Rusty Wiley, CEO en President van Datasite – Interviewreeks

Rusty Wiley, CEO en President van Datasite, leidt het bedrijf sinds 2014 en heeft de transformatie begeleid van Merrill Corporation, een onderneming die grotendeels gericht was op financiële communicatie en printgerelateerde diensten, naar een wereldwijde software‑as‑a‑service (SaaS)‑onderneming die zich richt op fusies en overnames (M&A) en strategische transacties. Voor hij bij Datasite kwam, werkte Wiley meer dan zeven jaar bij IBM, waar hij de functie van General Manager of Banking and Financial Markets bekleedde en als Managing Partner werkte, en waarbij hij uitgebreide ervaring opdeed in financiële dienstverlening, enterprise‑technologie en bedrijfs­transformatie.

Datasite is een wereldwijd technologisch platform dat is ontworpen om dealmakers te ondersteunen gedurende de volledige M&A‑levenscyclus, inclusief het vinden van deals, voorbereiding, due diligence, financiering, herstructurering en post‑transactieprocessen. Het platform combineert veilige virtuele data rooms met speciaal gebouwde kunstmatige‑intelligentie‑functionaliteiten, waaronder geautomatiseerde redactie, semantisch zoeken, document‑samenvatting, vertaling, AI‑ondersteunde Q&A en intelligentie voor deal‑oriëntatie. Datasite meldt dat haar technologie meer dan 626.000 dealmakers en meer dan 16.000 transacties per jaar ondersteunt, en investeringsbanken, private‑equity‑firma’s, corporaties en advocatenkantoren een veilige omgeving biedt voor het beheren van complexe transacties en gevoelige informatie.

U trad in 2014 bij Datasite na het leiden van banking en financial markets bij IBM en hielp vervolgens Datasite te transformeren van een financieel‑communicatie‑ en printbedrijf naar een wereldwijd fusies‑en‑overnames‑softwareplatform. Hoe heeft die ervaring uw overtuiging gevormd dat de volgende fase van dealmaking zal draaien om AI‑agenten in plaats van traditionele virtuele data rooms?

Toen ik in 2014 bij Datasite kwam, stond de virtuele data room centraal in financiële transacties. Het had de dealmaking al getransformeerd door gevoelige informatie uit fysieke kamers te verplaatsen naar een veilige, doorzoekbare digitale omgeving. Wat de volgende decennium duidelijk werd, is dat de data room ook de basis legde voor iets veel groters.

Naarmate onze schaal groeide, groeide ook de kans. Datasite ondersteunt nu ongeveer 55.000 transacties per jaar, waardoor we een uniek inzicht krijgen in hoe dealwerk plaatsvindt. Bij dat volume zien we meer dan documenten. We zien workflows, patronen en de duizenden repetitieve taken die elke transactie omringen. Dat biedt een enorme mogelijkheid om AI en automatisering toe te passen om teams veel sneller van informatie naar actie te laten gaan. In feite zien we dit al gebeuren. Recent onderzoek van Datasite, The New Deal Team toont aan dat bedrijven die AI negeren binnen vijf jaar moeite zullen hebben om te concurreren, en de meeste dealmakers zeggen dat alleen op menselijke besluitvorming vertrouwen niet langer verdedigbaar is bij complexe deals.

Daarom draait de volgende fase om het bouwen van intelligentie en automatisering bovenop die vertrouwde infrastructuur. AI kan informatie analyseren, risico’s en kansen aan het licht brengen, institutionele kennis verbinden met live transactiedata, en steeds vaker meerstaps‑workflows uitvoeren die tegenwoordig veel tijd van een dealteam verbruiken. Agenten kunnen continu informatie monitoren, analyses uitvoeren en werk voortstuwen, terwijl mensen zich blijven richten op oordeel, onderhandeling en de beslissingen die de uitkomsten bepalen.

Gezien dit zijn data rooms de basis voor de volgende generatie dealmaking. De documenten, permissies, beveiliging en samenwerkingslaag blijven cruciaal. AI maakt die basis veel waardevoller omdat het de context rond de informatie kan begrijpen en erop kan handelen. We zien dit model al verder gaan dan de data room, waarbij Datasite‑inhoud veilig stroomt naar AI‑aangedreven workflows terwijl bestaande permissies behouden blijven.

