딜소싱부터 실사까지, AI 활용 경험

EXECUTIVE SUMMARY … AI는 왜 지금 M&A의 게임체인저인가

2026년 글로벌 M&A 시장은 전년 대비 43% 성장한 $4.7조(약 6,500조 원)를 기록했다.
그 성장의 배경에는 금리 완화와 경기 회복만 있는 게 아니다. ChatGPT가 세상에 나온 지 불과 3년, 딜 사이클은 10~30% 단축되었고 M&A 활동 비용은 20% 줄었다(McKinsey, 2026).
이제 AI는 M&A 현장에서 선택이 아닌 인프라다.

과거 CB 실사(담보부 전환사채), TMT 분야 C사 인수(FDD/TDD, 감평평가(Appraisal), CDD/Valuation 동시 진행 등), 유럽 R사 방문 실사 등 그 과정에서 AI는 처음엔 보조 도구였다가, 어느 순간부터 핵심 업무 인프라로 사용되고 있다. 그 변곡점이 바로 지금이다.
본 콘텐츠에서는 M&A 업무 활용 관련 AI 트렌드 요약이 아닌, 딜소싱 · 실사 · 밸류에이션 · PMI의 4개 단계에서 AI를 활용해 본 후, 어디서 실패하며, 한국 PE는 왜 아직 뒤처져 있는지를 경험과 검증된 데이터로 해석해 보았다. 그리고 저의 사견으로 ‘지금 당장 써야 할 도구’와 ‘아직 쓰면 안 되는 도구’를 명확히 구분 및 제안해 보았다.

관성적 가정의 해체

M&A 업계에는 오랫동안 깨지지 않는 가정들을 들었다. 그 가정들을 하나씩 해체해보면, AI가 단순히 ‘더 빠른 도구’가 아니라 M&A의 본질 자체를 재설계할 수 있음을 알 수 있다.

관성적 가정	가정 해체	AI로 재설계 가능성
딜소싱은 네트워크와 경험이 전부다	네트워크는 이미 알려진 기회만 보여준다	AI는 1,600만 비상장사를 실시간 스캐닝한다
DD는 시간이 곧 품질이다	시간은 자원의 제약, 본질은 ‘발견’이다	AI가 수천 페이지를 10~20분 이내 분석한다. (물론 사용자의 시행착오 필요)
밸류에이션은 주관적 판단 영역이다	주관성의 본질은 데이터 부족이다	실시간 데이터로 동적 모델 구현
PMI는 사람 문제라 AI가 못 돕는다	PMI의 실패는 대부분 측정 불가에서 온다	AI가 시너지를 실시간 추적·예측한다
AI는 대형 펀드만의 사치품이다	SaaS로 전환 후 접근 비용이 급감했다	Mid-market PE의 진짜 기회 구간

[의견]
AI는 M&A의 각 단계에서 ‘더 빠름’이 아니라 ‘더 넓은 시야’와 ‘측정 불가의 가시화’를 제공한다고 판단된다. 이러한 점이 바로 게임체인저의 본질이다.

본 콘텐츠는 읽는 3 가지 관점

먼저, 이미 익숙하게 AI를 잘 활용하시는 분들은 제외이다.

• 첫째, 지금 당장 도입하려는 PE 팀을 위해
  • 섹션별 실행 체크리스트와 팀 규모별 로드맵을 Section 06에 정리했다.
  • 중소형 PE(AUM 5,000억 미만)도 월 $2K~$5K 수준의 SaaS 도구로 즉시 시작 가능하다고 판단된다.

• 둘째, AI 도입 ROI가 의심스러운 LP·투자자를 위해
  • HBR 연구(Mahidhar & Davenport)에 따르면 PE의 10%만이 AI에서 의미있는 ROI를 달성, 79%는 제로에 가깝다.
  • 그 10%가 무엇을 다르게 하는지 개인적으로 네트워크(티타임) 및 추가 조사를 진행해 보았다.

• 셋째, 한국 PE 생태계 전체를 위해
  • KCMI 데이터에 따르면 국내 PE의 단계별 AI 활용률은 10% 미만 — 글로벌 상위 PE의 80%+ 채택률과 현격한 격차가 존재한다. 이 격차는 위기인 동시에 기회다 — 지금 전환하는 플레이어가 구조적 우위를 가져간다.

