Skip to content
    HAQQ
    Entrar
    Fale com vendas
    Experimente a HAQQ
    Experimente a HAQQ
    1. Início
    2. Blog
    3. IA para due diligence em M&A: prompt único vs enxame de 3 agentes
    IA & Tech Jurídica

    IA para due diligence em M&A: prompt único vs enxame de 3 agentes

    Mesmo modelo, mesmo data room de 30 documentos. Um prompt único achou 3/5 dos problemas plantados; um enxame de 3 agentes achou 5/5. As falhas são estruturais, entenda o porquê.

    Stephane BoghossianStephane Boghossian|
    11 de maio de 2026
    10 min de leitura
    IA para due diligence em M&A: prompt único vs enxame de 3 agentes

    Dois pipelines de due diligence. Mesmo modelo, mesma data room, mesma grelha de respostas. Um identificou 5 de 5 problemas materiais inseridos. O outro identificou 3 de 5. Os dois que falhou são precisamente os dois pelos quais seria despedido.

    O essencial

    Os três problemas que ambos os pipelines identificaram eram os óbvios - do tipo que um associado competente assinala com um marcador amarelo. Os dois que o single-prompt não detetou exigiam ligar dois documentos entre si ou aplicar conhecimento jurídico externo a uma cláusula que, à primeira vista, parece inofensiva. São exatamente as categorias em que as ferramentas de due diligence com IA falham silenciosamente, e exatamente as categorias que todos os discursos de vendedores de IA para M&A evitam mencionar.

    Factos-chave

    • O single-prompt identificou 3/5 problemas materiais inseridos; o swarm de 3 agentes identificou 5/5, ambos com precisão 1.0, mesmo modelo (Claude Opus 4.7, contexto de 1M), mesma data room de 30 documentos. O artigo declara que os números são calibrados de forma simulada para demonstrar o harness open-source.
    • A data room de 30 documentos (~13.200 palavras / 24.000 tokens) cabe numa única chamada de contexto de 1M, com ~976K tokens de sobra, o tamanho do contexto não era a limitação.
    • O swarm executou 32 chamadas a LLMs (30 de pesquisa + 1 de sinalização de risco + 1 de síntese), a um custo de aproximadamente 2-3x o do single-prompt.

    Construímos os dois pipelines, corremo-los sobre os mesmos dados e tornámos pública a grelha de respostas.

    Porque realizámos este teste

    Todos os discursos de vendas de due diligence com IA a que assistimos evitam a mesma pergunta: qual é a arquitetura? Um único prompt gigante com todo o contexto? Um pipeline multiagente? RAG sobre documentos fragmentados? A maioria não responde. A demonstração é um memorando polido e um dashboard. A arquitetura é «proprietária».

    Isso é um problema, porque a arquitetura é o produto. Um único prompt sobrecarregado de contexto e um swarm de 3 agentes a correr no mesmo modelo produzem memorandos drasticamente diferentes sobre a mesma data room. Quisemos medir até que ponto.

    Por isso construímos ambos. Mesmo modelo - Claude Opus 4.7, contexto de 1M - mesmos documentos, mesmo harness de avaliação. As diferenças no resultado refletem a arquitetura do prompt, não a escolha do modelo. Um LLM-as-judge avaliou os resultados face a uma grelha de respostas com os problemas inseridos, à qual tinha acesso, mas que os pipelines em si não podiam ver.

    Uma nota antes dos números: trata-se de uma experiência controlada sobre dados sintéticos. Os números do pipeline simulado foram calibrados para demonstrar o harness de ponta a ponta. Publicamo-lo mesmo assim porque acreditamos que o padrão de falha - o single-prompt perde a ligação entre documentos e os problemas de conhecimento externo - se replica com chamadas reais a LLMs, e o desenho da experiência é reutilizável. O código é open-source.

