AI DDは通常のTech DDに加え、モデルの品質・データの独自性・AI人材の代替可能性という3つのAI固有リスクを評価する必要がある。「AI技術を買った」と思っていたら、実態はOpenAI APIを呼んでいるラッパーだったというケースは珍しくない。AI企業のM&A・投資では、表面的な技術の印象ではなく、競争優位の実態を見抜く目が求められる。
なぜAIに特化したDDが必要なのか
通常のTech DDはコードの品質・インフラの設計・セキュリティ・技術的負債の評価を中心とする。AI企業はこれらに加えて、AIモデル・学習データ・AI専門人材という3つの固有要素が企業価値の核を成す。これらは従来の評価手法では適切に計測できない。
特に問題になっているのが「LLMラッパー問題」だ。生成AI普及後、OpenAI・Anthropic・Google等のAPIを呼び出すだけで高度なAI機能を提供しているように見える企業が増えた。このような企業を「AI企業」として評価してしまうと、実際にはAPIアクセスが止まれば機能しない、APIのコスト構造が変われば収益性が崩れる、という脆弱性を見落とすことになる。
独自のモデル・独自のデータ・独自のMLOps基盤を持っているかどうかが、AI企業の本質的な価値を決める。この判断なしにAI企業へのM&A・投資を進めることは、地雷の上を歩くことに等しい。
AI DDで評価する6つの領域
モデルの品質と性能
精度指標（Accuracy・F1・AUC等）だけでなく、本番環境でのパフォーマンスを独立したデータセットで検証する。ベンチマーク結果と実業務での結果が乖離していないかを確認し、モデルの汎化性能（学習データ以外での動作）を評価する。
学習データの品質と権利
どのようなデータで学習したか、そのデータの使用権利は適切に取得されているか。スクレイピングしたデータ・第三者のコンテンツ・個人情報の無断使用がないかを確認する。データの権利問題はM&A後に法的リスクとして顕在化することがある。
MLOpsの成熟度
モデルの学習・デプロイ・監視のどの工程がどの程度自動化されているか。再学習パイプラインの有無、モデルドリフトの検知体制、バージョン管理の実装状況を評価する。MLOpsが未成熟な企業では、モデルの品質維持にキーパーソンの手作業が依存していることが多い。
技術的モートの有無
独自のデータ（他社が入手困難なデータ）・独自のアルゴリズム（特許・ノウハウ）・ネットワーク効果（使われるほどモデルが改善される仕組み）のうち、どれが競争優位の源泉になっているかを特定する。「最新のオープンソースモデルをファインチューニングしただけ」では技術的モートとは言えない。
AI人材とチーム構成
ML/AIエンジニアのスキルレベル、論文発表・学会発表の実績、キーパーソンへの依存度、採用難易度を評価する。特定の1〜2名にコアな技術知識が集中している場合、そのメンバーのM&A後の定着が投資価値に直結する。
AI倫理・コンプライアンス
モデルの公平性（バイアスの有無）・説明可能性・EU AI Act等の規制への対応状況を確認する。規制非対応のモデルは、特に欧州展開を計画する企業では将来的な法的リスクになる。
| 領域 | 主な評価項目 | 評価手法 | リスク発見時のインパクト | 通常Tech DDでカバーされるか |
|---|---|---|---|---|
| モデル品質 | 精度・汎化性能・ロバスト性 | 独立データセットでの再現検証 | 高（コア価値毀損） | ×（AI DD固有） |
| データ権利 | 使用権・ライセンス・個人情報 | データ出自の文書確認・法務レビュー | 極高（法的リスク） | △（部分的） |
| MLOps成熟度 | 自動化レベル・パイプライン | インタビュー・コードレビュー | 中（運用コスト） | △（部分的） |
| 技術的モート | 独自性・参入障壁 | 競合比較・特許調査 | 高（将来価値） | ×（AI DD固有） |
| AI人材 | スキル・依存度 | インタビュー・論文実績確認 | 高（継続性） | △（部分的） |