U heeft de toekomst van Datasite beschreven als een AI‑native besturingssysteem voor fusies en overnames. Wat onderscheidt een besturingssysteem dat deal‑workflows kan uitvoeren van een virtuele data room die alleen document‑zoekopdrachten, samenvattingen of een gesprekspartner toevoegt?

Zoeken en samenvatten zijn werkelijk nuttig, maar ze werken per document en reageren alleen op een vraag die iemand heeft bedacht, wat een beperking is wanneer je kijkt hoe een transactie van binnenuit eruitziet. Een bepaalde deal bestaat uit honderden onderling verbonden taken die gelijktijdig lopen, waaronder due‑diligence‑verzoeken, managementpresentaties, juridische beoordelingen, financierings‑workstreams en goedkeuringen; allemaal met verschillende personen die onder verschillende permissies en deadlines werken. Ervaren bankiers reconstrueren de status van de deal aan de hand van e‑mailthreads en een tracker die iemand dinsdag heeft bijgewerkt, en tegen donderdag zijn die gegevens al verouderd.

Wat een besturingssysteem doet, is die status vasthouden zodat het gekoppelde data in realtime bijwerkt, weet welke workstream achterloopt, welk verzoek al zes dagen onbeantwoord ligt, en welke informatie in tegenspraak is met wat vorige week is ingediend. Zodra het systeem dit echt begrijpt, kan het werk voorbereiden voordat iemand erom vraagt, aangeven waar een proces is vastgelopen en de volgende stap coördineren tussen partijen die op dat moment niet direct met elkaar communiceren.

Daarom is het gesprek zo snel verschoven van de vraag of AI thuishoort in M&A naar hoe het verantwoord moet worden geïntegreerd. In ons onderzoek gebruiken of verkennen 96 % van de dealmakers al AI bij sourcing en screening, en due diligence is een van de duidelijkste use‑cases geworden, waarbij de helft van de dealmakers AI regelmatig gebruikt of al in het proces heeft geïntegreerd. Het punt is dat de sector al voorbij de startlijn is, en het voordeel zal naar bedrijven gaan die AI van een tool omvormen tot een beheerde operationele laag.

Waarom zal propriëtaire transactiedata belangrijker zijn voor de prestaties van een M&A‑agent dan toegang tot het krachtigste algemene grote taalmodel? Welke signalen stellen een agent in staat om te begrijpen hoe een echte transactie vordert in plaats van alleen individuele documenten te interpreteren?

Foundation‑modellen zijn buitengewoon en blijven verbeteren, maar ze zijn ook gelijktijdig voor alle bedrijven beschikbaar. Elk voordeel dat een firma vandaag heeft door het beste model te hebben, heeft een korte houdbaarheid wanneer de concurrent om de hoek tegelijk toegang krijgt, of wanneer weken later een nieuw model wordt aangekondigd.

Propriëtaire context wordt niet op dezelfde manier breed beschikbaar, en daar zie ik het duurzame verschil en concurrentievoordeel liggen. Onder de contracten en financiële overzichten liggen duizenden interacties tussen kopers, verkopers, adviseurs en managementteams, en de volgorde van die interacties heeft echte betekenis. De volgorde waarin documenten worden geüpload, vertelt iets over hoe goed een verkoper daadwerkelijk is voorbereid, net zoals een due‑diligence‑vraag die bij de derde keer scherper terugkomt, aangeeft waar de echte zorg van de koper ligt, en een workstream waarbij de responstijden stilletjes verdubbelen, laat zien dat er iets misgaat lang voordat iemand het heeft opgemerkt.

Dat is de intelligentie die een agent nodig heeft als hij gedurende het hele M&A‑proces echt nuttig moet zijn. Een document goed lezen is één vaardigheid, en wordt steeds meer een commodity. Het herkennen dat een deal drie weken voordat iemand het uitspreekt, aan het afdrijven is, is iets heel anders, en dat komt voort uit het observeren van tienduizenden echte transacties in plaats van uit training op openbare informatie.

Een agent zou potentieel doelprofielen kunnen samenstellen, duizenden documenten kunnen beoordelen, tegenstrijdige openbaarmakingen kunnen identificeren en due‑diligence‑workflows kunnen coördineren. Welke van deze activiteiten kunnen agenten vandaag betrouwbaar uitvoeren, en welke zouden nog steeds expliciete menselijke goedkeuring moeten vereisen?

