Harvey Tenet markerer et skifte fra lejede AI-modeller til egen juridisk intelligens

Harveys Harvey Tenet er mere end en ny juridisk chatbot. Det er virksomhedens første interne model, bygget ved at eftertræne Moonshot AIs open-weight-model Kimi K3 til langvarige og komplekse juridiske opgaver. Strategien flytter Harvey fra primært at tilpasse tredjepartsmodeller til selv at eje en større del af modellaget – og dermed potentielt få bedre kontrol over både omkostningerne og den måde, AI’en opfører sig på i platformen.

Lanceringen er samtidig et illustrativt eksempel på vertical AI: En kompetent generalistmodel kan forfines med branchespecifikke data, arbejdsgange og evalueringsmetoder, så den passer mere præcist til en professionel branche. Men Tenets stærkeste resultater bør fortsat betragtes som Harveys egne påstande, indtil uafhængige tests og bredere erfaringer fra den virkelige verden foreligger.

Hvad er Harvey Tenet?

Harvey beskriver Tenet som virksomhedens første model, der er eftertrænet specifikt til juridisk arbejde. Modellen bygger på Moonshot AIs Kimi K3, en open-weight-model udviklet af det kinesiske AI-selskab bag Kimi. Harvey har gennemført eftertræningen i samarbejde med Fireworks AI.

Eftertræning betyder, at en model forbedres efter den indledende grundtræning, i stedet for at man bygger en helt ny grundmodel fra bunden. I Tenets tilfælde siger Harvey, at processen brugte offentligt tilgængelige juridiske data, syntetiske data og data fra menneskelige eksperter, der skulle simulere længerevarende juridiske opgaver.

Det er en vigtig forskel. Tenet præsenteres ikke som en helt ny generalistmodel, men som en specialiseret version af en eksisterende model med åbne vægte. Den er formet til opgaver som kontraktgennemgang, due diligence og andre komplekse juridiske arbejdsgange.

Hvad siger Harvey om modellens resultater?

Harvey siger, at Tenet opnår state-of-the-art-resultater på virksomhedens juridiske LAB-benchmark og generaliserer til juridiske benchmarks fra tredjeparter. I en offentlig opdatering skriver virksomheden, at Tenet gennemførte næsten dobbelt så mange tilbageholdte LAB-opgaver som den oprindelige Kimi K3 og 20 procent flere LAB-kontraktopgaver. Samtidig steg andelen af opgaver, der blev løst korrekt hele vejen igennem, med henholdsvis 9 og 2 procentpoint.

Tallene peger på, at eftertræningen forbedrede grundmodellen markant på de evalueringer, Harvey selv har udvalgt. De beviser dog ikke i sig selv, at Tenet er bedre end alle konkurrerende modeller i juridisk praksis. Resultaterne kan påvirkes af blandt andet benchmarkets udformning, valg af opgaver, prompts, evalueringsmetoder og de forhold, modellen anvendes under.

Den tilgængelige rapportering tyder også på, at Tenets tilgængelighed og udrulning ikke var fuldt afklaret ved lanceringen. Business Insider skrev, at modellen var blevet introduceret, men endnu ikke var live i Harvey, og at virksomheden ikke havde oplyst, hvornår den ville blive gjort tilgængelig. Uafhængige tests i produktion bliver derfor et vigtigt næste skridt.

Hvorfor betyder Kimi K3 som grundlag noget?

Valget af Kimi K3 er bemærkelsesværdigt, fordi Harvey har tætte forbindelser til vestlige AI-udbydere og tidligere har samarbejdet med OpenAI om en specialtrænet juridisk model. Mere generelt har juridiske AI-platforme været afhængige af lukkede systemer fra blandt andre OpenAI og Anthropic. Det betyder, at de betaler for adgang og er afhængige af leverandørernes udgivelsesplaner, priser og infrastruktur.

En model med åbne vægte giver Harvey større frihed til at ændre og implementere systemet. Virksomheden kan selv beslutte, hvordan modellen skal eftertrænes, hvordan den optimeres til bestemte arbejdsbelastninger, og hvilke juridiske opgaver der skal sendes til den. Til gengæld får Harvey også et større ansvar for infrastruktur, sikkerhed, evaluering, vedligeholdelse og den daglige drift – omkostninger, som eksterne leverandører normalt håndterer, når en virksomhed bruger deres API’er.

