Optymalizacja procesów z wykorzystaniem AI dla oszczędnych butików M&A

Optymalizacja procesów z wykorzystaniem AI to świadoma przebudowa procesu transakcyjnego tak, aby AI zajmowała się pracochłonnym wyodrębnianiem i strukturyzacją dokumentów, a partnerzy kierowali deficytowe godziny pracy analityków na ocenę, pracę dla klientów i negocjacje. W praktyce oznacza to, że pierwszy przegląd data roomu, zestawianie warunków umów z ujawnieniami finansowymi oraz porządkowanie ustaleń w ustrukturyzowaną bazę dowodów wykonują maszyny, a zespół partnera te prace weryfikuje, kwestionuje i rozszerza, zamiast tworzyć je od podstaw. Dla butiku z trzema analitykami, którego konkurent z grona największych banków ma ich trzydziestu, to nie jest wygoda. To jedyny realny sposób, by objąć tym samym zakresem due diligence bez zwiększania zatrudnienia.

Ta zmiana nie jest już marginalna. Według badania Deloitte 2026 Generative AI in M&A Pulse Study 90% organizacji wykorzystuje obecnie GenAI w procesach M&A, a 37% stosuje je na wielu etapach cyklu życia transakcji.[1] Zastosowanie wykracza też poza due diligence: to samo badanie wskazuje, że 49% respondentów stosuje GenAI przy zamykaniu transakcji, a 52% w integracji po zamknięciu.[1] Wynika z niego również, że przegląd ludzki pozostaje najważniejszym wymogiem przy wysokim ryzyku stosowania GenAI, a zdolność systemu do integracji z zatwierdzonymi źródłami danych transakcyjnych to najważniejsza cecha rozwiązania technologicznego dla M&A.[1] Innymi słowy, adopcja stała się standardem; o wyróżnieniu decyduje to, jak dobrze zaprojektowany jest proces wokół narzędzi.

Co obejmuje to pojęcie, a czego nie

Analiza dokumentów: czytanie i wzajemne porównywanie tysięcy dokumentów due diligence, tak jak robi to dedykowany silnik analizy AI z pełną identyfikowalnością źródeł.

Strukturyzacja dowodów: porządkowanie wyekstrahowanych faktów w ustalenia, które łączą każde twierdzenie z dokumentem źródłowym.

Ujawnianie ryzyka: oznaczanie anomalii i kwestii ważonych pod kątem istotności do weryfikacji przez partnera.

Przygotowywanie raportów: tworzenie ustrukturyzowanych pierwszych wersji materiałów dostarczanych klientowi, które analitycy dopracowują, zamiast pisać je od zera.

Czego wyraźnie to nie obejmuje: automatycznej wyceny, autonomicznych decyzji inwestycyjnych ani zastępowania profesjonalnej oceny. Wniosek nadal należy do partnera, a wniosek badania o nadzorze człowieka potwierdza, że rynek się z tym zgadza.[1]

Dla partnerów i analityków doradztwa M&A praktyczne ujęcie to kwestia modelu operacyjnego, a nie lista zakupowa narzędzi. Kolejne sekcje rozbijają proces pracy butiku na cztery podstawowe wzorce oraz lekki nadzór, jakiego każdy z nich wymaga.

Due diligence wspierane przez AI przestało być eksperymentem wczesnych adaptatorów i stało się podstawowym oczekiwaniem w transakcjach. Badanie KPMG 2025 M&A Deal Market Study wykazało, że 77 procent ankietowanych uczestników rynku transakcji już wykorzystuje AI w swoich procesach M&A, a kolejne 19 procent planuje to wkrótce rozpocząć.[2] To samo badanie wskazuje ukończenie due diligence jako jedną z głównych przeszkód w zamykaniu transakcji, wymienianą przez 41 procent respondentów, ustępującą jedynie uzgodnieniu wyceny.[2] Odczytane razem, te dwie liczby definiują problem konkurencyjny: wąskie gardło przesunęło się z dostępu do narzędzi AI na zdolność do prowadzenia rygorystycznego due diligence, a większość rynku już się wokół tego przebudowuje.