Voor veel bedrijven organiseert agent‑AI al enorme hoeveelheden informatie, vergelijkt documenten op inconsistenties, brengt potentiële risico’s aan het licht, maakt due‑diligence‑samenvattingen en houdt routinematige workflows gaande, allemaal sneller dan een team handmatig zou kunnen. Dealmakers raken hier comfortabel mee omdat dit precies de gebieden zijn waar AI frictie kan wegnemen zonder het oordeel van mensen af te nemen. In ons onderzoek zei 46 % van de dealmakers dat AI al leidt bij het identificeren van doelwitten en het opstellen van lange en korte lijsten, terwijl 45 % hetzelfde zei over het identificeren van rode vlaggen tijdens due diligence. Belangrijker nog, dealmakers beginnen commerciële waarde te zien, niet alleen efficiëntie. Ongeveer een kwart van de respondenten in het Datasite‑onderzoek meldde dat AI hen hielp een deal te voltooien die ze anders zouden hebben gemist, en twee‑derde ziet AI gedurende de levenscyclus als een manier om een transactie te de‑risceren.

Het beeld verandert merkbaar naarmate je dichter bij de afsluiting komt. Slechts 22 % van de dealmakers zegt dat ze een door AI gegenereerde aanbeveling zouden volgen over of ze naar ondertekening moeten gaan, terwijl 45 % gelooft dat ondertekening volledig een menselijke beslissing moet blijven. Instinct is gezond. Elke overname draait om vertrouwen. Vertrouw je dit managementteam genoeg om ze met kapitaal te ondersteunen? Ben je comfortabel met de risico’s die due diligence niet volledig heeft kunnen oplossen? Die vragen vereisen oordeel, en belangrijker nog, iemand die bereid is verantwoording af te leggen voor het antwoord. AI moet je helpen sneller tot een betere beslissing te komen, maar mag niet de besluitvormer zijn. Daarom zijn tools die zijn gebaseerd op beheerde AI, gebouwd voor de dealomgeving en die content met permissies, bron‑ondersteunde antwoorden, workflow‑context en menselijke goedkeuring bevatten waar oordeel en verantwoording het meest tellen, zo belangrijk.

Hoe verdedigt u een agent‑gedreven dealroom tegen risico’s zoals prompt‑injectie, ongeautoriseerde gegevensextractie, gecompromitteerde documenten of handelingen die de autoriteit van een gebruiker overschrijden?

De fout is beveiliging te behandelen als een laag die pas wordt toegevoegd nadat AI is ingezet. In M&A moeten beveiliging en governance vanaf het begin worden ingebed omdat de onderliggende informatie zeer gevoelig is en vaak de markt kan beïnvloeden.

Elke transactie bevat materiaal dat mogelijk nooit openbaar wordt, van financiële prestaties en intellectueel eigendom tot klantrelaties en strategische plannen. Elke agent die in die omgeving opereert, moet hetzelfde governance‑kader volgen dat de deal zelf beschermt. Hij mag nooit informatie benaderen die buiten de permissies van een gebruiker valt, wat betekent dat identiteit en rechten op het dataniveau moeten worden afgedwongen, niet aan een prompt worden overgelaten. Elke actie moet worden gelogd, elke aanbeveling moet terug te voeren zijn op een bron‑document, en elke geautomatiseerde workflow moet de autoriteit van de persoon die het heeft gestart overnemen zonder deze te overschrijden. Daarom hebben we onze MCP‑server security‑first ontworpen. De markt beweegt zich in dezelfde richting. In ons onderzoek waren nauwkeurigheid en beveiliging de AI‑eigenschappen die dealmakers het meest waardeerden, waarbij beveiliging als eerste werd gerangschikt onder respondenten in EMEA en APAC. In M&A is vertrouwen niet los van de productervaring. Het is wat het product bruikbaar maakt.

Hallucinaties zijn vooral gevaarlijk wanneer een AI‑systeem contracten, financiële overzichten en regelgevende openbaarmakingen analyseert. Hoe moet een M&A‑agent onzekerheid communiceren, bewijs voor zijn conclusies leveren en herkennen wanneer een probleem moet worden geëscaleerd naar een bankier, advocaat of vakexpert?

In M&A, als twee documenten elkaar tegenspreken, is die tegenspraak de bevinding. Als het antwoord op een vraag niet beschikbaar is op basis van de documenten en data in de room, is dat informatie‑gat een bevinding, en vaak een consequentialere dan het antwoord zelf zou zijn geweest.

