법률 업무 중 가장 복잡한 워크플로 중 하나인 M&A 실사에서 AI 에이전트를 평가하는 Legal Agent Bench 의 새로운 확장 기능을 소개합니다.
Legal Agent Bench (LAB) 의 목표는 현실적이고 대규모의 에이전트 환경을 만들어 배포하여 에이전트가 종단간 법률 업무를 수행하는 능력을 평가하고, 오픈 모델 훈련 및 에이전트 연구를 지원하는 것입니다. 오늘, 우리는 LAB 을 가장 중요한 법률 업무 중 하나인 M&A 실사로 확장합니다.
실사는 모든 합병 및 인수(M&A)의 기초가 되며, 2025년에는 총 약 4.8조 달러의 경제 활동에 달했습니다. 실사 비용은 일반적으로 거래 가치의 1-4% 범위로, 연간 500억 달러에서 2000억 달러에 이릅니다. 이 비용의 대부분은 가상 데이터룸(VDR)을 검토하고, 회사의 법적 및 재무 기록을 체계적으로 살펴보며 위험을 식별하고 완화하며, 거래가 기대치에 부합하는지 확인하는 데 사용됩니다.
실사를 위한 LAB 환경을 개발하기 위해, 우리는 실제 VDR의 깊이와 복잡성을 모방하는 데 초점을 맞추고자 했습니다. 이를 위해서는 평가의 규모와 깊이를 모두 확장할 수 있는 새로운 평가 환경을 구축해야 합니다. 기존의 벤치마크는 상대적으로 제한된 컨텍스트에 대한 심층 추론이나 대규모 데이터셋에 대한 좁은 작업 실행에 집중해 왔습니다. 실사는 모델이 이 두 가지를 모두 수행해야 하며, 수백 개의 문서를 읽어 수많은 독립적인 거래 위험을 식별해야 합니다.
LAB Diligence 와 다른 분야의 주요 벤치마크 간 환경 규모 및 작업당 독립적인 검증 기준 비교.
이 문제에 대한 모델을 평가하기 위해, 우리는 수천 개의 문서로 구성된 여러 개의 합성 VDR을 만들고, 세무부터 기술 거래까지 다양한 실사 전문 분야에 걸친 이슈들을 포함시켰습니다. 예시 환경에서 에이전트는 수천만 개의 토큰으로 구성된 컨텍스트의 VDR을 제공받으며, 수십 개의 이슈를 찾아 해결해야 하며, 그 작업은 수백 개의 루브릭 기준에 의해 검증됩니다.
이 글의 나머지 부분에서는 실사가 무엇인지, LAB 실사가 어떻게 그 핵심 부분을 모방하는지, 그리고 실사 수행을 지원하기 위해 어떻게 특화된 에이전트를 구축하고 있는지 설명합니다.
실사란 무엇인가
회사를 사려고 한다고 가정해 봅시다. 회사 관계자들을 만나 가격, 지불 방식, 협상의 기밀 유지 등 몇 가지 핵심 조건에 대해 대략적인 합의에 도달합니다. 이 합의는 몇 페이지 분량의 용어정리서(term sheet)에 기록됩니다. 실제 거래가 이루어질 때쯤이면, 이 용어정리서는 수백 페이지에 달하며 인수 메커니즘, 당사자의 의무, 문제 발생 시 처리 방법을 상세히 설명하는 인수 계약서로 대체됩니다. 이 추가 페이지들을 형성한 작업이 바로 실사입니다.
실사와 인수 계약서의 관계.
핵심적으로, 법률 실사는 두 부분으로 구성됩니다. 첫 번째는 기업의 가치를 정확히 이해하고 평가하는 것입니다. 두 번째는 기업을 성공적으로 인수, 결합 및 통합할 때 발생하는 위험을 배분하는 것입니다. 이 두 작업 모두 기업의 권리와 책임을 규정하는 상업 계약, 고용 계약, IP 포트폴리오, 세무 및 규제 문서, 기타 법적 계약 등 기본 요소로부터 사업에 대한 이해를 발전시켜야 합니다.
바로 여기서 VDR이 등장합니다. 거래에 원칙적으로 합의한 후, 핵심 문서들(종종 수백 개에서 수천 개에 이름)이 당사자들에 의해 정리되어 VDR에 추가됩니다. VDR이 열리면, 다양한 전문 분야를 대표하는 변호사 팀이 VDR을 체계적으로 검토하며 위험, 공백, 후속 질문을 식별합니다. 이 첫 번째 검토는 후속 요청, 대상 회사 핵심 인물과의 인터뷰, 거래 및 후속 공개에 대한 추가 협상으로 이어집니다. 이러한 검토는 가능한 한 빠른 속도로 이루어지며, 변호사들은 빡빡한 일정 속에서 사업의 모든 측면을 파악하기 위해 주당 100시간씩 일하는 것이 일상입니다.
