AIでM&A候補企業のロングリストを作る｜条件設計と3軸スコアリング

結論：AIは「候補を挙げる」より「除外条件で落とす」ほうが役に立つ

M&Aのロングリスト作成で生成AIに期待されがちなのは「条件に合う会社を50社挙げてください」という使い方です。しかしこの使い方は最も精度が低く、実務では最も手戻りを生みます。AIが記憶から挙げる社名には、すでに合併して存在しない会社、商号変更前の旧社名、非上場と上場を取り違えた会社が高い頻度で混ざるためです。

再現性が高いのは逆の順序です。すなわち、①買い手の目的を言語化する→②除外条件を先に確定する→③候補を機械的に列挙する→④一次情報で1社ずつ確認する→⑤3軸で採点する→⑥優先順位をつけるという順で進め、AIには「条件の言語化」「大量の記述を条件に照らして分類する」「採点の下書きを作る」という、検証可能な仕事だけを任せます。候補社名そのものはAIの出力を正解として扱わず、有価証券報告書や決算短信で必ず突き合わせます。

なお本記事は事業会社の経営企画・コーポレートディベロップメント部門やFA（フィナンシャル・アドバイザー）の視点で、DDに入る前のロングリスト段階を扱います。PEファンドが「良い投資対象か」を判断する選定基準はLBO対象の見極めで、DD工程でのAI活用はM&A・デューデリジェンスでの生成AI活用で扱っているため、本記事では繰り返しません。

ロングリスト作成の全体像（6工程）

下図が本記事で扱う工程の全体像です。数字は後述する仮設ケース（買い手＝湾岸マテリアル工業）の絞り込み実績を示しています。工程3（一次情報の確認）で候補が半分近くまで減るのが、日本の実務での典型的な姿です。

工程0：買い手の目的を「探索条件シート」に落とす

ロングリストの質は、候補を挙げる前に決まります。「シナジーのある会社」という粒度の条件では、AIも人も同じ答えを出せません。まず、買収によって何を得たいのかを、取り込む機能・獲得する顧客・確保する地域・回避したいリスクの4点で書き下します。

本記事では以下の仮設企業を通して説明します。すべて架空の企業であり、実在の企業とは関係ありません。金額の単位は百万円で統一します。

• 買い手：湾岸マテリアル工業株式会社（仮設・東証プライム上場、産業用機能材料メーカー、売上高120,000百万円、営業利益率8.5%）
• 目的①（機能）：樹脂の成形・表面処理という川下工程を取り込み、素材販売から部品供給へ移行する
• 目的②（顧客）：売上の7割を占める自動車向けへの依存を下げ、医療機器・半導体製造装置向けの顧客を獲得する
• 目的③（地域）：中部・関西に生産拠点を確保する（現在は関東と九州のみ）
• 目的④（回避）：主要顧客と直接競合する製品ラインは取り込まない

この4点が、後述する3軸スコアリングの「①戦略的適合性」の下位項目にそのまま対応します。目的の書き方が曖昧なままだと、採点の基準も曖昧になります（バイヤー・ユニバース／ロングリスト）。

ここでAIに任せてよいのは、この4点を「観測可能な条件」に翻訳する作業です。たとえば「川下工程を取り込む」を「日本標準産業分類のプラスチック製品製造業のうち、射出成形・押出成形・表面処理を主要工程として記載している事業者」と書き直す、といった変換です。条件案を10通り出させ、人が採否を決めると速く進みます。

工程1：除外条件（ネガティブスクリーン）を先に決める

実務で最も効くのがこの工程です。候補を挙げてから落とすのではなく、候補を挙げる前に「見ない会社」の定義を確定させます。順序を逆にすると、採点まで進んでから「そもそも買えない会社だった」と判明し、工数が丸ごと無駄になります。

除外条件は「後から議論が蒸し返されない水準」まで数値化します。湾岸マテリアル工業のケースでは次の6項目を設定しました。取引の入口で足切り基準を明文化する考え方はディール・スクリーニング基準と同じ発想です。

この6項目により、湾岸マテリアル工業のケースでは母集団412社のうち349社が落ち、63社が残りました（412−349＝63）。除外された会社は捨てずに、除外理由とともに一覧に残します。数か月後に前提が変わったとき（たとえば親会社が方針を転換したとき）、再検討の起点になるためです。除外例を3社挙げます。