Dla szczupłego butiku ta presja przychodzi wcześniej i uderza mocniej niż w przypadku dużego banku inwestycyjnego. Mandat sprzedażowy w segmencie średniej wielkości czy proces screeningu po stronie zakupowej generuje mniej więcej ten sam wolumen dokumentów, ten sam chaos w data roomie i te same pytania między strumieniami pracy co proces large-cap, ale zespół butiku przerabia to kilkoma analitykami zamiast wielopoziomowej ławki. Gdy partner jest jednocześnie recenzentem, walidatorem modelu i osobą kontaktową klienta, każda godzina ręcznej selekcji dokumentów, poszukiwania dowodów i formatowania notatek to godzina odebrana bezpośrednio pracy dla klienta i ocenie merytorycznej.

Ostrzeżenie o rosnącej przepaści

Analiza Deloitte dotycząca generatywnej AI w bankowości inwestycyjnej czyni tę asymetrię jawną. Prognozuje ona wzrost produktywności front office o 27 do 35 procent dla największych banków globalnych, przy czym dywizja bankowości inwestycyjnej, obejmująca doradztwo M&A i due diligence, odniesie największe korzyści — szacowane średnio 34 procent.[3] Ta sama analiza ostrzega, że w miarę wzrostu inwestycji wymaganych do rozwijania tych zdolności technologia może pogłębiać przepaść między uczestnikami rynku i stawiać mniejsze firmy butikowe w gorszej pozycji.[3] Deloitte wskazuje też siłę przeciwdziałającą: wzrosty produktywności mogą wyrównywać szanse, obniżając bariery wejścia i zaostrzając konkurencję.[3] Który efekt doświadczy butik, zależy od tego, czy przebuduje swoje procesy pracy, czy po prostu kupi narzędzia.

To rozróżnienie ma znaczenie, ponieważ ograniczeniem w skali butiku są godziny analityków, a nie ich zdolności. Kontrruchem nie jest zatem zatrudnianie ludzi, by dorównać ławce dużej firmy; chodzi o skompresowanie godzin, które pochłania każdy strumień pracy, tak aby ten sam zespół obsługiwał przegląd dokumentów, strukturyzację dowodów, pisanie notatek dla komitetu inwestycyjnego i wsparcie listy długiej po stronie sprzedaży z instytucjonalną rygorystycznością. Kolejne sekcje pokazują, jak ta kompresja działa w praktyce i jaki nadzór potrzebuje mały zespół, by prowadzić due diligence wspierane przez AI bez zaplecza w postaci działu operacyjnego.

77 procent uczestników rynku transakcji już wykorzystuje AI w procesach M&A, a kolejne 19 procent planuje to wkrótce (KPMG 2025 M&A Deal Market Study, badanie 300 amerykańskich specjalistów M&A).[2]

Ukończenie due diligence to główna przeszkoda w zamykaniu transakcji dla 41 procent respondentów, ustępująca jedynie uzgodnieniu wyceny (44 procent).[2]

Deloitte szacuje wzrost produktywności front office o 27 do 35 procent dla 14 największych globalnych banków inwestycyjnych, przy czym dywizja bankowości inwestycyjnej, obejmująca M&A i doradztwo, odniesie największe korzyści — szacowane 34 procent.[3]

Deloitte przestrzega, że w miarę wzrostu inwestycji potrzebnych do tych zdolności technologia może pogłębiać przepaść między uczestnikami rynku i stawiać mniejsze firmy butikowe w gorszej pozycji, nawet jeśli wzrosty produktywności mogą też obniżać bariery wejścia.[3]

Dla niewielkiego zespołu doradczego pytanie o model operacyjny nie dotyczy tego, jakie narzędzia kupić, lecz które procesy przebudować. Cztery z nich odpowiadają za większość godzin analitycznych w typowym zleceniu realizowanym przez butik: przegląd data roomu, strukturyzację dowodów, redagowanie notatek IC oraz wsparcie longlistu po stronie sprzedaży. Każdy z tych procesów ma dobrze ugruntowany wzorzec manualny, wykonalny wzorzec wspierany przez AI oraz punkt kontroli człowieka, który musi przetrwać tę transformację w niezmienionej formie. Skala potencjalnych korzyści jest realna, ale należy ją czytać jako prognozę, a nie obietnicę: Deloitte przewiduje, że generatywna AI może podnieść produktywność front office w największych globalnych bankach inwestycyjnych o 27% do 35%, przy czym zadania w pionie bankowości inwestycyjnej przynoszą średnio szacowane 34%, ponieważ wiążą się z bardziej powtarzalną pracą na dokumentach.[3]