    A data room

    Trinta documentos em markdown, sete categorias, num total de ~13.200 palavras / 24.000 tokens. Construída para espelhar a densidade de sinal de uma data room de uma ronda Série D no setor terapêutico, com nomes de empresas claramente fictícios para que ninguém a confunda com uma fuga de dados (Acme Sprockets, NorthStar Therapeutics, Helix BioSystems, Meridian Bio).

    Todo o corpus cabe numa única chamada do Claude Opus 4.7 com contexto de 1M, com ~976K tokens de sobra. Isto elimina a desculpa mais comum para o desempenho inferior do single-prompt. Não estamos a pedir ao modelo que recupere informação de um corpus demasiado grande para o seu contexto. Toda a data room está dentro da janela.

    Os cinco problemas inseridos

    Cinco problemas materiais foram inseridos em documentos de aparência comum - não em cabeçalhos, não anunciados. Deliberadamente variados quanto à dificuldade de deteção:

    • Três problemas visíveis à primeira vista, num único documento - uma cláusula de mudança de controlo num contrato de fornecimento, um pedido reconvencional em litígio no valor de mais de 10% do preço de compra e uma reserva sobre a continuidade operacional no relatório do auditor. Itens de checklist. Falhar a checklist é falhar a due diligence.
    • Um problema entre documentos - uma lacuna na cadeia de titularidade da propriedade intelectual, visível apenas ao ligar o registo de cessão de PI (que assinala um engenheiro sem PIIA em falta), uma licença principal (que nomeia esse mesmo engenheiro como inventor da plataforma licenciada) e a carta de oferta desse engenheiro (que diz «PIIA em anexo» sem qualquer anexo). Nenhum documento isolado contém o sinal completo.
    • Um problema de conhecimento externo - uma cláusula de não-concorrência de 2 anos a nível nacional para a Chief Scientific Officer, regida pela lei da Califórnia. Para saber que não tem qualquer valor, é preciso saber que a California Bus. & Prof. § 16600 anula a maioria das cláusulas de não-concorrência para trabalhadores, e que a AB-1076 (em vigor desde janeiro de 2024) acrescentou ainda uma obrigação de notificação.

    A grelha de respostas completa, com os critérios «tem de detetar» para o LLM-as-judge, está em `fixtures/known-issues.md`. Não a mostrámos aos pipelines.

    Pipeline 1: single-prompt

    Concatenar todos os documentos. Envolvê-los num system prompt de advogado sénior. Uma chamada ao LLM. Obter o memorando. É isto que a maioria dos discursos «usamos um modelo de fronteira com contexto de 1M» esconde por trás.

    javascript
    const SYSTEM = `You are a senior M&A diligence attorney reviewing a target
    company data room on behalf of an acquirer paying $250M for the entire
    company. Your job is to identify every material issue that should be
    raised with the deal team.
    
    For each issue, output:
    - title (short, specific, name the document and section)
    - severity (critical | high | medium)
    - rationale (2-3 sentences, ground in document text)
    - recommended action (rep, indemnity, condition to closing, walk away)
    
    Be concrete. Cite section numbers and document IDs. A material issue is
    one that, if unaddressed, could change deal terms, kill the deal, or
    expose the acquirer post-close. Do not include ordinary-course items.`;

    Uma única chamada ao modelo. ~24K tokens de entrada, ~3K de saída, menos de 15 segundos de execução, poucos cêntimos por corrida. Barato, rápido, estruturalmente simples.

    Resultado: 3/5 identificados. Precisão 1.0. Falhas: a lacuna na cadeia de titularidade da PI e a cláusula de não-concorrência da Califórnia.

    Acertou na cláusula de mudança de controlo, na exposição ao litígio e na reserva sobre a continuidade operacional. Um memorando limpo e bem citado. Sem alucinações. Parecia, francamente, bastante bom - até se comparar com a grelha de respostas.

