M&AのDDがAIで安く・速いのに品質が落ちない理由——工程分担の実際

「AIを使うから安くて速い」と聞いて、まず疑うのは品質ではないでしょうか。安かろう悪かろう——買収判断を左右するM&Aのデューデリジェンスで、それをやられては困ります。その警戒は、まっとうです。

はっきりさせておきたいのは、DD-AXが削っているのは「作業の時間」であって、「判断の深さ」ではないという点です。DDの品質を決めるのは、集めた情報をどう読み、どこに買収の地雷を見つけるかという判断にあります。そこは専門家が握ったまま、その手前にある膨大な作業——リサーチ、財務・事業計画モデルの組み立て、大量資料の読み込み——をAIが圧縮する。だからコストと時間だけが下がり、判断の質は落ちません。

DDの工程を分解すると、性質の違う2種類の仕事が混ざっています。ひとつは作業——資料を読む、数字を並べる、市場データを集める、契約書から条項を探す。もうひとつは判断——その情報が買収にとって重要か、異常値の裏に何があるか、この経営者は退任後も約束を守るか。

大手ファームのDDが高くつく理由のひとつは、前者の作業に人月を積むからだと筆者は見ています。アナリストが何人も張りついて資料を読み、表を作る。その人件費が見積もりに乗ります。もちろんそれは品質が低いという話ではなく、海外子会社が複数絡む大型クロスボーダー案件のように、その人海戦術と総合力がそのまま価値になる場面も多い。ブランドの安心料に意味がないとも言いません。ただ一方で、買収の成否を分けるのは後者の判断で、ここは人を増やすほど良くなるわけではない。経験の浅い人が10人いるより、修羅場を見てきた人が1人いるほうが効く領域です。

だとすれば、削るべきは作業のコスト、守るべきは判断の質。AIが速いのは作業のほうだけ、というのは都合がいいくらいに噛み合っています。ただし、AIに作業を渡したぶん、その出力を鵜呑みにすれば品質はかえって落ちる。ここを外さない設計が要ります。具体的に、特に効率化が効く3つの工程で見ていきます。

市場規模・競合動向・公開情報の収集は、DDの中でもっとも時間を食う作業のひとつです。以前なら調査会社のレポートを買うか、リサーチャーが数日かけて手で集めていました。AIを使えば、複数のサイトから一次データを取得して一覧化するところまで、数時間どころか数十分で叩き台になります。

ここで落とせない区別があります。集める速度はAIに任せられても、何を集めるべきか・集めた数字をどう読むかは人の仕事だということ。同じ市場データでも、「この対象会社が実際に戦っているセグメントはどこか」を設計せずにAIへ投げれば、市場全体の景気のいい数字だけが返ってきて、肝心の縮小セグメントが見えません。論点の設計と解釈は、業種を見てきた専門家が握ります。

そしてリサーチをAIに任せた瞬間に生まれる、固有の落とし穴があります。出典の捏造です。生成AIは数字に出典を添えて返してくることがありますが、その出典自体が存在しない調査名だったり、年号や発行元が実在の機関名を勝手に組み替えたものだったりする。手で集めていた頃には起き得なかった失敗様式で、しかも体裁が整っているぶん見抜きにくい。筆者のチームでは、AIが出した数字は出典の一次ソースに当たって裏が取れたものだけを論点に使い、裏が取れない数字は「未確認」として報告書から外す、という運用を徹底しています。集める速度を上げた代償を、検証の規律で相殺しているわけです。

顧客やエキスパートへのヒアリングも同じで、AIはアジェンダ作成や議事録の要点整理には使えても、対話の中の「ちょっと気になる一言」を拾うのは人の役割のままです。

買収後の事業計画モデルや感応度分析（売上が2割落ちたら、原価が上がったら、を振るシミュレーション）は、組み立てるだけでかなりの手間がかかります。過去の財務データを整理し、ドライバーを設定し、複数シナリオで回す。この「型に沿った組み立て」は、AIがもっとも時間を圧縮できる作業のひとつです。叩き台のモデルとシナリオ別の数字までは、短時間で出せます。

