Presentamos una nueva extensión de Legal Agent Bench que evalúa a los agentes de IA en uno de los flujos de trabajo legales más complejos: la debida diligencia en fusiones y adquisiciones (M&A).
Nuestro objetivo con Legal Agent Bench (LAB) es crear y distribuir entornos de agentes realistas y a gran escala para evaluar la capacidad de los agentes de realizar trabajo legal integral, y apoyar el entrenamiento de modelos abiertos y la investigación de agentes. Hoy, extendemos LAB para cubrir una de las tareas legales más críticas: la debida diligencia en M&A.
La diligencia es la base de cada fusión y adquisición, que en conjunto representaron alrededor de $4.8 billones de dólares en actividad económica en 2025. Los costos de diligencia suelen oscilar entre el 1% y el 4% del valor del acuerdo, lo que los sitúa entre $50 mil millones y $200 mil millones al año. Gran parte de ese costo se destina a revisar una sala de datos virtual (VDR), trabajando sistemáticamente a través del historial legal y financiero de una empresa para identificar riesgos, mitigarlos y confirmar que el acuerdo cumple con las expectativas.
Para desarrollar entornos de LAB para la diligencia, nos enfocamos en emular la profundidad y complejidad de una VDR real. Esto requiere construir nuevos entornos de evaluación que escalen tanto el tamaño como la profundidad de la evaluación. Los benchmarks históricos se han centrado profundamente en el razonamiento sobre contextos relativamente contenidos o en la ejecución de tareas específicas sobre conjuntos de datos más grandes. La diligencia requiere que un modelo haga ambas cosas: leer cientos de documentos para identificar muchos riesgos de transacción independientes.
LAB Diligence comparado con los principales benchmarks de diversas disciplinas en cuanto al tamaño del entorno y los criterios de validación independientes por tarea.
Para evaluar modelos en este problema, creamos múltiples VDR sintéticas que abarcan miles de documentos e incorporan problemas que cubren especialidades de diligencia, desde impuestos hasta transacciones tecnológicas. En un entorno ejemplar, se les da a los agentes una VDR con decenas de millones de tokens de contexto, lo que les exige encontrar y remediar docenas de problemas, validando su trabajo con cientos de criterios de rúbrica.
A lo largo del resto de esta publicación, explicamos cómo es la diligencia, cómo la diligencia de LAB emula una parte clave de ella, y cómo estamos construyendo agentes especializados para ayudar a realizarla.
Cómo es la Diligencia
Digamos que quieres comprar una empresa. Te reúnes con sus directivos y llegas a un acuerdo preliminar sobre algunos términos clave como el precio, la forma de pago y la confidencialidad de las negociaciones. Este acuerdo se plasma en un hoja de términos de unas pocas páginas. Para cuando el acuerdo se concreta, esa hoja de términos es reemplazada por un contrato de adquisición que se extiende por cientos de páginas y detalla la mecánica de la adquisición, las obligaciones de las partes y qué sucede si las cosas salen mal. El trabajo que dio forma a estas páginas adicionales es la diligencia.
La diligencia y su relación con un contrato de adquisición.
En esencia, la diligencia legal tiene dos partes. La primera es comprender y asignar un valor preciso al negocio subyacente. La segunda es asignar el riesgo de adquirir, combinar e integrar el negocio con éxito. Ambas tareas requieren desarrollar una comprensión del negocio a partir de sus elementos básicos: los contratos comerciales, acuerdos laborales, cartera de propiedad intelectual, documentos fiscales y regulatorios, y otros acuerdos legales que establecen sus derechos y obligaciones.
Aquí es donde entra la VDR. Después de acordar el acuerdo en principio, los documentos clave (a menudo cientos o miles) son organizados por las partes y añadidos a una VDR. Una vez abierta, equipos de abogados que representan diversas especialidades trabajan sistemáticamente a través de la VDR identificando riesgos, lagunas y preguntas de seguimiento. Esta primera revisión genera solicitudes de seguimiento, entrevistas con personas clave en la empresa objetivo, y negociaciones adicionales sobre el acuerdo y divulgaciones posteriores. Estas revisiones ocurren a toda velocidad, con abogados trabajando rutinariamente semanas de cien horas para comprender cada aspecto del negocio bajo plazos ajustados.