Elk AI‑systeem dat in M&A wordt gebruikt, moet uitsluitend op bewijs zijn gebaseerd, aangezien elke conclusie moet teruglinken naar het onderliggende document, tegenstrijdige informatie moet duidelijk worden getoond in plaats van stilletjes te worden verzoend, en lage zekerheid moet transparant in de output worden gecommuniceerd. De sector bouwt die discipline al op, wat ik bemoedigend vind.

Bewijs is waar het gesprek moet beginnen. Nauwkeurigheid was het belangrijkste kenmerk dat dealmakers in ons onderzoek noemden, en de meest voorkomende manier waarop bedrijven vertrouwen opbouwen, is nog steeds menselijke controle van AI‑gegenereerde output. Een zelfverzekerd maar onbewezen antwoord is gevaarlijk in een transactie. Hetzelfde geldt voor een antwoord dat compleet lijkt, maar stilletjes onzekerheid negeert. Wat ik even belangrijk vind, is dat een kwart van de dealmakers verwacht dat slecht gebruik van AI de komende vijf jaar verschillende high‑value deals zal vernietigen. Dat herinnert eraan dat het risico niet alleen is om AI niet te gebruiken. Het is AI gebruiken zonder de juiste controles, bewijs en escalatiepunten. Mijn eigen manier van hierover denken is dat AI dealprofessionals een opmerkelijk grondige eerste ronde geeft door het onderzoek te doen en het bewijs te organiseren, maar wat dat bewijs betekent en wat er vervolgens moet gebeuren, moet een menselijke beoordelingsbeslissing blijven.

U heeft gesuggereerd dat kleinere, AI‑ondersteunde dealteams kunnen concurreren met veel grotere traditionele teams. Hoe zou dit de economie en personeelsbezetting van transacties kunnen veranderen, en wat gebeurt er met de junior‑rollen waarin bankiers en advocaten traditioneel de basisprincipes van dealmaking leren?

Elke technologische generatie verandert de samenstelling van werk in plaats van de behoefte aan mensen weg te nemen, en ik denk dat dit precies gebeurt in M&A. Junior‑bankiers, advocaten en analisten hebben historisch duizenden uren besteed aan het beoordelen van documenten, bijwerken van trackers, organiseren van due‑diligence‑verzoeken en samenstellen van materiaal. AI moet de nachtdiensten rond 2 uur ’s ochtends verlichten omdat het veel van die zware taken kan overnemen. De productiviteitswinst is reëel. Maar de belangrijkere vraag is wat bedrijven met de tijd die ze terugkrijgen zullen doen.

Junior‑professionals moeten nog steeds oordeel ontwikkelen, deelnemen aan onderhandelingen en leren hoe ervaren dealmakers denken. Als AI de administratieve informatieverzameling absorbeert, kan een associate in het tweede jaar deelnemen aan inhoudelijk werk en aanwezig zijn bij de betekenisvolle discussies die leiden tot bedrijfskritische beslissingen, veel eerder dan mijn generatie. De bedrijven die dit goed aanpakken, zullen de tijd die ze besparen opnieuw investeren in hun mensen in plaats van het simpelweg als marge te nemen.

Welke benchmarks moet de sector gebruiken om een M&A‑agent te evalueren? Moet de prestatie worden gemeten aan de hand van nauwkeurigheid van document‑review, ontdekte due‑diligence‑issues, false‑positive‑percentages, voltooiing van workflows, verkorting van de dealduur of de uiteindelijke kwaliteit van transactie‑resultaten?

De operationele metrics zijn belangrijk, en we volgen ze allemaal om te waarborgen dat elk instrument dat we inzetten effectief en nauwkeurig is. Deze meten echter of de AI zijn taak correct heeft uitgevoerd. Klanten willen weten of de deal zelf beter werd uitgevoerd doordat ze het gebruikten.

De vragen en benchmarks die ik nuttiger vind, zijn zaken als: of het systeem een risico aan het licht bracht dat anders gemist zou zijn, of het team meer kansen kon evalueren dan voorheen, of due‑diligence korter werd zonder minder grondig te zijn, en of senioren meer van hun uren besteedden aan onderhandelen en minder aan het zoeken naar informatie. We hebben al wat bewijs op dat gebied. Ons onderzoek toont aan dat 24 % van de dealmakers zegt dat AI hen heeft geholpen een deal te voltooien die ze anders zouden hebben gemist, en 66 % zegt dat het gebruik van AI gedurende de levenscyclus een cruciale manier is om een transactie te de‑risceren.