| AI倫理 | 公平性・規制対応 | バイアステスト・規制要件確認 | 中〜高（法規制） | ×（AI DD固有） |
【AI DD固有の評価領域と通常Tech DDの重なり（ベン図）】
通常Tech DD AI DD固有
------------------- -------------------
インフラ設計 | モデル品質評価
セキュリティ | データ権利・バイアス
コード品質 | 技術的モート判定
技術的負債 | AI倫理・規制対応
↓ ↓
[重複領域]
MLOps成熟度（部分）
AI人材評価（部分）
データ管理（部分）
AI DDはTech DDの「上位互換」ではなく「別の評価軸を追加」するものAI企業のリスクを見抜くためのチェックリスト
| # | チェック項目 | 確認方法 | 重要度 | Red Flag基準 |
|---|---|---|---|---|
| 1 | LLMラッパー判定：外部API依存度 | コードレビュー・アーキテクチャ図 | 最高 | コア機能の80%以上が外部LLM API呼び出し |
| 2 | 学習データの使用権利確認 | データ取得元・ライセンス文書の確認 | 最高 | 使用権が不明確・スクレイピングのみ |
| 3 | モデル精度の独立検証 | 提供データとは別のデータで再評価 | 高 | 独立検証時に精度が20%以上低下 |
| 4 | データモートの実態 | データ収集元・独自性・スイッチングコスト | 高 | 公開データのみ・競合が同等データを取得可能 |
| 5 | モデルの再現性確認 | 同じデータ・設定で結果が一致するか | 高 | 再現性なし（ランダムシードの固定なし等） |
| 6 | MLOpsパイプラインの自動化 | CI/CDパイプライン・モデル更新頻度 | 高 | 手動デプロイのみ・再学習に数か月 |
| 7 | キーパーソン依存度 | 組織図・コードコントリビュータ分析 | 高 | コアモデルを1〜2名のみが理解 |
| 8 | 本番環境でのパフォーマンス | 本番ログ・SLAの達成状況 | 高 | 本番と開発環境で精度が30%以上乖離 |
| 9 | モデルドリフトの検知体制 | 監視ダッシュボード・アラート設定 | 中 | ドリフト検知なし・定期評価なし |
| 10 | バイアス・公平性の評価実績 | バイアステスト結果・対応ドキュメント | 中 | バイアス評価を実施したことがない |
| 11 | EU AI Act等の規制対応 | 規制対応状況の文書・法務確認 | 中 | 規制内容を把握していない |
| 12 | 特許・知的財産の保護 | 特許出願状況・NDA・著作権 | 中 | 特許ゼロ・アルゴリズムが公開情報から容易に再現可能 |
| 13 | 計算リソースの依存とコスト | インフラコスト・GPUの調達状況 | 中 | GPUコストが収益の50%以上 |
| 14 | AIチームの採用力・定着率 | 採用実績・離職率・給与水準 | 中 | 過去1年で主要AIエンジニアの30%以上が離職 |
| 15 | ロードマップの実現可能性 | 過去の開発実績・リリース計画 | 中 | 過去のマイルストーンの50%以上が未達 |
AI DDにおけるモデル評価の具体的手法
| 評価手法 | 目的 | 必要リソース | 所要時間 | 評価可能な範囲 |
|---|---|---|---|---|
| 独立データセット評価 | 汎化性能の確認 | DDチームが独自に用意するデータ | 1〜5日 | 精度・汎化性能 |
| A/Bテスト結果の検証 | 本番での有効性確認 | 過去のA/Bテストログへのアクセス | 0.5〜2日 | ビジネス指標への貢献 |
| エッジケーステスト | ロバスト性の確認 | テストケース設計の専門知識 | 2〜5日 | モデルの堅牢性・限界 |
| バイアス検査 | 公平性の確認 | 属性別の評価データ | 1〜3日 | 差別的出力の有無 |
