Harvey postavil právní AI Tenet na čínském Kimi K3. Důvodem je výkon i cena

Rozhodnutí společnosti Harvey vybudovat Harvey Tenet vycházelo ze dvou praktických potřeb: její právní AI měla lépe zvládat práci rozloženou do hodin či dnů a firma chtěla mít větší kontrolu nad cenou i chováním modelu. Místo trénování zcela nového základního modelu od nuly post-trénovala otevřený model Kimi K3 od společnosti Moonshot AI pomocí právních dat a zpětné vazby právníků. Podle dostupných zpráv právě Kimi K3 sloužil jako základ Tenetu.

Jaký problém se Harvey snažil vyřešit

Mnoho právních úkolů není obyčejná otázka a odpověď. Kontrola smluv, právní prověrky neboli due diligence, analýza důkazů nebo podpora při soudních sporech vyžadují, aby AI udržela kontext, rozhodovala se v několika krocích a zpracovala rozsáhlé soubory dokumentů. Tenet je určen pro tyto dlouhodobější, agentní pracovní postupy — tedy úlohy, které mohou trvat hodiny nebo dny, nikoli jen několik sekund.

Druhým důvodem byla ekonomika. Harvey dosud využíval základní modely od externích poskytovatelů a jednotlivé úkoly směroval mimo jiné k systémům společností Anthropic, OpenAI a Google. Specializovaný vlastní model může zlepšit výsledky na klíčových právních úlohách a zároveň snížit závislost na externích API.

Jak Tenet vznikal

Tenet není nový všeobecný základní model vytrénovaný od úplného začátku. Jde o specializovaný systém vytvořený na existujícím modelu s otevřenými vahami — podle dostupných zpráv na Kimi K3 — který Harvey dále přizpůsobil právnímu uvažování.

Trénink podle zveřejněných informací kombinoval:

• veřejně dostupné právní materiály;
• syntetické právní úkoly a simulované spory;
• modelové spisy a scénáře smluv; a
• příklady vytvořené, kontrolované nebo hodnocené právníky a dalšími odborníky.

Právě poslední bod je zásadní. Právní odbornost není jen soubor dokumentů. Zahrnuje také posouzení, zda je určitý výklad, vyjednávací strategie nebo vícekroková analýza správná a obhajitelná. Když právníci vytvářejí scénáře a hodnotí výstupy modelu, vznikají tréninková i testovací data zaměřená na standardy skutečné právní práce.

Co Harvey tvrdí o výkonu Tenetu

Harvey popisuje Tenet jako model s výkonem na „úrovni špičky“ v předních právních benchmarcích a uvádí, že v relevantních úlohách dosahuje výsledků srovnatelných s nejlepšími obecnými modely.

Podle vlastního technického popisu společnosti Tenet dokončil téměř dvakrát více úloh v oddělené testovací sadě Legal Agent Benchmark než základní Kimi K3. V testu LAB Contracts pak zvládl o 20 % více úloh. Harvey zároveň uvádí zvýšení podílu úloh splněných bez jediné chyby o 9 procentních bodů v LAB a o 2 procentní body v LAB Contracts.

Samostatné oznámení společnosti tyto výsledky prezentuje jako relativní zlepšení o 82 % v LAB a o 22 % v LAB Contracts. Podle něj se Tenet umístil první v LAB Contracts a druhý v celkovém hodnocení LAB.

Tato čísla je však třeba číst jako tvrzení založená na benchmarcích, nikoli jako důkaz, že Tenet je obecně přesnější než uzavřené modely nebo spolehlivý pro každou jurisdikci a každý právní případ. Dostupné podklady pocházejí především z oznámení Harvey a z médií, která o něm informovala; nezávislé ověření přesnosti v reálné právní praxi zde doloženo není.

Od integrátora modelů k jejich vlastníkovi

Před uvedením Tenetu byla strategie Harvey především aplikační. Firma mohla upravovat prompty, pracovní postupy a směrování úloh, zatímco samotné proprietární modely dodávali externí poskytovatelé. Tento přístup umožňuje využívat výkonné systémy bez nutnosti budovat a provozovat celý vlastní modelový stack.

