Presentamos una nueva extensión de Legal Agent Bench que evalúa agentes de IA en uno de los flujos de trabajo más complejos del ámbito legal: la diligencia debida en fusiones y adquisiciones.
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 de principio a fin y apoyar la formación de modelos abiertos y la investigación de agentes. Hoy, extendemos LAB para cubrir una de las tareas legales más críticas: la diligencia debida en fusiones y adquisiciones.
La diligencia subyace en cada fusión y adquisición, que en conjunto sumaron alrededor de $4,8 billones de dólares de actividad económica en 2025. Los costos de diligencia suelen oscilar entre el 1 y el 4% del valor del acuerdo, situándose entre 50 000 y 200 000 millones de dólares al año. Gran parte de ese costo se destina a revisar una sala de datos virtual (VDR, por sus siglas en inglés), 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 LAB para la diligencia, queríamos centrarnos en emular la profundidad y complejidad de una VDR real. Esto requiere construir entornos de evaluación novedosos 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 estrechas 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 benchmarks líderes en 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 y están incrustadas con problemas que cubren especialidades de diligencia que van desde impuestos hasta transacciones tecnológicas. En un entorno ejemplar, a los agentes se les proporciona una VDR con decenas de millones de tokens de contexto, lo que requiere que encuentren y solucionen docenas de problemas, validando su trabajo mediante cientos de criterios de rúbrica.
En el resto de esta publicación, explicamos cómo es la diligencia, cómo LAB Diligence emula una parte clave de ella y cómo estamos construyendo agentes especializados para ayudar a realizar la diligencia.
Cómo es la diligencia
Supongamos 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 term sheet de unas pocas páginas. Cuando el trato se concreta, ese term sheet se reemplaza por un acuerdo 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 acuerdo 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 distribuir el riesgo de adquirir, combinar e integrar el negocio con éxito. Ambas tareas requieren desarrollar una comprensión del negocio a partir de sus elementos fundamentales: los contratos comerciales, los acuerdos laborales, la cartera de propiedad intelectual, los documentos fiscales y regulatorios, y otros acuerdos legales que establecen sus derechos y obligaciones.
Aquí es donde entra la VDR. Después de acordar el trato 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 trabajarán sistemáticamente a través de la VDR identificando riesgos, lagunas y preguntas de seguimiento. Esta primera revisión generará solicitudes de seguimiento, entrevistas con personas clave en la empresa objetivo y negociaciones adicionales sobre el trato y las divulgaciones posteriores. Estas revisiones se realizan a toda velocidad, con abogados que trabajan 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 en:
- Precio del trato: Cómo se valora realmente la empresa, ya que muchos problemas legales identificados en la diligencia pueden afectar esa valoración
- Estructura del trato: La naturaleza de lo que se compra (capital o activos) y la forma de la compra
- Declaraciones, garantías e indemnizaciones: Lo que se obliga al vendedor a garantizar como verdadero y correcto sobre el negocio y los riesgos que debe pagar si se materializan
- Programas de divulgación: Qué problemas conocidos quedan explícitamente fuera del alcance del vendedor
- Condiciones y consentimientos: Los consentimientos de terceros o aprobaciones regulatorias necesarias para cerrar el trato
- Post-cierre: Cómo se integran 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 hasta llegar a un acuerdo final satisfactorio para todas las partes.
Construyendo una sala de datos virtual
Los entornos de diligencia de LAB prueban 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 objeto de diligencia para una posible adquisición por parte de Helios Cloud Holdings en un trato inspirado libremente en la adquisición de Wiz por parte de Google por 32 000 millones de dólares, en términos de industria, tamaño del trato 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 litigio. 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 combinación de memorandos de asesoría legal de producto, especificaciones técnicas y adoptando una postura opinada sobre cómo encajan bajo las leyes de derechos de autor actuales.
La cantidad de contexto y la forma requerida para comprenderlo hacen de la diligencia 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 formarse una imagen global clara de la VDR. La pérdida en la compactación también significa que los problemas sutiles que abarcan 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 exhaustivamente los documentos 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 Diligence.
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 uno se consolidan luego en un memorando de diligencia que se utiliza para dar forma a los términos del trato y la estrategia de cierre.
Para realizar con éxito la diligencia de una VDR de LAB, uno o más agentes asumen todos estos roles, identificando problemas de manera integral y redactando un borrador inicial del memorando de diligencia. Luego, este memo se verifica contra una rúbrica que contiene hallazgos de referencia y recomendaciones para cada problema plantado en la VDR.
El entorno de evaluación, el comportamiento del agente, la salida y los criterios de calificación para una tarea de LAB Diligence.
Estas rúbricas nos permiten explorar estrategias tanto a nivel de harness como de post-entrenamiento para dar forma efectiva a agentes que puedan participar en la diligencia. Hacerlo requiere resolver problemas técnicos novedosos, que incluyen:
- Gestión del contexto: Los agentes deben leer y hacer conexiones a través de información que se extiende muchas veces más allá de 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 revertir esta intuición y enseñarles a verificar, y verificar nuevamente, cada posible problema.
- Juicio contextualizado: Un cambio de control en un contrato de un millón de dólares puede hundir un trato, o puede ser un inconveniente para otro. Los agentes deben aprender qué problemas importan, cuánto importan, por qué importan y cómo remediarlos mejor.
Los agentes que pueden hacer todo esto son útiles para la diligencia. Pero la diligencia es un deporte de equipo. Para realizar realmente la diligencia, un agente también debe ser capaz de (1) atribuir sus hallazgos a 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 no están construidos solo para la investigación, sino como una forma segura de datos para colaborar con los clientes y entrenar modelos utilizando sus comentarios. Nuestros clientes son en quienes se confían hoy los acuerdos de miles de millones de dólares; sus agentes serán en quienes se confíen esos mismos acuerdos mañana.
Próximos pasos
En las próximas semanas publicaremos nuestra investigación que identifica 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 descubrimiento.
En paralelo, trabajaremos para llevar estos mundos de la investigación a la producción, mostrando cómo los agentes pueden mejorarse mediante comentarios en lenguaje natural y colaborando con nuestros clientes para refinar modelos personalizados que resuelvan problemas difíciles de la misma manera que ellos lo hacen.
Autor: @ItsJulioPereyra
Lee en nuestro blog aquí.