| 再現性テスト | 結果の信頼性確認 | 同一環境の複製 | 0.5〜1日 | モデルの一貫性 |
AI DDの失敗事例から学ぶ教訓
事例1: 精度指標だけを見て汎化性能を見逃した
AIスタートアップが提示した精度98%という数字を信じてM&Aを進めたが、独立評価を実施したところ、本番相当の多様なデータでは精度が74%まで低下した。元の精度はクリーンな学習データに偏ったテストセットで計測されたものだった。独立データセットでの再評価がなかったことが原因だ。
事例2: 学習データの権利問題がM&A後に発覚した
画像認識AIのM&A完了後、学習に使用した画像データの一部が著作権保護されたコンテンツをスクレイピングしたものであることが判明した。権利者からの訴訟リスクが浮上し、モデルの使用停止を余儀なくされた。DDフェーズでデータ出自の確認をしていれば防げた問題だ。
事例3: キーAIエンジニアがM&A後に退職
コアモデルの設計・学習・改善を1名のチーフサイエンティストが担っていたAI企業を買収した。M&A後3か月でそのサイエンティストが独立し、モデルのメンテナンス・改善が事実上不可能になった。DDフェーズでの人材依存リスクの評価とリテンション交渉が不十分だった。
AI DDスコアリングフレームワーク
| 評価領域 | 重み | 評価（1〜5点） | 加重スコア |
|---|---|---|---|
| モデル品質・性能 | 25% | ___ 点 | ___ × 0.25 |
| データ権利・品質 | 20% | ___ 点 | ___ × 0.20 |
| 技術的モート | 20% | ___ 点 | ___ × 0.20 |
| AI人材・チーム | 15% | ___ 点 | ___ × 0.15 |
| MLOps成熟度 | 10% | ___ 点 | ___ × 0.10 |
| AI倫理・コンプライアンス | 10% | ___ 点 | ___ × 0.10 |
| 合計スコア | 100% | ― | ___ 点（最大5.0） |
判定基準: 4.0〜5.0点=投資推奨、3.0〜3.9点=条件付き推奨（改善条件を設定）、2.0〜2.9点=要追加調査、2.0点未満=投資非推奨。ただし、いずれかの領域で「Red Flag」が出た場合は総合スコアに関わらず要追加調査とする。
まとめ――AI DDは「技術の目利き」を超えたビジネス判断
AI DDのポイントを整理する。
- AI固有の3リスク（モデル品質・データ権利・AI人材依存）を通常Tech DDに追加して評価する
- LLMラッパー問題（外部API依存）を見抜くことが最初の必須チェック
- 学習データの権利確認は法務と連携して必ず実施する
- キーパーソン依存リスクは人材リテンション交渉とセットで評価する
- AI DDの本質は「その技術が持続的な競争優位を生むか」の判断だ
DE-STKでは、AI企業のM&A・投資におけるAI DD支援（モデル評価・データ権利調査・チーム評価）を提供している。AI企業への投資・買収を検討中の投資家・事業会社はぜひご相談いただきたい。
よくある質問
Q. AIデューデリジェンスとは何ですか?
AI企業のM&A・投資において、AIモデルの品質、学習データの権利と品質、MLOpsの成熟度、AI人材、技術的モート、AI倫理対応を体系的に評価するプロセスです。通常のTech DDではカバーしきれないAI固有のリスクを特定します。
Q. AI企業のM&Aで最も注意すべきリスクは何ですか?
「LLMラッパー問題」（外部APIに依存しており独自技術がない）、学習データの法的権利問題、キーAI人材の離職リスクの3つが特に注意すべきリスクです。いずれもM&A後に顕在化すると投資価値を大きく毀損します。
Q. AI DDにはどのような専門知識が必要ですか?
ML/AIの技術知識（モデル評価手法、MLOps）に加え、データの法的権利に関する知識、AI倫理・規制（EU AI Act等）の理解が必要です。技術者と法務の両方の視点を持つチームで実施することが推奨されます。