결과 분석은 실사 보고서(diligence memorandum)로 작성됩니다. 이 보고서는 최종 협상 및 다음 사항에 대한 계획에 영향을 미칩니다.
- 거래 가격: 실사에서 식별된 많은 법적 이슈가 평가에 영향을 미칠 수 있으므로, 회사가 실제로 어떻게 평가되는지
- 거래 구조: 구매 대상(지분 또는 자산)의 성격 및 구매 형태
- 진술, 보증 및 면책: 판매자가 회사에 대해 진실하고 정확하다고 보증해야 하는 사항과 해당 위험이 현실화될 경우 판매자가 지불해야 하는 위험
- 공개 스케줄: 판매자가 명시적으로 책임을 지지 않는 알려진 문제
- 조건 및 동의: 거래를 완료하는 데 필요한 제3자 동의 또는 규제 승인
- 거래 후: 두 회사가 어떻게 생산적인 새로운 법인으로 통합되는지와 거래 완료 후 필요한 기타 조치
효과적인 실사는 단순히 회사에 대한 사실을 아는 것이 아닙니다. 사실 기록 위에 판단을 더하여 비즈니스에 진정한 가치를 창출하는 것이 무엇인지, 그 가치에 존재하는 위험은 무엇인지, 그리고 그러한 위험을 모든 당사자가 만족하는 최종 계약으로 협상하는 방법을 이해하는 것입니다.
가상 데이터룸 구축
LAB 의 실사 환경은 에이전트가 현실적인 VDR 규모에서 이슈를 식별하고 조치할 수 있는 능력을 테스트합니다. 예를 들어, Helios Cloud Holdings 의 잠재적 인수 대상인 Sentinel Cloud Security 의 VDR을 살펴보겠습니다. 이 거래는 업계, 거래 규모 및 인수 유형 측면에서 Google 의 Wiz 인수(320억 달러)를 대략적으로 모델로 삼았습니다.
합성 Helios-Sentinel Cloud Security 인수 건의 VDR 파일 시스템.
Sentinel 의 VDR은 사업을 검증하는 데 필요한 주요 문서 유형별로 분류된 파일 시스템입니다. 이러한 범주에는 상업 계약부터 소송 자료까지 3,500개 이상의 문서가 포함됩니다. 이 문서들은 총 약 4,500만 개의 토큰 컨텍스트에 달합니다. 실사는 이러한 수백만 개의 토큰을 Sentinel 에 대한 일관된 스토리로 집계하는 동시에 해당 컨텍스트 내에서 이슈를 식별해야 합니다.
이러한 이슈는 직접적일 수 있습니다. 예를 들어, 주요 고객이 지배권 변경 시 계약을 해지할 권리가 있고 제안된 인수에 대한 동의를 얻지 못한 경우입니다. 또는 파일이 누락된 경우, 회사가 특정 핵심 사무실을 소유하거나 임대하고 있다는 증거가 없는 경우일 수 있습니다. 또는 여러 단서에 걸친 추론이 필요할 수 있습니다. 회사가 일부 핵심 IP를 노출할 위험이 있는 카피레프트 라이선스에 대해 위험한 관점을 가지고 있는 경우입니다. 이러한 관점은 제품 자문 메모, 기술 사양을 검토하고 현행 저작권법 하에서 그것들이 어떻게 조화를 이루는지에 대한 주관적인 견해를 통해서만 파악할 수 있습니다.
컨텍스트의 양과 이를 이해하는 데 필요한 형태는 현재 상태의 에이전트에게 실사를 특히 어려운 문제로 만듭니다. 에이전트는 수천만 개의 토큰을 컨텍스트에 유지할 수 없으며, 작업 지향적 압축 전략은 VDR에 대한 명확한 전체 그림을 형성하는 것을 방해합니다. 압축의 손실은 또한 미묘하고 다중 문서에 걸친 이슈가 포착되지 않음을 의미합니다. 그 실마리가 모델이 점들을 연결하기에 충분히 명확하게 유지되지 않기 때문입니다. 실제로 이러한 근본적인 문제는 대규모 문서를 철저히 검토하기보다는 키워드 검색과 선택적 읽기 전략을 사용하는 효율성에 대한 프론티어 모델의 편향으로 인해 더욱 악화됩니다.
LAB 실사의 다른 VDR, 실제 거래 모델(업계, 규모 및 인수 유형), 환경 규모.
