中小企業・スタートアップのM&A DD設計｜大手に頼らない自走DDの作り方

M&Aの件数は増加傾向が続いています。かつては大企業が主役だった取引も、今は中堅・中小企業やスタートアップが当事者となるケースが珍しくなくなりました。事業承継、競合対策、成長の加速——理由はさまざまですが、M&Aの実務、とりわけデューデリジェンス（DD）の部分で詰まってしまうケースが目立ちます。

理由はシンプルです。DDは本来、複数の専門領域にまたがる調査と判断の連続です。ビジネス・財務・法務・ITの各観点から対象会社を掘り下げ、見逃せないリスクを洗い出す。これを限られた期間と人員でこなすのは、社内にDDを「型」として持っている組織でなければ、想像以上に消耗します。

「どちらでもない選択肢」は、設計次第で作れます。コストの問題ではなく、DDの工程をどう割り振るかの問題です。その実務的な考え方を中心に書きます。

多くの企業でDD実務が曖昧に終わる背景には、構造的な問題があります。意欲や準備の問題ではなく、そもそも「何を、どこまで調べれば判断できるか」の設計が最初からない状態でスタートしてしまうことが根本にあります。

担当者がDD経験を持たないままゼロから始めると、「何を見れば十分か」の基準がないまま膨大な資料を抱えて時間切れになります。財務は専門家に任せたが、ビジネスの評価は「感覚」で進めた——後からビジネスモデルの構造的な問題が浮かんでくるのは、このパターンです。

もう一つよく聞くのが、質問票（IRL）を作ったことがなく、対象会社に「何を聞けばいいか分からない」状態で交渉が進んでしまうケースです。IT系のDDをほぼ省略した結果、買収後にシステムの老朽化や外部ベンダー依存が表面化する——こちらも、中小企業の案件で繰り返し見てきた光景です。

自社対応のDDにかかるコストは、給与換算すれば数十万円に見えることがあります。ただ、それは見えている部分だけです。

表面に出てこないコストの実態

• **担当者の兼務負荷：**通常業務を抱えながらDDに対応する場合、どちらも中途半端になりやすい。M&Aの担当者として業務に集中できない期間に生じる機会損失は、金額として見えにくいが実際には大きい
• **論点の見落としコスト：**調査経験がない担当者が見落とした論点は、買収後に「発見」される。その対応費用は、DDを適切に実施していれば防げたコストとして事後的に認識される
• 意思決定の品質低下：「とりあえず調べた」という状態でクロージングに進むと、価格交渉においても条件設定においても判断の根拠が薄くなる。結果的に交渉力が落ちる

だとすれば、どこを外に出すか

全部を外注する必要はありません。DDの工程は大きく三層に分けられます。

• **情報収集・整理・分析の初期工程：**資料の仕分け、財務データの読み込み、公開情報の収集など。ここは経験よりも「量をこなす体力」が必要な部分で、AIとの相性がいい工程です
• **論点の設定・質問票の設計：**何を聞くかを決める作業。ここに経験値の差が出やすく、AIが初稿を作り、専門家がレビューする設計が有効です
• **判断・評価・交渉：**マネジメントインタビューの解釈、リスクの重み付け、最終的な投資判断。ここは人間の経験と判断が必須です。省略できる工程ではありません

「どこまで自社でやり、どこから専門家を使うか」を最初に設計しておくこと——これが、中小・スタートアップのDD設計の核心です。

AIがDDで何かを変えるとすれば、それは「情報の量を処理する速さ」です。判断する仕事ではない。この区別を押さえておかないと、AI活用は期待外れに終わります。

AIが効果を発揮するのは、「情報の量が多く、処理に時間がかかる」工程です。大手ファームでジュニアスタッフが数週間かけていた作業が、大幅に短縮できます。これにより、専門家の時間を「判断が必要な箇所」に集中させる構造が作れます。

「自走DD」は、すべてを自社でやることではありません。自社が判断の主体として動ける状態を作った上で、AIと専門家を必要な工程に組み込む——この設計ができているかどうかが、DDの品質とコストの両方を左右します。

