Documenti mancanti nella due diligence: come l'IA individua le lacune probatorie

Documenti mancanti nella due diligence: come l'IA individua le lacune probatorie

Una lacuna probatoria è qualsiasi domanda di due diligence per la quale la documentazione di supporto è mancante, non firmata, incompleta o incoerente con il resto del data room. È l'immagine speculare di un campanello d'allarme: un campanello d'allarme è un documento che dice qualcosa di preoccupante, mentre una lacuna probatoria è l'assenza di un documento che dovrebbe esserci. Un allegato richiamato in un contratto ma mai depositato, una delibera del consiglio senza firme, un contratto con un cliente citato nel CIM ma assente dal data room, una disclosure prevista dalla lista di richieste e mai fornita dal venditore. Ognuna di queste è un riscontro a sé stante e merita lo stesso rigore di qualsiasi documento che il team legge effettivamente.

La pressione di fare le cose bene sta crescendo. Nel quarto trimestre del 2025, SRS Acquiom e Mergermarket hanno intervistato 150 dirigenti senior di banche d'investimento statunitensi boutique, di medie dimensioni e grandi, e quasi tre quarti (73%) si aspettano che il processo di due diligence M&A diventi più complesso nei prossimi 12-24 mesi.[1] Nell'edizione del quarto trimestre 2023 dello stesso studio, il 64% degli intervistati ha riferito che la due diligence richiedeva già più tempo rispetto al periodo pre-pandemia, e la maggiore sfida buy-side era la verifica delle informazioni ricevute, con il 31% dei voti nei primi due posti.[2] Verificare le informazioni è esattamente il punto in cui vivono le lacune: il materiale più difficile da verificare è quello che non c'è.

Una lacuna probatoria è qualsiasi domanda di due diligence che il data room non è in grado di soddisfare con una documentazione sufficiente, firmata e aggiornata. È l'immagine speculare di un rilievo: invece di chiedere cosa dice un documento, il team chiede quale documento dovrebbe esistere a supporto di una determinata risposta, e poi verifica se è effettivamente presente. Un rilievo privo della sua evidenza documentale è un'ipotesi, e le ipotesi tendono a riaffiorare come passività post-closing.

Prezzo: le ipotesi si basano su documenti che nessuno ha verificato, quindi la valutazione porta con sé un rischio non quantificato.

Tempi: le lacune scoperte tardi impongono inseguimenti documentali che comprimono il lavoro di conferma in pochi giorni.

Tutela contrattuale: un rischio che nessuno può provare è difficile da convertire in una specifica dichiarazione, garanzia o indennizzo.

Credibilità presso il comitato: un memo per l'IC con lacune inspiegate invita a contestazioni che bloccano la decisione.

Le lacune probatorie si raggruppano in quattro tipologie ricorrenti. Ognuna fallisce un test diverso, e ognuna richiede un rimedio diverso da parte del deal team.

Allegati e schede mancanti: il contratto principale è nel data room, ma il listino prezzi, l'elenco clienti o l'allegato a cui rimanda non ci sono, quindi le condizioni commerciali non possono essere verificate.

Contratti non firmati o non eseguiti: il testo del contratto esiste, ma non ci sono pagine di firma, esemplari eseguiti né uno storico di emendamenti, il che significa che l'obbligazione potrebbe non aver mai vincolato alcuna delle parti.

Informative assenti: registri dei contenziosi, prospetti delle transazioni con parti correlate, registri della proprietà intellettuale o corrispondenza con le autorità di regolamentazione che un processo ben gestito dovrebbe contenere semplicemente non vengono forniti.

Cartelle del data room incomplete o vuote: una struttura di cartelle che promette contenuti che non offre, come una cartella fiscale vuota o una cartella di contratti con i clienti contenente una manciata di contratti tipo.

Un elenco di lacune è utile solo quanto la classificazione che sta dietro ad esso. Quattro tipologie coprono la maggior parte di ciò che i team di deal incontrano, e mantenerle distinte è importante perché ciascuna comporta un rimedio diverso e un livello di preoccupazione diverso.