工程2：AIに候補を挙げさせる（ただし、たたき台として）

候補の列挙には2つのモードがあります。使い分けを間違えると、後工程の手戻りが大きくなります。

• モードA：AIの記憶から社名を挙げさせる。速いが、実在しない社名・旧社名・統合済み企業が混ざります。たたき台としてのみ使い、全件を一次情報で確認します。
• モードB：自社で用意した企業一覧をAIに分類させる。業種コードや上場企業一覧から機械的に作った表（社名・証券コード・売上高・所在地・事業内容）を入力として渡し、条件への適合／不適合を判定させます。再現性が高く、実務ではこちらが本命です。

以下はモードBのプロンプト例です。特定のAI製品に依存しない書き方にしています。

【役割】あなたはM&A候補企業のスクリーニングを補助するアナリストです。判断は行わず、与えられた条件への該当・非該当を分類してください。

【目的】添付の企業一覧から、当社の探索条件に合致する候補を抽出し、除外条件に該当するものを理由つきで除外する。

【入力資料】
・添付1「企業一覧.csv」（列：企業名／証券コード／上場市場／決算期／売上高／営業利益／所在地（都道府県）／事業内容の記述）
・添付2「探索条件シート.txt」
・添付3「除外条件E1〜E6.txt」

【対象期間】各社の直近本決算（決算期は添付1の列に従う。期ずれは補正しない）
【単位】金額はすべて百万円。小数は使わず整数で表記する。

【出力形式】以下の列を持つ表を1つだけ出力する。
 企業名／証券コード／上場市場／売上高／営業利益／所在地／判定（候補・除外・情報不足）／該当した除外条件（E1〜E6、なければ「−」）／判定理由（添付1の記述の引用を含め60字以内）／参照した添付1の行番号

【判定方法】
1. まず除外条件E1〜E6を順に適用し、1つでも該当すれば「除外」とする（最初に該当した条件を記載）。
2. 除外に該当しないものについて、探索条件シートの4項目（機能・顧客・地域・回避）への該当数を数える。
3. 該当数が2以上なら「候補」、1以下なら「除外」とする。

【禁止事項】
・添付資料に書かれていない企業名を追加しない。
・添付資料にない売上高・営業利益・所在地を補わない。業界知識で推測しない。
・企業の評価・投資判断・買収価格の推定を行わない。
・添付1の数値を四捨五入・単位換算しない。

【不明情報の処理】判定に必要な情報が添付にない場合は「情報不足」とし、判定理由に「不足している項目名」を明記する。推測で埋めない。

【出典の表示】各行の判定理由に、根拠とした添付1の行番号を必ず記載する。

【検算】出力後に次を報告する。
・入力件数、候補件数、除外件数、情報不足件数（合計が入力件数と一致すること）
・除外条件E1〜E6それぞれの該当件数（合計が除外件数と一致すること）

【レビュー項目】最後に、判定が微妙で人間の確認が必要だと考える行を最大5件、理由つきで挙げる。

出力例（モードAの危険性を確認する）

参考として、モードA（記憶から挙げさせる）で得た出力に、人が一次情報で実在確認をかけた結果の例を示します。3件のうち2件が使えないという結果はまったく珍しくありません。

この確認を省くと、社内会議で「この会社、去年なくなっていますよ」と一度指摘されただけで、リスト全体の信頼が失われます。実在確認は工数がかかりますが、省略できる工程ではありません。

工程3：日本の情報源対応表｜どの条件をどの資料で確認するか

英語圏の実務解説は、有料の企業スクリーニング・データベースで財務条件を一括抽出できることを前提に書かれていることが多く、日本でそのまま再現すると壁に当たります。日本では、上場企業については無料の開示資料が充実している一方、非上場企業の財務情報は公開範囲が限られるためです。まず「どの条件を、どの資料の、どの箇所で確認するか」を表にしておくと、候補が増えても作業が崩れません。