Zmiana ekonomiczna we wszystkich czterech procesach jest ta sama: godziny analityczne przesuwają się z ekstrakcji na osąd. W wzorcu manualnym ograniczona zdolność seniorów butiku jest zużywana na lokalizowanie dokumentów, uzgadnianie wersji i ponowne formatowanie ustaleń. W wzorcu wspieranym przez AI maszyna przejmuje masowe czytanie i porównywanie krzyżowe, a punkt kontroli staje się miejscem, w którym firma faktycznie buduje swoją reputację analityczną. Dlatego kolumna punktu kontroli ma większe znaczenie niż kolumna narzędzi: butik, który automatyzuje przegląd, ale pomija weryfikację, zmienił swój profil ryzyka, a nie produktywność.

Dwie praktyczne uwagi dotyczące kolejności. Zacznij od przeglądu data roomu i strukturyzacji dowodów, ponieważ zasilają one wszystko, co następuje dalej, a ich jakość jest najłatwiejsza do audytu. Redagowanie notatek IC potraktuj jako drugą falę, ponieważ dziedziczy jakość leżącej pod nim warstwy dowodów. I utrzymuj warstwę koordynacji w polu widzenia: wspólne strumienie pracy oraz przegląd z udziałem eksperta, wspierane przez ustrukturyzowane środowisko pracy takie jak Collaboration Hub, to właśnie to, co zapobiega przekształceniu się czterech przebudowanych procesów w cztery nowe silosy.

Duże firmy instytucjonalizują nadzór poprzez dedykowane funkcje operacyjne i ryzyka. Butik nie ma ani jednych, ani drugich, co oznacza, że governance musi być wbudowany w sam proces pracy, a nie doklejany jako osobny dział. Dobra wiadomość jest taka, że kontrole najważniejsze w due diligence wspieranym przez AI są z założenia lekkie: każde ustalenie możliwe do prześledzenia do dokumentu źródłowego, każde twierdzenie wygenerowane przez AI weryfikowane przez konkretnego człowieka, zanim trafi do klienta lub komitetu inwestycyjnego. Badanie Deloitte „2026 Generative AI in M&A Pulse Study" potwierdza kierunek zmian: przegląd ludzki pozostaje najważniejszym wymogiem przy zastosowaniach GenAI wysokiego ryzyka, a praktyki weryfikujące wyniki AI są kluczowe właśnie dlatego, że procesy GenAI nie są dobrze widoczne.[1]

Dlaczego ustalenia zakotwiczone w źródłach są niepodważalne

Dane o ryzyku halucynacji są na tyle przygnębiające, że nieoparty na źródłach wynik AI należy traktować jako błąd kategorii, a nie drobny niedogodność. Analiza ryzyka AI w due diligence M&A autorstwa Deloitte Szwajcaria przywołała badania Stanforda z 2024 roku, z których wynika, że ogólnego przeznaczenia chatboty osiągały wskaźniki halucynacji od 58 do 88 procent przy pytaniach prawniczych, oraz badanie medyczne z 2024 roku, w którym GPT-4 zhalucynował 28,6 procent cytowań przy generowaniu bibliografii do przeglądów systematycznych.[4] Dla butiku, którego całym produktem jest wiarygodność analityczna, pojedyncze zmyślone cytowanie w raporcie due diligence to wydarzenie egzystencjalne. Dlatego ustalenia zakotwiczone w źródłach, z audytowalnym śladem data provenance prowadzącym do dokumentu źródłowego, są wymogiem bazowym, a nie opcjonalnym dodatkiem. Platformy zbudowane z myślą o tym dostarczają ustalenia i informacje o ryzyku ze śledzeniem źródeł i oceną pewności, dzięki czemu każde twierdzenie można sprawdzić względem dokumentu, z którego pochodzi.

Sygnały ostrzegawcze, na które warto uważać

Wnioski bez źródła: każde ustalenie wygenerowane przez AI, którego nie da się wywieść z konkretnego dokumentu, strony lub punktu danych, należy traktować co najwyżej jako hipotezę, a w najgorszym razie wykluczyć z materiałów dostarczanych klientowi.

Płynność mylona ze trafnością: duże modele językowe produkują pewne siebie, dobrze zorganizowane teksty niezależnie od tego, czy leżące u ich podstaw twierdzenie jest prawdziwe — elegancja stylu nie jest dowodem poprawności.

