Brakujące dokumenty w due diligence: jak AI wykrywa luki w dowodach

Brakujące dokumenty w due diligence: jak AI wykrywa luki w dowodach

Luka w dowodach to każde pytanie due diligence, dla którego dokumentacja potwierdzająca jest brakująca, niepodpisana, niekompletna lub niespójna z resztą data room. Jest to lustrzane odbicie sygnału ostrzegawczego: sygnał ostrzegawczy to dokument, który mówi coś niepokojącego, natomiast luka w dowodach to brak dokumentu, który powinien istnieć. Załącznik wskazany w umowie, ale nigdy nie złożony, uchwała zarządu bez podpisów, umowa z klientem cytowana w memorandum informacyjnym, ale nieobecna w data room, ujawnienie oczekiwane na liście żądań, którego sprzedający nigdy nie dostarczył. Każdy z tych przypadków jest samodzielnym ustaleniem i każdy zasługuje na taką samą staranność jak każdy dokument, który zespół faktycznie czyta.

Presja, by zrobić to dobrze, rośnie. W czwartym kwartale 2025 roku SRS Acquiom i Mergermarket przeprowadziły ankietę wśród 150 kadrowych dyrektorów małych, średnich i dużych amerykańskich banków inwestycyjnych — prawie trzy czwarte (73%) oczekuje, że proces due diligence w transakcjach M&A stanie się bardziej złożony w ciągu najbliższych 12–24 miesięcy.[1] W edycji tego samego badania z czwartego kwartału 2023 roku 64% respondentów stwierdziło, że badanie due diligence już teraz zajmuje więcej czasu niż przed pandemią, a największym wyzwaniem po stronie kupującego była weryfikacja otrzymanych informacji, z 31% głosów w pierwszej dwójce.[2] Weryfikacja informacji to dokładnie miejsce, w którym żyją luki: najtrudniejszy do zweryfikowania jest materiał, którego nie ma.

Luka w dowodach to każde pytanie due diligence, na które data room nie potrafi odpowiedzieć dokumentacją wystarczającą, podpisaną i aktualną. Jest to lustrzane odbicie ustalenia: zamiast pytać, co mówi dany dokument, zespół pyta, jaki dokument powinien istnieć, aby udowodnić daną odpowiedź, a następnie sprawdza, czy faktycznie się w nim znajduje. Ustalenie bez dokumentu potwierdzającego jest założeniem, a założenia mają tendencję do powracania jako zobowiązania po zamknięciu transakcji.

Wycena: założenia opierają się na dokumentach, których nikt nie zweryfikował, więc wycena niesie niekwantyfikowalne ryzyko.

Harmonogram: luki odkryte późno wymuszają poszukiwanie dokumentów, które ściskają prace potwierdzające do kilku dni.

Ochrona kontraktowa: ryzyka, którego nikt nie potrafi udokumentować, trudno przekuć w konkretną rękojmię, gwarancję lub odszkodowanie.

Wiarygodność wobec komitetu: notatka dla komitetu inwestycyjnego z niewyjaśnionymi lukami zaprasza do kwestionowania, które blokuje decyzję.

Luki w dowodach grupują się w cztery powtarzające się typy. Każdy z nich nie przechodzi innego testu i każdy wymaga od zespołu transakcyjnego innego środka zaradczego.

Brakujące załączniki i harmonogramy: umowa główna jest w data roomie, ale powiązany z nią cennik, lista klientów lub załącznik, do których się odwołuje — już nie, przez co warunki handlowe nie mogą zostać zweryfikowane.

Niepodpisane lub niewykonane umowy: treść kontraktu istnieje, ale brakuje strony podpisów, wykonanego egzemplarza i historii aneksów, co oznacza, że zobowiązanie mogło nigdy nie wiązać żadnej ze stron.

Nieobecne ujawnienia: rejestry sporów, zestawienia transakcji z podmiotami powiązanymi, rejestry własności intelektualnej czy korespondencja regulacyjna, które dobrze prowadzony proces powinien zawierać, po prostu nie zostały dostarczone.

Niekompletne lub puste foldery w data roomie: struktura folderów obiecująca treść, której nie dostarcza — na przykład pusty folder podatkowy lub folder z umowami z klientami zawierający garść wzorów umów.