실사 에이전트
실제로 실사는 정확히 이런 종류의 노동 집약적 방식으로 해결됩니다. 즉, 다양한 업무 영역의 수십 명의 변호사가 집합적으로 수천 시간 동안 VDR을 검토합니다. 각기 다른 전문가가 대상 회사의 IP 포트폴리오, 고용 계약, 지분 및 보상 계획, 상업 계약, 재무 및 세금 기록을 검토합니다. 각 분야의 결과는 실사 보고서로 통합되며, 이는 거래 조건 및 종결 전략을 수립하는 데 사용됩니다.
LAB VDR을 성공적으로 실사하려면, 하나 이상의 에이전트가 이러한 모든 역할을 맡아 전체적으로 이슈를 식별하고 1차 실사 보고서를 작성합니다. 그런 다음 이 보고서는 VDR에 심어진 각 이슈에 대한 실제 사실과 권장 사항을 포함하는 루브릭과 대조하여 확인됩니다.
LAB 실사 작업의 평가 환경, 에이전트 행동, 출력 및 채점 기준.
이러한 루브릭을 통해 우리는 실사에 참여할 수 있는 에이전트를 효과적으로 형성하기 위한 하네스 및 사후 훈련 수준의 전략을 탐색할 수 있습니다. 이를 위해서는 다음과 같은 새로운 기술적 문제를 해결해야 합니다.
- 컨텍스트 관리: 에이전트는 컨텍스트 창을 훨씬 초과하는 정보를 읽고 연결해야 합니다. 핵심 정보를 효과적으로 분석하고 유지하면서 위험을 식별하고 추적할 수 있도록 하기 위한 메모리 및 압축에 대한 새로운 접근 방식이 필요합니다.
- 완전 검토: 대부분의 에이전트는 코드 베이스의 관련 함수와 같이 대규모 데이터 공간의 관련 부분을 식별하도록 훈련됩니다. 그들의 편향은 효율적으로 검색하는 것이지 완전하게 검색하는 것이 아닙니다. 실사는 이러한 직관을 뒤집고 가능한 모든 이슈를 확인하고 재확인하도록 가르쳐야 합니다.
- 맥락화된 판단: 백만 달러 계약의 지배권 변경은 어떤 거래를 무산시킬 수도 있고, 다른 거래에는 불편함에 그칠 수도 있습니다. 에이전트는 어떤 이슈가 중요한지, 얼마나 중요한지, 왜 중요한지, 그리고 어떻게 가장 잘 해결할 수 있는지를 배워야 합니다.
이 모든 것을 할 수 있는 에이전트는 실사에 유용합니다. 그러나 실사는 팀 스포츠입니다. 실제로 실사를 수행하려면 에이전트는 또한 (1) 특정 문서에 근거하여 조사 결과를 출처로 제시하고 설명하거나 방어할 수 있어야 하며, (2) 여러 유효한 전략이 존재하는 경우 대체 접근 방식을 포함하여 권장 사항을 명확하게 전달할 수 있어야 하며, (3) 다양한 이해 관계자에게 적절한 수준의 세부 사항으로 모든 것을 제시할 수 있어야 합니다.
우리는 에이전트가 주니어 변호사가 배우는 것과 동일한 방식, 즉 경험 많은 실무자의 날카로운 피드백을 통해 실사 팀에서 최대한 효과적인 참여자가 되는 방법을 배울 것이라고 믿습니다. 이것이 우리의 실사 환경이 연구 목적뿐만 아니라 고객과 협력하여 그들의 피드백을 사용해 모델을 훈련할 수 있는 데이터 안전 방식으로 구축된 이유입니다. 우리 고객은 오늘날 수십억 달러 규모의 거래를 신뢰받는 사람들입니다. 그들의 에이전트는 내일 동일한 거래를 신뢰받게 될 것입니다.
향후 계획
앞으로 몇 주 안에 우리는 효과적인 실사 에이전트를 위한 전략과 다양한 VDR에 걸친 초기 결과를 식별하는 연구를 발표할 예정입니다. 또한 엔터프라이즈 검색, 펀드 설립, 조사 및 증거 개시(e-discovery) 등에 이르는 작업을 포괄하는 추가 LAB 확장 기능도 출시할 예정입니다.
이와 동시에, 우리는 이러한 세계를 연구에서 실제 운영으로 전환하여 자연어 피드백을 통해 에이전트를 개선하고 고객과 협력하여 그들이 하는 방식대로 어려운 문제를 해결하는 맞춤형 모델을 개선하는 방법을 보여줄 것입니다.
저자: @ItsJulioPereyra
블로그에서 읽기 여기.
