structure et accélère l'analyse des lacunes; le jugement sur ce qu'une lacune signifie pour le prix, la protection contractuelle ou la faisabilité de l'opération reste du ressort de l'équipe. Il en va de même pour son travail avec les cabinets de conseil en fusions-acquisitions et les fonds: elle accompagne le processus, elle ne mène pas la transaction.

Le modèle de preuves attendues devient concret lorsqu'il est appliqué flux de travail par flux de travail. Les tests ci-dessous sont volontairement formulés comme une question accompagnée du document qui devrait y répondre, car c'est ce couple qui rend une absence visible : si le document n'est pas dans la data room, la question reste ouverte, quoi qu'en dise le mémo de synthèse.

Traitez l'identification des lacunes comme un processus permanent dès le premier jour, et non comme un nettoyage en phase de rapport. Une séquence de travail possible :

Ingérez la data room dès le début et appliquez la taxonomie des quatre types de lacunes à la liste des demandes dès la première semaine, et non en phase de rapport.

Consignez chaque lacune avec sa référence source et classez-la comme manquante, non signée, absente ou insuffisante.

Poussez les lacunes classées dans la liste de questions-réponses du vendeur par lots, chacune avec une échéance et un responsable.

Relancez les vérifications de lacunes à l'arrivée de nouveaux documents et suivez les taux de clôture tout au long du processus.

Reportez les lacunes non résolues dans le périmètre confirmatoire et la négociation du contrat d'achat, où elles deviennent des déclarations et garanties, des indemnisations, des conditions ou des ajustements de prix.

La répartition des rôles est l'essentiel. L'IA structure le corpus, recoupe ce qui a été reçu avec ce qui était attendu et met en évidence les lacunes à grande échelle; l'équipe de transaction conserve le jugement sur la matérialité, la remédiation et la posture de négociation. C'est ainsi que l'automatisation du workflow de due diligence est censée fonctionner, avec l'outillage qui gère le volume et les professionnels qui décident. Conçue pour les équipes d'investissement et de transaction d'aujourd'hui et adoptée par plus de 200 cabinets, Plausity est pensée pour incarner cette répartition des rôles lors de votre prochaine transaction.

Deux constats donnent à cette checklist son caractère urgent. Premièrement, l'information incomplète sur la cible est un obstacle majeur de la due diligence : les 40 % de répondants des banques boutique cités plus haut l'ont désignée parmi les plus grands obstacles de leur dernière opération côté acheteur. Deuxièmement, la revue elle-même change de nature. Houthoff observe que l'IA a rendu l'analyse documentaire, qui prenait autrefois des semaines aux juristes, plus rapide et plus efficace, et que l'attention se déplace de la collecte de faits vers l'analyse stratégique.[8] À mesure que les machines absorbent la collecte de faits, la contribution humaine se concentre précisément là où vit l'analyse des lacunes : juger quelles absences comptent et ce qu'elles valent.

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/