Lista luk jest tak użyteczna, jak użyteczna jest stojąca za nią klasyfikacja. Cztery typy pokrywają większość tego, z czym mierzą się zespoły transakcyjne, a rozdzielanie ich ma znaczenie, ponieważ każdy typ niesie inne remedium i inny poziom obaw.

Zespoły transakcyjne muszą nie tylko analizować dokumenty, które mają; muszą też wiedzieć, jakich dowodów potwierdzających brakuje lub które są niewystarczające. W 2025 roku same ustalenia spoza zakresu QoE odpowiadały za 25,3% zerwanych podpisanych listów intencyjnych — więcej niż jakakolwiek inna pojedyncza przyczyna.[3] Niniejszy przewodnik przedstawia ramy klasyfikacji luk w dowodach, sposób, w jaki wspierane przez AI due diligence je ujawnia, oraz to, co każda luka oznacza dla listy pytań do sprzedającego i zakresu weryfikacji potwierdzającej.

Czterotypowa taksonomia klasyfikacji luk dowodowych w strumieniach prac due diligence. · Wygenerowane przez AI

Ręczne wykrywanie luk nie nadąża za skalą współczesnych data roomów. W badaniu SRS Acquiom i Mergermarket z trzeciego kwartału 2024 roku, obejmującym 150 kadrowych kierowników amerykańskich banków inwestycyjnych, 40% respondentów z firm butikowych wskazało niekompletne informacje o spółce docelowej jako jedną z największych przeszkód w due diligence podczas ostatniej transakcji po stronie kupującego. Objętość pogłębia problem: według ICAEW liczba dokumentów w data roomach wzrosła o 32% w ciągu jednego roku.[4] Gdy data room rośnie o jedną trzecią rocznie, śledzenie tego, czego brakuje, poprzez czytanie tego, co jest, staje się niewiarygodnym zadaniem dla człowieka — i właśnie tam wspierane przez AI krzyżowe porównywanie dokumentów okazuje swoją wartość.

Przegląd wspierany przez AI zmienia, co jest tu ekonomicznie wykonalne. Analiza EY dotycząca AI w due diligence transakcji M&A podaje konkretny przykład: gdy raport roczny wspomina o sprzedaży nieruchomości, oprogramowanie może sprawdzić, czy dokumentacja zwyczajowo wymagana przy takiej sprzedaży jest obecna, i w ciągu kilku sekund zasygnalizować brakujący akt notarialny lub deklarację podatkową, której cena zakupu nie zgadza się ze sprawozdaniami finansowymi.[5] Ta sama logika dotyczy każdego stwierdzonego faktu, który implikuje ślad papierowy: ujawnione przejęcie implikuje umowę kupna-sprzedaży, dywidenda implikuje formularze podatkowe, patent implikuje umowę przeniesienia praw. Generyczne narzędzia mają tendencję do odczytywania luk w danych jako kwestii nieistotnych, a nie nieuzupełnionych ujawnień informacji — dlatego ślepota na brakujące dokumenty jest traktowana jako odrębny tryb awarii w due diligence uwzględniającym kontekst.

Luka w dowodach to każde pytanie due diligence, dla którego dokumentacja potwierdzająca jest nieobecna, niepodpisana, niekompletna lub niespójna z resztą data roomu. Jest to lustrzane odbicie czerwonej flagi: czerwona flaga to dokument, który mówi coś niepokojącego, natomiast luka w dowodach to brak — lub niewystarczalność — dokumentu, który powinien istnieć. Załącznik przywołany w umowie, ale nigdy nie złożony do akt, uchwała zarządu bez podpisów, umowa z klientem cytowana w memorandum informacyjnym, ale nieobecna w data roomie, ujawnienie oczekiwane na liście żądań, którego sprzedający nigdy nie dostarczył. Każdy z tych przypadków jest sam w sobie ustaleniem i każdy zasługuje na tę samą skrupulatność, jaką zespół poświęca dokumentom, które faktycznie czyta. Luki występują w dwóch postaciach, i to rozróżnienie determinuje reakcję.

