M&AのDDにAIをどう使うか——できること・できないこと・専門家との分担ライン

M&AのデューデリジェンスにAIを活用する動きは、ここ2〜3年で急速に広がりました。大量のドキュメントを横断して論点を抽出したり、市場データを素早く収集・整理したりする用途では、AIは明確に人間の作業時間を削減します。

ただし「AIで何でもできる」というわけではない。特にビジネスDD（BDD）における対象会社の本質的な評価や、経営陣・キーパーソンへのヒアリングで得る定性情報の解釈は、AIが苦手とする領域です。使える場面と使えない場面を整理せずに導入すると、スピードは上がっても精度が下がるという逆効果になることがあります。

AIが最も効果を発揮するのは、「大量の情報から必要なものを拾い出す」作業です。人間が1日かけてやる文献調査や資料の読み込みを、AIは数分でこなせる。この速度差を活かせる工程は、DDの中に複数あります。

• 市場規模・競合動向の情報収集と一次整理

• 契約書・財務資料など大量ドキュメントの横断検索

• 業種別のリスク論点リストの初稿作成

• 公開情報をもとにした対象会社のプロファイリング

• ヒアリング議事録の要点抽出と論点整理

• 経営陣の人物評価・信頼性の判断

• 顧客インタビューから得る定性的な肌感覚

• 財務数値の「異常値」の背景にある意図の読み取り

• 業界特有の慣行・暗黙知の評価

• 買収価格交渉における判断

重要なのは、AIが出力した情報をそのまま使わないことです。AIは「それらしい答え」を出すことに長けていますが、DDで必要なのは「正しい答え」です。AIの出力を叩き台として、専門家が内容を検証する工程を必ず設ける必要があります。

ビジネスDD（BDD）でAIが最も効果を発揮するのは、市場・競合の情報収集フェーズです。対象会社が属する市場の規模・成長率・主要プレイヤーを把握する作業は、以前であれば調査会社のレポートを購入するか、アナリストが数日かけて行うものでした。AIを使えば、一次情報の収集と整理を数時間に短縮できます。

具体的には、複数のウェブサイトから大量の一次データを自動取得し、そのままスプレッドシートに一覧化するという作業が、AIを使えばほぼ自動で完結します。業界ニュース・プレスリリース・規制情報・価格データ——従来はリサーチャーが手作業で収集・入力していたものを、AIが構造化されたデータとして出力できる。競合10社の情報を横並びにした比較表を人間が作れば半日かかるところを、AIは数十分で叩き台を生成します。この「一次データの取得から一覧化まで」を短時間でこなせることが、BDDの初期フェーズで特に効いてきます。

競合分析では、各社の決算資料・プレスリリース・採用情報を横断的に読み込み、戦略の方向性や注力領域を推定する作業にAIが有効です。競合がどのキーワードで採用を強化しているかを見るだけで、事業の重点が見えることがあります。

DD-AXが積み上げてきたナレッジとの組み合わせ

ただし、汎用のAIツールをそのままBDDに使っても、DD固有の論点設計がなければ調査の抜け漏れは防げません。大量の情報を速く収集できても、「その案件で何が重要な論点か」を設計するのは人間の役割です。DD-AXでは複数の案件を通じてDDにフォーカスしたナレッジを蓄積しており、業種別の調査論点・現場でよく見る失敗パターン・AIに任せられる工程の境界線を、設計段階から組み込んでいます。「AIを使う」だけでなく、「DDのナレッジを持った上でAIを動かす」という違いが、予め失敗を回避しながら効率化するという成果につながります。

BDDにおけるAI活用の限界

一方、顧客インタビューやエキスパートインタビューから得られる情報はAIでは代替できません。「顧客がその会社に発注し続ける理由」「他社に乗り換えない本当の理由」は、対話の中でしか出てこない。筆者の経験では、BDDで最も重要な発見の多くがインタビューの場での「ちょっと気になる一言」から始まっています。AIはインタビューのアジェンダ作成や事後の要点整理には使えますが、インタビュー自体の代わりにはなりません。

ITデューデリジェンス（IT-DD）は、AIと相性がいい領域の一つです。対象会社から提出されるシステム仕様書・契約書・セキュリティポリシー・障害報告書などのドキュメントを横断的に読み込み、リスク論点を抽出する作業は、AIの得意とするところです。

特に有効なのは、大量の契約書から特定の条項（チェンジオブコントロール条項や自動更新条項など）を探し出す作業です。数十本のベンダー契約を人間が1本ずつ読んでいくと数日かかる作業が、AIを使えば数時間に短縮できます。抽出精度は100%ではないため、重要な契約については専門家が最終確認を行う必要がありますが、スクリーニングとしての役割は十分果たせます。

IT-DDでAIが苦手なこと

ソースコードの品質評価や、特定のシステムが「業務上どれだけクリティカルか」という評価は、AIだけでは難しいです。コードの読み取り自体はAIが得意ですが、「このコードが実際の業務フローのどこに位置しているか」を判断するには現場知識が必要で、エンジニアによる実地確認が不可欠です。

AI活用が裏目に出るケースには、いくつかの共通した構造があります。問題はAI自体の性能よりも、使い方の設計に起因することがほとんどです。

よく見るパターン

• **AIの出力をそのまま報告書に転用する：**AIが生成した文章は「それらしい」ため、内容の検証なく使われることがある。事実誤認や業界固有の誤りが混入するリスクがある
• 論点設計をAIに任せる：「このDD案件で何を調べるべきか」という問いをAIに出すと、汎用的な論点リストが返ってくる。案件固有の重要論点は、業界知識と案件背景を持つ人間が設計する必要がある
• **ヒアリングの代わりに使う：**公開情報から得られる情報には限界がある。「AIで調べたので現地調査は省略」という判断は、DDの品質を根本から損なう

AIが「速く・安く」情報を出せるということは、「検証しないまま使うリスク」も速く積み上がるということです。AIを使うほど、専門家によるレビュー工程の設計が重要になります。

DD-AXでは、AIと専門家の分担を「情報の処理速度」と「判断の質」という2軸で設計しています。大量の情報を速く処理する工程はAIが担い、その情報に意味を与え買収判断に繋げる工程は専門家が担う——この原則を案件ごとに具体的な工程に落とし込むことが、AIを使ったDDの設計の核心です。

費用の観点でも、この分担は合理的です。専門家が1時間かけてやっていた情報収集をAIが10分でこなせれば、専門家はその分だけ分析・判断に時間を使えます。同じコストでより深い分析ができる、あるいは同じ深さの分析をより安いコストで実現できる、という選択肢が生まれます。

ただし、「AIを使えば安くなる」という単純な話ではありません。AIの出力を検証するレビュー工程のコストを見落とすと、かえって工数が増えることもあります。AI活用のコスト試算は、ツールの料金だけでなく、レビュー工程の設計まで含めて考える必要があります。