Het H1 2026‑rapport van Datasite toont aan dat wereldwijde deal‑kickoffs met 31 % per jaar toenemen, gedreven door een groei van 52 % in de Amerika’s, vergeleken met 13 % in Europa, het Midden‑Oosten en Afrika en 4 % in Azië‑Pacifisch. Wat drijft deze regionale divergentie, en zou toegang tot agent‑technologie de productiviteitskloof tussen markten kunnen vergroten of verkleinen?

De gegevens weerspiegelen wat veel dealmakers de afgelopen maanden hebben gevoeld: het vertrouwen kwam sneller terug in de Amerika’s, ondersteund door financieringscondities en een grotere bereidheid om activa op de markt te brengen. Interessant is dat APAC de langzaamste groei in kickoffs liet zien met 4 %, maar toch de meest agressieve AI‑adoptanten zijn volgens ons onderzoek. Ze leiden elke regio in AI‑gebruik, van sourcing en screening tot due diligence, waarbij 56 % het regelmatig gebruikt of volledig heeft geïntegreerd, vergeleken met 49 % in EMEA en 47 % in de Amerika’s. Ze voelen zich ook het meest comfortabel om betekenisvolle besluitvormingsautoriteit aan AI over te dragen. Mijn interpretatie is dat beperking de adoptie stimuleert, omdat waar dealflow moeilijker te vinden is en teams slanker opereren, de prikkel om meer uit elke professional op de desk te halen sterker wordt.

Natuurlijk kan technologie geen transacties creëren. Het zal de rentetarieven niet verlagen of een regelgevende beoordeling verkorten. Maar wat het wel kan doen, is de productiviteit van elk team verhogen door een deal uit te voeren, en die capaciteit schaalt veel sneller dan personeelsgroei, waardoor ik op de lange termijn verwacht dat AI de productiviteitskloof tussen markten zal verkleinen in plaats van vergroten.

Het Insight‑rapport van Datasite geeft ook aan dat teams in verschillende markten transacties sneller lanceren, terwijl due diligence nog steeds langdurig is, met een mediaan van 238 dagen in Azië‑Pacifisch. Welke resterende knelpunten zijn het meest geschikt voor AI‑agenten, en welke zijn fundamenteel verbonden aan onderhandelingen, regelgeving, financieringscondities of menselijke besluitvorming?

Het lanceren van een deal is aanzienlijk sneller geworden omdat bedrijven betere data, meer geautomatiseerde processen en meer vertrouwen hebben bij het vroegtijdig identificeren van kansen. Due diligence is anders omdat hier complexiteit zich ophoopt, en complexiteit comprimeert niet op dezelfde manier als volume. Due diligence duurt nog steeds een mediaan van 238 dagen in de APAC‑regio, en volgens mijn ervaring wordt weinig van die tijd besteed aan analyse. Het grootste deel gaat om coördinatie, zoals het afstemmen van documenten op veranderende verzoeken, meerdere adviseurs en verschuivende prioriteiten.

Echter, due diligence is precies het gebied waar agenten op zijn geoptimaliseerd. Ze kunnen de voortgang over workstreams monitoren, identificeren wat ontbreekt, inconsistenties tussen documenten aan het licht brengen en de vervolgmaterialen voorbereiden voordat het team erom vraagt. Daarom rangschikken onze respondenten due diligence als de fase waarin AI het beste rendement op investering levert, en gebruiken slechts 4 % ervan AI daar helemaal niet.

AI heeft natuurlijk aanzienlijke beperkingen. Mensen moeten nog steeds vertrouwen opbouwen, de risico’s en opbrengsten afwegen, en beslissen of de deal de prijs waard is. De sterkste bevinding in ons onderzoek, althans voor mij, was dat dealmakers AI niet zien als vervanging van oordeel, maar als een manier om oordeel sneller en beter geïnformeerd te maken. Terwijl een groter deel van het proces en administratief werk naar technologie verschuift, worden de gesprekken die alleen mensen kunnen voeren de meest waardevolle uren in de deal‑levenscyclus.

Bedankt voor het geweldige interview, lezers die meer willen weten, kunnen terecht op Datasite.