Skala listy żądań to pierwsza rzecz, którą należy wziąć pod uwagę. Przykładowa lista kontrolna due diligence M&A Bloomberg Law obejmuje 174 rodzaje dokumentów, obejmujących ład korporacyjny, sprawozdania finansowe, nieruchomości, własność intelektualną, istotne umowy, zatrudnienie i ESG.[6] Wobec listy o takiej szerokości testowanie luk obszar po obszarze utrzymuje ćwiczenie w ryzach i zapewnia, że żaden folder nie zostanie zwolniony z kontroli.

Niewykryta luka rzadko jest obojętna. Rozprzestrzenia się w transakcji w przewidywalny sposób: rundy pytań i odpowiedzi stają w miejscu, bo kupujący czeka na harmonogramy, które nigdy nie zostały wgrane; negocjacje ceny zostają wznowione, gdy brakujące ujawnienie wychodzi na jaw zbyt późno; żądania odszkodowań stają się twarde, bo kupujący nie jest w stanie wycenić tego, czego nie widzi; a po zamknięciu transakcji pojawiają się niespodzianki wynikające ze zobowiązań, których nikt nie zweryfikował, ponieważ podpisana umowa nigdy nie trafiła do data roomu. Kosztem nie jest tylko opóźnienie; jest nim gorsza pozycja negocjacyjna w kwestiach, które można było poznać wcześniej.

Ta presja ma charakter strukturalny, a nie cykliczny. W badaniu SRS Acquiom „2026 Best Practices in M&A Due Diligence" 73% ankietowanych doświadczonych bankierów inwestycyjnych oczekuje, że proces due diligence stanie się bardziej złożony w ciągu najbliższych 12 do 24 miesięcy, a wśród respondentów zgłaszających wydłużające się harmonogramy 57% stwierdza, że do procesu dodano dodatkowe jeden do trzech miesięcy.[1] Na tym tle luka, która wychodzi na jaw w szóstym tygodniu ośmiotygodniowego okresu wyłączności, jest materialnie droższa niż ta sama luka ujawniona w pierwszym tygodniu.

Dwie nawyki sprawiają, że lista kontrolna jest skuteczna. Po pierwsze, każde żądanie powinno odpowiadać konkretnemu pytaniu due diligence, tak aby brakująca odpowiedź miała właściciela i konsekwencję, a nie tylko puste pole do odhaczenia. Po drugie, listę kontrolną należy weryfikować względem data roomu w stanie, w jakim go otrzymano, a nie względem indeksu sprzedającego, ponieważ struktura folderów bywa niespójna, a indeks nie jest dowodem. Zespoły, które opierają przegląd na ustrukturyzowanej liście kontrolnej, jak w liście kontrolnej due diligence z wykorzystaniem AI liście kontrolnej due diligence AI dla tworzenia wartości w private equity, wykrywają luki wcześniej, ponieważ oczekiwania i otrzymane materiały są porównywane systematycznie, a nie z pamięci.

Brak dowodu: w data room nie ma w ogóle dokumentu potwierdzającego dane twierdzenie. Model finansowy odwołuje się do podpisanej umowy ramowej, wykaz własności intelektualnej wymienia cesję od kontrahenta, a kwestionariusz DDQ deklaruje plan reagowania na incydenty cyberbezpieczeństwa — a takiego dokumentu nie ma nigdzie w repozytorium.

Niewystarczalność dowodu: dokument istnieje, ale nie spełnia swojej roli. Umowa jest niepodpisana lub w wersji roboczej, polisa wygasła, wersja w repozytorium została zastąpiona późniejszą aneksą, której nikt nie wgrał, albo wykaz obejmuje tylko część okresu lub podmiotów, których dotyczy twierdzenie.

Niektóre wzorce powinny wzbudzić podejrzenia, zanim uruchomione zostanie jakiekolwiek narzędzie, ponieważ niemal zawsze wskazują, że gdzieś w korpusie brakuje dowodów.

