Documentos em falta na due diligence: como a IA encontra lacunas de evidência

Documentos em falta na due diligence: como a IA encontra lacunas de evidência

Uma lacuna de evidência é qualquer questão de diligência para a qual a documentação de suporte está em falta, não assinada, incompleta ou inconsistente com o resto da sala de dados. É o espelho de um sinal de alerta: um sinal de alerta é um documento que diz algo preocupante, enquanto uma lacuna de evidência é a ausência de um documento que deveria estar lá. Um anexo referenciado num contrato mas nunca arquivado, uma deliberação do conselho sem assinaturas, um acordo de cliente citado no CIM mas ausente da sala, uma divulgação que a lista de pedidos exige e que o vendedor nunca forneceu. Cada um destes casos é um achado por si só, e cada um merece o mesmo rigor que qualquer documento que a equipa realmente lê.

A pressão para acertar nisto está a aumentar. No quarto trimestre de 2025, a SRS Acquiom e a Mergermarket inquiriram 150 quadros superiores de bancos de investimento norte-americanos boutique, de dimensão média e de grande dimensão, e quase três quartos (73%) esperam que o processo de due diligence em M&A se torne mais complexo nos próximos 12 a 24 meses.[1] Na edição do quarto trimestre de 2023 do mesmo estudo, 64% dos inquiridos relataram que a diligência já levava mais tempo do que antes da pandemia, e o maior desafio do lado do comprador era verificar a informação recebida, com 31% dos votos entre os dois primeiros lugares.[2] Verificar informação é exatamente onde as lacunas vivem: o material mais difícil de verificar é o material que não está lá.

Uma lacuna de evidência é qualquer questão de due diligence que a data room não consegue responder com documentação suficiente, assinada e atual. É o espelho de uma constatação: em vez de perguntar o que um documento diz, a equipa pergunta qual documento deveria existir para sustentar uma determinada resposta e, em seguida, verifica se ele está realmente lá. Uma constatação sem a sua evidência de suporte é uma suposição, e as suposições têm a tendência de ressurgir como passivos pós-fechamento.

Valorização: os pressupostos assentam em documentos que ninguém verificou, pelo que a avaliação transporta risco não quantificado.

Cronograma: lacunas descobertas tarde obrigam a perseguições de documentos que comprimem o trabalho de confirmação em dias.

Proteção contratual: um risco que ninguém consegue evidenciar é difícil de converter numa declaração, garantia ou indemnização específica.

Credibilidade junto do comité: uma minuta do IC com lacunas inexplicadas convida a contestações que travam a decisão.

As lacunas de evidência agrupam-se em quatro tipos recorrentes. Cada uma falha num teste diferente, e cada uma exige uma resposta diferente da equipa de transação.

Anexos e tabelas em falta: o contrato principal está na sala, mas a tabela de preços, a lista de clientes ou o anexo que ele referencia não está, pelo que as condições comerciais não podem ser verificadas.

Contratos não assinados ou não celebrados: o texto do contrato existe, mas não há página de assinaturas, nem contraparte executada, nem histórico de aditamentos, o que significa que a obrigação pode nunca ter vinculado qualquer das partes.

Divulgações ausentes: registos de litígios, tabelas de transações com partes relacionadas, registos de propriedade intelectual ou correspondência regulamentar que um processo bem gerido conteria simplesmente não são fornecidos.

Pastas da data room incompletas ou vazias: uma estrutura de pastas que promete conteúdo que não entrega, como uma pasta fiscal vazia ou uma pasta de contratos de clientes com apenas um punhado de contratos-modelo.

Uma lista de lacunas só é tão útil quanto a classificação que lhe está subjacente. Quatro tipos cobrem a maior parte do que as equipas de transação encontram, e mantê-los separados importa porque cada tipo comporta um remédio diferente e um nível de preocupação diferente.

As equipas de transação não precisam apenas de analisar os documentos que têm; precisam de saber qual a evidência de suporte que está em falta ou é insuficiente. Em 2025, apenas as constatações de due diligence fora do QoE representaram 25,3% das cartas de intenção executadas que fracassaram, mais do que qualquer outra causa isolada.[3] Este guia apresenta um quadro para classificar lacunas de evidência, como a due diligence apoiada por IA as revela e o que cada lacuna significa para a lista de perguntas e respostas ao vendedor e para o âmbito confirmatório.