Niekontrolowane obiegi dokumentów: materiały due diligence wklejone do ogólnodostępnych chatbotów opuszczają strefę kontroli firmy, tworząc ryzyko dla poufności i ochrony danych, którego żadna szybkość analizy nie rekompensuje.

Kumulowanie się błędów między etapami: gdy wynik pracy AI zasila kolejny etap analizy bez weryfikacji, drobne nieścisłości narastają do dużych zniekształceń — to ryzyko propagacji, na które zwraca uwagę Deloitte w kontekście modeli agentowych.[4]

Lekkie mechanizmy kontroli, które zastępują dział governance

Trzy praktyki dają małemu zespołowi większość zabezpieczeń, jakie zapewniłaby rozbudowana funkcja operacyjna. Po pierwsze, weryfikacja z udziałem eksperta: ustalenia AI są klasyfikowane i zatwierdzane przez doświadczonego specjalistę, zanim trafią do rejestru ryzyka lub raportu — to właśnie ten mechanizm kontroli badanie pulsowe Deloitte wskazuje jako kluczowy wymóg w zastosowaniach o wysokiej wadze.[1] Po drugie, jedno wspólne środowisko pracy zamiast rozproszonych prywatnych czatów: gdy ustalenia, komentarze i dowody znajdują się w jednym miejscu podlegającym audytowi, weryfikacja staje się etapem procesu, a nie pracą detektywistyczną. Po trzecie, dostęp oparty na rolach i uprawnienia na poziomie dokumentów, dzięki czemu materiały wrażliwe widzą tylko osoby, które ich potrzebują. Narzędzia zaprojektowane dla tego modelu pracy, takie jak przestrzeń współpracy i workflow firmy Plausity, koordynują strumienie pracy i weryfikację ekspercką w jednym miejscu — i właśnie tak pięcioosobowy zespół prowadzi mechanizmy kontroli, które w dużym banku inwestycyjnym spoczywałyby na całym dziale operacyjnym.

Pętla zarządzania w skali butiku: każde ustalenie AI ma swoje źródło, przechodzi weryfikację ekspercką i dopiero wtedy trafia do materiałów dostarczanych klientowi. · Wygenerowane przez AI

Żadne z tego nie wymaga dodatkowych etatów. Wymaga jednorazowej decyzji firmy, że żadne twierdzenie bez źródła nie opuszcza jej murów, a następnie doboru narzędzi, które czynią z tej zasady ścieżkę najmniejszego oporu. Dla butików governance prowadzony w ten sposób nie jest kosztem ogólnym. To mechanizm, który pozwala małemu zespołowi wiarygodnie rościć sobie rygor analityczny znacznie większej organizacji.

W butiku pilot to zarazem governance. Niewielki zespół nie może sobie pozwić na narzędzie, które po cichu błędnie odczytuje umowy albo wymyśla zapis dotyczący zobowiązań, więc ocena musi odbywać się na Waszych własnych dokumentach, a nie na zestawie demonstracyjnym dostawcy. Cztery testy oddzielają narzędzia zdolne udźwignąć pracę transakcyjną od narzędzi, które tworzą dług weryfikacyjny.

Dokładność ekstrakcji na znanym próbce. Weź dziesięć do dwudziestu dokumentów, które już przeanalizowałeś ręcznie (umowę SPA, zestaw kontraktów klienta, pakiet sprawozdań zarządczych) i porównaj wynik narzędzia linijka po linijce. Sprawdzasz, czy myli ono zdefiniowane pojęcia, pomienia nowelizacje czy błędnie odczytuje tabele w skanach PDF.

Śledzalność źródła każdego ustalenia. Poproś narzędzie o uzasadnienie ustalenia i sprawdź, czy każde twierdzenie prowadzi do konkretnego dokumentu i strony. Jeśli ustalenia nie da się prześledzić, nie da się go obronić w dyskusji z komitetem inwestycyjnym ani w negocjacjach — i nie powinno trafić do Twojego workstreamu. Ta sama dyscyplina dotyczy pytań, które zadajesz w data room.