Istnieje też wymiar konkurencyjny. Badanie Deloitte 2026 Generative AI in M&A Pulse Study wykazuje, że 90% organizacji wykorzystuje już AI w procesach M&A.[7] Gdy dziewięć na dziesięć zespołów stosuje wspomnianą AI analizę, pytanie bazowe przesuwa się z tego, czy stosować AI, na to, wobec czego ta AI jest faktycznie testowana. Zespoły, które jedynie podsumowują posiadane dokumenty, pozostają bezbronne wobec dokumentów, których nikt nie dostarczył; zespoły, które dodatkowo przesłuchują repozytorium pod kątem braków, zamykają tę furtkę.

Odwołania do załączników, aneksów lub wykazów, które nigdzie nie pojawiają się w data roomie.

Niepodpisane lub robocze wersje dokumentów, które powinny być podpisane, np. uchwały zarządu pozbawione wymaganych podpisów.

Liczby w materiałach zarządczych, do których nie da się uzgodnić żadnego dokumentu z data roomu — od przychodów wg segmentów po zatrudnienie.

Foldery, które pozostają puste lub rażąco ubogie w późnym etapie wyłączności, szczególnie w obszarach podatków, własności intelektualnej lub regulacji.

Przykłady opracowane przez EY pokazują, jak te wzorce przekładają się na konkretne problemy: dywidenda wypłacona bez potrącenia podatku u źródła, przy braku w data roomie certyfikatu umowy o unikaniu podwójnego opodatkowania lub powiązanych formularzy podatkowych, oraz uchwały zarządu niezgodne z obowiązującymi przepisami korporacyjnymi z powodu braku wymaganych podpisów.[5] Odwrotność również jest prawdziwa i warto powiedzieć to zarządowi wcześnie: kompletny, spójny i podpisany zestaw dokumentów jest sam w sobie sygnałem jakości zarządzania, a jego brak również jest sygnałem. Zespoły, które każdą obserwację weryfikują według standardu opartego na źródłach, w duchu decyzji inwestycyjnych o wysokim przekonaniu, zwykle wychwytują te sygnały, gdy wciąż jest czas, by na nie zareagować.

Luki są niebezpieczne ze względu na reakcję kupujących. Kupujący, który nie może zweryfikować twierdzenia, nie uznaje, że wszystko jest w porządku; zakłada najgorsze, dopóki sprzedający nie wyjaśni braku, a wyjaśnienia, które przychodzą za późno, kosztują utratę przewagi negocjacyjnej. Stawki są mierzalne. Raport Axial 2025 Dead Deal Report, obejmujący 75 nieudanych transakcji, wykazał, że ustalenia due diligence inne niż QoE były najczęstszą pojedynczą przyczyną łamania podpisanych LOI — 25,3%, a rozbieżności EBITDA w QoE dodawały kolejne 21,3%.[3] Ustalenia z due diligence przewyższają już finansowanie, historycznego głównego winowajcę, wskazywanego w 10,7% przypadków.[3] To weryfikacja, a nie kapitał, zabija dziś transakcje.

Systematyczne wykrywanie luk wychodzi od punktu odniesienia w postaci oczekiwanych dowodów: dla każdego istotnego pytania due diligence zespół określa, jakie dokumenty powinny istnieć, gdyby odpowiedź była należycie udokumentowana, a następnie mierzy zawartość repozytorium wobec tego oczekiwania. Porównanie nigdy nie sprowadza się do liczby plików. Folder może być pełny, a mimo to nie odpowiadać na pytanie, a pojedynczy podpisany wykaz może być wart więcej niż pięćdziesiąt stron materiałów marketingowych.

Wykryta luka ma wartość tylko wtedy, gdy zmienia proces. Pierwsza zmiana dotyczy listy pytań do sprzedającego: każda luka powinna stać się konkretnym, popartym źródłem pytaniem, powiązanym z brakującym dokumentem lub ujawnieniem, z terminem i właścicielem. „Prosimy o przedstawienie wszystkich istotnych umów" zaprasza do wrzucenia całego folderu; „w CIM wskazano umowy z klientami odpowiadające za 10% najwyższych przychodów, prosimy o podpisane wersje" zaprasza do przekazania dokumentu — a takie sformułowanie odzwierciedla sposób, w jaki standardowe prawnicze listy żądań formułują prośby.[6] To ta sama dyscyplina, która rządzi krzyżową weryfikacją danych finansowych, gdzie każdy wyjątek staje się sprawdzalnym zapytaniem, a nie mglistą obawą.