A taxonomia de quatro tipos para classificar lacunas de evidência nas frentes de trabalho de diligência. · Gerado por IA

A deteção manual de lacunas enfrenta dificuldades à escala das data rooms modernas. Num inquérito da SRS Acquiom e da Mergermarket do terceiro trimestre de 2024, junto de 150 quadros superiores de bancos de investimento dos EUA, 40% dos respondentes de boutiques apontaram a informação incompleta sobre a empresa-alvo como um dos maiores obstáculos de due diligence na sua mais recente transação do lado comprador. O volume agrava o problema: a ICAEW reporta que o número de documentos nas data rooms aumentou 32% num único ano.[4] Quando a sala cresce um terço por ano, acompanhar o que está ausente lendo o que está presente torna-se uma tarefa humana pouco fiável — e é precisamente aí que a verificação cruzada apoiada por IA ganha o seu lugar.

A revisão apoiada por IA muda o que é economicamente viável aqui. A análise da EY sobre IA na due diligence de M&A dá um exemplo concreto: quando um relatório anual menciona a venda de um imóvel, o software pode verificar se a documentação habitual para tal venda está presente e, em segundos, sinalizar uma escritura notarial em falta ou uma declaração fiscal cujo preço de compra não corresponde às demonstrações financeiras.[5] A mesma lógica se aplica a qualquer facto declarado que implique um rasto documental: uma aquisição divulgada implica um contrato de compra e venda, um dividendo implica formulários fiscais, uma patente implica uma cessão. As ferramentas genéricas tendem a ler lacunas de dados como não problemas, em vez de divulgações não preenchidas, razão pela qual a cegueira a documentos em falta é tratada como um modo de falha distinto na due diligence sensível ao contexto.

Uma lacuna de evidência é qualquer questão de due diligence para a qual a documentação de suporte está em falta, não assinada, incompleta ou inconsistente com o resto da data room. É o espelho de um sinal de alerta: um sinal de alerta é um documento que diz algo preocupante, enquanto uma lacuna de evidência é a ausência, ou a insuficiência, de um documento que deveria estar lá. Uma tabela referenciada num contrato mas nunca arquivada, uma deliberação do conselho sem assinaturas, um contrato de cliente citado no CIM mas ausente da sala, uma divulgação que a lista de pedidos espera e que o vendedor nunca forneceu. Cada um destes casos é uma constatação por direito próprio, e cada um merece o mesmo rigor que qualquer documento que a equipa realmente lê. As lacunas assumem duas formas, e essa distinção determina a resposta.

A dimensão da lista de pedidos é a primeira coisa a respeitar. O modelo de checklist de due diligence de M&A da Bloomberg Law abrange 174 tipos de documentos, abrangendo governança corporativa, demonstrações financeiras, propriedade, propriedade intelectual, contratos relevantes, emprego e ESG.[6] Perante uma lista dessa amplitude, testar a existência de lacunas fluxo de trabalho a fluxo de trabalho mantém o exercício tratável e garante que nenhuma pasta fica isenta de escrutínio.

Uma lacuna não detetada raramente é neutra. Propaga-se pela transação de formas previsíveis: as rondas de perguntas e respostas param enquanto o comprador espera por tabelas que nunca foram carregadas, as negociações de preço reabrem quando uma divulgação em falta surge tarde, as exigências de indemnização endurecem porque o comprador não consegue precificar o que não consegue ver, e surpresas pós-fechamento emergem de obrigações que ninguém verificou porque o contrato executado nunca esteve na sala. O custo não é apenas o atraso; é uma posição de negociação pior em condições que eram conhecíveis mais cedo.