ただ、モデルの精度を決めるのは計算ではなく前提です。成長率を何%置くか、いまの利益を正常収益力としてどこまで信じるか、シナジーをいつから織り込むか。ここを楽観的に置けば、どれだけ精緻なモデルでも結論は絵に描いた餅になります。前提の妥当性は、ビジネスDDの市場・競合評価と突き合わせて人が疑う。最終的なバリュエーションへの落とし込みも同じです。

この工程でAIに任せてはいけない一線は、前提値の置き方だけではありません。ドライバーの構造そのものをAIに設計させることです。「売上をどう分解するか」——単価×数量で見るのか、既存顧客の継続率×新規獲得で見るのか——は、その業種のビジネスモデルをどう理解しているかの表明であり、ここを取り違えると感応度分析の振り先がまるごとずれます。AIは指示すれば一見もっともらしいドライバー構造を提案しますが、それが対象会社の収益の実態と合っているかは判断していない。前提の数字は後から差し替えられても、モデルの骨格が間違っていると気づくのは難しい。だから筆者のチームは、ドライバーの定義は人が決めてからAIに組ませる順番を崩しません。

データルーム（VDR）に積まれる資料は、案件によっては数百ファイルに及びます。財務諸表の附属明細、稟議書、取引先別の売掛一覧、関係者との契約。これを人が頭から読むと数日溶けますが、横断して特定の項目を拾い出す作業はAIが速い。「貸付金」「関係者取引」「保証債務」といった切り口で全資料をスクリーニングし、一覧化するところまでは短時間で済みます。

ただ、拾ったリストの中でどれが「異常」かに気づくのは人です。AIは項目を漏れなく並べますが、「この役員貸付の金額と時期は不自然」「この売掛の回収サイトだけ業界慣行から外れている」という違和感は、数字を見てきた経験から来ます。IT-DDで大量の契約書からチェンジオブコントロール条項を拾う作業も構図は同じで、スクリーニングはAI、最終確認は専門家、という分担になります。

この工程に固有の落とし穴は、「漏れなく並べた」という言葉を信じすぎることにあります。AIが網羅できるのは、あくまで機械が読める範囲です。スキャンしただけの画像PDF、手書きのメモ、そもそもVDRに上がっていない資料は、AIの一覧には最初から現れない。にもかかわらず「AIが全件拾った」という体裁は、人に「もう見落としはない」という誤った安心を与えます。本当の抜けは、リストに載った異常値ではなく、リストにすら載らなかった資料の側に潜んでいることが多い。だから担当は、AIが拾った一覧を見る前に「この案件で当然あるはずの資料は何か」を先に書き出し、一覧と突き合わせて“無いもの”を探します。網羅したという感覚そのものを疑うのが、この工程で人に残る仕事です。

ここまでの3工程に共通するのは、「AIが作業を速くするほど、検証しないまま使うリスクも速く積み上がる」という構造です。だからDD-AXでは、安さと速さが品質を侵さないための歯止めを工程に組み込んでいます。依頼する側の不安に、どう答えているかで並べます。

特に最後の守秘は、AI活用への不安の核心です。「効率化のために何でもAIに流し込む」のではなく、どの資料をどのツールに渡すかを案件ごとに線引きする——ここを曖昧にしたままの“安い・速い”は、むしろ信用できないと筆者は考えています。

この工程分担が最も効くのは、DDを何度も繰り返す買い手です。同業を連続して買うロールアップやファンドでは、1件目で作った論点の型をAIの一次分析の入力として再利用でき、回を重ねるほど作業が圧縮され、専門家は案件固有の急所に集中できます。1件目より2件目、2件目より3件目が速く・安く・深くなる逓減構造が働くわけです。連続買収でのDD標準化はロールアップDD標準化の記事に、年に何十件と検討する案件をRed Flag DDと本格DDに段階分けするファンドの設計はPEファンドのDD設計の記事にまとめています。