実務上の勘所を3点補足します。第一に、セグメント情報は事業構成を見る最短ルートです。連結の合計しか見ないと、買いたい事業が全体の1割しかないことに気づけません（セグメント情報の読み方）。第二に、コーポレート・ガバナンス報告書は支配権の所在を読む資料です。支配株主の有無、親子上場の状況、少数株主保護の方策の記載から、実際に売ってもらえる会社かどうかの手がかりが得られます（コーポレート・ガバナンス報告書）。第三に、政策保有株式の記載は「動きうる株主」の発見に効きます。縮減方針が示されている銘柄は、株主構成が変化する可能性を示唆します（政策保有株式の解消インパクト）。市場区分の見方は東証の市場区分を参照してください。

工程4：3軸スコアリングの設計

採点表は「誰が計算しても同じ答えになる」ことが最優先です。凝った重み付けや小数点は、再計算できない表を生むだけです。ここでは各下位項目を0〜5点の素点で評価し、整数の倍率を掛けて配点にするという構造にします。素点の定義を先に文章で固めておくことが、AIに下書きさせるうえでも重要です。

配点の設計意図は次のとおりです。戦略的適合性を最大の40点に置くのは、この軸が低い候補は買っても目的を達成できないためです。一方で、実行可能性に30点という重みを与える点が実務的な工夫です。適合性だけで並べると「魅力的だが絶対に売ってもらえない会社」が上位に来てしまい、リストとして機能しません。財務条件を30点に留めているのは、ロングリスト段階では価格も財務も精度が粗く、この段階で細かく差をつける意味が薄いためです。

満点の検算をしておきます。軸①＝（5×3）＋（5×2）＋（5×1）＋（5×2）＝15＋10＋5＋10＝40。軸②＝（5×2）＋（5×2）＋（5×1）＋（5×1）＝10＋10＋5＋5＝30。軸③＝（5×2）＋（5×1）＋（5×1）＋（5×2）＝10＋5＋5＋10＝30。合計40＋30＋30＝100点です。

工程5：10社を採点して優先順位をつける

一次情報の確認を通過した33社を採点し、上位10社をロングリストとしました。以下が採点結果です。すべて架空の企業です。

合計点の検算：37＋25＋24＝86／31＋23＋26＝80／35＋23＋22＝80／30＋24＋25＝79／30＋23＋24＝77／29＋21＋26＝76／33＋22＋21＝76／28＋22＋24＝74／24＋22＋19＝65／20＋20＋17＝57。すべて表の合計欄と一致します。Tier区分は、A＝80点以上（3社）、B＝70〜79点（5社）、C＝69点以下（2社）で、3＋5＋2＝10社です。

同点処理のルールを明文化しておくことも重要です。本ケースでは「合計が同点の場合は③実行可能性の高い方を上位」としました。この規則により、2位と3位は湘南メディカルパーツ（実行26点）が泉北ポリマー（同22点）より上位、6位と7位は蒲郡樹脂化成（同26点）が瀬戸内サーフェス技研（同21点）より上位になります。順位の入れ替わりが「担当者の感覚」ではなく規則で説明できる状態を作ります。

適合理由と懸念のメモ（上位5社）

スコアだけでは意思決定できません。点数の隣に、なぜその点数なのかを一文で残します。この列があることで、後から前提が変わったときに再採点の起点が分かります。

AIに任せる部分と、人間が判断する部分

この工程で最も誤解されやすいのが「AIが候補を選んでくれる」という期待です。実際には、AIが担えるのは条件への機械的な照合と文章化までで、条件そのものの設計と最終的な優先順位は人が決めます。

採点の下書きをAIに作らせる場合は、配点表と素点の定義を必ず入力として渡し、AI側に基準を推測させないことが要点です。加えて「素点の根拠として参照した資料名と章・注記名を各セルに書く」「情報が取れない項目は0点ではなく『情報不足』と書く」の2点を指示に入れると、後の検証が一気に楽になります。