---

Section 01 … 딜소싱 — 600개사 스크리닝, 이제는 6,000개도 가능

1-1. 전통적 딜소싱의 구조적 한계

사모펀드의 딜소싱은 오랫동안 ‘관계(Relationship)’와 ‘직관(Gut Feeling)’의 영역이었다.
그간 업계 분들의 주관적 의견이지만, 듣기론 연간 200~300개사를 스크리닝하면 ‘열심히 하는 팀’으로 통했고, 그 중 IC(투자위원회)에 올라가는 딜은 5~10건에 불과했다. 저 역시 O사 재직 시설 다수의 동료와 업계 내 회사 브랜드 파워에 힘입어 약 600개사를 스크리닝한 적이 있다. 그 때 쏟아부은 애널리스트 시간이 얼마인지 지금도 생생하다.
하지만 근본적인 문제는 따로 있었다. 우리가 보는 딜 유니버스는 전체 시장의 약 18%에 불과했다.

[실전 코멘트]
O사 재직 당시 C사 딜소싱 과정으로, TMT 시장 분야 소싱도 사실상 수작업이었다.
실사 과정에서는 대형 제작 스튜디오 관련 자산 감정평가, 회계법인 FDD/TDD 등을 동시에 돌리면서도 정작 초기 타겟 리스트는 여전히 ‘아는 사람이 소개해준 회사’에서 시작했다. 당시 Grata나 Sourcescrub을 제대로 활용했다면 타겟 유니버스를 3~5배 확장할 수 있었을 것이다. 그러한 경험이 지금 저에게 AI 딜소싱 도구에 주목하게 된 계기다.

1-2. AI 딜소싱 플랫폼의 작동 원리

현재 글로벌 PE 시장에서 실제로 검증된 AI 딜소싱 플랫폼은 크게 세 축으로 파악되며, 특히 2025년에는 중요한 시장 재편이 있었다.
Datasite가 Grata(2025년 6월)와 Sourcescrub(2025년 8월)을 연속 인수하며 딜소싱-VDR-실사 자동화를 하나의 워크플로로 통합하는 ‘End-to-End M&A Stack’을 구축했다.
이 통합은 단순한 기업 결합이 아니라 딜소싱부터 클로징까지 단일 플랫폼화의 신호탄으로 볼 수 있다.

플랫폼	핵심 기능	사용 고객 성과	Top 40 PE 채택
Sourcescrub (Datasite)	220K+ 소스, 1,600만 비상장사 실시간 이벤트 트리거 소싱	리서치 생산성 +51.7% 직접소싱 파이프라인 +50%	Top 40 중 35개사 채택
Grata (Datasite)	시맨틱 매칭으로 ‘recurring-revenue industrial services’ 방식 탐색	딜 파이프라인 +36.8% (Sourcescrub 고객 데이터)	Mid-market PE 표준 도구화
Intapp DealCloud	AI 기반 관계 인텔리전스 + 파이프라인 추적 통합	딜 실행 전 단계 통합 워크플로 자동화	대형 PE/IB 주요 채택
PitchBook (AI 강화)	AI 기반 타겟 발굴 + 밸류에이션 벤치마킹	PE 업계 표준 데이터 플랫폼, AI 레이어 추가	PE/VC 전반 필수 업무 인프라

Sources: Sourcescrub Customer Survey (UserEvidence, 5/2024), Altss Inc. (2025), Grata/Datasite 공시

1-3. AI 소싱의 실질적 작동 … 신호 기반 타이밍

AI 딜소싱 플랫폼의 핵심 가치는 ‘더 많은 회사 발견’이 아니다.
정확히는 ‘지금 거래 가능한 회사’를 ‘경쟁자보다 먼저’ 발견하는 것이다. 저의 경우는 아래 같은 항목들의 조건을 설정하여 예측 분석 알고리즘으로 설정하고, 신호들을 정기적으로 추적한다.

신호 유형	의미 및 해석
채용 패턴	급격한 인력 확충 → 신규 시장 진입 or 엑싯 준비 신호
창업자 지분	aging founder + 후계자 부재 → 매각 가능성 ↑ (Sourcescrub 알고리즘 고우선순위 신호)
웹사이트 변화	메시지 전략 변화 → M&A 대응 또는 투자 유치 신호
언론/PR 패턴	임원 인터뷰 증가, 수상 실적 → 거래 준비 신호
자금 조달 이력	마지막 라운드 3년+ 경과 → exit 압박 구간

[실전 코멘트: 리스크 포인트]
딜소싱 AI의 한계, AI 소싱 도구의 함정이 있다.
일단 ‘더 많은 딜’이 ‘더 좋은 딜’을 의미하지 않는다. Sourcescrub 채택 Top 40 PE들도 실제 전환율(소싱→IC 상정)은 여전히 1~3% 수준이다.
AI가 유니버스를 확장할수록 필터링 역량이 더 중요해진다. 국내 비상장사 데이터 커버리지가 글로벌 플랫폼에서 여전히 취약하다는 점을 유의해야 한다. (S사 재직 당시에는 ‘NICE평가정보, 한국기업데이터, 딥서치’ 서비스를 이용함)

1-4. 한국 PE 소싱 현장 — 격차의 실체

KCMI(자본시장연구원, 2026) 조사에 따르면 국내 PE의 AI 딜소싱 활용률은 대부분의 단계에서 10% 미만에 불과하다. 반면 글로벌 Top 40 PE 중 87.5%가 이미 Sourcescrub 같은 AI 소싱 플랫폼을 표준 인프라로 채택했다.
단순한 도입 속도의 차이가 아니다. 이것은 ‘보이는 딜 유니버스’의 크기 자체가 다른 것이다.

