Aggiornato il
La narrazione mainstream sull’AI in M&A è centrata sulla velocità. “Quattro-sei volte più rapida la prima lettura di un memorandum.” “Riduce di settimane il tempo di due diligence. L’AI due diligence M&A permette di processare in giorni quello che richiedeva mesi.”
È una narrazione corretta nei numeri, ma sbagliata nella diagnosi del valore. La velocità è una conseguenza. Il vero valore dell’AI in due diligence è altrove — ed è meno entusiasmante da raccontare, ma più trasformativo nella pratica.
La tesi
Il valore dell’AI in M&A non è la velocità. È la disciplina sistematica di una lettura che un team umano, sotto pressione di scadenze strette, non esegue mai con la stessa coerenza. L’AI legge tutto, in modo uniforme, senza saltare le pagine noiose. Un team M&A sotto deadline salta — o legge male — esattamente le pagine in cui il rischio reale tende ad annidarsi. L’AI due diligence M&A fornisce una visione più chiara e completa.
Il corollario è netto: l’AI in M&A non sostituisce il giudizio degli advisor. Lo espone. Chi non leggeva con disciplina prima, l’AI lo rivela. Chi leggeva con disciplina prima, l’AI lo amplifica. L’importanza dell’AI due diligence M&A non può essere sottovalutata.
Le tre funzioni reali dell’AI in due diligence
Funzione 1 — Ricognizione documentale coerente
Un LLM ben istruito legge tutte le pagine di un VDR di seimila documenti con la stessa attenzione delle prime cento. Un analista junior, alla terza settimana di due diligence, non lo fa più. La fatica è umana, perfettamente comprensibile, sistemica.
Il valore non è “quanto velocemente leggo”. È “quanto uniformemente leggo”. L’AI restituisce una mappa sistematica delle anomalie su tutto il corpus documentale, non solo sulle aree presidiate dall’attenzione umana.
Funzione 2 — Consistenza interna fra dichiarazioni e dati
Un memorandum di acquisizione racconta una storia. I dati gestionali profondi raccontano una storia. Le rappresentazioni del management raccontano una storia. Le tre storie dovrebbero essere coerenti. Spesso non lo sono — non per malafede, ma per evoluzione naturale della comunicazione interna ed esterna di un’azienda nel tempo.
Un modello AI ben configurato individua le incoerenze sistematicamente, non solo a campione. La marginalità dichiarata nella presentazione che non torna con il P&L mensile. La concentrazione clienti raccontata come “diversificata” che nel CRM è del 38% su tre nomi. La clausola contrattuale “standard” che diverge in tre punti da quella che il management dice di avere come template.
È un lavoro che un team umano farebbe a campione. L’AI lo fa esaustivo.
Funzione 3 — Verifica delle reps & warranties
Le rappresentazioni e garanzie del SPA sono spesso scritte sotto pressione di tempo. Negli SPA italiani mid-market, ho visto reps & warranties che si contraddicevano fra clausole, che facevano riferimento a definizioni assenti dal documento, che usavano termini tecnici legali con accezione non standard.
Un LLM con buon prompt engineering identifica queste anomalie in pochi minuti. Per un avvocato senior che legge il documento alla decima ora di una giornata di chiusura, sono esattamente le cose che si rischia di non vedere.
Il limite reale dell’AI
L’AI non sa cosa non sa. Stanford HAI ha documentato (2024-2025) un tasso di errore degli LLM in contesti legali fra il 58% e l’88% nelle query generiche; i tool con RAG specializzato scendono sotto il 20%, ma non a zero.
Soprattutto, l’AI non intercetta il rischio che non è scritto: il founder che non crede più nel proprio progetto, il cliente strategico che sta valutando un’alternativa, la tensione latente nel management team. Quella parte rimane interamente umana — è esattamente la “verifica laterale” che ho descritto nell’articolo sulla due diligence italiana.
La conclusione metodologica è semplice: l’AI eccelle nella verifica formale, l’umano eccelle nell’intercettazione del rischio non scritto. Una DD seria del 2026 usa entrambi, in sequenza, con divisione del lavoro chiara.
