Strumento di ricerca per due diligence: come i deal team costruiscono le prove

Il problema di risorse alla base della due diligence moderna è facile da enunciare e difficile da sopravvalutare. Un'acquisizione mid-market genera oggi da 5.000 a 12.000 documenti nel data room, e il questionario di due diligence contiene tipicamente da 200 a 400 domande strutturate distribuite su 8-15 sezioni di workstream, il tutto entro una finestra di revisione di 30-90 giorni.[1] La metodologia in sé non è cambiata: il venditore popola un data room virtuale, l'acquirente ne esamina il contenuto, il DDQ viene scambiato e i rischi materiali emergono prima della firma. È cambiato il volume di materiale che attraversa quel processo, che ormai supera regolarmente ciò che un deal team è in grado di elaborare nei tempi previsti.

La pressione è misurabile. In un'indagine condotta da SRS Acquiom e Mergermarket su 150 dirigenti senior di banche d'investimento statunitensi, quasi due terzi degli intervistati (64%) hanno riferito che la due diligence richiede oggi più tempo rispetto a prima della pandemia, e il 58% di questi ha dichiarato che richiede in media da uno a tre mesi in più.[2] Lo stesso studio ha rilevato che la maggiore sfida buy-side era la verifica delle informazioni ricevute, citata dal 31% degli intervistati nei primi due voti, seguita da dati inaffidabili o poco chiari al 25%.[2] In altre parole, il collo di bottiglia non è trovare i documenti. È stabilire cosa può essere considerato attendibile.

Ecco perché una risposta non supportata è quasi inutile in un contesto di deal. Una sintesi che afferma che l'abbandono dei clienti è gestibile, o che il portafoglio contrattuale è in regola, non ha alcun peso se non può essere ricondotta ai contratti specifici, ai modelli finanziari e ai materiali della management che la sostengono. I risultati devono superare l'esame dei consulenti della controparte, dei workstream lead e, in ultima analisi, del comitato di investimento, e una conclusione che non può mostrare le proprie prove semplicemente non sopravvive a quell'esame. Ciò che fa deragliare i deal è raramente l'ovvio: è la concentrazione dei clienti che sembrava gestibile nei dati di sintesi ma si è rivelata fragile nei contratti sottostanti, o una clausola di change-of-control sepolta in un contratto di fornitura.[1]

Volume: da 5.000 a 12.000 documenti nel data room in un tipico deal mid-market[1]

Struttura: da 200 a 400 domande DDQ su 8-15 workstream[1]

Tempo: una finestra di revisione di 30-90 giorni, con il 64% dei banchieri che riferisce che la due diligence ora richiede più tempo rispetto al periodo pre-pandemia[2]

Fiducia: la verifica delle informazioni ricevute è la principale sfida buy-side (31% dei voti nei primi due posti)[2]

L'implicazione è chiara. Il risultato prezioso della ricerca di due diligence non è una risposta. È una risposta più le sue prove, il suo contesto, la sua fonte e la sua implicazione di rischio. Qualcosa di meno sposta l'onere della verifica nuovamente sulle stesse persone che lo strumento doveva alleggerire.

La distinzione non è la qualità del modello. È ciò che lo strumento deve fare all'interno di una transazione in corso. Un assistente AI generico produce una risposta. Uno strumento di ricerca per la due diligence produce un contratto di output: la risposta, le prove che la sostengono, il contesto di workstream in cui si colloca, la citazione della fonte fino al documento e alla pagina, e l'implicazione di rischio per il deal. Se anche uno solo di questi cinque elementi manca, l'output è una bozza che un essere umano deve rifare, non un risultato su cui un deal team può contare.

Da quel contratto derivano cinque requisiti strutturali. Provenienza: ogni affermazione è fondata su un documento identificabile che il team ha effettivamente ricevuto, non su contenuti del web aperto di origine incerta. Tracciabilità: ogni risultato rimanda alla propria fonte, così che un revisore possa verificarlo in pochi secondi. Ripetibilità: la stessa domanda eseguita sullo stesso data room produce la stessa risposta, così il lavoro regge quando viene ricontrollato. Contesto di workstream: un risultato relativo a una clausola di change-of-control finisce nel workstream legale, non in un thread di chat indifferenziato. Verificabilità: i risultati sono stabili nelle versioni e possono essere approvati, contestati e sottoposti ad audit da altre persone.