Valget illustrerer desuden et pragmatisk skifte i AI-udviklingen. Oprindelseslandet for en model kan blive mindre afgørende for kommercielle brugere, hvis en open-weight-model tilbyder et stærkt udgangspunkt, kan tilpasses juridisk og teknisk og giver en attraktiv økonomi. Det fjerner ikke spørgsmål om modellens oprindelse, sikkerhed, styring eller kundernes accept. Det gør dem blot til en del af den almindelige vurdering af AI-modeller i virksomheder.

Forretningsideen i at eje mere af teknologistakken

For en juridisk platform, der håndterer værdifulde professionelle arbejdsgange, kan modeløkonomien få direkte betydning for både marginer og produktdesign. API’er til eksterne frontier-modeller tager typisk betaling efter forbrug, så omkostningerne stiger, når kunderne behandler flere lange dokumenter, kører flere agenttrin eller bruger længerevarende ræsonnement. En intern model kan gøre det muligt for Harvey at sende egnede opgaver gennem infrastruktur, som virksomheden selv kontrollerer, i stedet for at sende alle opgaver til en tredjepartsmodel.

Åbne vægte gør dog ikke inferens gratis. Harvey skal stadig betale for computerkapacitet, databehandling, kvalitetskontrol, sikkerhedssystemer og ingeniører, der vedligeholder modellen. Virksomheden siger imidlertid, at eftertræningen også fremmede mere effektiv brug af værktøjer og ræsonnement, hvilket kan begrænse antallet af tokens, der bruges, når modellen kører.

Det kan føre til en praktisk arbejdsdeling: Dyre generalistmodeller kan fortsat være bedst til de vanskeligste eller mest åbne spørgsmål, mens en specialiseret model håndterer gentagne juridiske opgaver i stort volumen til lavere driftsomkostninger. Om det reelt giver en bedre forretning, afhænger af Tenets faktiske præcision, svartid, udnyttelsesgrad og krav til infrastruktur – ikke kun af prisen på modellens vægte.

Hvad ændrer det ved Harveys produktstrategi?

Harvey har positioneret sig som en branchespecifik AI-platform til advokatfirmaer og juridiske teams i virksomheder. På sin hjemmeside skriver virksomheden, at mere end 2.400 juridiske organisationer bruger platformen, og Harvey har beskrevet udrulninger hos både advokatfirmaer og interne juridiske afdelinger.

Den kundebase giver Harvey en klar grund til at kontrollere mere af teknologien bag det brugerrettede produkt. Juridiske kunder har brug for ensartet adfærd, sikkerhed, sporbarhed og stabil ydeevne i arbejdsgange som kontraktanalyse, due diligence, compliance og retssager.

Tenet kan derfor blive fundamentet for en mere integreret platform, hvor Harvey kontrollerer modellen, orkestreringen af AI-agenter, konteksten for den enkelte sag og de specialiserede arbejdsgange. Det kan også gøre fremtidig tilpasning lettere, hvis virksomheden senere giver kunder mulighed for at tilpasse modeller til deres egen institutionelle viden. Den mulighed er blevet omtalt, men bør ses som en fremtidig retning og ikke som en bekræftet funktion ved lanceringen.

Den bredere lektie for vertical AI

Tenets vigtigste betydning er strategisk snarere end teknisk: Specialiserede AI-virksomheder behøver ikke nødvendigvis træne frontier-modeller fra bunden for at få betydelig kontrol over deres produkter.

En virksomhed inden for vertical AI kan i stedet kombinere fire byggesten:

• en generalistmodel med åbne vægte som udgangspunkt;
• egne data eller data skabt af fageksperter;
• eftertræning målrettet branchens arbejdsgange; og
• produktkontrol over agenter, kontekst, evaluering og implementering.

Tilgangen kan skabe en tydelig forskel uden at kræve den kapital og infrastruktur, der skal til for at konkurrere direkte med de største udviklere af grundmodeller. Den gør samtidig applikationsvirksomheden ansvarlig for mere af det vanskelige arbejde: at dokumentere pålidelighed, beskytte følsomme oplysninger, overvåge fejl og vise, at bedre benchmarkresultater også giver nyttige resultater i praksis.

For Harvey er Tenet derfor både en modellancering og en prøve på, hvor langt vertikal integration kan bringe virksomheden. Harvey satser på, at juridisk ekspertise og data om arbejdsgange kan forvandle en open-weight-grundmodel til et kommercielt værdifuldt system – og at ejerskab over den specialiserede model vil give bedre kontrol over omkostninger og produktets ydeevne. De foreliggende oplysninger understøtter det strategiske skifte; hvor stor den praktiske fordel bliver, vil afhænge af uafhængige evalueringer og af, hvordan Tenet klarer sig i konkret juridisk arbejde.