I deal team non devono solo analizzare i documenti che hanno; devono sapere quale evidenza di supporto manca o è insufficiente. Nel 2025, i soli rilievi di due diligence non legati alla QoE hanno rappresentato il 25,3% delle lettere di intento eseguite poi fallite, più di qualsiasi altra singola causa.[3] Questa guida illustra un framework per classificare le lacune probatorie, come la due diligence supportata dall'IA le emerga e cosa ogni lacuna significa per la lista di Q&A al venditore e per il perimetro confermativo.

La tassonomia in quattro tipologie per classificare le lacune probatorie nei diversi filoni di lavoro della due diligence. · Generato con IA

L'individuazione manuale delle lacune fatica alla scala dei data room moderni. In un'indagine SRS Acquiom e Mergermarket del terzo trimestre 2024 su 150 dirigenti senior di banche d'investimento statunitensi, il 40% degli intervistati di boutique ha indicato le informazioni incomplete sul target tra i maggiori ostacoli di due diligence nella più recente operazione buy-side. Il volume aggrava il problema: secondo l'ICAEW, il numero di documenti nei data room è aumentato del 32% in un solo anno.[4] Quando il data room cresce di un terzo all'anno, tenere traccia di ciò che manca leggendo ciò che è presente diventa un compito umano inaffidabile, ed è proprio qui che il riferimento incrociato supportato dall'IA dimostra il suo valore.

La revisione supportata dall'IA cambia ciò che è economicamente fattibile in questo ambito. L'analisi di EY sull'IA nella due diligence M&A offre un esempio concreto: quando un report annuale menziona la vendita di un immobile, il software può verificare se è presente la documentazione consueta per una simile vendita, e in pochi secondi segnalare un atto notarile mancante o una dichiarazione fiscale il cui prezzo di acquisto non corrisponde al bilancio.[5] La stessa logica vale per qualsiasi fatto dichiarato che implichi una traccia documentale: un'acquisizione divulgata implica un contratto di acquisto, un dividendo implica moduli fiscali, un brevetto implica un atto di cessione. Gli strumenti generici tendono a leggere le lacune nei dati come questioni irrilevanti anziché come disclosure non popolate, ed è per questo che la cecità ai documenti mancanti è trattata come una modalità di errore distinta nella due diligence sensibile al contesto.

Una lacuna probatoria è qualsiasi domanda di due diligence per la quale la documentazione di supporto manca, non è firmata, è incompleta o è incoerente con il resto del data room. È l'immagine speculare di un red flag: un red flag è un documento che dice qualcosa di preoccupante, mentre una lacuna probatoria è l'assenza, o l'insufficienza, di un documento che dovrebbe esserci. Un allegato richiamato in un contratto ma mai depositato, una delibera del consiglio senza firme, un contratto con un cliente citato nel CIM ma assente dal data room, un'informativa prevista dalla lista di richieste che il venditore non ha mai fornito. Ognuna di queste è un rilievo a sé stante, e merita lo stesso rigore di qualsiasi documento che il team legge effettivamente. Le lacune si presentano in due forme, e questa distinzione determina la risposta.

L'entità della lista di richieste è la prima cosa da rispettare. La checklist di due diligence M&A di esempio di Bloomberg Law conta 174 tipi di documenti, che spaziano da governance societaria, bilanci, proprietà, proprietà intellettuale, contratti rilevanti, personale ed ESG.[6] Di fronte a un elenco di tale ampiezza, verificare le lacune workstream per workstream mantiene l'esercizio gestibile e garantisce che nessuna cartella sia esente dal controllo.

Una lacuna non rilevata è raramente neutra. Si propaga attraverso la transazione in modi prevedibili: i round di Q&A si bloccano mentre l'acquirente attende allegati mai caricati, le negoziazioni sul prezzo si riaprono quando un'informativa mancante emerge tardi, le richieste di indennizzo si irrigidiscono perché l'acquirente non può prezzare ciò che non vede, e sorprese post-closing emergono da obbligazioni che nessuno ha verificato perché il contratto eseguito non è mai stato nel data room. Il costo non è solo il ritardo; è una posizione negoziale peggiore su termini che erano conoscibili prima.

La pressione è strutturale, non ciclica. Nello studio SRS Acquiom 2026 Best Practices in M&A Due Diligence, il 73% dei banchieri d'investimento senior intervistati prevede che il processo di due diligence diventerà più complesso nei prossimi 12-24 mesi, e tra gli intervistati che segnalano tempistiche più lunghe, il 57% dichiara che al processo sono stati aggiunti da uno a tre mesi ulteriori.[1] In questo contesto, una lacuna che emerge alla sesta settimana di un periodo di esclusività di otto settimane è materialmente più costosa della stessa lacuna emersa alla prima settimana.

