Rusty Wiley, CEO og præsident for Datasite – Interviewserie

Rusty Wiley, CEO og præsident for Datasite, har ledet virksomheden siden 2014 og har overvåget dens transformation fra Merrill Corporation, en virksomhed der primært fokuserede på finansiel kommunikation og trykrelaterede tjenester, til et globalt software-as-a-service (SaaS) selskab med fokus på fusioner og opkøb (M&A) og strategiske transaktioner. Før han tiltrådte Datasite, tilbragte Wiley mere end syv år hos IBM, hvor han var General Manager for Banking and Financial Markets og Managing Partner, og byggede omfattende erfaring inden for finansielle tjenester, enterprise‑teknologi og forretningstransformation.

Datasite er en global teknologiplatform designet til at støtte dealmakere gennem hele M&A‑livscyklussen, inklusive deal sourcing, forberedelse, due diligence, finansiering, omstrukturering og efter‑transaktionsprocesser. Platformen kombinerer sikre virtuelle datarum med formålsbyggede kunstig intelligens‑funktioner, herunder automatiseret redigering, semantisk søgning, dokumentsammenfatning, oversættelse, AI‑assisteret spørgsmål‑og‑svar og intelligens til deal‑oprettelse. Datasite siger, at deres teknologi understøtter mere end 626.000 dealmakere og over 16.000 transaktioner årligt, og leverer investeringsbanker, private equity‑firmaer, virksomheder og advokatbureauer et sikkert miljø til at håndtere komplekse transaktioner og følsomme oplysninger.

Du kom til Datasite i 2014 efter at have ledet bank- og finansmarkederne hos IBM og derefter hjulpet med at transformere Datasite fra en finansiel kommunikations‑ og trykvirksomhed til en global softwareplatform for fusioner og opkøb. Hvordan har den erfaring påvirket din overbevisning om, at den næste fase i dealmaking vil blive bygget omkring AI‑agenter frem for traditionelle virtuelle datarum?

Da jeg kom til Datasite i 2014, var det virtuelle datarum centrum for finansielle transaktioner. Det havde allerede transformeret dealmaking ved at flytte følsomme oplysninger ud af fysiske rum og ind i et sikkert, søgbart digitalt miljø. Det blev klart i løbet af det næste årti, at datarummet også lagde grundlaget for noget meget større.

Efterhånden som vores skala voksede, voksede også mulighederne. Datasite understøtter nu omkring 55.000 transaktioner om året, hvilket giver os et unikt indblik i, hvordan dealarbejde foregår. Ved så højt volumen ser vi mere end dokumenter. Vi ser arbejdsgange, mønstre og de tusindvis af gentagne opgaver, der omgiver hver transaktion. Det skaber en enorm mulighed for at anvende AI og automatisering til at hjælpe teams med at gå fra information til handling meget hurtigere. Faktisk ser vi allerede dette ske. Recent Datasite research, The New Deal Team, viser, at virksomheder, der ignorerer AI, vil have svært ved at konkurrere inden for fem år, og de fleste dealmakere siger, at det ikke længere er forsvarligt kun at stole på menneskelig beslutningstagning i komplekse deals.

Derfor handler den næste fase om at bygge intelligens og automatisering oven på den betroede infrastruktur. AI kan analysere information, fremhæve risici og muligheder, forbinde institutionel viden med live transaktionsdata og i stigende grad udføre flertrins‑arbejdsgange, som i dag bruger betydelige mængder af et dealteams tid. Agenter kan kontinuerligt overvåge information, udføre analyser og fremme arbejdet, mens mennesker forbliver fokuseret på dømmekraft, forhandling og de beslutninger, der bestemmer udfaldet.

Ud fra dette er datarum grundlaget for næste generation af dealmaking. Dokumenterne, tilladelserne, sikkerheden og samarbejdslaget forbliver kritiske. AI gør dette grundlag langt mere værdifuldt, fordi det kan forstå konteksten omkring informationen og handle på den. Vi ser allerede, at modellen udvider sig ud over datarummet, med Datasite‑indhold, der flyder sikkert ind i AI‑drevne arbejdsgange, mens eksisterende tilladelser forbliver intakte.