Przekształć każdą sklasyfikowaną lukę w konkretny punkt Q&A dla sprzedającego, z odwołaniem do źródła i terminem odpowiedzi.

Włącz listę luk do zakresu due diligence potwierdzającego po podpisaniu LOI — etapu, którego celem jest weryfikacja założeń dotyczących spółki celu i ujawnienie ryzyk, które kupujący ma przejąć.

Śledź zamykanie luk: luka zamknięta dokumentem jest rozwiązana, luka zamknięta wyjaśnieniem staje się ustaleniem due diligence, a luka pozostająca otwarta staje się przedmiotem negocjacji.

Model oczekiwanych dowodów: pokrycie testuje się wobec tego, co powinno istnieć, a nie wobec tego, co zostało wgrane. · Wygenerowane przez AI

Nierozwiązane luki trafiają następnie do umowy zakupu. Luki o charakterze zarządzalnym są adresowane poprzez zapisy dotyczące oświadczeń, gwarancji i odszkodowań; istotne ustalenia zwykle otwierają na nowo negocjacje ceny zakupu; a kwestie, których nie można rozwiązać ani złagodzić, mogą doprowadzić do całkowitego wycofania się kupującego z transakcji. Dla firm doradczych, które potrzebują, aby takie postępowanie było spójne w różnych transakcjach i zespołach, sklasyfikowany rejestr luk jest tym, co czyni krok od ustalenia do języka umowy powtarzalnym, a nie zależnym od tego, kto akurat prowadzi dany obszar roboczy.

Zdefiniuj pytanie obszaru roboczego. Sformułuj je precyzyjnie: nie „przejrzyj umowy z klientami

lecz „czy dziesięć największych umów przychodowych zawiera klauzule zmiany kontroli wymagające zgody?"

Wypisz dokumenty, które powinny istnieć, aby na nie odpowiedzieć. Podpisane umowy, wykazy i aneksy, wykazy ujawnień, uchwały zarządu, rejestry, korespondencja z kontrahentami.

Sprawdź pokrycie względem faktycznej zawartości data room. Dopasuj listę oczekiwanych dokumentów do repozytorium, dokument po dokumencie, uwzględniając wersje i status podpisania.

Sklasyfikuj każdą lukę. Brak (nigdy nie dostarczono), brak podpisu (treść bez wykonania), niespójność (dokumenty, które sobie przeczą) lub nieaktualność (zastąpione, bez daty lub przeterminowane).

Przestrzeń robocza wspiera ten przepływ pracy od początku do końca, a jej moduły odwzorowują wprost powyższe ramy.

Etap klasyfikacji to właśnie to, co zamienia listę braków w użyteczny produkt pracy, ponieważ każda klasa wymusza inny dalszy krok: brakujące dokumenty stają się zapytaniami o informacje, niepodpisane umowy — potwierdzeniami wykonania lub warunkami zamknięcia transakcji, niespójności — ukierunkowanymi pytaniami i odpowiedziami, a nieaktualne dokumenty — wnioskami o aktualizację. Wytyczne ICAEW dotyczące due diligence finansowego, opracowane przez ekspertów korporacyjnego finansowania PwC, opisują ten sam podział ról: AI i analityka danych, połączone — co kluczowe — z nadzorem człowieka, umożliwiają znacznie wyższy poziom wglądu niż każde z nich osobno.[4] Maszyna porównuje dane z bazy z punktem odniesienia; zespół transakcyjny decyduje, co każda luka oznacza dla ceny, warunków i procesu.

Data Room Ingestion łączy się z VDR i przetwarza pliki PDF, arkusze kalkulacyjne, umowy oraz modele finansowe, klasyfikując każdy dokument tak, aby cały korpus był możliwy do analizy, i mapuje to, co zostało otrzymane, względem tego, co jest oczekiwane dla każdego obszaru roboczego.

AI-Analysis Engine czyta i porównuje dokumenty między obszarami roboczymi i pomaga użytkownikom zidentyfikować brakującą lub niewystarczającą dokumentację potwierdzającą dla pytań due diligence, przy czym każdy wynik jest powiązany z dokumentem źródłowym i stroną.