Due abitudini rendono efficace la checklist. In primo luogo, ogni richiesta dovrebbe corrispondere a una domanda di due diligence, così che una risposta mancante abbia un responsabile e una conseguenza anziché una casella vuota. In secondo luogo, la checklist dovrebbe essere applicata alla data room così come ricevuta, non all'indice del venditore, perché le strutture delle cartelle sono spesso incoerenti e l'indice non è una prova. I team che ancorano la revisione a una checklist strutturata, come nella checklist di due diligence con AI per la creazione di valore nel private equity, individuano le lacune prima, perché aspettative e ricezione vengono confrontate sistematicamente anziché a memoria.

Assenza di prova: la data room non contiene alcun documento relativo a un'affermazione che è stata fatta. Il modello finanziario richiama un accordo master firmato, il prospetto IP elenca una cessione da parte di un collaboratore esterno, o il DDQ dichiara un piano di risposta agli incidenti informatici, e un documento del genere non esiste da nessuna parte nella stanza.

Insufficienza di prova: un documento esiste ma non fa il lavoro richiesto. L'accordo non è firmato o è in stato di bozza, la polizza è scaduta, la versione nella stanza è stata superata da un emendamento successivo che nessuno ha caricato, oppure il prospetto copre solo una parte del periodo o delle entità interessate dall'affermazione.

Alcuni schemi dovrebbero destare sospetto prima ancora di eseguire qualsiasi strumento, perché quasi sempre indicano che un'evidenza manca da qualche parte nel corpus.

Esiste anche una dimensione competitiva. Il Generative AI in M&A Pulse Study 2026 di Deloitte rileva che il 90% delle organizzazioni utilizza ormai l'IA nei processi di M&A.[7] Quando nove team su dieci conducono una revisione supportata dall'IA, la domanda di base non è più se usare l'IA, ma su cosa l'IA viene effettivamente messa alla prova. I team che si limitano a riassumere i documenti che hanno restano esposti ai documenti che nessuno ha fornito; i team che interrogano anche la stanza su ciò che manca chiudono quel fianco.

Riferimenti a schede, allegati o appendici che non compaiono mai da nessuna parte nella data room.

Versioni non firmate o bozze di documenti che dovrebbero essere eseguiti, come delibere del consiglio prive delle firme necessarie.

Cifre nei materiali gestionali che nessun documento della data room riconcilia, dai ricavi per segmento alla dotazione organica.

Cartelle che restano vuote o vistosamente scarse a esclusività avanzata, in particolare per temi fiscali, di proprietà intellettuale o normativi.

Gli esempi pratici di EY mostrano come questi schemi si traducano in problemi concreti: un dividendo pagato senza la ritenuta d'acconto e senza certificazione convenzionale o moduli fiscali correlati disponibili nella data room, e delibere del consiglio non conformi alle norme societarie applicabili perché prive delle firme necessarie.[5] Vale anche il contrario, e vale la pena dirlo subito al management: un insieme di documenti completo, coerente e firmato è di per sé un segnale di qualità del management, e la sua assenza è un segnale a sua volta. I team che sottopongono ogni riscontro a uno standard fondato sulle fonti, nello spirito delle decisioni di investimento ad alta convinzione, tendono a far emergere questi segnali quando c'è ancora tempo per agire.

Le lacune sono pericolose per il modo in cui gli acquirenti vi reagiscono. Un acquirente che non può verificare un'affermazione non conclude che l'affermazione è corretta; presume lo scenario peggiore finché il venditore non spiega il vuoto, e le spiegazioni che arrivano tardi costano potere negoziale. La posta in gioco è misurabile. Il Dead Deal Report 2025 di Axial, che copre 75 transazioni non concluse, ha rilevato che i rilievi della due diligence diversi dalla QoE sono stati la causa più frequente di LOI firmati che sono saltati, al 25,3%, con le discrepanze EBITDA emerse nella QoE che ne aggiungono un altro 21,3%.[3] I rilievi emersi dalla due diligence superano ormai il finanziamento, il storico cattivo soggetto, citato nel 10,7% dei casi.[3] È la verifica, non il capitale, ciò che oggi uccide le transazioni.

