داده‌های تراکنشی اختصاصی در برابر مدل‌های زبانی عمومی در ادغام شرکت‌ها

اگر امروز در صنعت ادغام و تملک (M&A) فعالیت می‌کنید، باید بدانید که تکیه بر مدل‌های زبانی عمومی برای اتوماسیون، یک استراتژی شکست‌خورده است. طبق هشدار راستی وایلی (Rusty Wiley)، مدیرعامل و رئیس Datasite، شرکت‌هایی که از هوش مصنوعی برای بازتعریف جریان‌های کاری خود استفاده نکنند، تا ۵ سال آینده توان رقابت را از دست خواهند داد.

به گفته وایلی، صنعت در حال گذار از اتاق‌های داده استاتیک به سمت سیستم‌های‌عامل عامل‌محور (Agentic) است. این بدان معناست که برتری رقابتی یک معامله‌گر دیگر از طریق داشتن قدرتمندترین مدل زبانی بزرگ (LLM) — شبیه به کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به دست نمی‌آید، بلکه از بستر داده‌های اختصاصی و متنی حاصل از هزاران تراکنش گذشته به دست می‌آید.

وایلی از سال ۲۰۱۴ هدایت Datasite را بر عهده دارد و تحول این شرکت از «Merrill Corporation» — کسب‌وکاری که بر ارتباطات مالی و خدمات چاپ متمرکز بود — به یک شرکت جهانی نرم‌افزار به عنوان سرویس (SaaS) را مدیریت کرده است. باور او حاصل یک دهه مقیاس‌بندی پلتفرمی است که اکنون از بیش از ۶۲۶ هزار معامله‌گر و بیش از ۱۶ هزار تراکنش سالانه پشتیبانی می‌کند. پیش از این، وایلی بیش از هفت سال در IBM به عنوان مدیر کل بانکداری و بازارهای مالی و همچنین شریک مدیریت فعالیت کرده و زیربنای تخصصی خود را در فناوری سازمانی و تحول کسب‌وکار ساخته است.

شکاف بهره‌وری در معاملات M&A

این گذار در حالی رخ می‌دهد که چشم‌انداز M&A با یک گلوگاه بحرانی در بهره‌وری مواجه است. بر اساس گزارش نیمه اول سال ۲۰۲۶ از Datasite، تعداد آغاز معاملات (Deal Kickoffs) در سطح جهانی ۳۱٪ رشد سالانه داشته است. با این حال، فرآیند واقعی بررسی‌های لازم (Due Diligence) همچنان طاقت‌فرسا و دشوار است. این رشد به‌طور نامتوازن توزیع شده است: قاره آمریکا شاهد افزایش ۵۲ درصدی در آغاز معاملات بوده، در حالی که منطقه اروپا، خاورمیانه و آفریقا (EMEA) رشد ۱۳ درصدی و منطقه آسیا-پاسیفیک (APAC) رشد ۴ درصدی را تجربه کرده‌اند.

برای مثال، در منطقه آسیا-پاسیفیک، میانگین زمان بررسی‌های لازم هنوز تا ۲۳۸ روز به طول می‌انجامد. وایلی اشاره می‌کند که بخش زیادی از این زمان صرف تحلیل واقعی نمی‌شود، بلکه صرف وظایف هماهنگی می‌شود؛ کارهایی مانند تطبیق اسناد با درخواست‌های متغیر، مدیریت مشاوران متعدد و رسیدگی به اولویت‌های در حال تغییر.

برای دهه‌ها، اتاق داده مجازی (VDR) صرفاً به عنوان یک فایلینگ دیجیتال امن عمل می‌کرد. VDRها اسناد حساس را از اتاق‌های فیزیکی خارج کردند، اما همچنان ابزاری غیرفعال (Passive) باقی ماندند. هدف جدید، ایجاد یک «سیستم‌عامل بومی هوش مصنوعی» است که نه تنها اسناد را ذخیره کند، بلکه وضعیت کل تراکنش را به‌صورت لحظه‌ای مدیریت نماید.

چرخش به سمت جریان‌های کاری عامل‌محور

وایلی استدلال می‌کند که جست‌وجوی ساده و خلاصه‌سازی اکنون به کالاهایی عمومی (Commodities) تبدیل شده‌اند. این ابزارها اگرچه مفید هستند، اما تنها روی یک سند در هر لحظه کار می‌کنند و فقط به سوالاتی پاسخ می‌دهند که یک انسان به فکر پرسیدن آن‌ها بیفتد. این یک محدودیت بزرگ است، زیرا یک تراکنش معمولی شامل صدها وظیفه به‌هم‌پیوسته است که به‌طور هم‌زمان در جریان هستند.