Gli assistenti generici del web aperto falliscono proprio su questi punti. Come afferma Third Bridge nella sua guida sull'AI ancorato nella due diligence del private equity, i modelli generici introducono conclusioni allucinate che non possono essere ricondotte a una fonte affidabile, nessuna traccia di audit per l'esame del comitato di investimento o delle autorità di regolamentazione, provenienza e permessioni dei dati poco chiare, e contaminazione dal web aperto dovuta a informazioni irrilevanti o datate.[3] L'AI ancorato, al contrario, produce insight verificabili e sottoponibili ad audit, legati a fonti identificabili. Il settore si attende che questa differenza conti: nell'SS&C Intralinks 2024 AI in M&A Report, che ha intervistato 300 operatori di deal a livello globale, il 97% dei partecipanti ha dichiarato che l'AI avrà un profondo impatto sulle loro operazioni e sul modo in cui conducono i processi di M&A.[4] Un'attesa di questa portata alza, anziché abbassare, l'asticella del controllo: più un modello tocca l'analisi, più la catena delle prove deve essere dimostrabile. È l'argomento a favore di una due diligence AI costruita su misura anziché di un chatbot generico puntato su un data room.

Il test pratico è semplice. Chiedete allo strumento da dove proviene una conclusione, chi l'ha verificata e se sarà la stessa domani. Un assistente generico fa fatica su tutti e tre i punti. Un vero strumento di ricerca DD vi risponde per costruzione, perché è stato creato per supportare una transazione in corso, non per vincere una chat.

Uno strumento di ricerca per la due diligence si guadagna il suo posto supportando il processo end-to-end, non eccellendo in un singolo passaggio. Il flusso di lavoro si articola in tre fasi principali: ingestione, verifica incrociata tra documenti e output strutturati che alimentano la preparazione del comitato.

Ingestione e indicizzazione

La prima fase consiste nel portare il corpus dell'operazione in uno stato lavorabile. Significa collegarsi alla virtual data room ed elaborare rapidamente contratti, modelli finanziari, fogli di calcolo e materiali del management, per poi indicizzarli in modo che le domande successive facciano riferimento ai documenti giusti: è questo il compito che l' ingestione della data room svolge prima ancora che inizi qualsiasi analisi. Significa anche combinare la data room con fonti esterne e pubbliche, perché una parte delle prove di cui un deal team ha bisogno non si trova nella stanza: dati di mercato, documenti normativi, registrazioni societarie e la copertura precedente del target appartengono tutti alla stessa base di evidenze. Finché l'ingestione non è completata, ogni passaggio a valle rimane manuale.

Verifica incrociata tra documenti e generazione di domande

La seconda fase è quella in cui uno strumento di ricerca dimostra il proprio valore. Leggere i documenti in isolamento fa perdere le problematiche che davvero fanno deragliare le operazioni; i rilievi materiali si trovano nei vuoti tra i documenti. Lo strumento dovrebbe evidenziare le contraddizioni tra il modello finanziario e i materiali del management, segnalare le clausole di change of control che richiedono il consenso della controparte, mettere in luce la concentrazione dei clienti dietro cifre di ricavi aggregate e identificare le lacune di evidenza in cui un workstream semplicemente non ha nulla su cui lavorare.[1] Da queste lacune dovrebbe generare domande di due diligence per il DDQ e domande mirate per il management nelle sessioni con gli esperti, così che il tempo umano venga speso a indagare anziché a ricostruire.

Dalla data room al comitato: ogni fase produce output strutturati e collegati alle fonti, anziché riassunti in testo libero. · Generato con IA

Output strutturati e preparazione dell'IC

La terza fase trasforma l'analisi in deliverable: rilievi, red flag, registri dei rischi e pacchetti di prove che alimentano la preparazione del comitato di investimento. La prassi consolidata della due diligence legale indica la stessa sequenza: strutturare il lavoro in fasi, affrontando per prime le aree più propense a produrre red flag e questioni go/no-go, con la due diligence confermativa che segue una volta migliorata la certezza dell'operazione. Uno strumento che supporta questa sequenza consente al team di eseguire presto una passata red-flag e poi approfondire ogni workstream man mano che il quadro si definisce: è così che un flusso di lavoro di due diligence con AI viene in genere strutturato nella pratica. Lo stato finale è un pacchetto per il comitato in cui ogni rilievo materiale riporta la propria fonte, così che la discussione riguardi l'operazione e non se i numeri siano corretti.

Con il flusso di lavoro definito, la scelta degli strumenti diventa una questione di capacità piuttosto che di prestazioni in una demo. Tre aree di capacità distinguono gli strumenti che reggono su trattative reali da quelli che sembrano validi solo in un ambiente di prova.

Fondamento nelle fonti e ripetibilità

Partire dalla catena delle prove. Ogni riscontro deve rimandare a un documento citabile e a una pagina precisa, e gli output devono essere ripetibili da una esecuzione all'altra: la stessa domanda posta sugli stessi dati della data room dovrebbe produrre la stessa risposta, con le stesse citazioni. Se uno strumento non riesce a mostrare da dove proviene un numero, il team finirà per verificarlo manualmente, cioè esattamente il lavoro che lo strumento avrebbe dovuto eliminare. Provenienza e tracciabilità non sono caratteristiche da ammirare in una demo; sono le condizioni affinché un riscontro possa essere difeso davanti a un comitato di investimento o a un consulente della controparte. Il modo in cui una piattaforma gestisce questo aspetto si vede da come tratta la provenienza dei dati e le prove delle fonti lungo l'intero percorso di due diligence.