Du har beskrevet fremtiden for Datasite som et AI‑native operativsystem for fusioner og opkøb. Hvad adskiller et operativsystem, der kan udføre deal‑arbejdsgange, fra et virtuelt datarum, der blot tilføjer dokumentsøgning, sammenfatning eller en samtalebaseret assistent?

Søgning og sammenfatning er virkelig nyttige, men de fungerer på ét dokument ad gangen, og de svarer kun på et spørgsmål, nogen har tænkt sig at stille, hvilket er en begrænsning, når man overvejer, hvordan en transaktion ser ud indefra. En given deal består af hundredvis af sammenkoblede opgaver, der kører samtidigt, herunder diligence‑forespørgsler, ledelsespræsentationer, juridiske gennemgange, finansierings‑arbejdsstrømme og godkendelser; alle involverer forskellige personer, der arbejder under forskellige tilladelser og mod forskellige deadlines. Erfarenere bankfolk rekonstruerer dealstatus ud fra e‑mail‑tråde og en tracker, som nogen opdaterede tirsdag, og inden torsdag er data allerede forældet.

Hvad et operativsystem gør, er at holde denne tilstand, så det opdaterer forbundet data i realtid, ved, hvilken arbejdsstrøm der hænger efter, hvilken forespørgsel der har siddet ubesvaret i seks dage, og hvilken information der modsiger, hvad der blev indsendt sidste uge. Når systemet virkelig forstår dette, kan det forberede arbejde, inden nogen beder om det, flagge, hvor en proces er gået i stå, og koordinere næste skridt mellem parter, som måske ikke kommunikerer direkte i øjeblikket.

Derfor har samtalen bevæget sig så hurtigt fra, om AI hører hjemme i M&A, til hvordan det bør integreres ansvarligt. I vores forskning bruger eller udforsker allerede 96 % af dealmakere AI i sourcing og screening, og due diligence er blevet et af de mest tydelige brugstilfælde, hvor halvdelen af dealmakere bruger AI regelmæssigt eller allerede har indlejret det i processen. Pointen er, at branchen allerede er forbi startlinjen, og fordelen vil gå til de virksomheder, der kan forvandle AI fra et værktøj til et styret operativt lag.

Hvorfor vil proprietære transaktionsdata være vigtigere for ydeevnen af en M&A‑agent end adgang til den mest kraftfulde generelle store sprogmodel? Hvilke signaler gør det muligt for en agent at forstå, hvordan en rigtig transaktion skrider frem, i stedet for blot at fortolke individuelle dokumenter?

Fundamentale modeller er ekstraordinære og de bliver løbende bedre, men de er også tilgængelige for alle virksomheder på samme tid. Hvilken fordel en virksomhed får ved at have den bedste model i dag, har en kort levetid, når konkurrenten ved siden af får adgang samtidig, eller en ny model annonceres uger senere.

Proprietær kontekst bliver ikke bredt tilgængelig på samme måde, og det er her, jeg tror, den holdbare forskel og konkurrencemæssige fordel ligger. Under kontrakterne og regnskaberne gemmer der sig tusindvis af interaktioner mellem købere, sælgere, rådgivere og ledelsesteams, og rækkefølgen af disse interaktioner bærer reel betydning. Den rækkefølge, hvori dokumenter uploades, fortæller dig noget om, hvor forberedt en sælger faktisk er, ligesom et diligence‑spørgsmål, der kommer tilbage skarpere på tredje omgang, afslører, hvor købers egentlige bekymring ligger, og en arbejdsstrøm, hvor svartiderne stille og roligt er fordoblet, indikerer, at noget er gået galt længe før nogen har sagt det.

Det er den intelligens, en agent har brug for, hvis den skal være virkelig nyttig gennem hele M&A‑processen. At læse et dokument godt er en evne, og den bliver i stigende grad en vare. At indse, at en deal drifter i tre uger, før nogen siger det højt, er noget helt andet, og det kommer fra at have observeret titusinder af reelle transaktioner i stedet for kun at træne på offentlige informationer.