A pressão é estrutural, não cíclica. No estudo Best Practices in M&A Due Diligence 2026 da SRS Acquiom, 73% dos banqueiros de investimento seniores inquiridos esperam que o processo de due diligence se torne mais complexo nos próximos 12 a 24 meses e, entre os respondentes que reportam prazos mais longos, 57% dizem que foram acrescentados um a três meses adicionais ao processo.[1] Nesse contexto, uma lacuna que surge na sexta semana de um período de exclusividade de oito semanas é materialmente mais cara do que a mesma lacuna surgida na primeira semana.

Dois hábitos tornam o checklist eficaz. Primeiro, cada pedido deve corresponder a uma pergunta de due diligence, para que uma resposta em falta tenha um responsável e uma consequência, em vez de uma caixa de seleção vazia. Segundo, o checklist deve ser aplicado à sala de dados tal como recebida, e não ao índice do vendedor, porque as estruturas de pastas são frequentemente inconsistentes e o índice não é evidência. As equipas que ancoram a revisão num checklist estruturado, como num AI due diligence checklist checklist de due diligence com IA para criação de valor em private equity, detetam lacunas mais cedo porque a expectativa e o recebimento são comparados de forma sistemática e não de memória.

Ausência de evidência: a sala de dados não contém documento algum para uma alegação que foi feita. O modelo financeiro refere um contrato-mestre assinado, o inventário de PI lista uma cessão de um prestador de serviços, ou o DDQ afirma a existência de um plano de resposta a incidentes de cibersegurança — e nenhum desses documentos existe em qualquer parte da sala.

Insuficiência de evidência: existe um documento, mas ele não cumpre a função. O acordo não está assinado ou está em fase de rascunho, a apólice expirou, a versão na sala foi substituída por um aditamento posterior que ninguém carregou, ou o inventário cobre apenas parte do período ou das entidades que a alegação abrange.

Certos padrões devem levantar suspeitas antes de qualquer ferramenta ser executada, porque quase sempre indicam que falta evidência em algum ponto do corpus.

Há também uma dimensão competitiva. O Deloitte's 2026 Generative AI in M&A Pulse Study conclui que 90% das organizações já utilizam IA em processos de M&A.[7] Quando nove em cada dez equipas recorrem a revisão apoiada por IA, a questão de base deixa de ser se se deve usar IA para passar a ser contra o que a IA é efetivamente testada. As equipas que apenas resumem os documentos que têm continuam expostas aos documentos que ninguém forneceu; as equipas que também interrogam a sala sobre o que falta fecham esse flanco.

Referências a cronogramas, anexos ou apêndices que nunca aparecem em lugar nenhum da sala de dados.

Versões não assinadas ou rascunhos de documentos que deveriam estar executados, como resoluções do conselho sem as assinaturas necessárias.

Valores nos materiais de gestão que nenhum documento da sala de dados reconcilia, desde receitas por segmento até ao número de efetivos.

Pastas que permanecem vazias ou visivelmente esvaziadas já avançada a exclusividade, sobretudo em temas fiscais, de PI ou regulamentares.

Os exemplos práticos da EY mostram como estes padrões se concretizam em questões identificadas: um dividendo pago sem retenção na fonte deduzida e sem certificado de convenção ou formulários fiscais relacionados disponíveis na sala, e resoluções do conselho que não cumprem as regras societárias aplicáveis porque lhes faltam as assinaturas necessárias.[5] O inverso também se aplica, e vale a pena dizê-lo à gestão desde cedo: um conjunto documental completo, consistente e assinado é em si um sinal de qualidade de gestão, e a sua ausência também é um sinal. As equipas que submetem cada conclusão a um padrão baseado em fontes, no espírito das high-conviction investment decisions decisões de investimento de alta convicção, tendem a revelar estes sinais enquanto ainda há tempo para agir sobre eles.

As lacunas são perigosas pela forma como os compradores reagem a elas. Um comprador que não consegue verificar uma alegação não conclui que ela está correta; assume o pior até que o vendedor explique a falha, e explicações que chegam tarde custam poder de negociação. O que está em jogo é mensurável. O Axial's 2025 Dead Deal Report, que analisou 75 transações mal sucedidas, concluiu que as conclusões de due diligence não relacionadas com QoE foram o motivo mais comum de LOIs assinados caírem, com 25,3%, às quais se somam 21,3% de discrepâncias de EBITDA detetadas no QoE.[3] As conclusões decorrentes da due diligence superam hoje o financiamento, o vilão histórico, apontado em 10,7% dos casos.[3] A verificação, e não o capital, é hoje o que mata transações.