국내 PE가 AI 소싱을 주저하는 이유는 크게 3 가지이다.
① 국내 비상장사 데이터 커버리지 한계 — 글로벌 플랫폼의 한국 데이터는 아직 불완전하다.
② 관계 기반 문화 — ‘소개받은 딜만 믿는다’는 관행이 여전하다.
③ 도구 도입 비용 — 연 $30K~$80K 수준의 SaaS 비용을 고정비로 인식한다.

하지만 이 세 가지 저항 논리는 모두 깨지고 있다. 네이버·카카오 등 빅테크 데이터와 공정거래위원회 공시 데이터를 기반으로 한 국내 특화 AI 소싱 서비스가 등장하기 시작했고, 글로벌 PE들은 이미 한국 시장 타겟팅에 AI를 쓰고 있다. 한국 PE가 수작업으로 200개사를 보는 동안, 글로벌 경쟁자는 AI로 2,000개사를 스캔한다.

구분	한국 PE (현재)	글로벌 Top PE (현재)
연간 스크리닝 용량	200~400개사 (수작업)	2,000~6,000개사 (AI 활용)
소싱 AI 도입률	10% 미만 (KCMI, 2026)	87.5% (Sourcescrub, 2024)
딜 파이프라인 증가율	데이터 없음 (측정 미실시)	+36.8%~+50% (검증됨)
경쟁 포지션	이미 알려진 딜 경쟁 (레드오션)	미발견 기회 선점 (블루오션 소싱)

Sources: KCMI 자본시장연구원 (2026), Sourcescrub Customer Survey (UserEvidence, 5/2024), Brightwave AI Adoption Survey (2024)

[실전 코멘트: PE의 AI 전환 본질]
종종 이 질문을 받았다. ‘한국 비상장사 데이터가 부족한데 AI 소싱이 실제로 효과가 있나요?’
답은 ‘있다’로 말씀 드린다. 단, 방법이 달라야 한다. 글로벌 플랫폼은 국내 데이터에 한계가 있지만, 산업은행 기업대출 데이터 + NICE평가정보 + 조달청 납품실적 데이터 이렇게 3 가지를 활용하는 AI 소싱 접근법을 활용하면, 충분한 데이터 세트다.
(개인 사견이 큰 언급이지만) 문제는 도구가 없는 게 아니라, 쓰려는 의지가 없다고 판단된다.
AI 소싱을 도입한 한국 PE에서 IRR 21%를 내고 있는 경쟁자가 있다면, AI 없이 수작업으로 18%를 내는 펀드는 상대적 능력 부족으로 미래 자본(AUM) 유치을 잃을 것으로 판단된다.

---

Section 02 … 실사 — 3주 걸리던 계약서 검토가 3시간으로

2-1. DD의 본질과 AI의 개입 지점

듀딜리전스(DD)는 M&A 전체 프로세스에서 가장 시간이 많이 소요되고, 동시에 가장 많은 가치 파괴가 일어나는 단계다. 전통적으로 DD는 회계사·변호사·컨설턴트로 구성된 전문가 팀이 수천 페이지의 문서를 수작업으로 검토한다.
하지만 이 구조에는 물리적 한계가 있다 — 시간 압박 속에서 ‘중요한 10개 계약서만 검토’하는 선택이 강요되고, 그 나머지에서 클로징 후 놀라움(Post-closing Surprise)이 발생한다.

[실전 코멘트: I사 CB 실사]
담보부 전환사채 실사 때의 일이다. 법무실사 계약서 검토 대상이 수백 건이었는데, 외부 로펌이 ‘핵심 계약서 50개’로 범위를 좁히자고 제안했다. 로펌 입장에선 당연한 제안이라고 판단했을 것이다. — 2주일 안에 LDD 클로징해야 했으니까. 하지만 나중에 AI 계약서 분석 도구로 전체 문서를 돌려봤을 때, 우선순위 밖에 있던 계약서 3건에서 Change of Control 조항이 발견되었다. 이는 개인적 경험으로, 사람이 놓친 것을 AI가 잡아낸 첫 번째 사례였다.