ロングリストの検証方法

AI出力全般の検証の型は生成AI出力の検証手順に譲り、ここではロングリスト固有の確認項目だけを挙げます。

1. 実在確認の二重化：社名・証券コード・上場市場を、EDINETの提出者検索と取引所の銘柄一覧の2系統で確認する。片方だけでは商号変更を拾い損ねる。
2. 数値の原本突合：売上高・営業利益は、AIの出力ではなく有価証券報告書または決算短信の原本から転記する。決算期のずれ（3月期と12月期の混在）を一覧に注記する。
3. 事業内容の記述整合：AIが書いた事業説明が、有価証券報告書「事業の内容」の記載と矛盾しないか確認する。業界一般論で穴埋めされていないかを疑う。
4. 株主情報の整合：「大株主の状況」の持株比率の合計が不自然でないか、名義書換未了等の注記が反映されているかを確認する。
5. 除外リストとの逆突合：確定したロングリストに、除外条件E1〜E6のいずれかに該当する会社が残っていないかを機械的に照合する。
6. 名寄せの確認：商号変更・合併により同一実体が2行になっていないか、法人番号や本店所在地で確認する。
7. 採点の再計算：各軸の素点×倍率の合計が軸の満点を超えていないか、合計が100点を超えていないかを表計算ソフトで自動チェックする。
8. 情報不足の件数管理：素点が確定していない項目を0点として集計していないか確認する。非上場企業が機械的に下位へ沈む主因になる。

機密情報・インサイダー情報の注意

ロングリスト作成では、「どの会社を、どの買い手が、いま検討しているか」という組み合わせ自体が未公表の情報になります。特定の上場企業の買収検討が具体化すると、その事実が金融商品取引法上の重要事実に該当し得るため、原則として公開情報のみを扱う運用にし、社内でも情報の伝達範囲を限定します（インサイダー取引規制と大量保有報告制度）。

外部のAIサービスを使う場合は、買い手の社名と「買収検討中である」という事実を同時に入力しない、候補企業名を記号に置き換えて条件照合だけを依頼する、といった運用が基本になります。入れてよい情報の線引きと社内規程の作り方は生成AIに入れてよい情報・いけない情報で詳述しているため、ここでは繰り返しません。なお、取引所サイトの利用規約では、生成AIを用いた同サイト情報の学習・解析・生成への利用について制限が置かれており（JPX「サイトのご利用上の注意と免責事項」2026年7月29日更新時点）、EDINETの利用規約でも機械的取得は原則としてAPI経由に限られる旨が定められています。データの入手方法自体が規約に適合しているかを、作業前に確認してください。

よくある失敗

1. 除外条件を後回しにする。候補を100社挙げてから採点し、最後に「支配株主が売る気がない」と分かって全部やり直しになります。除外条件は必ず候補抽出より前に確定させます。
2. AIが挙げた社名をそのまま使う。統合済み企業・旧社名・実在しない社名が混ざり、社内で指摘された瞬間にリスト全体の信頼が失われます。全件の実在確認は省略できません。
3. 戦略的適合性に配点を寄せすぎる。適合性100点満点で並べると、絶対に売ってもらえない会社が上位を占め、リストが接触計画に使えなくなります。実行可能性に相応の重みを与えます。
4. 採点を精緻にしすぎる。小数点や複雑な加重を持ち込むと、誰も再計算できず、結局「なんとなく上位」の会社が選ばれます。整数の素点と整数の倍率に留めます。
5. 情報が取れない項目を0点にする。開示の薄い非上場企業が機械的に下位へ沈み、事業承継案件のような有望な候補を最初に落としてしまいます。「情報不足」は0点とは別に管理します。

実務チェックリスト

• 買収目的を「機能・顧客・地域・回避」の4点で文章化し、関係者の合意を取った
• 除外条件を数値・事実の水準まで具体化し、判定に使う資料名まで指定した
• 除外条件を候補抽出より前に確定させた
• 除外された会社を、除外理由つきで一覧に残した
• 母集団の定義（業種・地域・規模）を、後から再現できる形で記録した
• AIが挙げた社名を全件、EDINETと取引所の銘柄一覧で実在確認した
• 売上高・営業利益を開示資料の原本から転記し、決算期のずれを注記した
• 3軸の配点・倍率・素点の定義を、採点開始前に文書化した
• 各軸の満点（40／30／30）と合計100点を検算した
• 同点時の処理ルールを事前に決め、順位表に明記した
• 各候補について、適合理由と懸念を一文ずつ残した
• 「情報不足」の項目を0点と区別して集計した
• 候補企業名・買い手名・検討事実の組み合わせの取扱いを、社内ルールに照らして確認した
• データの入手方法が各サイトの利用規約に適合しているか確認した

日本市場での留意点

日本でロングリストを作るときに、英語圏の解説どおりにいかない点が4つあります。

第一に、候補の中心が非上場のオーナー系企業になりやすいことです。日本の中堅製造業では、事業承継を背景とした売却案件が候補の主要な供給源になります。この層は財務情報の開示が限定的で、軸②（財務条件）と軸③の一部が埋まりません。素点を「情報不足」として管理し、初期接触後に更新する運用が現実的です。