Adeguatezza agli ambiti di lavoro

In secondo luogo, lo strumento dovrebbe organizzare i riscontri per ambito di lavoro: finanziario, legale, fiscale, commerciale, operativo, tecnologico e risorse umane. La due diligence è un processo parallelo, con responsabili distinti, serie di domande e formati di report specifici per ciascun ambito, e Debevoise rileva che il formato del report dovrebbe riflettere come il deal team e i terzi lo utilizzeranno effettivamente, dai report completi e articolati alle sintesi dei segnali d'allarme.[5] Uno strumento che offre una chat unica e indifferenziata costringe gli analisti a reimporre quella struttura a mano. Riscontri e valutazioni del rischio che arrivano già mappati sugli ambiti di lavoro, con materialità e rilevanza per l'operazione, sono ciò che rende l'output utilizzabile dall'intero team, che è lo scopo dei riscontri strutturati e della risk intelligence riscontri strutturati e risk intelligence.

Verificabilità e collaborazione

In terzo luogo, la due diligence è uno sport di squadra con una catena di revisione. Cercare riscontri stabili nelle versioni, approvazioni dei revisori e tracce di audit, così che risulti sempre chiaro cosa è stato affermato, su quali prove e chi l'ha verificato. Non si tratta di burocrazia: è il meccanismo che permette a un partner di rispondere del report, ed è per questo che il controllo delle versioni dei riscontri di due diligence e delle prove delle fonti conta quanto l'analisi sottostante per il memo del comitato di investimento. Controllo di qualità e affidabilità delle prestazioni sono tra le preoccupazioni che i dealmaker sollevano più costantemente sull'IA nel lavoro transazionale, il che rende il livello di revisione un criterio di selezione a sé stante e non un ripensamento. Il modo in cui i riscontri passano attraverso la revisione con esperto nel ciclo, le discussioni in thread e le tracce di audit è il punto in cui la collaborazione del deal team e gli strumenti di workflow collaborazione del deal team e strumenti di workflow sostengono o minano quella catena.

Ogni riscontro può essere ricondotto a un documento e a una pagina, e la stessa domanda produce la stessa risposta in una seconda esecuzione?

I riscontri sono organizzati per ambito di lavoro con materialità e rilevanza per l'operazione, oppure vengono consegnati come un'unica chat indifferenziata?

I revisori possono approvare, contestare e verificare tramite audit i riscontri, con cronologia delle versioni e registro di chi ha controllato cosa?

Essere espliciti sulle modalità di errore fa parte dell'uso professionale di questi strumenti. I punti deboli noti dell'IA nella due diligence sono ben documentati e vale la pena nominarli prima che vengano scoperti a trattativa in corso.

Conclusioni allucinate: output sicuri di sé che non possono essere ricondotti ad alcuna fonte affidabile[3]

Contesto mancante: analisi che legge correttamente una clausola o un indicatore ma ignora la tesi dell'operazione o l'inquadramento dell'ambito di lavoro

Fonti datate o contaminate: materiale del web aperto obsoleto, irrilevante o fuori dai permessi dell'operazione

Sicurezza non tracciabile: riscontri presentati senza collegamenti alle prove, che non possono essere verificati né difesi

Le barriere all'adozione sono reali, non ipotetiche. Il GenAI in M&A Survey 2025 di Deloitte, condotto su 1.000 leader di imprese corporate e private equity, ha rilevato che l'86% delle organizzazioni ha integrato l'IA generativa nei propri flussi di lavoro M&A, ma gli utenti restano prudenti: il 67% ha indicato la sicurezza dei dati come una delle principali preoccupazioni, seguita da qualità e disponibilità dei dati al 65%.[6] Queste due preoccupazioni si mappano direttamente sulle modalità di errore sopra descritte: la sicurezza determina quale materiale lo strumento può toccare, e la qualità dei dati determina quanto l'output può essere considerato affidabile. Uno strumento che non risponde chiaramente a entrambe le domande si bloccherà alla revisione di governance, qualunque sia la sua capacità analitica.

L'implicazione pratica per gli investitori è una divisione del lavoro, non un passaggio di consegne. L'IA struttura e accelera la ricerca: comprime la revisione dei documenti, mette in luce le contraddizioni e mantiene intatta la catena delle prove. Le decisioni di investimento, il coinvolgimento dei consulenti e il giudizio finale restano umani, esattamente come lo formula Third Bridge: l'IA non decide se impiegare capitale, ma migliora la qualità e la velocità degli input.[3] Un corollario merita di essere sottolineato: le lacune nelle prove vanno escalate, non mascherate. Uno strumento che copre un documento mancante con un'inferenza plausibile è più pericoloso di uno che segnala ad alta voce la lacuna, perché spesso la lacuna è essa stessa il risultato.