2-2. AI 계약서 분석 — Kira, Luminance, Relativity

현재 M&A DD에서 가장 성숙한 AI 적용 영역은 계약서 분석(Contract Review)이다.
Kira Systems(현 Litera)는 글로벌 Top 25 M&A 로펌 중 84%가 채택했으며, 월 25만 건 이상의 문서를 처리한다. 그들의 핵심 성과 지표는 명확하다.

AI 계약서 분석 성과 (Kira Systems 기준)	수치	비고
초기 도입 시 시간 절감	20~40%	첫 프로젝트 기준 (Freshfields, DLA Piper 사례)
숙련 사용자 시간 절감	최대 90%	경험 축적 후 모델 최적화 시점
Deloitte 실사 정확도	90% 정확도	Chemtrade 사례, 40% 시간 절감
Global Top 25 M&A 로펌 채택률	84%	Am Law 100 중 64% 포함 (2024 기준)
AI DD 후 acquirer 주주수익률	80%가 초과 달성	AI 활용 M&A의 평균 매출 성장 1.5배

Sources: Kira Systems/Litera (2024), Legaltech Hub Report (2024), Brightwave (2025), Copia Wealth Studios (2025)

2-3. AI DD의 실제 워크플로 — 3단계 접근법

AI를 DD에 효과적으로 적용하려면 단순히 ‘소프트웨어를 켜는 것’ 이상이 필요하다.
유럽 R사 방문 실사 시, 기술 문서와 규정 준수 서류 수백 건을 AI로 1차 분류한 뒤 전문가가 핵심 이슈 집중 검토하는 방식을 적용했다. 이 경험에서 3단계 AI-Human Hybrid 프레임이 도출됐다.

1단계: AI 스캔 (0~24시간)	2단계: 전문가 집중 (핵심 이슈)	3단계: AI 교차검증 (클로징 전)
전체 VDR 문서 AI 투입 • Change of Control 조항 자동 추출 • IP 소유권 구조 매핑 • 재무 데이터 일관성 체크 • 규제 컴플라이언스 스캔 → Red Flag 목록 자동 생성	AI가 식별한 이슈 집중 검토 • 전문가 시간 80% 절약 • 핵심 5~10개 이슈 심층 • 협상 레버리지 포인트 정제 • IC 메모 초안 자동 생성 → 딜 구조 최적화	클로징 전 최종 교차검증 • 협상 후 문서 변경사항 추적 • 진술 및 보증 조항 체크 • 이전 스캔 대비 델타 분석 • Escrow/홀드백 근거 확인 → Post-closing Surprise 최소화

[실전 코멘트: 리스크 포인트]
AI 과신의 위험이다. AI DD의 가장 큰 리스크는 ‘과신(Overreliance)’이다.
AI가 90% 정확도를 보여줘도 나머지 10%에 치명적 조항이 있을 수 있다.
Deloitte 조사에서 PE 의사결정자의 35%가 AI 오류 우려로 도입을 주저한다고 답했다.
AI는 리뷰 범위를 확장하되, 최종 판단은 반드시 도메인 전문가가 해야 한다.

2-4. DD AI 도입 — 비용·편익 현실 분석

DD AI 도입에 가장 올바른 질문은 “얼마나 빨라지나”가 아니라 “얼마나 더 앞에 발견하는가”다.
Kira Systems 기준 연간 라이선스 비용은 팀 규모에 따라 $20K~$100K 수준이다. 시니어 변호사 1명의 계약서 검토 비용은 시간당 $300~$600 — 단 1건의 딜에서 300시간 검토를 50% 단축하면 $45K~$90K을 이미 회수한다.
그리고 가장 큰 포인트는 발견하지 못했을 리스크의 제거다. 클로징 후 발견되는 조항 하나가 딜 가치의 5~15%를 증발시킨다는 게 업계의 경험칙이다.

항목	전통 DD (로펌 의존)	AI 보강 DD	차이
계약서 검토 시간	200~400시간/딜	40~80시간/딜	80% 단축
문서 커버리지	핵심 50~100건 (우선순위 선별)	전체 VDR 문서 (100% 커버)	누락 리스크 제거
Red Flag 발견율	~65% (업계 추정)	90%+ (AI 보완)	+25%p
직접 비용 (로펌)	$150K~$500K/딜	$80K~$200K/딜	30~50% 절감

Sources: Kira Systems/Litera (2024), Legaltech Hub (2024), HBR Mahidhar & Davenport (2024), PE 업계 경험칙

[실전 코멘트: DD ROI의 현실]
숫자가 말해준다. 이전 CB 딜에서 AI 계약서 분석을 처음부터 썼다면 Change of Control 조항 3건을 클로징 전에 발견했을 확률이 높다고 생각한다. 그 조항들이 만약 트리거됐다면 딜 구조 자체를 바꿔야 했다 — 최소 15~20억 원의 가치 훼손이다.
AI DD 라이선스 비용 연 $50K($7,000만 원)와 비교하면, 단 하나의 딜에서 ROI가 이미 검증된다. 문제는 이걸 모르는 게 아니라, ‘우리 팀은 이미 잘 하고 있다’ 또는 ‘이 로펌 의견은 믿을 만 하다’ 는 확증 편향이다.