Il rilevamento sistematico delle lacune parte da una baseline di prova attesa: per ogni domanda di due diligence materiale, il team definisce quali documenti dovrebbero esistere se la risposta fosse adeguatamente supportata, e poi misura la stanza rispetto a tale aspettativa. Il confronto non è mai un conteggio di file. Una cartella può essere piena e comunque non rispondere alla domanda, e un unico prospetto firmato può valere più di cinquanta pagine di materiale di marketing.

Una lacuna individuata vale solo per l'analisi se cambia il processo. Il primo cambiamento riguarda la lista di Q&A con il venditore: ogni lacuna dovrebbe diventare una domanda specifica e documentata, legata al documento o all'informativa assente, con una scadenza e un responsabile. «Vi preghiamo di fornire tutti i contratti rilevanti» invita a un'esplosione di cartelle; «il CIM cita contratti con i clienti che rappresentano il 10% superiore dei ricavi, vi preghiamo di fornire le versioni firmate» invita a un documento, e quella formulazione riflette il modo in cui le liste di richieste legali standard pongono la domanda.[6] È la stessa disciplina che governa il cross-referencing dei dati finanziari, dove ogni eccezione diventa una query verificabile anziché una vaga preoccupazione.

Convertire ogni lacuna classificata in un punto specifico della Q&A con il venditore, con il relativo riferimento alla fonte e una scadenza di risposta.

Inserire l'elenco delle lacune nella definizione del perimetro della due diligence confermativa dopo la LOI, la fase il cui scopo è verificare le ipotesi formulate sul target e far emergere i rischi che l'acquirente sta per ereditare.

Monitorare la chiusura: una lacuna che si chiude con un documento è risolta, una lacuna che si chiude con una spiegazione diventa un riscontro di due diligence, e una lacuna che resta aperta diventa un punto di negoziazione.

Il modello della prova attesa: la copertura viene verificata rispetto a ciò che dovrebbe esistere, non rispetto a ciò che è stato caricato. · Generato con IA

Le lacune irrisolte confluiscono poi nel contratto di acquisto. Le lacune gestibili vengono affrontate tramite dichiarazioni, garanzie e clausole di manleva; i riscontri significativi tipicamente riaprono la negoziazione del prezzo di acquisto; e le questioni che non possono essere risolte o mitigate possono portare l'acquirente a ritirarsi del tutto. Per le società di consulenza che hanno bisogno che questo trattamento sia coerente tra operazioni e team, un registro classificato delle lacune è ciò che rende il passaggio dal riscontro al linguaggio contrattuale ripetibile, anziché dipendere da chi per caso gestisce il workstream.

Definire la domanda del workstream. Formularla con precisione: non "esaminare i contratti con i clienti" ma "i primi dieci contratti in termini di ricavi contengono clausole di change of control che richiedono il consenso?"

Elencare i documenti che dovrebbero esistere per rispondervi. Accordi firmati, prospetti ed emendamenti, disclosure schedules, approvazioni del consiglio, registri, corrispondenza con le controparti.

Verificare la copertura rispetto a ciò che la data room contiene effettivamente. Confrontare l'elenco atteso con la stanza, documento per documento, comprese le versioni e lo stato di firma.

Classificare ogni lacuna. Mancante (mai fornito), non firmato (testo senza esecuzione), incoerente (documenti che si contraddicono tra loro) o obsoleto (superato, senza data o non aggiornato).

L'area di lavoro supporta questo flusso di lavoro end-to-end, e i suoi moduli si mappano direttamente sul quadro sopra descritto.

La fase di classificazione è ciò che trasforma un elenco di assenze in un prodotto di lavoro azionabile, perché ogni classe guida una diversa azione a valle: i documenti mancanti diventano richieste di informazioni, gli accordi non firmati diventano conferme di esecuzione o condizioni di chiusura, le incoerenze diventano domande e risposte mirate, e i documenti non aggiornati diventano richieste di aggiornamento. La linea guida dell'ICAEW sulla due diligence finanziaria, redatta da esperti di finanza aziendale di PwC, descrive la stessa divisione del lavoro: l'IA e l'analisi dei dati, combinate, cosa fondamentale, con la supervisione umana, consentono un livello di comprensione significativamente superiore rispetto a ciascuna da sola.[4] La macchina confronta la data room con la baseline; il team di deal decide cosa significa ogni lacuna per prezzo, condizioni e processo.