A deteção sistemática de lacunas parte de uma linha de base de evidência esperada: para cada pergunta material de due diligence, a equipa define que documentos deveriam existir caso a resposta esteja devidamente suportada e, em seguida, mede a sala face a essa expectativa. A comparação nunca é uma contagem de ficheiros. Uma pasta pode estar cheia e ainda assim não responder à pergunta, e um único inventário assinado pode valer mais do que cinquenta páginas de material de marketing.

Uma lacuna revelada só vale a análise se alterar o processo. A primeira alteração está na lista de Q&A com o vendedor: cada lacuna deve tornar-se uma pergunta específica e fundamentada, ligada ao documento ou divulgação ausente, com prazo e responsável. 'Favor fornecer todos os contratos relevantes' convida a um despejo de pastas; 'o CIM refere acordos com clientes que representam os 10% principais da receita, favor fornecer as versões assinadas' convida a um documento, e essa formulação espelha a forma como as listas de pedidos jurídicas padrão estruturam o pedido.[6] É a mesma disciplina que rege o cruzamento de dados financeiros, em que cada exceção se torna uma consulta verificável em vez de uma preocupação vaga.

Converter cada lacuna classificada num item específico de Q&A com o vendedor, com a sua referência de origem e prazo de resposta.

Alimentar a lista de lacunas no âmbito da due diligence confirmatória após a LOI, a fase cujo objetivo é verificar os pressupostos feitos sobre a empresa-alvo e revelar os riscos que o comprador está prestes a assumir.

Acompanhar o encerramento: uma lacuna que se encerra com um documento está resolvida, uma lacuna que se encerra com uma explicação torna-se uma conclusão de due diligence, e uma lacuna que permanece aberta torna-se um ponto de negociação.

O modelo de evidência esperada: a cobertura é testada contra o que deveria existir, não contra o que foi carregado. · Gerado por IA

As lacunas não resolvidas fluem depois para o contrato de compra e venda. Lacunas geríveis são tratadas através de declarações, garantias e cláusulas de indemnização; conclusões significativas normalmente reabrem a negociação do preço de compra; e questões que não podem ser resolvidas ou mitigadas podem levar o comprador a desistir por completo. Para as consultoras que precisam de que este tratamento seja consistente entre transações e equipas, um registo de lacunas classificadas é o que torna o passo da conclusão à linguagem contratual repetível, em vez de depender de quem por acaso conduz o fluxo de trabalho.

Definir a pergunta da área de trabalho. Enunciá-la com precisão: não «rever contratos de clientes», mas «os dez principais contratos de receita contêm cláusulas de mudança de controlo que exigem consentimento?»

Listar os documentos que deveriam existir para responder a ela. Acordos assinados, inventários e aditamentos, calendários de divulgação, aprovações do conselho, registos, correspondência com contrapartes.

Verificar a cobertura face ao que a sala de dados realmente contém. Comparar a lista esperada com a sala, documento a documento, incluindo versões e estado de assinatura.

Classificar cada lacuna. Ausente (nunca fornecida), não assinada (texto sem execução), inconsistente (documentos que se contradizem) ou desatualizada (substituída, sem data ou caducada).

O espaço de trabalho apoia este fluxo de ponta a ponta, e os seus módulos correspondem diretamente à estrutura acima.

A etapa de classificação é o que transforma uma lista de ausências num produto de trabalho acionável, porque cada classe conduz a uma ação diferente a jusante: documentos em falta tornam-se pedidos de informação, acordos não assinados tornam-se confirmações de assinatura ou condições de fecho, inconsistências tornam-se perguntas e respostas direcionadas, e documentos desatualizados tornam-se pedidos de atualização. A diretriz de Due Diligence Financeira da ICAEW, escrita por especialistas em finanças corporativas da PwC, enquadra a mesma divisão de trabalho: a IA e a análise de dados, combinadas, de forma crítica, com supervisão humana, permitem um nível de perceção significativamente maior do que qualquer uma delas isoladamente.[4] A máquina compara a sala de dados com a linha de base; a equipa de transação decide o que cada lacuna significa para o preço, as condições e o processo.