지금 써야 할 DD AI 도구 … 실용 가이드 (안)

도구	적합한 딜 규모	핵심 활용 포인트	주의사항
Kira Systems (Litera)	$50M+ 딜	계약서 조항 자동 추출, Change of Control 탐지, IP 매핑	학습 곡선 2~3개월, 초기 세팅 전문가 필요
Luminance	중소형 딜 적합	패턴 학습 기반 이상 탐지, 다국어 지원 강점	맞춤 모델 훈련 시간 투자 필요
Relativity Review AI	대용량 문서 딜	수십만 건 문서 처리, 법적 발견 자동화	리뷰 결과 검증은 반드시 법무 전문가 필수

---

Section 03… 밸류에이션 — DCF가 살아 움직이기 시작

3-1. 전통 밸류에이션의 구조적 결함

전통적 밸류에이션의 본질적 문제는 ‘정적 스냅샷(Static Snapshot)’이다.
DCF 모델은 어제 마감된 재무제표 기반이고, Comparable은 6개월 전 거래 데이터다.
S사 및 O사 재직 당시 M&A를 검토할 때 약 15개 시나리오 스트레스 테스트를 직접 예비적 검토로 돌린다.. 해당 산업 시장 변동성, 관련 규제 및 정책/지리학적 이슈, Target 기업의 BM 내 기술 발전 속도 등 모두 변수였다. 그 15개 시나리오를 수작업으로 5일 만에 예비적 검토를 마치고 차주에 내부 보고를 해야하는 피로감은 적지 않다.. 근데 지금이라면 3~8시간이면 충분히 실행 가능하다. 물론, 어느정도 표준화된 프롬프트 정도는 있어야 한다.

[실전 코멘트: 인수 밸류에이션 갭]
앞서 언급한 C사 인수 검토 시 회계법인 및 감평평가법인 등을 동시에 진행했다. 자문사 세 기관이 1차 산출한 밸류에이션 범위는 $280M~$420M으로, 무려 50% 차이가 났다. 각자 다른 가정과 다른 Comparable을 썼기 때문이다.
지금의 AI 밸류에이션 도구는 동일한 데이터셋과 실시간 시장 데이터를 기반으로 이 세 기관의 방법론을 동시에 돌릴 수 있다.
‘어느 밸류에이션이 맞느냐’의 질문이 ‘어떤 가정에서 어느 범위인가’의 질문으로 바뀌는 것 — 그게 AI 밸류에이션의 본질 중 하나로 파악된다.

3-2. AI 밸류에이션의 세 가지 혁신

혁신 축	전통 방식	AI 방식	핵심 임팩트
① 데이터 소스	재무제표, 공시 데이터 (수작업 입력)	실시간 시장 데이터 + 뉴스 + 소셜 신호 통합	밸류에이션 오차 최대 25% 감소 (PwC, 2025)
② 시나리오 분석	3~5개 시나리오 (며칠 소요)	50~100개 시나리오 (수 시간 내)	재무 모델링 시간 70% 단축
③ 실시간 업데이트	정적 모델 (분기 단위 업데이트)	라이브 모델 — 시장 충격 즉시 반영	ESG/규제 변화에 즉각 대응 가능

Sources: PwC (2025) AI-driven analytics in valuation, Copia Wealth Studios (2025), Qubit Capital (2026)

3-3. LBO/DCF 자동화의 현실과 한계

AI 밸류에이션은 기술적으로 인상적이지만, 근본적인 한계가 있다.
AI는 가정(Assumption)을 만들지 못한다. 물론 추천은 받을 수 있다.
DCF의 본질은 미래를 어떻게 볼 것인가다. WACC 가정, 터미널 성장률, EBITDA 개선 타이밍 — 이것들은 데이터가 아니라 투자자의 시장 관점에서 나온다.
AI는 그 가정을 빠르게 검증하고 민감도를 분석하는 도구다. 가정 자체를 만드는 것은 여전히 사람의 영역이다.