El análisis resultante se compila en un memorando de diligencia. Este memo influye en las negociaciones finales y la planificación sobre:
- Precio del Acuerdo: Cómo se valora realmente la empresa, ya que muchos problemas legales identificados en la diligencia pueden afectar esa valoración.
- Estructura del Acuerdo: La naturaleza de lo que se compra (capital o activos) y la forma de la compra.
- Declaraciones, Garantías e Indemnizaciones: Lo que se exige que el vendedor garantice como verdadero y correcto sobre el negocio y los riesgos que debe pagar si se materializan.
- Programas de Divulgación: Los problemas conocidos por los que el vendedor no es responsable explícitamente.
- Condiciones y Consentimientos: Los consentimientos de terceros o aprobaciones regulatorias necesarias para cerrar el acuerdo.
- Post-Cierre: Cómo se integran realmente las dos empresas en una nueva entidad productiva y otras acciones requeridas después del cierre.
Una diligencia efectiva no es solo conocer la empresa fácticamente. Es aplicar juicio sobre ese registro fáctico para entender qué crea realmente valor para el negocio, qué riesgos existen para ese valor y cómo negociar esos riesgos en un acuerdo final satisfactorio para todas las partes.
Construyendo una Sala de Datos Virtual
Los entornos de diligencia de LAB ponen a prueba la capacidad de los agentes para identificar y actuar sobre problemas a la escala de VDR realistas. Como ejemplo, tomemos la VDR de Sentinel Cloud Security, que está siendo evaluada para una posible adquisición por Helios Cloud Holdings en un acuerdo modelado libremente a partir de la adquisición de Wiz por parte de Google por $32 mil millones, en términos de industria, tamaño del acuerdo y tipo de adquisición.
El sistema de archivos de la VDR para la adquisición sintética de Helios–Sentinel Cloud Security.
La VDR de Sentinel es un sistema de archivos categorizado por los tipos clave de documentos necesarios para validar su negocio. En estas categorías hay más de 3,500 documentos que van desde contratos comerciales hasta materiales de litigios. En conjunto, estos documentos suman alrededor de 45 millones de tokens de contexto. La diligencia requiere tanto agregar estos millones de tokens en una historia coherente sobre Sentinel como identificar problemas dentro de ese contexto.
Estos problemas pueden ser directos: un cliente clave puede tener el derecho de rescindir un contrato ante un cambio de control y no se ha obtenido el consentimiento para la adquisición propuesta. Puede ser un archivo faltante: no hay prueba de que la empresa posea o alquile ciertas oficinas clave. O puede requerir razonar a través de varias pistas: la empresa tiene una visión arriesgada de las licencias copyleft que corre el riesgo de exponer parte de su propiedad intelectual clave. Esa visión solo puede descubrirse revisando una mezcla de memorandos de asesoría legal sobre productos, especificaciones técnicas y adoptando una opinión fundamentada de cómo encajan bajo las leyes de derechos de autor actuales.
La cantidad de contexto y la forma requerida para entenderlo hace que la diligencia sea un problema particularmente difícil para los agentes actuales. No pueden mantener decenas de millones de tokens en contexto, y las estrategias de compactación orientadas a tareas les impiden formar una imagen global clara de la VDR. La pérdida de información en la compactación también significa que los problemas sutiles y de múltiples documentos no se detectan, ya que sus hilos no se mantienen con suficiente claridad para que los modelos conecten los puntos. En la práctica, estos problemas fundamentales se ven agravados por los sesgos de los modelos frontera hacia la eficiencia, utilizando búsqueda por palabras clave y estrategias de lectura selectiva en lugar de revisar documentos exhaustivamente a gran escala.
