データルームからICメモまで数時間で進める、新しいディールワークフロー

Harvard Business Reviewによれば、M&A案件の70〜90%は期待された価値を実現できていない。世界全体で毎年2兆ドルを超える取引価値が動くなか、デューデリジェンスの失敗がもたらすコストは極めて大きい。

原因は明らかである。Bain & Companyによれば、経営陣の60%が案件失敗の根本原因として不十分なデューデリジェンスを挙げている。市場環境でも、PMIでも、バリュエーションでもない。案件が成立する前に行われる分析そのものが、成否を左右している。それにもかかわらず、Mergermarketの調査や実務家インタビューでは、現行のデューデリジェンス手法が時代遅れだと認識しているPE実務家が83%に達している。

なぜ現在のプロセスは機能しないのか

• 遅い。デューデリジェンスは通常3か月から12か月を要し、データルーム1件あたり190時間以上の分析時間が必要になる。意思決定は遅れ、好機を逃しやすい。
• 高い。1件の案件で10万ドルから200万ドル超の専門家費用がかかり、アナリストは活発な期間に週100時間超の稼働を強いられる。
• 不正確。重要なリスクの40%以上が見落とされるとされ、手作業レビューには構造的な限界がある。
• 浅い。多くのワークフローは法務と財務に偏り、人事、技術、オペレーションのリスクまで十分に見られていない。
• 遅れて見つかる。重要論点がLOI後に初めて明らかになり、案件の慣性によって十分な対応が難しくなる。

SpecterのAIワークフローは、こうした失敗要因に対応するために設計されている。壊れたプロセスの上に汎用AIを載せるのではなく、デューデリジェンスの流れそのものを組み替える。五つのステップ、100%のトレーサビリティ、そしてすべての判断において人間を中心に置くことが前提である。

ステップ1：デューデリジェンス構造を定義する

データルームを接続し、案件の文脈を設定する。案件種別、対象業界、対象地域をもとに、Specterが法務、財務、税務、人事、技術などを横断するデューデリジェンス構造を生成する。構造は自由に編集でき、その後、データルーム内の各文書がどの論点に対応するかを確認できる。

ステップ2：すべての重要なリスクシグナルを、出典付きで示す

構造と文書マッピングが確定すると、Specterは各論点に対して重要なリスクシグナルを二つの情報源から抽出する。第一に、データルーム内の文書同士の不整合。第二に、案件対象地域に対応する法務、税務、規制上の基準である。すべての指摘事項は検証可能であり、クリック一つで根拠文書の該当ページに移動できる。

ステップ3：変更履歴を見ながら改善を重ねる

利用者は、分析の重点を動かし、特定論点を掘り下げ、カバレッジ不足の箇所を指示できる。新しい文書がデータルームに追加された場合、Specterは関連セクションのみを更新する。変更履歴はセクション単位で残り、各リスク項目ごとの改訂履歴を確認できるため、必要な箇所だけを再実行し、変更差分を比較できる。

ステップ4：必要に応じてウェブ情報を取り込む

任意のタイミングで、特定セクションや論点に対してウェブ上の最新情報を取得できる。取得内容は、分析へ反映される前に利用者が確認する。承認された情報は、データルーム内の専用フォルダへレポートとして保存され、該当セクションの重要なリスクシグナルにも更新内容として反映される。

ステップ5：成果物を、自社の形で出力する

ターゲット企業に送るDDQ一覧、または投資委員会向けのDDレポートを、WordまたはPowerPoint形式で出力できる。出力前には、セクションごとのページ数、出力言語、日本語か英語か、その他の好みを指定できる。成果物は、自社テンプレートに合わせて生成される。

目的は、人間をプロセスから外すことではない。人間から雑務を外すことである。読解や整形に費やしていた時間を、本来注力すべき判断に振り向ける。それが重要である。