Cosa rivela l’AI sugli advisor
La parte più scomoda. Quando un advisor M&A integra seriamente AI nel proprio processo di due diligence, due cose diventano evidenti.
La prima: quanto del lavoro precedentemente raccontato come “analisi profonda” era in realtà lettura selettiva. Le pagine di un VDR effettivamente lette con attenzione, in molte due diligence pre-AI, erano una frazione del corpus totale. L’AI lo rivela perché legge tutto.
La seconda: quali advisor avevano davvero un metodo di lavoro e quali si basavano sulla reputazione del proprio studio. Un advisor con metodo, davanti all’AI, vede potenziamento del proprio approccio. Un advisor senza metodo, davanti all’AI, vede emergere il vuoto metodologico.
L’industria M&A sta vivendo, in questo periodo, una selezione silenziosa. I clienti più sofisticati stanno imparando a riconoscere — anche grazie all’AI — quali advisor portano davvero valore aggiunto. Nel prossimo decennio, la composizione del mercato advisory italiano cambierà significativamente. Non per disruption tecnologica diretta. Per emersione del divario fra chi sapeva fare il proprio mestiere e chi vendeva la reputazione del proprio studio.
Per gli executive che vogliono integrare seriamente l’AI nei processi di M&A e governance, «ChatGPT per Executive» esplora il framework metodologico in dettaglio. Anti-allucinazione, prompt engineering operativo, integrazione nei processi decisionali.
Conclusione
L’AI in M&A non è una storia di velocità. È una storia di disciplina. Restituisce sistematicità a un mestiere che, sotto pressione di tempo, perdeva sistematicità. Non sostituisce il giudizio umano. Lo costringe a esercitarsi su un’informazione più completa di quella che il singolo professionista poteva processare da solo.
Per chi fa bene questo mestiere, è uno strumento che amplifica. Per chi lo fa male, è una luce che mostra l’ombra dei vuoti precedenti. Entrambe le funzioni sono utili — al mercato, prima ancora che ai singoli operatori.
Domande frequenti
Quali strumenti AI sono effettivamente utili in due diligence M&A?
Tre famiglie operativamente mature: (a) LLM generalisti con prompt engineering specializzato (Claude, GPT-4, Gemini) per ricognizione documentale e consistenza interna, (b) tool legali RAG-specialized (Harvey, CoCounsel, alcuni player italiani emergenti) per analisi contrattuali, (c) embedding-based document search per VDR di grandi dimensioni. Il problema non è la scelta dello strumento, è la qualità del prompt engineering metodologico che lo supporta.
Quanto costa integrare seriamente AI in una due diligence?
Per un’operazione mid-market italiana, il costo aggiuntivo è marginale (sotto cinquemila euro tipicamente in licenze e compute), ma richiede un investimento metodologico significativo del team — duecento-quattrocento ore di formazione e definizione di protocolli interni. Il ritorno è sull’ordine di una riduzione del 30-50% del tempo di prima lettura, e di un’identificazione del rischio mediamente migliore.
Si può fidare un advisor che dice “uso l’AI per la mia due diligence”?
Solo se può rispondere a tre domande: (a) quale protocollo anti-allucinazione applichi prima di inserire output AI in documenti che vanno al cliente, (b) come gestisci la confidenzialità dei dati VDR rispetto ai termini di servizio degli LLM commerciali, (c) qual è la divisione del lavoro fra AI e analista umano nel tuo processo. Se le risposte sono vaghe, l’AI è probabilmente marketing, non metodo.
L’AI in M&A è un vantaggio competitivo o sarà commodity?
L’accesso allo strumento sarà commodity entro 2-3 anni. Il vantaggio competitivo si sposterà sul metodo — su quali protocolli sono codificati, su quali domande l’AI viene addestrata a porre, sull’integrazione con il giudizio umano. I primi advisor che hanno costruito il metodo conserveranno vantaggio per anni.
Cosa cambia per i clienti M&A?
Una cosa concreta: la possibilità di chiedere all’advisor il proprio protocollo AI come parte della selezione. Un advisor che non sa rispondere è probabilmente fuori dal mercato di domani.
Per discutere di integrazione AI in un processo specifico di due diligence — buy-side, sell-side, o vendor — una conversazione metodologica è aperta.