Otras VDR, los acuerdos reales en los que se basan (industria, tamaño y tipo de adquisición), y el tamaño del entorno en LAB diligencia.
Agentes de Diligencia
En la práctica, la diligencia se resuelve exactamente con este tipo de fuerza bruta: docenas de abogados de diversas áreas de práctica que revisan colectivamente la VDR durante miles de horas. Diferentes especialistas consideran la cartera de propiedad intelectual de la empresa objetivo, sus acuerdos laborales, planes de capital y compensación, contratos comerciales, y registros financieros y fiscales. Los hallazgos de cada área se consolidan luego en un memo de diligencia que se utiliza para dar forma a los términos del acuerdo y la estrategia de cierre.
Para diligenciar con éxito una VDR de LAB, uno o más agentes asumen todos estos roles, identificando problemas de manera holística y redactando un primer borrador del memo de diligencia. Este memo luego se compara con una rúbrica que contiene los hallazgos reales y las recomendaciones para cada problema insertado en la VDR.
El entorno de evaluación, el comportamiento del agente, la salida y los criterios de calificación para una tarea de diligencia de LAB.
Estas rúbricas nos permiten explorar estrategias tanto a nivel de arnés como de post-entrenamiento para moldear eficazmente agentes que puedan realizar diligencias. Hacerlo requiere resolver problemas técnicos novedosos, que incluyen:
- Gestión del Contexto: Los agentes deben leer y hacer conexiones a través de información que supera muchas veces su ventana de contexto. Se requieren enfoques novedosos de memoria y compactación para permitirles analizar y retener información clave de manera efectiva mientras identifican y rastrean riesgos.
- Revisión Exhaustiva: La mayoría de los agentes están entrenados para identificar la parte relevante de un gran espacio de datos, como la función relevante en una base de código. Su sesgo es buscar de manera eficiente, no completa. La diligencia requiere invertir esta intuición y enseñarles a verificar, y volver a verificar, cada posible problema.
- Juicio Contextualizado: Un cambio de control en un contrato de un millón de dólares puede hundir un acuerdo, o puede ser un inconveniente para otro. Los agentes deben aprender qué problemas importan, cuánto importan, por qué importan y cómo remediarlos de la mejor manera.
Los agentes que pueden hacer todo esto son útiles para la diligencia. Pero la diligencia es un deporte de equipo. Para hacer realmente diligencia, un agente también debe ser capaz de (1) fundamentar sus hallazgos en documentos específicos y ser capaz de explicarlos o defenderlos; (2) comunicar recomendaciones claramente, incluyendo enfoques alternativos cuando existan múltiples estrategias válidas; y (3) presentarlo todo al nivel de detalle adecuado para diferentes partes interesadas.
Creemos que los agentes aprenderán a ser participantes máximamente efectivos en un equipo de diligencia de la misma manera que lo hacen los asociados junior: a través de comentarios incisivos de profesionales experimentados. Es por eso que nuestros entornos de diligencia están construidos no solo para la investigación, sino como una forma segura de datos para colaborar con clientes y entrenar modelos utilizando sus comentarios. Nuestros clientes son los que hoy confían en acuerdos de miles de millones de dólares; sus agentes serán los que confíen en esos mismos acuerdos mañana.
Próximos Pasos
En las próximas semanas publicaremos nuestra investigación identificando estrategias para agentes de diligencia efectivos y resultados iniciales en un conjunto diverso de VDR. También lanzaremos extensiones adicionales de LAB que cubren tareas que van desde la búsqueda empresarial, hasta la formación de fondos, pasando por investigaciones y descubrimientos.
En paralelo, trabajaremos para llevar estos mundos de la investigación a la producción, mostrando cómo los agentes pueden mejorarse a través de comentarios en lenguaje natural y colaborando con nuestros clientes para refinar modelos personalizados que resuelvan problemas difíciles de la manera en que ellos lo hacen.
Autor: @ItsJulioPereyra
Lee en nuestro blog aquí.
