מדיה

למעלה מ-70% מעסקאות המיזוג והרכישה נכשלות ביצירת הערך המצופה מהן.[1] לעיתים קרובות, הכישלון לא נובע מאסטרטגיה שגויה, אלא מפרט קטלני שהתחבא בתוך אלפי מסמכים – סיכון נסתר בחוזה, התנגשות תרבויות שלא נצפתה, או הערכת סינרגיה אופטימית מדי. המודלים המסורתיים, המבוססים על צוותים אנושיים וגיליונות אלקטרוניים, הגיעו לקצה גבול היכולת שלהם לזהות את "האותות החלשים" בתוך רעש המידע.

הפער הזה, בין הצורך בקבלת החלטות מבוססת-ודאות ובין הכלים המוגבלים שבידינו, הוא בדיוק המקום אליו נכנסת הבינה המלאכותית. לפי מחקר של חברת הייעוץ Bain, אחת מכל 5 חברות כבר עושה שימוש בבינה מלאכותית יוצרת כחלק מהליכי ה-M&A שהיא מובילה.[2] כחלק מכך, ה-AI אינו משמש כלי לייעול או זירוז בלבד של ההליך, אלא הופך לרשת ביטחון אסטרטגית ההופכת את התהליך לוודאי ואיכותי יותר. המאמר הבא יציג כיצד AI משנה שלושה שלבים קריטיים בתהליך העסקה, והופך את אמנות הדיל-מייקינג למדע מדויק יותר מאי פעם.

שלב 1: איתור הזדמנויות – מחיפוש ידני למכ"ם מכוונן

בעבר, שלב איתור המטרות (Sourcing) התבסס על רשת קשרים, המלצות של בנקאי השקעות וחיפוש ידני במאגרים מוכרים. התוצאה: מאגר הזדמנויות מוגבל, מוטה כלפי שחקנים ידועים, ואיטי להחריד. כיום, אלגוריתמים חכמים הופכים את התהליך למכ"ם אסטרטגי הפועל 24/7, ויכול להתריע על הזדמנויות חדשות או על שינוי משמעותי בהזדמנויות שכבר על הכוונת.

ניקח לדוגמה חברת פארמה גדולה המחפשת לרכוש טכנולוגיה ספציפית בתחום ה-mRNA. במקום להמתין לכנס הבא, מערכת AI סורקת בזמן אמת מאגרי פטנטים גלובליים, פרסומים אקדמיים, ואף פרופילים מקצועיים של מהנדסי ביוטק. המערכת יכולה לזהות סטארט-אפ צעיר בשוויץ שזה עתה רשם פטנט פורץ דרך – חודשים לפני שהמתחרים בכלל שמעו עליו.

האחריות הניהולית עוברת מ"למצוא את מי שאנחנו מכירים" ל"להגדיר במדויק את מה שאנחנו מחפשים". ה-AI הופך לכוח המכפיל של מחלקת האסטרטגיה, ומאפשר לאתר הזדמנויות "מתחת לרדאר" האנושי שמעניקות יתרון תחרותי אמיתי.

שלב 2: בדיקת נאותות – מקופסה שחורה לדשבורד חכם

באופן מסורתי, שלב בדיקת הנאותות (Due Diligence) הוא החלק המסוכן והיקר ביותר בתהליך. צוותים של עורכי דין ורואי חשבון מסתגרים ב"חדר מידע" פיזי או וירטואלי, ומנסים לדלות תובנות מתוך אלפי מסמכים תחת לחץ זמן אדיר. הסיכוי לפספוס אנושי גבוה, והתוצר הסופי הוא לרוב דוח עב-כרס שקשה לתרגם להחלטה עסקית מהירה. יתרה מכך, התהליך הנוכחי מקשה על זיהוין של טעויות ואף מכשלות מכוונות.

דמיינו תהליך רכישה של חברת תוכנה (SaaS) עם 3,000 חוזי לקוח. במקום צוות של 10 יועצים שעובד חודש, כלי AI ייעודי סורק את כל החוזים בסוף שבוע אחד. הוא אינו רק "קורא" אותם, אלא מזהה אוטומטית סעיפי אחריות חריגים, מסמן חוזים שאינם תואמים את הרגולציה העדכנית, וממפה את כלל הלקוחות לפי תאריכי חידוש חוזה.

התוצאה אינה דוח טקסטואלי, אלא דשבורד ניהולי אינטראקטיבי. בלחיצת כפתור, המנהל רואה תמונה ויזואלית של הסיכונים וההזדמנויות, אותה ניתן להתאים באמצעות שאלת שאלות בשפה טבעית: "אילו לקוחות מפתח מחזיקים בזכות יציאה מהחוזה במקרה של רכישה?", "מה פוטנציאל המכירה הצולבת (cross-sell) ללקוחות הקיימים ברבעון הראשון שלאחר המיזוג?".

האחריות הניהולית משתנה מבדיקת התפוקה של היועצים, לשאילת שאלות אסטרטגיות מול הדאטה. במקום להמר, המנהל מקבל תמונה מדויקת של מה שהוא קונה – עוד לפני שהעסקה נחתמה.