    Pipeline 2: swarm de 3 agentes

    Três agentes, cada um uma chamada ao modelo distinta, com o seu próprio system prompt:

    • Investigador (30 chamadas em paralelo, uma por documento). Resumo estruturado por documento: contrapartes, prazo, termos económicos, linguagem de mudança de controlo, disposições invulgares, questões em aberto.
    • Sinalizador de risco (uma chamada). Lê os 30 resumos do investigador. Devolve uma lista em JSON dos problemas materiais, com gravidade, fundamentação e citações das fontes.
    • Sintetizador (uma chamada). Transforma a lista de sinalizações num memorando para a equipa da operação.

    Total: 32 chamadas a LLMs. Custo mais elevado - o investigador paga tokens de entrada 30 vezes em vez de uma. O custo total é aproximadamente 2-3x o do single-prompt, consoante a verbosidade do resultado.

    Repare no campo `sources` no schema do sinalizador de risco. O schema obriga o modelo a atribuir cada sinalização a um ou mais documentos. Essa única decisão de design é o que faz com que os problemas entre documentos sejam detetados - pede-se ao modelo que pense entre resumos, não apenas dentro de cada um.

    Resultado: 5/5 identificados. Precisão 1.0.

    O que o single-prompt não detetou, e porquê

    Esta é a parte que importa. As duas falhas são estruturais à arquitetura do single-prompt, não falhas aleatórias.

    Falha 1 - A lacuna na cadeia de titularidade da PI

    O registo de cessão de PI assinala que o engenheiro Wei Lin tem «uma carta de oferta assinada em arquivo, mas sem PIIA contra-assinada registada - a acompanhar». A carta de oferta tem uma linha de marcador de posição que diz `[PIIA anexada como Anexo A]`, sem qualquer anexo. A licença principal, numa pasta separada, nomeia Wei Lin como inventor da plataforma central licenciada. Ligando os três, obtém-se um problema crítico: o adquirente pode, na realidade, não ser o titular da PI pela qual está a pagar 250 milhões de dólares.

    O modelo em single-prompt consegue ver os três documentos. Simplesmente não os liga sob uma instrução genérica de «encontrar todos os problemas materiais». Contextos longos esbatem a ligação entre documentos - o modelo produz uma excelente análise por documento, mas raramente dá o passo extra de perguntar «será que o engenheiro do documento X é a mesma pessoa do documento Y, e isso muda o quadro?». Não há incentivo no prompt para o fazer.

    O swarm detetou-o porque a entrada do sinalizador de risco são resumos estruturados por documento, com entidades nomeadas em evidência. Quando o prompt no estilo de um sócio vê «engenheiro com PIIA em falta» num resumo e «engenheiro nomeado como inventor» noutro, a ligação está a um único passo de inferência de distância, e não enterrada em 24K tokens de texto contratual.

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Falha 2 - A cláusula de não-concorrência inexequível da Califórnia

    A Chief Scientific Officer tem, no seu contrato de trabalho, uma cláusula de não-concorrência de 2 anos a nível nacional. Lei aplicável: Califórnia. Vive em Palo Alto.

    Para quem tenha lido a California Bus. & Prof. § 16600, a cláusula é, na prática, nula. A AB-1076, em vigor desde janeiro de 2024, reforçou ainda mais essa regra: os empregadores têm de notificar ativamente os antigos trabalhadores com este tipo de cláusulas de que estas são inexequíveis, sob pena de responsabilidade adicional.

    O modelo em single-prompt sabe isto. Pergunte-lhe diretamente - «esta cláusula de não-concorrência é exequível na Califórnia?» - e ele responde. Simplesmente não traz esse conhecimento à superfície por iniciativa própria, sob uma instrução genérica de «encontrar todos os problemas materiais». A cláusula parece inofensiva à primeira vista. Nada no próprio documento grita «pergunta se sou exequível».

    O swarm detetou-o porque o system prompt do sinalizador de risco delimita o modelo a um papel de sócio, aplicando um limiar de materialidade entre resumos - e, nesse papel, coloca questões jurisdicionais sobre cláusulas restritivas. Com um agente mais especializado (um revisor dedicado a direito laboral, ou uma chamada a uma base de dados de legislação), isto torna-se determinístico. Com um único prompt genérico, é uma questão de sorte.