Data Room Ingestion si collega al VDR ed elabora PDF, fogli di calcolo, contratti e modelli finanziari, classificando ogni documento in modo che l'intero corpus sia analizzabile, e confronta ciò che è stato ricevuto con ciò che è previsto per ogni workstream.

L'AI-Analysis Engine legge e incrocia i documenti tra i diversi workstream e aiuta gli utenti a identificare la documentazione di supporto mancante o insufficiente per le domande di due diligence, con ogni output collegato al documento e alla pagina di origine.

Findings & Risk Intelligence valuta i risultati emersi in base alla materialità, all'impatto finanziario, all'esposizione legale e alla rilevanza per l'operazione, così che le lacune siano triaggiate e non semplicemente elencate.

Il Collaboration Hub allinea i workstream e condivide le informazioni in tempo reale, mentre il Report Builder trasferisce i risultati sulle lacune in deliverable tracciabili fino alla fonte per comitati e clienti.

I limiti sono importanti quanto le capacità. La piattaforma non identifica automaticamente ogni documento mancante, non garantisce la completezza di alcun data room e non sostituisce la revisione professionale: tutti i risultati richiedono una validazione umana da parte del deal team. Struttura e accelera l'analisi delle lacune; il giudizio su cosa una lacuna significhi per il prezzo, la tutela contrattuale o la fattibilità dell'operazione resta al team. Lo stesso vale per il suo lavoro con le società di consulenza M&A e i fondi: supporta il processo, non gestisce l'operazione.

Il modello delle prove attese diventa pratico quando viene applicato flusso di lavoro per flusso di lavoro. I test seguenti sono volutamente formulati come una domanda più il documento che dovrebbe rispondervi, perché proprio questa combinazione rende visibile un'assenza: se il documento non è nella data room, la domanda resta aperta, qualunque cosa dica il memorandum di sintesi.

Eseguite l'identificazione delle lacune come processo continuo dal primo giorno, anziché come ripulitura in fase di redazione del report. Una sequenza praticabile:

Ingerite il data room in anticipo e applicate la tassonomia dei quattro tipi di lacune alla lista delle richieste già nella prima settimana, non in fase di report.

Registrate ogni lacuna con il suo riferimento alla fonte e classificatela come mancante, non firmata, assente o insufficiente.

Inserite le lacune classificate nella lista di domande e risposte al venditore in batch, ciascuna con una scadenza e un responsabile.

Eseguite nuovamente i controlli delle lacune all'arrivo di nuovi documenti e monitorate i tassi di chiusura durante tutto il processo.

Trasferite le lacune irrisolte nell'ambito confermativo e nella negoziazione del contratto di acquisto, dove diventano dichiarazioni e garanzie, indennità, condizioni o rettifiche di prezzo.

La divisione del lavoro è il punto centrale. L'IA struttura il corpus, incrocia ciò che è stato ricevuto con ciò che era previsto e mette in luce le lacune su larga scala; il deal team possiede il giudizio su materialità, rimedio e postura negoziale. È così che l'automazione del flusso di lavoro di due diligence è pensata per funzionare, con gli strumenti che gestiscono il volume e i professionisti che decidono. Progettata per i team di investimento e di deal odierni e affidata da oltre 200 società, Plausity è concepita per adattarsi a quella divisione del lavoro nella vostra prossima operazione.

Due riscontri conferiscono urgenza a questa checklist. In primo luogo, le informazioni incomplete sul target rappresentano un ostacolo rilevante per la due diligence: il 40% degli intervistati delle banche boutique citato in precedenza lo ha indicato tra i maggiori ostacoli nella più recente operazione in qualità di acquirente. In secondo luogo, la stessa revisione sta cambiando natura. Houthoff osserva che l'IA ha reso più rapida ed efficiente l'analisi dei documenti, che un tempo richiedeva settimane agli avvocati, e che l'attenzione si sta spostando dalla raccolta dei fatti alla comprensione strategica.[8] Man mano che le macchine assorbono la raccolta dei fatti, il contributo umano si concentra esattamente dove vive l'analisi delle lacune: giudicare quali assenze contano e quanto valgono.

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/