Zarządzanie danymi i kontrola poufności. Potwierdź, gdzie dokumenty są przetwarzane i przechowywane, kto ma do nich dostęp oraz jakie kontrole administracyjne istnieją dla wrażliwych materiałów transakcyjnych. Rynek zmierza w tym kierunku: ChatGPT for Financial Services od OpenAI, tworzony z partnerami projektowymi Morgan Stanley i Evercore, dostarcza cytowań pozwalających prześledzić wyniki do źródeł oraz kontroli administracyjnych dla danych enterprise.[5] Traktuj to jako punkt odniesienia, nie wyróżnik.

Dopasowanie do istniejącej struktury workstreamów. Przepuść przez narzędzie żywy workstream i sprawdź, czy wyniki trafiają tam, gdzie już pracuje Twój zespół, czy tworzą równoległy zestaw niesprawdzonych dokumentów, które ktoś musi później uzgodnić.

Każdy wynik niesie implikację transakcyjną. Słaba dokładność ekstrakcji oznacza, że narzędzie nadaje się do wstępnej selekcji, a nie do ustaleń. Brak śledzalności oznacza, że każdy wynik wymaga ludzkiej weryfikacji, zanim trafi do klienta lub komitetu inwestycyjnego, co niweczy oszczędność godzin analitycznych, która uzasadniała zakup. Słaba kontrola poufności dyskwalifikuje narzędzie z pracy na żywych danych transakcyjnych niezależnie od możliwości. Słabe dopasowanie do workflow to najczęstsza porażka: narzędzie działa, ale firma kończy z zarządzaniem dwoma systemami dokumentów, a ciężar weryfikacji spada dokładnie tam, gdzie butik ma najmniej zasobów.

Praktyczny standard jest prosty: narzędzie zasługuje na zaufanie dopiero wtedy, gdy jego ustalenia są śledzalne, jego kontrole są udokumentowane, a jego wyniki wpisują się w ustrukturyzowane workstreamy, które Twój zespół już prowadzi — czy to przegląd dokumentów w platformie takiej jak AI Analysis Engine, czy skoordynowany przegląd we wspólnej przestrzeni roboczej. Wszystko poniżej tego poziomu to pilotaż, który nigdy się nie kończy.

W odniesieniu do czterech opisanych powyżej workflow platforma Plausity dzieli się na pięć możliwości, z których każda jest przypisana do konkretnego etapu zlecenia butikowego. Ta sekcja ma charakter opisowy: co robi każdy komponent i gdzie mały zespół powinien utrzymać własny przegląd w pętli. Data Room Ingestion łączy się z wirtualnymi data roomami i skanuje pliki PDF, arkusze, kontrakty oraz modele finansowe w ciągu kilku minut, zastępując ręczny etap pobierania i indeksowania, który pochłania pierwsze dni większości butikowych transakcji — schemat opisany w naszym przewodniku po oprogramowaniu do analizy data roomów z wykorzystaniem AI. Dalej AI-Analysis Engine czyta i krzyżowo odwołuje się do tysięcy dokumentów, generując ustrukturyzowaną analizę due diligence ze śledzalnością źródeł, dzięki czemu każde ustalenie można zweryfikować względem dokumentu, z którego pochodzi.

Elementy łączą się od początku do końca: ingestion zasila warstwę analizy, wyniki analizy zasilają rejestr ryzyk i szkice deliverables, a Collaboration Hub utrzymuje spójność trzy- lub czteroosobowego zespołu w workstreamach, które większa firma obsadziłaby osobno. Przegląd ludzki występuje na każdym etapie, a nie na końcu: analitycy potwierdzają ustalenia względem źródeł, liderzy workstreamów rozstrzygają kwestie istotności, a partnerzy ponoszą ostateczną odpowiedzialność za ocenę. To podział zadań pozwala butikowi prowadzić proces na poziomie instytucjonalnym bez zespołu operacyjnego — i to jest model operacyjny stojący za pracą platformy z firmami doradztwa M&A oraz funduszami. Zaprojektowane dla dzisiejszych zespołów inwestycyjnych i transakcyjnych. Zaufało nam ponad 200 firm.

Ten playbook opłaca się tylko wtedy, gdy jest właściwie uszeregowany, a sekwencja zaczyna się, zanim przeczytany zostanie pierwszy dokument. Ponieważ due diligence często obejmuje tysiące dokumentów, wielu interesariuszy i sztywne terminy, zespoły, które najwięcej zyskują na workflow wspieranych przez AI, najpierw budują strukturę, a dopiero potem uruchamiają w niej narzędzia.[6] Przy swoim kolejnym żywym zleceniu przeprowadź następującą sekwencję:

Podłącz data room pierwszego dnia. Wykorzystaj Data Room Ingestion do skanowania VDR w miarę napływu materiałów, aby luki i brakujące pliki ujawniały się, gdy sprzedający może je jeszcze uzupełnić, a nie w trzecim tygodniu.