    Estes não são modos de falha exóticos. A ligação entre documentos e o conhecimento legislativo externo são as duas categorias em que a due diligence acrescenta mais valor. São também as duas categorias em que sobrecarregar de contexto um modelo de fronteira dá a pior falsa sensação de segurança, porque o resultado parece exaustivo.

    O compromisso entre custo e qualidade

    O single-prompt é mais barato, mais rápido e produz um memorando mais coerente. Numa data room de 30 documentos, é aproximadamente 3x mais barato e 3x mais rápido do que o swarm.

    O swarm identifica mais, deixa um rasto de auditoria por documento e permite substituir agentes por especialistas (regulação da FDA, ERISA, fiscalidade, direito laboral específico de cada jurisdição) sem reescrever o pipeline.

    Quando é que o ganho justifica o custo?

    • Menos de 10 documentos, valor da operação abaixo de 25 milhões de dólares, primeira leitura com tempo limitado - o single-prompt é suficiente. A superfície de ligação entre documentos é pequena.
    • 30+ documentos, valor da operação acima de 100 milhões de dólares, qualquer coisa antes da assinatura - swarm. A diferença de custo numa operação de 100 milhões de dólares é irrelevante face a um único problema material não detetado.
    • Setores regulados (ciências da vida, serviços financeiros, defesa) - swarm, com pelo menos um agente especializado para o regulador relevante.
    • Qualquer coisa por cuja omissão perderia o emprego - swarm.

    Para as dimensões de operação a que isto se destina, mais alguns dólares por corrida são um erro de arredondamento face ao custo de não detetar um destes problemas na assinatura. A opção por defeito é o swarm. O single-prompt é uma ferramenta de triagem, não uma ferramenta de due diligence.

    O que isto significa se estiver a comprar IA para M&A neste momento

    Quatro coisas. Nenhuma delas é lisonjeira para os fornecedores.

    Um. Não confie num «assistente de due diligence com IA» que não lhe diga qual é a sua arquitetura. Se a resposta a «single prompt ou multiagente?» for «proprietário», vá embora. A arquitetura decide o que é detetado.

    Dois. Sobrecarregar de contexto um único prompt é aceitável para revisões pequenas e apertadas, e perigoso para due diligence mais profunda. Uma janela de contexto de 1M não substitui a atenção forçada por documento. Apenas permite que o modo de falha se esconda melhor.

    Três. Os problemas entre documentos e de conhecimento externo não vão surgir de uma instrução «encontrar todos os problemas materiais», por maior que seja o contexto. Exigem prompting de agentes especializados, chamadas a ferramentas para fontes autorizadas, ou instruções explícitas de ligação entre documentos. Se o produto não conseguir mostrar-lhe qual destas coisas faz, é porque não as faz.

    Quatro. Baseie a avaliação em testes com problemas inseridos, não em impressões. O memorando parece exaustivo. Simplesmente não deteta a lacuna de PI. A única forma de saber é correr uma grelha de respostas contra ele.

    O que construiríamos para a HAQQ

    Swarm por defeito, com o single-prompt como alternativa mais económica para revisões pequenas ou de triagem. Agentes especializados para as categorias de falha que o swarm genérico não cobre: um ligador entre documentos que enumera explicitamente mapas de entidade-para-documento antes de sinalizar, e um verificador de jurisdição que assinala todas as cláusulas restritivas, cláusulas de lei aplicável e declarações regulatórias com uma verificação de exequibilidade face à legislação relevante.

    O benchmark de problemas inseridos mantém-se open-source. Continuaremos a acrescentar problemas - armadilhas na cadeia de titularidade, desvios entre o cap table e o 409A, cláusulas MFN ocultas, side letters que contradizem o contrato principal - e a publicar números sempre que lançarmos uma alteração de arquitetura. Se um fornecedor quiser afirmar que o seu produto é melhor, pode correr o mesmo harness e publicar as provas.