LBO 모델 단계	AI 자동화 가능 범위	사람 개입 필수 영역
데이터 수집 & 정규화	재무제표 자동 파싱, 유사 거래 Comparable 자동 수집	비정형 정보 판단 (경영진 역량, 전략적 fit)
가정 설정	과거 유사 딜 패턴 기반 초안 자동 생성	성장률·마진 개선 가정의 최종 판단은 전문가 책임
시나리오 스트레스 테스트	50~100개 시나리오 초안 생성	Down-case 정의, 리스크 가중치 설정
IC 메모 & 프레젠테이션	초안 자동 생성, 차트 시각화	투자 논리 서사, 위원회 설득 구조

---

Section 04 … PMI — ‘시너지’를 처음으로 측정 가능하게

4-1. PMI 실패의 구조적 원인

M&A가 창출하는 가치의 75~90%는 PMI 단계에서 결정된다.
그런데 전통적으로 PMI의 가장 큰 문제는 ‘시너지를 약속하지만 추적하지 않는다’는 것이었다.
BCG가 2019~2023년 딜 가치 $10억 이상 175건을 분석한 결과, 시너지 실현을 공개적으로 추적한 기업의 주주수익률(rTSR)이 추적하지 않은 기업보다 2년간 약 6% 높았다. 시너지 추적 자체가 성과를 만든다.
AI PMI 도구는 바로 이 ‘측정 불가’ 문제를 해결하는데 집중할 필요가 있다.

4-2. Agentic AI — PMI 작업의 50% 자동화

McKinsey(2026)는 ‘통합 계획 및 실행 단계에서 Agentic AI가 50% 이상의 작업을 자율 처리할 것’이라고 전망한다.
Blackstone의 AI 포트폴리오 모니터링 플랫폼과 동일한 방향으로, 선도적인 대형 PE들은 이미 이 전환을 시작했다.
F사 투자 검토 시 PMI 시너지 추적 모델을 설계해보고, 전통적 방식의 구조적 한계를 직접 체감했다 — 설령 100개 이상의 이니셔티브 AI로 발굴하고 이를 조정하여도, 이를 월/분기별로 추적하고 편차를 분석하는 작업은 사실상 풀타임 팀 한 개가 필요한 부하였다.

PMI 단계	AI 자동화 영역	실제 임팩트
시너지 모델링	이질적 데이터 소스 통합, 시너지 기반 자동 정규화	$4B 목표→$7.4B 실현 (미국 유통사 합병 사례)
KPI 실시간 추적	100개+ 이니셔티브 초기 발굴/조정, 자동 월별 추적, 편차 실시간 경보	경영진 수동 보고 80% 대체 (BCG X 사례)
문화/조직 통합	커뮤니케이션 패턴 분석, 이직률 등 조직 갈등 조기 감지	이직률 예측 정확도 향상 (선행 지표 6주↑)
IT 시스템 통합	시스템 중복/갭 자동 매핑, 통합 우선순위 AI 추천	IT PMI 일정 25~35% 단축 효과

Sources: BCG (2025) — Capturing Value from Synergy in PMI, McKinsey (2026) M&A Trends, IMAA Institute (2025)

4-3. PMI AI의 현실 — 아직 답이 없는 영역

AI PMI의 가장 큰 미해결 문제는 ‘문화 통합’이다. 두 회사의 조직 문화가 충돌할 때, AI는 언어 데이터와 커뮤니케이션 패턴에서 신호를 잡아낼 수 있다. 하지만 그 신호를 어떻게 해석하고 개입할지는 여전히 경험 많은 사람의 판단에 달려 있다. 어떤 산업 분야이든 기업 실사에서 만난 것은 숫자가 아니라 ‘사람’이었다. 이건 어떤 AI도 대체할 수 없다.

[실전 코멘트: F사 PMI 시뮬레이션]
지인 분을 통해 공유 받은 (일부)프롬프트로, PMI 시너지 시뮬레이션을 테스트로 돌려 보았다.
예상되는 비용 시너지는 명확했다 — 중복 인프라, IT 스택 통합, 구매 협상력.. 하지만 매출 시너지 추정치는 AI를 3번 이상을 돌려도 범위가 $50M~$200M으로 4배 차이로 의미가 없는 값의 연속이였다.
나중에 든 생각으로 그게 맞았다. 매출 시너지는 영업팀의 의지와 고객 반응에 달린 문제이다.
저에겐 AI가 ‘측정 가능한 것’과 ‘측정 불가능한 것’을 구분해줬다는 게 오히려 가장 큰 가치였다.

Section 05 … 빅3의 AI 전략 — Blackstone, KKR, Apollo의 각기 다른 베팅

5-1. 전략적 분기 — 세 가지 AI 접근 모델

글로벌 Top PE들은 AI를 ‘도구’가 아닌 ‘핵심 경쟁 전략’으로 채택했다.
흥미로운 것은 세 거대 PE가 서로 다른 모델을 선택했다는 점이다.
이 세 모델은 단순한 전략 차이가 아니라, AI 시대 PE의 ‘가치창출 방정식’에 대한 근본적으로 다른 베팅이다.