• DDの「目的」を一文で言語化する

  「この買収で確認しなければならないことは何か」を最初に明文化します。取締役会の説得材料なのか、価格交渉の根拠なのか、PMI後のリスク把握なのか——目的によって調べるべき論点が変わります。ここが曖昧なまま進むと、調査範囲が際限なく広がります。

• DDの種類とスコープを決める

  ビジネスDD・IT-DD・財務DD・法務DDのうち、今回の案件で必要な領域とその深度を決めます。すべての領域を同じ深さで調べる必要はありません。案件の目的に照らして、どこにリソースを集中させるかを最初に決めておきます。

• 「AI対応」と「専門家対応」を工程ごとに割り当てる

  前項の工程表を参照しながら、各工程を誰が担うかを明確にします。AIで効率化できる工程を整理した上で、専門家が必ず関与する工程を明示することで、スケジュールとコストの見通しが立てやすくなります。

• 質問票（IRL）の初稿をAIで生成し、専門家がレビューする

  業種・規模・買収目的の情報をもとにAIで初稿を生成し、経験のある専門家が加筆・修正します。対象会社への最初の質問の精度が、その後の情報収集の効率を大きく左右します。

• マネジメントインタビューと最終判断は必ず専門家を入れる

  相手の発言の意図を読む、言外のリスクを感じ取る、数値の説明に違和感を覚える——こうした判断はDDの経験に裏打ちされたものであり、省略できる工程ではありません。ここだけでも外部の専門家を活用することで、DDの結論の信頼性が変わります。

「全体を見てほしい」という依頼をすると、専門家も広く動かざるを得ず費用が膨らみます。逆に「ここだけ確認してほしい」と言えるほど、依頼の費用は下がり、返ってくる答えの精度は上がります。

論点を設計する前に確認しておきたいのは、まず買収の目的を一文で言語化できているかどうかです。シナジー狙いなのか、事業承継なのか、競合排除なのかによって、調べるべき論点はまったく変わります。次に「ここが黒なら撤退する」という条件を先に決めておくこと。これがないまま進むと、調査範囲が際限なく広がります。

対象会社のビジネスモデルで最もリスクが高い部分——顧客集中・依存サプライヤー・人的依存など——を仮説として持った上で、ビジネスDD・IT-DD・財務DD・法務DDのどの領域を専門家に頼み、どの工程をAIで処理するかを役割分担として文書化しておく。この準備があるかどうかで、専門家への依頼費用と、返ってくる調査の精度が大きく変わります。

規模が小さい案件ほど、DDの失敗が事後の損失に直結しやすいのが実態です。よく遭遇するパターンを挙げておきます。

PATTERN 01

「終わった」と思ったDDが終わっていなかった

資料を一通り確認して報告書を出した時点で完了と判断したが、論点の重要度の判断ができておらず、後から問題が出てきたケース。DDの完了基準を最初に設定しておく必要があります。

PATTERN 02

スコープ外の追加請求で費用が跳ね上がった

見積もりに含まれていない作業が「追加論点」として次々請求された。依頼時に「何が含まれて何が含まれないか」を文書化し、固定費用かタイムチャージかを事前に確認することが必須です。

PATTERN 03

IT-DDを省略してPMI後に発覚した

SaaSや製造業でも、基幹システムの依存構造・老朽化・セキュリティのリスクはPMI後の大きなコスト要因になります。IT-DDは「IT企業だけのもの」ではありません。

PATTERN 04

担当者のDDスキルに依存しすぎた

社内に経験者がいた案件でも、その人が異動・退職するとノウハウが引き継がれない。DDの「型」を組織として持っていないと、案件ごとにゼロから再設計することになります。

PATTERN 05

「信頼できる人」への依頼が品質を保証しなかった

関係性の深さと、DDの実務能力は別の話です。依頼先を選ぶ際は「DD実務の経験件数と型があるか」を確認することが先決です。

PATTERN 06

論点の数を絞れずに時間切れになった

「できる限り全部調べたい」という姿勢は理解できますが、期限が迫るとレポートが未完成のまま意思決定を迫られます。最初に「ここだけは必ず確認する」という核心論点を決めておくことが大切です。