ارزش واقعی در عامل‌ها (Agents) نهفته است که می‌توانند جریان‌های کاری چندمرحله‌ای را در جریان‌های کاری مختلف، از جمله ارائه‌های مدیریتی، بررسی‌های حقوقی، جریان‌های تامین مالی و درخواست‌های بررسی لازم، اجرا کنند. این رویکرد با دیدگاه شرکت Nventr همسو است که معتقد است اولویت باید با طراحی جریان‌های کاری جامع باشد، نه ابزارهای تک‌منظوره. این وظایف شامل افراد مختلفی است که تحت مجوزهای متفاوت و با ضرب‌الاجل‌های گوناگون کار می‌کنند.

• مدیریت وضعیت (State Management): برخلاف یک چت‌بات، یک سیستم‌عامل وضعیت معامله را حفظ می‌کند. این سیستم می‌داند کدام جریان کاری عقب است، کدام درخواست ۶ روز است که بی‌پاسخ مانده و چه اطلاعاتی با گزارش‌های هفته گذشته در تضاد است. این قابلیت مانع از آن می‌شود که بانکداران مجبور شوند وضعیت معامله را از طریق رشته‌ ایمیل‌های قدیمی و لیست‌های ردیابی بازسازی کنند. این تغییر پارادایم مشابه تحولی است که در سیستم‌های پشتیبانی دیده می‌شود، جایی که عامل‌های هوشمند جایگزین سیستم‌های سنتی تیکتینگ می‌شوند تا مدیریت فعالانه‌تری بر وظایف داشته باشند.
• آماده‌سازی پیش‌دستانه: سیستم می‌تواند پیش از آنکه انسانی درخواست کند، کارها را آماده کند؛ این کار از طریق شناسایی الگوها در جریان معامله و هماهنگ کردن گام‌های بعدی بین طرفینی که ممکن است مستقیماً با هم ارتباط نداشته باشند، صورت می‌گیرد.
• تشخیص تضاد: هوش مصنوعی می‌تواند شناسایی کند که اطلاعات ثبت‌شده در این هفته با افشاهای ماه گذشته در تضاد است و نقاطی را که فرآیند در آن‌ها متوقف شده، علامت‌گذاری کند.
• قابلیت‌های یکپارچه: پلتفرم Datasite اکنون VDRهای امن را با حذف خودکار محتوای حساس (Automated Redaction)، جست‌وجوی معنایی (Semantic Search) — سیستمی که مفهوم کلمات را می‌فهمد نه فقط حروف آن‌ها را — خلاصه‌سازی اسناد، ترجمه، پرسش و پاسخ به کمک هوش مصنوعی و هوش شناسایی فرصت‌های معامله (Deal Origination Intelligence) ترکیب کرده است.

طبق تحقیقات Datasite، ۹۶٪ معامله‌گران در حال حاضر از هوش مصنوعی برای شناسایی و غربالگری اهداف استفاده می‌کنند. نیمی از تمام معامله‌گران اکنون به‌طور منظم از هوش مصنوعی برای بررسی‌های لازم (Due Diligence) استفاده می‌کنند، چرا که این مرحله را جایی می‌بینند که بیشترین بازگشت سرمایه (ROI) را دارد. در واقع، تنها ۴٪ از پاسخ‌دهندگان گزارش کرده‌اند که به‌طور کلی از هوش مصنوعی در مرحله بررسی استفاده نمی‌کنند.

چرا داده‌های اختصاصی برنده می‌شوند؟

مدل‌های بنیادی (Foundation Models) عمومی برای همه شرکت‌ها به‌طور هم‌زمان در دسترس هستند، به این معنی که هیچ «خندقی» (Moat) یا مزیت رقابتی بلندمدتی ایجاد نمی‌کنند. وایلی «بستر اختصاصی» (Proprietary Context) را تنها مزیت پایدار می‌داند. چون مدل‌های بنیادی کالا شده‌اند، هر برتری حاصل از بهترین مدل، عمر کوتاهی دارد؛ زیرا رقیب یا به همان مدل دسترسی پیدا می‌کند یا مدل جدیدتری در عرض چند هفته معرفی می‌شود.