Tenet mění postavení modelu uvnitř technologické infrastruktury Harvey:

• Dříve: společnost koordinovala nebo upravovala uzavřené modely přes externí poskytovatele.
• Nyní: vychází z uvolněných vah, dále je trénuje na právních úlohách a výsledný specializovaný model používá ve vlastním produktu.

Nejde jen o technickou změnu. Přístup k vahám dává Harvey větší volnost při ladění modelu podle vlastních dat, testů a pracovních postupů. Firma také může sama rozhodovat o infrastruktuře a optimalizaci provozu, místo aby za každý požadavek platila poskytovateli uzavřeného modelu přes API.

Co znamená post-training

Post-training, tedy dodatečný trénink, probíhá až po dokončení původního širokého tréninku modelu. Vývojáři při něm využívají pečlivě vybrané příklady, zpětnou vazbu odborníků, syntetické úlohy a vyhodnocování výsledků, aby zlepšili konkrétní schopnosti nebo chování systému.

U Tenetu byla cílem právní argumentace při dlouhých, vícekrokových úlohách. Podle Harvey tento proces využíval kombinaci syntetických dat, veřejně dostupných právních materiálů a dat od lidských odborníků. Model se na těchto scénářích trénoval a následně se jeho výsledky měřily na úlohách, které během tréninku neviděl.

Pro společnost zaměřenou na jeden obor může být tento postup efektivnější než stavba nového špičkového modelu. Základní model poskytne obecné jazykové a rozumové schopnosti, zatímco post-training soustředí další práci na konkrétní úkoly, které zákazníci skutečně používají.

Proč otevřené váhy pomáhají se specializací i náklady

Model s otevřenými vahami zpřístupňuje číselné parametry, které lze provozovat a upravovat. U uzavřeného modelu má uživatel přístup pouze k API řízenému poskytovatelem. Uvolněné váhy Kimi K3 proto daly Harvey základ, který mohl přímo přizpůsobit právním úlohám.

Taková kontrola může vést k přesnějšímu zaměření na konkrétní obor. Firma může opakovaně trénovat a testovat model na dokumentech, posloupnostech úloh a kvalitativních kritériích, která jsou důležitá pro její zákazníky. Samotné otevřené váhy samozřejmě automaticky neznamenají lepší výsledek než u uzavřeného modelu — poskytují ale větší prostor pro optimalizaci úzkého produkčního použití.

Otevřené váhy mohou změnit také ekonomiku inference, tedy samotného generování odpovědí. Společnost si může zvolit vlastní hardware, software pro obsluhu modelu a optimalizační postupy, místo aby za každý token platila uzavřenému poskytovateli. Provoz proto není zdarma: stále jsou nutné výpočetní kapacity, hardware, vývoj, zabezpečení a údržba.

U právních agentů, kteří zpracovávají velké množství dokumentů nebo pracují delší dobu, může nižší cena jednotlivých operací usnadnit komerční nabídku průběžných a vícekrokových pracovních postupů. Právě v tom spočívá obchodní logika kombinace schopného základního modelu s oborovým post-trainingem.

Co tento krok říká o trhu s AI

Případ Harvey ukazuje širší změnu ve vertikální AI. Aplikační firmy nemusejí soupeřit tím, že samy vytrénují největší všeobecný model. Mohou konkurovat specializovanými daty, zpětnou vazbou odborníků, vlastními testy, návrhem pracovních postupů, nasazením a důvěrou zákazníků.

Volba Kimi K3 je strategicky významná i z geopolitického hlediska. Ukazuje, že západní firma může využít čínský model s otevřenými vahami jako technický základ, přestože přední AI laboratoře zůstávají součástí širšího obchodního a politického soupeření. Neznamená to, že čínské modely jsou obecně lepší. Pro specializovaný podnikový produkt však může být důležitější dostupnost, možnost úprav a potenciálně nižší provozní cena než pořadí modelu ve všeobecných benchmarcích.

Důležitá je i opačná strana rovnice: otevřené váhy přenášejí kontrolu, nikoli všechny náklady a rizika. Firma stále potřebuje infrastrukturu pro provoz, odborníky pro hodnocení a ochranná opatření pro citlivá právní data. Tenet proto není ani tak odmítnutím uzavřených modelů jako sázkou na to, že vlastnictví specializovaného modelu začíná být pro podnikový software praktické — a strategicky cenné.