第二に、親子上場と政策保有株式という日本固有の株主構成です。上場子会社は「株を持っている親会社の意思」で売却可否がほぼ決まるため、軸③の株主構成の素点が結果を大きく左右します。コーポレート・ガバナンス報告書と中期経営計画にポートフォリオ方針の記載があるかどうかが、実務上の重要な手がかりになります。

第三に、市場区分と上場維持基準です。上場維持基準への適合状況は、経営陣が非公開化や再編を検討する動機と関係し得るため、軸③の背景情報として押さえておく価値があります。

第四に、データ調達のコスト構造です。英語圏では有料の企業スクリーニング・データベースで条件抽出まで一気に行う前提の解説が多いのに対し、日本ではEDINET・TDnetという無料の一次情報が充実する一方、これらは横断スクリーニングを目的に設計されていません。無料情報で母集団を作り、有料データや専門家のネットワークは「絞り込んだ後」に使う順序が費用対効果に優れます。工程全体の整理はM&Aプロセス完全ガイド、事業会社側の推進体制はコーポレートディベロップメントを参照してください。

面接での答え方（30秒回答例）

「M&Aの候補企業リストはどう作りますか」という質問に対する回答例です。

「候補を挙げる前に、除外条件を先に固めます。規模の下限、主要顧客との競合、係争、支配株主の売却意思といった『そもそも買えない条件』を数値で決めておかないと、採点まで進んでから全部やり直しになるからです。そのうえで、戦略的適合性40点・財務条件30点・実行可能性30点の3軸で採点し、同点は実行可能性の高い方を上位にします。AIは条件の言語化と大量の記述の分類に使いますが、社名と数値は必ず有価証券報告書や決算短信で1社ずつ確認します。AIの出力には統合済みの企業や旧社名が混ざるためです。」

よくある質問（FAQ）

まとめ

ロングリスト作成におけるAIの価値は、候補を思いつくことではなく、人が決めた条件を大量の記述に対して一貫して適用することにあります。除外条件を先に確定し、AIには条件照合と下書きを任せ、社名と数値は一次情報で1社ずつ確認する。そのうえで戦略的適合性40点・財務条件30点・実行可能性30点という整数の採点表で並べ、同点処理と適合理由・懸念のメモを添える。この形にしておけば、リストは「担当者の主観」ではなく「再現できる手続の結果」になり、経営会議でも説明でき、前提が変わったときに再採点できます。次はDD工程での分担設計へ進んでください。

出典・参考（2026-08-03確認）

• 金融庁「EDINET（書類検索）」 https://disclosure2.edinet-fsa.go.jp/week0010.aspx
• 金融庁「EDINET API仕様書（Version 2）」 https://disclosure2dl.edinet-fsa.go.jp/guide/static/disclosure/download/ESE140206.pdf
• 金融庁「EDINET利用規約」 https://disclosure2dl.edinet-fsa.go.jp/guide/static/disclosure/WZEK0030.html
• 日本取引所グループ「TDnetの概要」 https://www.jpx.co.jp/equities/listing/disclosure/tdnet/
• 日本取引所グループ「適時開示が求められる会社情報」 https://www.jpx.co.jp/equities/listing/disclosure/info/index.html
• 日本取引所グループ「サイトのご利用上の注意と免責事項」（2026年7月29日更新） https://www.jpx.co.jp/term-of-use/
• 金融庁「AIディスカッションペーパー（第1.1版）」（2026年3月3日） https://www.fsa.go.jp/news/r7/sonota/20260303/aidp.html
• 個人情報保護委員会「生成AIサービスの利用に関する注意喚起等」（2023年6月2日） https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/
• 総務省・経済産業省「AI事業者ガイドライン（第1.2版）」（2026年3月31日） https://www.soumu.go.jp/main_sosiki/kenkyu/ai_network/02ryutsu20_04000019.html

※本記事は教育目的の一般的な解説であり、法務・税務・会計・投資に関する助言ではありません。実際の判断は専門家にご確認ください。設例は理解のための仮設例です。AI製品の仕様・料金は変更されることがあるため、利用前に各社の公式情報をご確認ください。