Due diligence : ChatGPT pour automatiser l'analyse de deals

Pourquoi ChatGPT change la donne en due diligence

Les modèles de langage comme ChatGPT, Claude ou Gemini traitent plusieurs centaines de pages rapidement, extraient les clauses par type, comparent les versions successives d'un contrat et signalent les incohérences entre documents. Là où un analyste lisait un pacte d'actionnaires pour en tirer les points d'attention, le modèle produit une synthèse structurée avec renvoi aux pages sources, que l'analyste relit et corrige.

L'avantage : la capacité à croiser plusieurs documents simultanément. Un modèle peut rapprocher un bilan consolidé, une liasse fiscale et un rapport de commissaire aux comptes pour signaler les écarts de traitement comptable, puis proposer une liste de questions à poser au management.

Les limites restent claires : le modèle ne comprend pas le contexte sectoriel fin, ne détecte pas les omissions volontaires et peut halluciner une clause absente. L'outil peut donc se tromper, et le contrôle humain reste requis sur chaque sortie par une personne qui connaît le dossier.

Le workflow de due diligence augmentée

Un processus efficace structure l'intervention de ChatGPT en trois phases : préparation de la data room, extraction et synthèse, puis validation et consolidation.

Phase 1 : Préparation et indexation. Le deal team organise la data room par catégorie (juridique, financier, commercial, RH, IT) et convertit les documents en format texte exploitable. Un tableur de suivi liste chaque document, son type, sa date et son statut de revue.

Phase 2 : Extraction par lot. Le modèle traite les documents par catégorie homogène. Pour les contrats commerciaux, il extrait les clauses de résiliation, les engagements de volume, les pénalités, les durées restantes. Pour les bilans, il repère les postes hors norme, les variations d'une année sur l'autre, les notes de bas de page critiques.

Phase 3 : Consolidation et rapport. Les synthèses par catégorie sont rassemblées dans un rapport unique, avec une section "points d'attention" qui liste les anomalies repérées, les clauses bloquantes et les questions ouvertes. Cette phase reste entièrement portée par le deal team, qui tranche.

Le tableau ci-dessous répartit chaque étape entre ce que l'outil prépare et ce que le collaborateur valide.

La validation humaine reste incompressible : elle garantit la fiabilité juridique et la pertinence stratégique.

Comment s'y prendre, étape par étape

Play 1 : Extraire les clauses critiques d'un pacte d'actionnaires

Ouvre ChatGPT ou Claude (Opus recommandé pour les documents longs).

Téléverse le PDF du pacte d'actionnaires dans la fenêtre de conversation.

Lance le prompt d'extraction structurée :

"Tu es analyste en M&A. Analyse ce pacte d'actionnaires et extrais, sous forme de tableau, les éléments suivants : clauses de changement de contrôle, droits de préemption, clauses de sortie conjointe (tag along) et de sortie forcée (drag along), engagements de non-concurrence, durée de chaque engagement, conditions suspensives. Pour chaque clause, indique le numéro d'article et la page. Signale toute clause inhabituelle ou restrictive."

Vérifie la sortie en ouvrant le PDF aux pages indiquées : contrôle que chaque clause citée existe bien et que le résumé est fidèle.

Complète le tableau avec tes annotations (impact sur la valorisation, points de négociation) et verse-le dans le dossier de due diligence.

Répète l'opération pour chaque contrat stratégique.

Play 2 : Détecter les anomalies comptables dans une liasse fiscale

Rassemble les liasses fiscales des trois derniers exercices (PDF ou Excel).

Ouvre Claude ou ChatGPT et téléverse les trois fichiers simultanément.

Lance le prompt d'analyse comparative :

"Tu es analyste financier en due diligence. Compare ces trois liasses fiscales (exercices N, N-1, N-2) et identifie : les postes du bilan qui varient de plus de 20% d'une année sur l'autre, les créances clients dont l'ancienneté augmente, les provisions qui diminuent fortement, les engagements hors bilan mentionnés en annexe, les changements de méthode comptable. Présente tes conclusions sous forme de tableau avec l'exercice, le poste concerné, la variation en pourcentage et une hypothèse d'explication."

Examine chaque anomalie signalée en consultant les annexes des liasses.

Prépare une liste de questions à poser au directeur financier de la cible.

Documente chaque anomalie dans ton rapport, avec la réponse obtenue et ton appréciation.

Conformité et traçabilité : ce qui est obligatoire

Le cadre réglementaire impose des précautions strictes dès lors que des données personnelles ou sensibles transitent par un modèle de langage. La CNIL rappelle que tout traitement de données personnelles doit respecter le RGPD, y compris lorsqu'il passe par une API tierce.

Données personnelles : si la data room contient des CV, des contrats de travail, des listes de clients identifiés ou des données de santé, leur envoi à ChatGPT ou Claude constitue un transfert de données. Vérifie que l'éditeur propose un DPA conforme, que les données ne servent pas à réentraîner le modèle et que le stockage respecte les clauses contractuelles types si le serveur est hors UE.

Traçabilité : chaque analyse produite par le modèle doit être versionnée, horodatée et associée au nom de l'analyste qui l'a validée. Un simple fichier log (date, document analysé, prompt utilisé, validation humaine) suffit.

Secret professionnel : les versions entreprise de ChatGPT (ChatGPT Team, ChatGPT Enterprise) et Claude (Claude for Work) offrent des garanties de confidentialité ; les versions gratuites, non. Beaucoup de fonds anonymisent les documents avant envoi ou déploient des modèles en local (LLaMA, Mistral).

Les pièges à éviter

Piège 1 : Faire confiance à une clause inventée. Les modèles peuvent halluciner une clause qui n'existe pas. Vérifie systématiquement chaque référence d'article et chaque numéro de page.

Piège 2 : Négliger la version du document. Si la data room contient plusieurs versions d'un même contrat, le modèle peut mélanger les clauses. Nomme clairement chaque fichier et traite une seule version à la fois.

Piège 3 : Oublier le contexte sectoriel. Un modèle généraliste ne connaît pas les standards de ton secteur. Ajoute toujours une couche d'analyse métier après la synthèse automatique.

Piège 4 : Sous-estimer la validation. Réserve un temps significatif pour valider, annoter et compléter les sorties du modèle : c'est le deal team qui reste responsable de la décision d'investissement. Sur les dossiers sensibles, fais-toi accompagner en amont pour cadrer les usages et les responsabilités.