Rapportato al flusso di lavoro e al quadro di valutazione descritti sopra, Plausity funziona come uno spazio di lavoro collaborativo basato sull'IA per la due diligence, anziché come un'interfaccia di chat applicata a un archivio di documenti. Ogni fase del processo corrisponde a una capacità della piattaforma.

Data Room Ingestion si collega ai data room virtuali ed elabora PDF, fogli di calcolo, contratti e modelli finanziari nel giro di pochi minuti, stabilendo la base di prove indicizzata da cui dipende il resto del flusso di lavoro

Il motore di analisi IA legge, interpreta, incrocia e ragiona su migliaia di documenti e punti dati per produrre analisi di livello DD nei workstream commerciali, finanziari, legali, fiscali e tecnologici

Risk Radar valuta i risultati per materialità, impatto finanziario, esposizione legale e rilevanza per l'operazione, per mettere in luce i rischi e le anomalie chiave

Report Builder redige, struttura e affina i deliverable di due diligence pronti per gli investitori, con piena tracciabilità delle fonti

Collaboration Hub coordina le attività del team di deal, allinea i workstream e condivide le informazioni in tempo reale

L'intento progettuale corrisponde al contratto di output descritto in precedenza: i risultati arrivano con le fonti allegate, i rischi arrivano valutati rispetto alla rilevanza per l'operazione e i deliverable arrivano riconducibili ai documenti sottostanti. La piattaforma supporta il lavoro di analisti e consulenti lungo tutta la catena di revisione; non sostituisce i professionisti che conducono l'operazione. Per le società di consulenza, lo stesso flusso di lavoro si estende alla standardizzazione degli output di diligence e all'accelerazione del lavoro degli analisti sotto pressione delle scadenze, ed è così che la piattaforma si posiziona per le società di consulenza M&A; per gli investitori che conducono la propria diligence in autonomia, l'inquadramento equivalente riguarda i fondi VC e PE che lavorano al ritmo dell'operazione. L'argomento di fondo, secondo cui un tool di diligence costruito su misura differisce strutturalmente dai chatbot generici, è esplicitamente dichiarato dal posizionamento stesso della piattaforma.

Ciò che un team di deal dovrebbe trarre da questa mappatura è l'aderenza tra capacità e fase del flusso di lavoro. L'ingestion risponde al problema del volume, il motore di analisi e il Risk Radar rispondono al problema della verifica, e Report Builder e Collaboration Hub rispondono al problema della revisione e della consegna. Laddove il processo di un team differisce, il quadro della sezione precedente è la checklist da applicare: provenienza, adeguatezza al workstream e verificabilità, in quest'ordine.

Il quadro descritto sopra si condensa in una sequenza pratica e indipendente dallo strumento: funziona sia che il team utilizzi una piattaforma dedicata sia che segua un processo manuale disciplinato, anche se la piattaforma rende ogni passaggio più rapido.

All'apertura del data room: acquisire la stanza in modo precoce e completo, costruire la mappa dei workstream su finanza, legale, fiscale, commerciale, operativo, tecnologia e HR, ed eseguire una prima passata di red flag prima dell'invio del DDQ, così che il questionario sia informato da ciò che i documenti mostrano realmente

A metà processo: richiedere una citazione della fonte per ogni risultato, registrare contraddizioni e lacune nelle prove come elementi tracciati espliciti anziché note a piè di pagina, e instradarle nelle domande di diligence e di management finché c'è ancora tempo per ottenere risposte

Prima dell'IC: assemblare il registro dei rischi e il pacchetto di prove, far verificare ai revisori i risultati materiali contro i documenti fonte, e registrare cosa è stato controllato e da chi, così che il comitato veda la catena di revisione, non solo le conclusioni

Due abitudini rendono la sequenza efficace. Primo, trattare la lacuna nelle prove come un deliverable: un elemento registrato come mancante, con un responsabile e una domanda allegata, è un progresso, mentre una lacuna colmata in silenzio con un'inferenza è una passività. Secondo, mantenere a mente la sequenza red-flag-first di Debevoise quando il tempo si comprime: il lavoro confermativo può attendere, le questioni go/no-go no.[5]

Condotta in questo modo, la documentazione della diligence diventa un asset anziché un sottoprodotto: risultati riverificabili, fonti ricontrollabili e una traccia di revisione che mostra al comitato esattamente come il team è giunto al proprio giudizio. È questo ciò che la ricerca basata sulle prove significa in pratica, ed è lo standard rispetto al quale va misurato qualsiasi strumento di ricerca, generico o costruito su misura.

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