این بستر اختصاصی تنها متن یک قرارداد نیست، بلکه متادیتای تعاملات است: ترتیبی که اسناد آپلود می‌شوند، شدت و دقت سوالات خریدار در دور سوم بررسی‌ها و کاهش نامحسوس سرعت پاسخ‌دهی. برای مثال، توالی آپلودها می‌تواند فاش کند که فروشنده در واقعیت چقدر آماده است، در حالی که جریان کاری که سرعت پاسخ‌دهی در آن به‌طور آرام دو برابر شده، سیگنالی از یک مشکل است، مدت‌ها پیش از آنکه این مشکل به‌طور صریح بیان شود.

این سیگنال‌ها به یک عامل اجازه می‌دهد تا هفته‌ها پیش از آنکه یک انسان متوجه شود، تشخیص دهد که معامله در حال انحراف از مسیر است. این هوشمندی حاصل مشاهده ده‌ها هزار تراکنش واقعی است، نه آموزش روی اطلاعات عمومی. خواندن خوب یک سند یک کالای عمومی است؛ اما تشخیص مسیر حرکت یک معامله، برتری رقابتی واقعی است.

مرز میان انسان و هوش مصنوعی

با وجود فشار برای اتوماسیون، یک خط قرمز سخت‌گیرانه در مورد قضاوت و مسئولیت‌پذیری وجود دارد. تحقیقات Datasite شکاف عمیقی در اعتماد را نشان می‌دهد:

• اعتماد بالا: ۴۶٪ معامله‌گران اجازه می‌دهند هوش مصنوعی در شناسایی اهداف و تهیه لیست‌های بلند و کوتاه پیش‌قدم شود؛ ۴۵٪ از آن برای شناسایی نقاط قرمز (Red Flags) در طول بررسی‌ها استفاده می‌کنند.
• اعتماد پایین: تنها ۲۲٪ توصیه هوش مصنوعی را برای تصمیم‌گیری در مورد اینکه آیا معامله به مرحله امضا برسد یا خیر، دنبال می‌کنند.

وایلی تاکید می‌کند که ۴۵٪ معامله‌گران معتقدند تصمیم نهایی برای امضا باید کاملاً انسانی باقی بماند. هر تصاحب در نهایت به «اعتماد» ختم می‌شود — اعتماد به یک تیم مدیریت یا پذیرش ریسک‌هایی که بررسی‌های لازم نمی‌تواند به‌طور کامل حل کند. هوش مصنوعی «اولین بررسی جامع» را ارائه می‌دهد، اما تصمیم برای حمایت از یک تیم مدیریت با سرمایه، نیازمند غریزه انسانی و مسئولیت‌پذیری است.

همچنین یک مزیت تجاری واضح وجود دارد. حدود یک‌چهارم پاسخ‌دهندگان در تحقیق گفتند که هوش مصنوعی به آن‌ها کمک کرد معامله‌ای را به سرانجام برسانند که در غیر این صورت از دست می‌دادند، و دو-سوم آن‌ها هوش مصنوعی در کل چرخه عمر معامله را راهی برای کاهش ریسک (De-risk) تراکنش می‌بینند.

امنیت و توهمات

در معاملات M&A، یک توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — صرفاً یک اشتباه نیست، بلکه یک ریسک حقوقی و مالی (Liability) است. وایلی استدلال می‌کند که در این محیط، تضاد بین دو سند یک خطای ساده نیست که باید نادیده گرفته شود، بلکه این تضاد خودِ «یافته اصلی» است. به همین ترتیب، یک شکاف در اطلاعات، یک یافته consequential است و اغلب از خودِ پاسخ مهم‌تر است.

برای مقابله با این موضوع، Datasite سرور MCP خود را با رویکرد «اول امنیت» طراحی کرده است. امنیت و حاکمیت داده‌ها از ابتدا در سیستم تعبیه شده‌اند، زیرا اطلاعات زیربنایی — شامل عملکرد مالی، مالکیت معنوی، روابط مشتریان و برنامه‌های استراتژیک — اغلب اطلاعاتی هستند که می‌توانند بازار را تکان دهند.

• اجرای لایه داده (Data-Layer Enforcement): هویت و مجوزها در لایه داده اعمال می‌شوند، نه در لایه پرامپت؛ این امر تضمین می‌کند که عامل‌ها هرگز به اطلاعاتی فراتر از مجوزهای خاص کاربر دسترسی پیدا نکنند.
• قابلیت ردیابی (Traceability): هر توصیه باید به یک سند منبع ارجاع داده شود و هر اقدام ثبت (Log) گردد. این امر تضمین می‌کند که سیستم صرفاً مبتنی بر شواهد باشد.
• به‌ارث‌بری صلاحیت: جریان‌های کاری خودکار، صلاحیت شخص شروع‌کننده را به ارث می‌برند اما هرگز از آن فراتر نمی‌روند.