Findings & Risk Intelligence ocenia ujawnione ustalenia pod kątem istotności, wpływu finansowego, ryzyka prawnego i znaczenia dla transakcji, dzięki czemu luki są priorytetyzowane, a nie jedynie wyliczane.

Collaboration Hub synchronizuje obszary robocze i udostępnia wnioski w czasie rzeczywistym, a Report Builder przenosi ustalenia dotyczące luk do rozwiązań możliwych do prześledzenia do źródła, przygotowanych dla komitetów i klientów.

Ograniczenia są równie ważne jak możliwości. Platforma nie identyfikuje automatycznie każdego brakującego dokumentu, nie gwarantuje kompletności żadnego data roomu i nie zastępuje profesjonalnego przeglądu: wszystkie ustalenia wymagają ludzkiej weryfikacji przez zespół transakcyjny. Strukturyzuje i przyspiesza analizę luk; ocena, co dana luka oznacza dla ceny, ochrony kontraktowej lub wykonalności transakcji, pozostaje po stronie zespołu. To samo dotyczy współpracy z firmami doradztwa M&A i funduszami: platforma wspiera proces, ale nie prowadzi transakcji.

Model oczekiwanych dowodów staje się praktyczny, gdy stosuje się go strumień pracy po strumieniu. Poniższe testy są celowo sformułowane jako pytanie plus dokument, który powinien na nie odpowiedzieć, ponieważ właśnie ta para czyni brak widocznym: jeśli dokumentu nie ma w bazie, pytanie pozostaje otwarte, niezależnie od tego, co mówi notatka podsumowująca.

Traktuj identyfikację luk jako proces ciągły od pierwszego dnia, a nie jako porządkowanie na etapie raportu. Praktyczna sekwencja:

Wgraj data room wcześnie i już w pierwszym tygodniu — a nie na etapie raportu — zastosuj czterotypową taksonomię luk do listy zapytań.

Zarejestruj każdą lukę wraz z odniesieniem do źródła i sklasyfikuj ją jako brakującą, niepodpisaną, nieobecną lub niewystarczającą.

Przekazuj sklasyfikowane luki do listy pytań i odpowiedzi dla sprzedającego w partiach, każda z terminem i osobą odpowiedzialną.

Ponawiaj kontrole luk wraz z napływem nowych dokumentów i śledź wskaźniki domykania w całym procesie.

Przenieś nierozwiązane luki do zakresu potwierdzającego i negocjacji umowy kupna-sprzedaży, gdzie staną się one oświadczeniami i gwarancjami, odszkodowaniami, warunkami lub korektami ceny.

Istotą jest podział pracy. AI strukturyzuje korpus, porównuje to, co otrzymano, z tym, czego oczekiwano, i ujawnia luki na dużą skalę; zespół transakcyjny odpowiada za ocenę istotności, sposób naprawy i postawę negocjacyjną. Tak właśnie ma działać automatyzacja procesu due diligence: narzędzia wykonują pracę objętościową, a profesjonaliści podejmują decyzje. Plausity, zaprojektowany dla dzisiejszych zespołów inwestycyjnych i transakcyjnych i zaufany przez ponad 200 firm, został stworzony, aby ten podział pracy realizować przy Twojej kolejnej transakcji.

Dwa ustalenia nadają tej liście kontrolnej pilność. Po pierwsze, niekompletne informacje o spółce docelowej to jedna z głównych przeszkód w due diligence: 40% respondentów z banków butikowych, o których mowa powyżej, wskazało ją wśród największych przeszkód w swojej ostatniej transakcji po stronie kupującego. Po drugie, sam przegląd zmienia swój charakter. Houthoff zauważa, że AI przyspieszyła i uczyniła bardziej wydajną analizę dokumentów, która kiedyś zajmowała prawnikom tygodnie, oraz że nacisk przesuwa się z gromadzenia faktów na wgląd strategiczny.[8] Gdy maszyny przejmują gromadzenie faktów, wkład człowieka koncentruje się dokładnie tam, gdzie mieszka analiza luk: w ocenie, które braki mają znaczenie i ile są warte.

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/