En agent kunne potentielt samle målprofiler, gennemgå tusindvis af dokumenter, identificere modstridende oplysninger og koordinere diligence‑arbejdsgange. Hvilke af disse aktiviteter kan agenter pålideligt udføre i dag, og hvilke bør fortsat kræve eksplicit menneskelig godkendelse?

For mange virksomheder organiserer agent‑AI allerede enorme mængder information, sammenligner dokumenter for uoverensstemmelser, fremhæver potentielle risici, udarbejder diligence‑sammenfatninger og holder rutine‑arbejdsgange i bevægelse, alt sammen hurtigere end et team kunne håndtere manuelt. Dealmakere bliver komfortable med dette, fordi netop disse områder er dem, hvor AI kan fjerne friktion uden at tage dømmekraften fra mennesker. I vores forskning sagde 46 % af dealmakere, at AI allerede fører an i identifikation af mål og udarbejdelse af lange og korte lister, mens 45 % sagde det samme om at identificere røde flag under diligence. Endnu vigtigere ser dealmakere kommerciel værdi, ikke kun effektivitet. Omtrent en kvart af respondenterne i Datasite‑forskningen sagde, at AI hjalp dem med at gennemføre en deal, de ellers ville have mistet, og to‑thirds ser AI på tværs af livscyklussen som en måde at de‑risikere en transaktion på.

Situationen ændrer sig tydeligt, når du nærmer dig afslutningen. Kun 22 % af dealmakere siger, at de ville følge en AI‑genereret anbefaling om, hvorvidt de skal gå videre til underskrift, mens 45 % mener, at underskrivelsen bør forblive en fuldstændig menneskelig beslutning. Instinkt er sundt. Hver opkøb handler om tillid. Stoler du på dette ledelsesteam nok til at bakke dem med kapital? Er du komfortabel med de risici, som diligence ikke fuldstændigt kunne afklare? Disse spørgsmål kræver dømmekraft, og vigtigere, nogen der er villig til at stå til ansvar for svaret. AI bør hjælpe dig med at nå en bedre beslutning hurtigere, men det bør ikke være beslutningstageren. Derfor er værktøjer, der er baseret på styret AI bygget til dealmiljøet, som inkluderer tilladelsesstyret indhold, kilde‑understøttede svar, arbejdsgang‑kontekst og menneskelig godkendelse, hvor dømmekraft og ansvarlighed betyder mest, så vigtige.

Hvordan forsvarer du et agent‑drevet dealrum mod risici som prompt‑injektion, uautoriseret dataudtræk, kompromitterede dokumenter eller handlinger udført ud over en brugers autorisation?

Fejlen er at behandle sikkerhed som et lag, der tilføjes efter AI er implementeret. I M&A skal sikkerhed og styring indbygges fra starten, fordi den underliggende information er yderst følsom og ofte kan påvirke markedet.

Alle transaktioner indeholder materiale, der måske aldrig bliver offentligt, fra økonomisk performance og intellektuel ejendom til kunderelationer og strategiske planer. Enhver agent, der opererer i dette miljø, skal følge den samme styringsramme, som beskytter selve dealen. Den skal aldrig få adgang til information ud over en brugers tilladelser, hvilket betyder, at identitet og rettigheder skal håndhæves på datalagret, ikke overlades til en prompt. Alle handlinger skal logges, alle anbefalinger skal spores tilbage til et kilde‑dokument, og alle automatiserede arbejdsgange skal arve autoriteten fra den person, der initierede dem, uden at overskride den. Derfor har vi designet vores MCP server sikkerhed‑først. Markedet bevæger sig i samme retning. I vores forskning var nøjagtighed og sikkerhed de AI‑attributter, dealmakere værdsatte mest, med sikkerhed som nummer ét blandt svarende i EMEA og APAC. I M&A er tillid ikke adskilt fra produktoplevelsen. Det er det, der gør produktet brugbart.

Hallucinationer er især farlige, når et AI‑system analyserer kontrakter, regnskaber og regulatoriske afsløringer. Hvordan skal en M&A‑agent kommunikere usikkerhed, give beviser for sine konklusioner og genkende, hvornår et problem skal eskaleres til en bankmand, advokat eller fag‑ekspert?