دقت و امنیت ویژگی‌هایی هستند که معامله‌گران بیشترین ارزش را برای آن‌ها قائل‌اند، به‌طوری که امنیت در میان پاسخ‌دهندگان EMEA و APAC در رتبه اول قرار دارد. مخاطرات بسیار زیاد است: یک‌چهارم معامله‌گران انتظار دارند که استفاده نادرست از هوش مصنوعی، طی پنج سال آینده باعث نابودی چندین معامله با ارزش بالا شود. این نشان می‌دهد که ریسک تنها در «عدم استفاده» از هوش مصنوعی نیست، بلکه در استفاده از آن بدون کنترل‌های مناسب و نقاط ارجاع است.

تأثیر بر استعدادهای تازه‌وارد

ظهور عامل‌های هوش مصنوعی مدل سنتی «شاگردی» در بانکداری سرمایه‌گذاری و حقوق را تهدید می‌کند. در گذشته، دستیاران تازه‌وارد (Junior Associates) بیزنس را از طریق انجام کارهای سخت و طاقت‌فرسا مانند به‌روزرسانی لیست‌های ردیابی و بررسی اسناد در ساعت ۲ صبح یاد می‌گرفتند.

وایلی پیشنهاد می‌کند که این موضوع را به جای یک فقدان، یک فرصت ببینیم. با جذب اصطکاک‌های اداری توسط هوش مصنوعی، دستیاران سال دوم می‌توانند بسیار زودتر در مذاکرات اساسی و تصمیمات حیاتی کسب‌وکار شرکت کنند. به‌جای صرف هزاران ساعت روی سازمان‌دهی دستی، آن‌ها می‌توانند با حضور در بحث‌های معنادار، یاد بگیرند که معامله‌گران باتجربه چگونه فکر می‌کنند.

شرکت‌هایی که پیروز خواهند شد، این زمان ذخیره شده را به‌جای افزایش صرفِ حاشیه سود، روی رشد نیروی انسانی خود سرمایه‌گذاری می‌کنند.

تفاوت‌های منطقه‌ای در پذیرش

به‌طور جالبی، داده‌ها شکافی بین حجم معاملات و پذیرش هوش مصنوعی را نشان می‌دهند. در حالی که آمریکا در آغاز معاملات پیشتاز است (رشد ۵۲٪)، منطقه آسیا-پاسیفیک (APAC) تهاجمی‌ترین رفتار را در پذیرش هوش مصنوعی دارد.

در APAC، ۵۶٪ معامله‌گران هوش مصنوعی را به‌طور کامل در بررسی‌های لازم ادغام کرده‌اند، در حالی که این رقم در EMEA ۴۹٪ و در آمریکا ۴۷٪ است. معامله‌گران APAC همچنین در سپردن صلاحیت‌های تصمیم‌گیری معنادار به هوش مصنوعی راحت‌تر هستند. وایلی این موضوع را به «ضرورت» نسبت می‌دهد: در جایی که یافتن جریان معامله سخت‌تر است و تیم‌ها کوچک‌تر هستند، انگیزه برای به حداکثر رساندن بهره‌وری حرفه‌ای قوی‌تر است.

این موضوع نشان می‌دهد که اگرچه فناوری نمی‌تواند نرخ بهره را تغییر دهد یا بررسی‌های رگولاتوری را کوتاه کند، اما می‌تواند شکاف بهره‌وری بین بازارهای جهانی را با مقیاس‌بندی توانمندی تیم‌های کوچک کاهش دهد. در حالی که شروع یک معامله به دلیل داده‌های بهتر سریع‌تر شده است، بررسی‌های لازم (Diligence) همچنان گلوگاه اصلی است. با این حال، چون عامل‌ها برای نظارت بر جریان‌های کاری و شناسایی تناقضات بهینه شده‌اند، بهترین ابزار برای فشرده کردن بخش‌های هماهنگی-محور در چرخه بررسی هستند.

گام بعدی شما

• اگر مدیر پروژه یا مشاور هستید، بررسی کنید که آیا ابزارهای فعلی شما صرفاً «خلاصه‌ساز» هستند یا می‌توانند «وضعیت» (State) پروژه را مدیریت کنند.
• برای کاهش ریسک، هر خروجی هوش مصنوعی را با قابلیت Traceability (ردیابی تا سند منبع) به چالش بکشید.
• در صورت استفاده از مدل‌های عمومی، متادیتای تعاملات (زمان پاسخ‌دهی و ترتیب درخواست‌ها) را به عنوان سیگنال‌های مکمل تحلیل کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.