Zdefiniuj strumienie pracy i standardy dowodowe przed rozpoczęciem analizy. Uzgodnij, co stanowi ustalenie, jakie źródło musi być zacytowane i jaki próg istotności uruchamia eskalację, aby każdy strumień pracy dawał porównywalne rezultaty.

Kieruj ustalenia wykryte przez AI do weryfikacji partnera. Ustaw jasne progi, tak aby do uwagi partnerów trafiały tylko ustalenia powyżej zdefiniowanego poziomu istotności, wpływu finansowego lub ryzyka prawnego, wykorzystując risk register automation automatyzację rejestru ryzyk, aby zachować spójność dokumentacji.

Przygotuj notatkę dla IC lub materiały sell-side na podstawie ustrukturyzowanych ustaleń. Buduj narrację z bazy dowodowej, a nie z pamięci, kierując się dyscypliną IC memo reframing przeformułowania notatki IC.

Zamknij pętlę. Rejestruj każde otwarte pytanie, lukę dowodową i założenie, aby kolejny mandat dziedziczył standardy, zamiast tworzyć je od nowa.

Prowadź krótką listę kontrolną dowodów dla każdego strumienia pracy: finanse (uzgodnione sprawozdania, dane do analizy jakości zysków, mostek kapitału obrotowego), komercja (dane klientów, dowody churnu i cen, źródła wielkości rynku), prawo (materiałowe umowy, klauzule zmiany kontroli, spory) oraz operacje (organigramy, zależności od kluczowych osób, dokumentacja systemów). Każda pozycja powinna wskazywać właściciela i dokument źródłowy jeszcze przed rozpoczęciem analizy.

Nawyki zarządcze mają większe znaczenie niż narzędzia: jeden standard dowodowy w całej firmie, progi istotności uzgodnione z góry i wskazany recenzent dla każdego ustalenia wykrytego przez AI. Powtarzane przy każdej transakcji sprawiają, że rygorystyczność staje się systemowa, a nie heroiczna — i to właśnie one pozwalają małemu zespołowi stanąć za swoimi rezultatami przed komitetem inwestycyjnym lub kupującym.

Plausity to natywna platforma AI do Due Diligence i deal intelligence, która pomaga firmom doradczym M&A, funduszom VC i PE, zespołom corporate development oraz zespołom investment banking strukturyzować dowody, findings i pytania w ramach Data Room. Plausity wspiera ekstrakcję dowodów, source grounding, zarządzanie findings oraz przygotowanie Investment Committee — nie zastępuje analityków, doradców ani profesjonalistów inwestycyjnych, nie świadczy doradztwa prawnego, podatkowego, audytorskiego, regulacyjnego ani inwestycyjnego i nie podejmuje autonomicznych decyzji inwestycyjnych. Wszystkie findings wymagają weryfikacji przez człowieka. Zbudowana dla dzisiejszych zespołów inwestycyjnych i transakcyjnych. Zaufana przez ponad 200 firm.

Aby poznać kluczowe komponenty, zobacz silnik analizy AI Plausity oraz stronę Findings & Risk Intelligence. W kontekście workflow zespołowego zobacz, jak fundusze VC i PE oraz firmy doradcze M&A wykorzystują Plausity w aktywnych transakcjach.

1. [1] deloitte.com — https://www.deloitte.com/us/en/what-we-do/capabilities/mergers-acquisitions-restructuring/articles/m-and-a-generative-ai-study.html
2. [2] kpmg.com — https://kpmg.com/us/en/articles/2025/2025-ma-deal-market-study.html
3. [3] deloitte.com — https://www.deloitte.com/us/en/insights/industry/financial-services/generative-ai-in-investment-banking.html
4. [4] deloitte.com — https://www.deloitte.com/ch/en/services/consulting/perspectives/ai-hallucinations-new-risk-m-a.html
5. [5] openai.com — https://openai.com/index/introducing-chatgpt-financial-services
6. [6] mnacommunity.com — https://mnacommunity.com/insights/ma-data-room/