I M&A, hvis to dokumenter modsiger hinanden, er denne modsigelse fundet. Hvis svaret på et spørgsmål ikke er tilgængeligt baseret på dokumenterne og data i rummet, er dette informationsgab et fund, og ofte et mere væsentligt end svaret ville have været.

Alle AI‑systemer, der anvendes i M&A, bør kun være evidensbaserede, så hver konklusion skal linkes tilbage til det underliggende dokument, modstridende information skal tydeligt fremhæves i stedet for stille afbalanceret, og lav selvsikkerhed skal udtrykkes gennemsigtigt i outputtet. Branchen bygger allerede på denne disciplin, hvilket jeg finder opmuntrende.

Beviset er, hvor samtalen skal starte. Nøjagtighed var den enkelt vigtigste egenskab, som dealmakere nævnte i vores forskning, og den mest almindelige måde, hvorpå virksomheder bygger tillid, er stadig menneskelig gennemgang af AI‑genererede resultater. Et selvsikkert, men uunderbygget svar er farligt i en transaktion. Det samme gælder et svar, der ser fuldstændigt ud, men stiltiende springer over usikkerhed. Jeg finder også, at en kvart af dealmakere forventer, at dårlig brug af AI vil ødelægge flere høj‑værdige deals i løbet af de næste fem år. Det er en påmindelse om, at risikoen ikke kun er at undlade at bruge AI. Det er at bruge AI uden de rette kontroller, beviser og eskalerings‑punkter. Min egen måde at tænke på det er, at AI giver deal‑professionelle en bemærkelsesværdig grundig første gennemgang ved at lave research og organisere beviserne, men hvad de beviser betyder, og hvad der bør ske derefter, bør forblive en menneskelig dømmekraft.

Du har foreslået, at mindre, AI‑aktiverede deal‑teams kunne konkurrere med langt større traditionelle teams. Hvordan kunne dette ændre økonomien og bemandingen af transaktioner, og hvad sker der med junior‑rollerne, gennem hvilke bankfolk og advokater traditionelt lærer de grundlæggende elementer i dealmaking?

Hver generation af teknologi ændrer arbejdsfordelingen snarere end at fjerne behovet for mennesker, og jeg tror, netop det sker i M&A. Junior‑bankfolk, advokater og analytikere har historisk brugt tusindvis af timer på at gennemgå dokumenter, opdatere tracker‑værktøjer, organisere diligence‑forespørgsler og samle materialer. AI bør lette de 2‑am‑arbejds‑cyklusser, fordi den kan overtage meget af den tunge løftning. Produktivitetsgevinsten er reel. Men det vigtigere spørgsmål er, hvad virksomheder vil gøre med den tid, de får tilbage.

Junior‑professionelle skal stadig udvikle dømmekraft, deltage i forhandlinger og lære, hvordan erfarne dealmakere tænker. Hvis AI absorberer den administrative informationsindsamling, kan en anden‑års associate deltage i substantielt arbejde og være med i de meningsfulde diskussioner, der fører til forretningskritiske beslutninger meget tidligere end min generation gjorde. De virksomheder, der håndterer dette godt, vil geninvestere den sparede tid i deres medarbejdere i stedet for blot at tage den som margen.

Hvilke benchmarks bør branchen bruge til at evaluere en M&A‑agent? Skal ydeevnen måles gennem dokument‑gennemgangsnøjagtighed, identificerede diligence‑problemer, falske‑positive‑rate, arbejdsgang‑fuldførelse, reduktion af deal‑tid eller den endelige kvalitet af transaktionsresultaterne?

De operationelle målinger betyder noget, og vi sporer dem alle for at sikre, at ethvert værktøj vi implementerer er effektivt og præcist. Dog måler de kun, om AI udførte sin opgave korrekt. Kunder vil vide, om selve dealen blev udført bedre ved at bruge det.

De spørgsmål og benchmarks, jeg finder mest nyttige, er ting som, om systemet fremhævede en risiko, der ellers ville være blevet overset, om teamet kunne evaluere flere muligheder, end de kunne før, om diligence blev kortere uden at blive tyndere, og om senior‑personale brugte mere af deres tid på forhandlinger og mindre på at søge information. Vi har allerede noget bevis på den front. Vores forskning viser, at 24 % af dealmakere siger, at AI har hjulpet dem med at gennemføre en deal, de ellers ville have mistet, og 66 % siger, at brug af AI på tværs af livscyklussen er en afgørende måde at de‑risikere en transaktion på.