	Blackstone 수직통합 소유 모델	KKR 파트너십 인프라 모델	Apollo 운영 적용 모델
핵심 베팅	AI 인프라 직접 소유 (QTS 데이터센터, CoreWeave)	ECP와 $500억 파트너십 8GW 데이터센터 파이프라인	포트폴리오 내 AI 적용 25m Evolve 인큐베이터
AUM 규모	$11,000억+ 2024년 신규 투자 $1,339억	$6,000억+ 드라이파우더 $1,180억	$7,000억+ Credit 특화 AI 전략
내부 AI 조직	전담 데이터 사이언티스트 50명+ (Applied AI팀)	예측 분석 팀 + 머신러닝 파이프라인	전용 Data·Digital·AI팀 조달 65% 비용 절감
전략 평가	데이터 플라이휠 강점 공급망 전체 수직 통합	규모 최적화 전력망 접근 우위	Value Creation 집중 기술 종속 리스크 낮음

Sources: Blackstone 공시, KKR-ECP 파트너십 발표(2025), Apollo 연간보고서(2025), Klover.ai Analysis(2025)

5-2. 한국 PE의 현실 — 솔직한 진단

한국 자본시장연구원(KCMI, 2026) 연구에 따르면, 국내 금융투자업 전반에서 AI 특허 출원이 2015년 20건에서 2023년 약 380건으로 19배 급증했다. 하지만 PEF(사모펀드) 분야의 AI 활용 비중은 여전히 낮은 편이다
— 대부분의 단계에서 AI 활용률이 10% 미만이라는 것이 KCMI의 평가다. 왜 이런 격차가 벌어졌는가?

구조적 원인	구체적 현상	극복 방향
데이터 인프라 부재	비상장사 데이터가 글로벌 AI 플랫폼에 미수록, Grata/Sourcescrub 한국 커버리지 제한	국내 전용 데이터셋 구축 (NICE, SCI, 금감원 데이터 통합)
규제 및 컴플라이언스 불확실성	AI 의사결정 책임 소재 불명확, 개인정보 보호법 제약	AI 보조 의사결정 체계 수립 + 규제 샌드박스 활용
인력 구조 및 보수성	국내 PE 팀 규모 소규모, AI 도입보다 외부 자문사 의존 관행	Mid-market PE부터 SaaS AI 도구 파일럿 시작

[실전 코멘트: AI 전환 저항]
한국 PE 시장에서 AI 활용의 가장 큰 장애물은 기술이 아니다.
‘왜 바꿔야 하는가’에 대한 내부 설득이 더 어렵다. OO 투자 부서에서도 AI 도구 도입 논의를 할 때, ‘기존 방식으로도 목표 IRR 달성했는데 왜 바꾸느냐’는 질문이 반드시 나온다.
이에 대한 저의 답은 간단하다 — “21% IRR의 경쟁자가 AI를 쓰면 우리는 몇 % 이하가 된다”
AI 활용은 상대적 경쟁력으로 인식할 시점이다.

---

Section 06 … 지금 당장 써야 할 것 vs 아직 쓰면 안 되는 것

6-1. PE 팀 규모별 AI 도입 로드맵

AI 도입의 가장 큰 실수는 ‘전부 아니면 전무(All or Nothing)’식 접근이다.
HBR 연구(Mahidhar & Davenport)에 따르면 PE 업계의 10%만이 AI에서 ‘의미 있는 ROI’를 보고했고 79%는 아직 실질적 수익을 보지 못하고 있다.
차이는 기술력이 아니라 ‘어디서 시작하는가’에 달려 있다. PE 또는 인하우스 투자팀 규모와 전략에 따라 즉각 적용 가능한 영역과 신중해야 할 영역이 다르다.

팀 규모 / 단계	즉시 도입 (1~3개월)	중기 도입 (3~12개월)	장기 전략 (12개월+)
소형 PE (AUM < 1조)	• PitchBook AI 스크리너 • Kira/Luminance DD 파일럿 • ChatGPT 등 IC 메모 초안	• Grata/Sourcescrub 계약 • AI 재무 모델 템플릿 구축 • 자동화 리포팅 도입	• 인하우스 데이터 파이프라인 구축 • 포트폴리오 AI 모니터링
중형 PE (1조~5조)	• Sourcescrub 이벤트 소싱 • AI 계약서 분석 전체 도입 • 시나리오 자동화 (10개+ 등)	• 딜 스코어링 모델 개발 • PMI AI 추적 시스템 • LP 리포팅 자동화	• 전담 AI 운영팀 구성 • 독점 데이터셋 확보 • 포트폴리오 가치창출 AI
대형 PE (5조+)	• AI 전략 태스크포스 구성 • 전체 딜 사이클 AI 맵핑 • 경쟁사 AI 벤치마킹	• 인하우스 AI 모델 개발 • AI 기반 포트폴리오 운영 • 데이터 플라이휠 설계	• Blackstone 모델 벤치마크 • AI 스타트업 투자 병행 • AI 거버넌스 체계화