שלב 3: הערכת שווי וסינרגיה – מתחושת בטן למודל חיזוי

באופן היסטורי, הערכת השווי והסינרגיה הפוטנציאלית הייתה יותר "אמנות" מאשר "מדע". היא התבססה על מכפילים סטנדרטיים, ניסיון העבר של המנהלים, והרבה "תחושות בטן" לגבי הפוטנציאל העתידי. התוצאה היא אותם 70% של עסקאות שנכשלות ביצירת הערך המצופה.

נחזור לדוגמה מעולם הקמעונאות: מיזוג בין שתי רשתות אופנה. במודל הקלאסי, היועצים היו בונים אקסל מורכב המבוסס על הנחות כלליות לגבי חיסכון בעלויות ו"הזדמנויות" למכירה צולבת. כלי AI, לעומת זאת, ניגש לבעיה אחרת. הוא מנתח מיליוני רכישות אנונימיות משתי הרשתות ומזהה דפוסים ברמת הלקוח הבודד.

הפלט אינו הערכת שווי כללית, אלא מפת סינרגיה מדויקת:

• זיהוי חפיפה אמיתית: כמה לקוחות נאמנים של רשת א' קונים גם ברשת ב'?
• חיזוי התנהגות: מה הסבירות שלקוח שרוכש חולצות ברשת א' ירכוש גם ג'ינסים מרשת ב' לאחר המיזוג?
• אופטימיזציית מלאי: באילו סניפים כדאי לשלב מותגים ספציפיים כדי למקסם מכירות לפי פילוח דמוגרפי מדויק?

כך, הערכת השווי נשענת על פוטנציאל עסקי אמיתי ומגובה בנתונים. האחריות הניהולית אינה נגמרת באישור מודל פיננסי, אלא ממשיכה בהגדרת מערכת היעדים האסטרטגיים הנכונים, והסבירות למימושה. ה-AI מספק את התחזית, אך המנהל הוא זה שצריך להחליט על סמך התחזית הזו מהי תמונת העתיד הרצויה והסבירה.

התובנה המרכזית: מהכרעת דין לארכיטקטורה של החלטה

השינוי המהותי שה-AI מביא לעולם העסקאות אינו טמון באוטומציה של בדיקות, אלא באבולוציה של תפקיד המנהל. עד כה, המנהל הבכיר שימש כשופט של התהליך הארוך והמייגע המסתכל עליו מהצד, זה המכריע בסופו על טיב העסקה על בסיס מידע חלקי שהוגש לו. כעת, תפקידו משתנה. הוא הופך לארכיטקט הראשי של תהליך קבלת ההחלטה עצמו.

האחריות הניהולית החדשה אינה טמונה בבחינת התוצר הסופי של האנליסטים, אלא בהגדרת השאלות האסטרטגיות שהמערכות החכמות יחקרו כבר במהלך התהליך. הערך אינו נובע עוד מהיכולת לזהות סיכון בעמוד 547 של דוח משפטי, אלא מהיכולת לעצב מודל שיזהה, יסווג ויצמצם מראש את כלל הסיכונים המשפטיים בפרויקט.

לכן, המוכנות לעידן ה-M&A החדש אינה נמדדת בהטמעת כלי טכנולוגי כזה או אחר, אלא בשלושה שינויים תפיסתיים במנהיגות:

1. מבחינת מידע לאדריכלות שאלות: המיקוד עובר מבדיקת התשובות שהצוות מביא, לדיון וניסוח השאלות וההשערות שה-AI יצטרך לאמת או להפריך.
2. מיעילות תהליכית להעצמת יכולות: המטרה אינה רק לקצר את שלב בדיקת הנאותות, אלא לשדרג את יכולת זיהוי הסיכונים ולשפר את האיכות של חיזוי סינרגיות.
3. מניתוח רטרוספקטיבי להשקעה ביכולת חיזוי: במקום להסתפק בבחינת עסקאות עבר לצורך הפקת לקחים, ניתן להעמיק בניתוח הדאטה שלה העסקה הנוכחית כדי לבנות מודלים שיחזו את הצלחתן של עסקאות עתידיות.

בסופו של דבר, הטמעת AI בתהליך העסקאות אינה שדרוג טכנולוגי בלבד. זהו שינוי יסודי במודל העבודה, המעביר את הארגון מהימור אסטרטגי ליצירת ערך מבוססת-דאטה, תחכום אנושי וכח מחשוב. שילוב איטי ומבוקר שלו בתוך תהליכי ה-M&A אולי יזרז אותם מעט וודאי שלא ייעל אותם יתר על המידה בטווח הזמן הקצר, אך יכול להניב תוצאות טובות יותר ולצמצם את הסיכון לטעות. כמו כן, מי לא יתנסו בשילוב AI בתהליכים מהסוג הזה כבר כיום, עלולים למצוא את עצמם הרחק מאחור כשתגיע ההזדמנות העסקית הבאה.

התמונה נוצרה ב- Google AI Studio.

[1] https://fortune.com/2024/11/13/we-analyzed-40000-mergers-acquisitions-ma-deals-over-40-years-why-70-75-percent-fail-leadership-finance/?utm_source=chatgpt.com

[2] https://www.bain.com/insights/generative-ai-m-and-a-report-2025/?utm_source=chatgpt.com