A Data Room Ingestion conecta-se à VDR e processa PDFs, planilhas, contratos e modelos financeiros, classificando cada documento para que todo o corpus seja analisável, e mapeia o que foi recebido em relação ao que é esperado para cada frente de trabalho.

A AI-Analysis Engine lê e cruza documentos entre as frentes de trabalho e ajuda os usuários a identificar documentação de suporte ausente ou insuficiente para as perguntas de due diligence, com cada resultado vinculado de volta ao documento e à página de origem.

A Findings & Risk Intelligence avalia as constatações identificadas por materialidade, impacto financeiro, exposição jurídica e relevância para a transação, de modo que as lacunas sejam priorizadas em vez de meramente listadas.

O Collaboration Hub alinha as frentes de trabalho e compartilha insights em tempo real, e o Report Builder leva as constatações de lacunas para entregáveis rastreáveis à fonte para comitês e clientes.

Os limites são tão importantes quanto as capacidades. A plataforma não identifica automaticamente todos os documentos ausentes, não garante a integridade de nenhum data room e não substitui a revisão profissional: todas as constatações exigem validação humana pela equipe da transação. Ela estrutura e acelera a análise de lacunas; o julgamento sobre o que uma lacuna significa para o preço, a proteção contratual ou a viabilidade da transação permanece com a equipe. O mesmo vale para seu trabalho com assessorias de M&A e fundos: ela apoia o processo, não conduz a transação.

O modelo de evidência esperada torna-se prático quando é aplicado fluxo de trabalho a fluxo de trabalho. Os testes abaixo são deliberadamente formulados como uma pergunta mais o documento que deveria respondê-la, porque é esse emparelhamento que torna uma ausência visível: se o documento não estiver na sala de dados, a pergunta permanece aberta, diga o que disser o memorando de síntese.

Trate a identificação de lacunas como um processo contínuo desde o primeiro dia, e não como uma limpeza na fase de relatório. Uma sequência viável:

Ingira o data room cedo e aplique a taxonomia de quatro tipos de lacunas à lista de solicitações já na primeira semana, não na fase de relatório.

Registre cada lacuna com sua referência de origem e classifique-a como ausente, não assinada, inexistente ou insuficiente.

Envie as lacunas classificadas para a lista de perguntas e respostas do vendedor em lotes, cada uma com prazo e responsável.

Reexecute as verificações de lacunas à medida que novos documentos chegam e acompanhe as taxas de fechamento ao longo do processo.

Leve as lacunas não resolvidas para o escopo confirmatório e para a negociação do contrato de compra, onde se tornam declarações e garantias, indenizações, condições ou ajustes de preço.

A divisão de trabalho é o ponto central. A IA estrutura o corpus, cruza o que foi recebido com o que era esperado e identifica as lacunas em escala; a equipe da transação detém o julgamento sobre materialidade, remediação e postura de negociação. É assim que a automação do fluxo de due diligence deve funcionar, com as ferramentas cuidando do volume e os profissionais tomando as decisões. Criada para as equipes de investimento e de transações de hoje e confiada por mais de 200 empresas, a Plausity foi projetada para se encaixar nessa divisão de trabalho na sua próxima transação.

Dois achados dão urgência a esta checklist. Primeiro, a informação incompleta sobre a empresa-alvo é um dos maiores obstáculos da due diligence: os 40% de respondentes de bancos boutique citados acima apontaram-na entre os maiores obstáculos na sua transação de compra mais recente. Segundo, a própria revisão está a mudar de caráter. A Houthoff observa que a IA tornou a análise de documentos, que antes levava semanas aos advogados, mais rápida e eficiente, e que o foco está a deslocar-se da recolha de factos para a perceção estratégica.[8] À medida que as máquinas absorvem a recolha de factos, a contribuição humana concentra-se exatamente onde vive a análise de lacunas: julgar quais ausências importam e quanto valem.

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/