6-2. 5가지 핵심 체크포인트 — AI 도입 전 반드시 확인하라

1. 데이터 품질 확보
   • AI는 쓰레기 데이터에서 쓰레기 인사이트를 생성한다. 도입 전 데이터 정합성 검수(감사)가 필수
     
2. 도메인 전문성과 AI의 결합
   • 데이터 사이언티스트가 아니라 ‘딜을 아는 사람’이 AI를 다뤄야 한다. HBR 연구의 핵심 발견 사항
     
3. ROI 측정 체계 선설계
   • AI 도입 전 ‘무엇을 측정할 것인가’를 먼저 정하지 않으면, 효과 증명 어려움
     
4. 설명 가능성(Explainability)
   • AI 추천이 왜 나왔는지 설명할 수 없다면, IC(투자위원회)를 통과 어려움
     
5. 실패 안전장치(Fail-Safe) + 벤더 종속 관리
   • AI가 틀렸을 때를 가정한 인간 검토 프로세스가 반드시 병행되어야 한다. 또한 특정 벤더 한 곳에 실사·소싱 데이터 전체를 의존하는 구조는 장기적으로 협상력과 데이터 주권을 잃는 위험이 있다. 핵심 데이터 인프라는 최소 2개 소스로 분산하라.

---

결론 … AI는 M&A를 바꾸는 게 아니라, M&A의 본질을 드러내고 있다

AI가 M&A를 바꾼다는 말은 정확하지 않다. AI는 M&A에서 항상 중요했지만 ‘측정 불가’였던 것들 — 정보의 완전성, 분석의 속도, 시너지의 가시성 — 을 처음으로 측정 가능하게 만들어 가고 있다. 이러한 부분이 AI가 끼치는 영향이자 본질이다.

딜소싱에서 AI는 ‘알려진 기회’를 ‘발견되지 않은 기회’로 확장한다.
DD에서는 ‘검토 범위의 한계’를 ‘전수 분석’으로 대체한다.
밸류에이션에서는 ‘정적 스냅샷’을 ‘살아있는 모델’로 바꾼다.
PMI에서는 ‘약속만 하고 측정 안 하는 시너지’를 ‘추적 가능한 목표’로 전환한다.

하지만 한 가지는 변하지 않는다.
AI는 가정(Assumption)을 만들지 못한다. 물론 LLM은 과거 패턴을 다술어 ‘기본 가정’을 제안할 수 있다.
그런데 그게 오히려 더 위험하다 — 모두가 같은 AI로 같은 가정을 쓴 순간, 알파(초과수익)는 사라진다. DCF에서 어떤 성장률과 어떤 가정(시나리오)을 쓸지, 어떤 회사와 어떤 전략으로 합칠지, 협상 테이블에서 어디까지 밀고 당길지 — 이것들은 여전히 경험 많은 투자전략가의 고유 판단 영역이다. 그동안 재직 회사 내 투자 업무를 하면서 공통적으로 배운 것이 있다면, M&A에서 가장 비싼 실수는 항상 ‘사람의 판단 실패’에서 온다는 것이다.

AI는 그 판단의 질을 조금 더 높여주는 도구이다. 판단을 대체하는 도구가 아니다.
그 차이를 이해하는 PE 및 인하우스 투자팀이 다음 10년을 주도하거나 최소한 지속가능성 확보를 위한 기반 마련은 되었다고 볼 수 있을 것이다.

---

Endnotes

1. McKinsey & Company (2026). “2026 M&A Trends: Navigating a Rapidly Rebounding Market.” mckinsey.com
2. Brightwave (2025). “How AI is Transforming Middle-Market Private Equity Due Diligence in 2025.” brightwave.io
3. Kira Systems/Litera (2024). “Legaltech Hub Report: Kira Crowned Leader in Due Diligence.” litera.com
4. Sourcescrub/Altss Inc. (2025). “Top 6 Private-Company Deal-Sourcing Databases (PE & VC).” altss.com
5. BCG (2025). “Capturing Value from Synergy in PMI: Four Essential Steps.” bcg.com
6. Copia Wealth Studios (2025). “Why AI-Powered Due Diligence is the New Normal in Private Equity.” copiawealthstudios.com
7. KCMI 자본시장연구원 (2026). “금융투자업의 AI 활용 현황 및 구조적 변화.” kcmi.re.kr
8. PwC (2025). “AI-driven analytics and valuation accuracy.” LinkedIn Analysis. linkedin.com
9. Klover.ai (2025). “Blackstone AI Strategy Analysis.” klover.ai
10. fol9k CRM (2026). “2026년 사모펀드 분야를 위한 최고의 AI 도구.” folk.app