Datasites H1 2026‑rapport viser, at globale deal‑opstarter er steget med 31 % år‑over‑år, drevet af 52 % vækst i Amerika, sammenlignet med 13 % i Europa, Mellemøsten og Afrika og 4 % i Asia‑Pacific. Hvad driver denne regionale forskel, og kunne adgang til agent‑teknologi udvide eller indsnævre produktivitetskløften mellem markederne?

Dataene afspejler, hvad mange dealmakere har følt i løbet af de sidste måneder, nemlig at tilliden vendte hurtigere tilbage i Amerika, støttet af finansieringsbetingelser og en større villighed til at bringe aktiver på markedet. Interessant nok havde APAC den laveste vækst i opstarter på 4 %, og alligevel er APAC‑dealmakere de mest aggressive AI‑adoptanter med en klar margin ifølge vores forskning. De fører i alle regioner inden for AI‑brug fra sourcing og screening til due diligence, hvor 56 % bruger det regelmæssigt eller har indlejret det fuldt ud, sammenlignet med 49 % i EMEA og 47 % i Amerika. De er også mest komfortable med at give meningsfuld beslutningsmyndighed til AI. Min vurdering er, at begrænsningen driver adoptionen, fordi hvor dealflow er sværere at finde, og teams kører slankere, bliver incitamentet til at få mere ud af hver professionel på skrivebordet stærkere.

Selvfølgelig kan teknologi ikke skabe transaktioner. Den kan ikke påvirke renter eller forkorte en regulatorisk gennemgang. Men hvad den kan gøre, er at øge produktiviteten i hvert team ved at udføre en deal, og denne kapacitet skalerer langt hurtigere end antallet af ansatte, hvorfor jeg over tid forventer, at AI vil indsnævre produktivitetskløften mellem markederne snarere end at udvide den.

Datasites Insight‑rapport indikerer også, at teams lancerer transaktioner hurtigere i flere markeder, mens diligence forbliver tidskrævende, inklusiv en median på 238 dage i Asia‑Pacific. Hvilke resterende flaskehalse er bedst egnet til AI‑agenter, og hvilke er grundlæggende bundet til forhandlinger, regulering, finansieringsbetingelser eller menneskelig beslutningstagning?

At lancere en deal er blevet betydeligt hurtigere, fordi virksomheder har bedre data, mere automatiserede processer og mere selvtillid i at identificere muligheder tidligt. Diligence er anderledes, fordi det er her kompleksiteten akkumuleres, og kompleksitet komprimeres ikke som volumen gør. Diligence kører stadig med en median på 238 dage i APAC‑regionen, og efter min erfaring bruges kun en lille del af den tid på analyse. Det meste er koordinering som at afstemme dokumenter mod skiftende forespørgsler, flere rådgivere og skiftende prioriteter.

Dog er diligence netop det område, som agenter er optimeret til at støtte. De kan overvåge fremdrift på tværs af arbejdsstrømme, identificere hvad der mangler, fremhæve uoverensstemmelser mellem dokumenter og forberede opfølgningsmateriale, inden teamet overhovedet beder om det. Det er derfor vores respondenter rangerer due diligence som den fase, hvor AI leverer det bedste afkast på investeringen, og kun 4 % af dem bruger det slet ikke der.

AI har naturligvis betydelige begrænsninger. Folk skal stadig opbygge tillid, afveje risici og gevinster og beslutte, om en deal er pengene værd. Den stærkeste konklusion i vores forskning, i hvert fald for mig, var, at dealmakere ikke ser AI som en erstatning for dømmekraft, men som et middel til at gøre dømmekraft hurtigere og bedre informeret. Mens mere af processen og administrativt arbejde flytter til teknologi, bliver samtalerne, som kun mennesker kan have, de mest værdifulde timer i deal‑livscyklussen.

Tak for det fantastiske interview, læsere der ønsker at lære mere bør besøge Datasite.