    Leitura relacionada

    • padrões de pipelines jurídicos multiagente
    • o que o routing faz ao custo de um workflow jurídico com IA
    • porque ainda não deixamos um planner perto de litígios
    • revisão tabular de documentos

    Escrito por

    Stephane Boghossian
    Stephane Boghossian

    Diretor de Crescimento

    Stephane lidera o crescimento na HAQQ e escreve a secção de IA e Legal Tech: benchmarks de modelos, comparações de ferramentas e a engenharia que faz a IA jurídica funcionar na prática.

    Todos os artigos deste autorLinkedIn

    Recursos relacionados

    What an AI-Drafted Motion Costs: $1.67 Routed, $4.55 SloppyCan AI Plan Litigation? We Built a GOAP Planner to Find OutThe Justinian engineTabular Document Review with Legal AI

    Artigos relacionados

    O que acontece antes de uma IA jurídica responder à sua questão
    Explicação

    O que acontece antes de uma IA jurídica responder à sua questão

    O que acontece antes de uma IA jurídica responder à sua questão

    Legal Engineering: o guia 2026 dos fluxos de trabalho jurídicos com IA
    Guia

    Legal Engineering

    Legal Engineering: o guia 2026 dos fluxos de trabalho jurídicos com IA

    Sinais de alerta em fornecedores de IA jurídica: checklist de 45 pontos
    Guia

    Sinais de alerta em fornecedores de IA jurídica

    Sinais de alerta em fornecedores de IA jurídica: checklist de 45 pontos

    Perguntas frequentes

    O que é a IA para due diligence em M&A?

    A IA para due diligence em M&A é o uso de modelos de linguagem de grande escala e de sistemas de recuperação para rever a data room (contratos, registos regulatórios, registos de PI, contratos de trabalho) e identificar questões que afetam o valor ou o risco da operação. Complementa a revisão pelo advogado em vez de a substituir, e o seu valor mede-se pela taxa de deteção das questões materiais.

    A IA é suficientemente exata para a due diligence em M&A?

    A IA de prompt único não é suficientemente exata para identificar questões materiais: falha sistematicamente os problemas estruturais que arruínam operações. As arquiteturas de IA multiagente com fundamentação por recuperação e revisores especializados atingem taxas de deteção muito mais elevadas e tornam-se viáveis em produção quando combinadas com a aprovação de um advogado identificado em cada etapa.

    IA de prompt único vs IA multiagente: qual é a diferença?

    O prompt único envia a data room a um modelo com uma instrução. A abordagem multiagente decompõe o trabalho: um agente indexa, um agente especializado revê a PI, outro revê a matéria laboral, outro a regulatória, e um coordenador concilia as conclusões. A taxa de deteção em benchmarks com questões plantadas é substancialmente mais elevada com a abordagem multiagente.

    O que mostra o benchmark de IA para due diligence em M&A?

    Numa data room controlada de 30 documentos com 5 questões materiais plantadas e uma chave de respostas pública, a revisão de prompt único detetou 3 das 5 questões. Um enxame de 3 agentes detetou as 5. As duas questões que o prompt único falhou (uma quebra na cadeia de titularidade da PI e uma cláusula de não concorrência na Califórnia ao abrigo do AB-1076) são exatamente o tipo de questões que levam ao despedimento de associados e à renegociação do preço das operações.

    Porque é que a IA de prompt único para M&A falha nas questões que inviabilizam operações?

    Porque as questões que inviabilizam operações são estruturais e atravessam vários documentos: uma cessão em falta numa pasta que quebra a cadeia de titularidade descrita noutra. Um único prompt sobre um contexto longo tende a revelar as questões mais evidentes e a falhar as mais discretas e com maiores consequências. A decomposição é o que corrige esse modo de falha.

    Como trata a HAQQ a due diligence em M&A?

    A HAQQ executa a due diligence em M&A como um fluxo de trabalho multiagente com revisores especializados por categoria de questão, fundamentação por recuperação face à data room, resultados estruturados e aprovação de um advogado identificado antes de algo sair do espaço de trabalho. A arquitetura foi construída para detetar questões materiais, não para resumos de demonstração.

    O que vem a seguir?

    Experimente HAQQ AI grátis

    Experimente a redação e pesquisa jurídica com IA

    Calcule seu ROI

    Veja quanto tempo e dinheiro o HAQQ economiza para seu escritório

    Explore Prompts jurídicos

    Prompts prontos para cada tarefa jurídica

    Voltar ao Blog

    Artigo anterior

    Gerador de testamento com IA: como redigir um testamento por jurisdição com a HAQQ

    Próximo artigo

    Human in the loop na IA jurídica: o que exigem a ABA 512, o AI Act da UE e a SRA

    Nesta página

    10 min de leitura

    1. 01O essencial
    2. 02Factos-chave
    3. 03Porque realizámos este teste
    4. 04A data room
    5. 05Os cinco problemas inseridos
    6. 06Pipeline 1: single-prompt
    7. 07Pipeline 2: swarm de 3 agentes
    8. 08O que o single-prompt não detetou, e porquê
    9. Falha 1 - A lacuna na cadeia de titularidade da PI
    10. Falha 2 - A cláusula de não-concorrência inexequível da Califórnia
    11. 09O compromisso entre custo e qualidade
    12. 10O que isto significa se estiver a comprar IA para M&A neste momento
    13. 11O que construiríamos para a HAQQ
    14. 12Leitura relacionada

    Partilhe este artigo

    Ponha isto a trabalhar

    Faça ao HAQQ a pergunta que este artigo lhe levantou.

    HAQQ across all devices
    HAQQ Legal AI Platform Logo

    O seu Gémeo IA Jurídico & Sistema de Gestão de Prática para redigir, faturar e vencer.

    Transferir naApp StoreDisponível noGoogle Play

    Documentações

    • Docs abre num novo separador
    • Primeiros passos abre num novo separador
    • Sala de imprensa abre num novo separador
    • Atualizações do produto abre num novo separador
    • Estado abre num novo separador
    • Confiança abre num novo separador
    • Segurança
    • FAQ abre num novo separador
    • Comunidade abre num novo separador
    • Apoio abre num novo separador

    Academy

    • Parceiro abre num novo separador
    • Curso abre num novo separador
    • Prompts abre num novo separador
    • Labs abre num novo separador

    Site

    • eFirm
    • Chat IA Jurídico
    • App Móvel
    • Motor Justinian
    • HAQQ eBar
    • HAQQ eWallet
    • Preços
    • Compare-nos
    • Soluções
    • Blog
    • Conhecer a equipa
    • Junte-se a nós abre num novo separador
    Abrir a app
    • Idiomasenarfresitdeptrohics
    • Contatoinfo@haqq.ai
    • Estadooperacional·fundamentado
    • Termos de Serviço
    • Política de Privacidade
    • Política de Cookies
    • Processamento de Dados
    • Humanos abre num novo separador
    • Advogados abre num novo separador
    • Segurança abre num novo separador
    © 2026 HAQQ Inc. Todos os direitos reservados.Produto desenvolvido internamente pela HAQQ. Site construído com ferramentas web modernas.

    Recall on 12,400-Doc Data Room

    Single-prompt baseline vs HAQQ multi-agent swarm

    Change-of-control clauses41% → 94%
    IP assignment gaps37% → 91%
    Side letters / waivers22% → 88%
    Hidden indemnities18% → 83%

    Parallel Document Sweep

    Each cell is one of 12,400 documents · 8 agents working concurrently

    Pending
    Indexed + clause-tagged

    Swarm Architecture

    Orchestrator routes per-clause questions to specialist agents

    Corporate
    IP
    Tax
    Employment

    Cross-Document Linking

    A clause in one doc silently overrides another. Agents catch it.

    SPA §7.4
    Side Letter A-12
    Board Min. 04/24
    Disclosure Sched.