Harvey Tenet: Der Schritt vom gemieteten KI-Modell zur eigenen Rechtsintelligenz

Harvey Tenet ist mehr als ein neuer Rechts-Chatbot. Das Modell ist Harveys erster eigener Modellbaustein: Der Legal-AI-Anbieter hat Moonshot AIs Open-Weight-Modell Kimi K3 für langwierige juristische Aufgaben nachtrainiert. Damit verschiebt sich Harvey von der reinen Anpassung fremder Basismodelle hin zu mehr Kontrolle über die Modellschicht – und möglicherweise auch über Kosten und Verhalten der KI in der eigenen Plattform.

Der Fall zeigt zugleich, wie vertikale KI funktioniert: Ein leistungsfähiges allgemeines Modell wird mit branchenspezifischen Daten, Arbeitsabläufen und Bewertungsmethoden für einen professionellen Anwendungsbereich präzisiert. Die stärksten Leistungsversprechen zu Tenet stammen allerdings von Harvey selbst. Unabhängige Tests und belastbare Ergebnisse aus dem breiten Praxiseinsatz stehen noch aus.

Was Harvey Tenet ist

Harvey bezeichnet Tenet als sein erstes Modell, das speziell für juristische Arbeit nachtrainiert wurde. Grundlage ist Kimi K3, ein Open-Weight-Modell des chinesischen KI-Unternehmens Moonshot AI, das hinter dem Dienst Kimi steht. Beim Nachtraining arbeitete Harvey mit Fireworks AI zusammen.

„Nachtraining“ bedeutet, ein Modell nach dem anfänglichen Foundation-Training weiterzuentwickeln, statt ein völlig neues Basismodell von Grund auf zu erstellen. Nach Angaben von Harvey kamen öffentlich verfügbare juristische Daten, synthetische Daten und Daten menschlicher Experten zum Einsatz. Letztere sollten längere, komplexe juristische Aufgaben nachbilden.

Tenet ist damit kein komplett neues Allzweckmodell. Es handelt sich um eine spezialisierte Version eines bestehenden Open-Weight-Modells – zugeschnitten auf Aufgaben wie Vertragsprüfung, Due-Diligence-Prüfungen und andere anspruchsvolle Rechts-Workflows.

Welche Leistung Harvey verspricht

Harvey zufolge erreicht Tenet Spitzenwerte im eigenen juristischen LAB-Benchmark und lässt sich auf externe juristische Benchmarks übertragen. In einem veröffentlichten Update berichtet das Unternehmen, Tenet habe im Vergleich zum unveränderten Kimi K3 fast doppelt so viele zurückgehaltene LAB-Aufgaben abgeschlossen und bei LAB-Vertragsaufgaben 20 Prozent mehr geschafft. Die „All-pass“-Rate sei dabei um 9 beziehungsweise 2 Prozentpunkte gestiegen.

Die Zahlen sprechen dafür, dass das Nachtraining die Ergebnisse des Basismodells in Harveys ausgewählten Tests deutlich verbessert hat. Sie belegen jedoch nicht automatisch, dass Tenet in der täglichen juristischen Praxis jedes Konkurrenzmodell übertrifft. Benchmark-Design, Aufgabenauswahl, Prompts, Bewertungsmethoden und Einsatzbedingungen können die Resultate erheblich beeinflussen.

Auch der Einführungsstatus war zum Zeitpunkt der Ankündigung nicht vollständig klar. Business Insider berichtete, Tenet sei zwar vorgestellt, aber noch nicht in Harvey aktiviert worden; einen konkreten Starttermin nannte das Unternehmen nicht. Unabhängige Tests im Produktivbetrieb werden daher ein wichtiger nächster Prüfstein sein.

Warum die Basis Kimi K3 bemerkenswert ist

Harveys Entscheidung für Kimi K3 fällt auf, weil das Unternehmen enge Beziehungen zu westlichen KI-Anbietern pflegt und zuvor unter anderem mit OpenAI an einem speziell trainierten Rechtsmodell gearbeitet hat. Legal-AI-Plattformen nutzen häufig geschlossene Systeme von Anbietern wie OpenAI und Anthropic. Sie zahlen für den Zugriff und hängen dabei von deren Preisen, Infrastruktur und Veröffentlichungsplänen ab.

Ein Open-Weight-Modell verschafft Harvey mehr Spielraum bei Anpassung und Bereitstellung. Das Unternehmen kann selbst entscheiden, wie es das Modell nachtrainiert, für welche Arbeitslasten es optimiert wird und welche juristischen Aufgaben darauf laufen. Im Gegenzug übernimmt Harvey mehr Verantwortung für Infrastruktur, Sicherheit, Qualitätssicherung, Wartung und den laufenden Modellbetrieb – Kosten, die bei der Nutzung externer APIs teilweise beim Anbieter liegen.

Die Wahl zeigt außerdem eine pragmatische Entwicklung im KI-Markt. Für kommerzielle Nutzer wird die Herkunft eines Modells möglicherweise weniger entscheidend, wenn ein Open-Weight-System eine starke Ausgangsbasis bietet, technisch und rechtlich angepasst werden kann und wirtschaftlich attraktiv ist. Fragen zu Herkunft, Sicherheit, Governance und Akzeptanz bei Kunden verschwinden dadurch nicht. Sie werden vielmehr zu einem festen Bestandteil der Modellprüfung in Unternehmen.

Der geschäftliche Grund für mehr Kontrolle über den Stack

Für eine Plattform, die hochwertige professionelle Rechtsarbeit unterstützt, wirken sich die Kosten des Modells direkt auf Margen und Produktdesign aus. Anbieter fortschrittlicher externer Modelle rechnen typischerweise nach Nutzung ab. Je mehr lange Dokumente, Agentenschritte und komplexe Denkaufgaben Kunden ausführen, desto stärker steigen die Kosten. Ein eigenes Modell kann Harvey ermöglichen, geeignete Aufgaben über eine selbst kontrollierte Infrastruktur abzuwickeln, anstatt jede Anfrage an ein Drittanbietermodell weiterzuleiten.

Open Weights machen die Inferenz nicht kostenlos. Harvey benötigt weiterhin Rechenkapazität, Datenaufbereitung, Qualitätskontrollen, Sicherheitssysteme und Entwickler, die das Modell betreiben und pflegen. Das Unternehmen erklärt jedoch, dass das Nachtraining auch eine effizientere Nutzung von Tools und Schlussfolgerungen fördern sollte. Dadurch könnte die Zahl der bei der Inferenz benötigten Tokens sinken.

Daraus ergibt sich ein mögliches Arbeitsteilungsmodell: Für besonders schwierige oder völlig offene Fragen bleiben teure allgemeine Spitzenmodelle sinnvoll. Ein spezialisiertes Modell könnte dagegen wiederholbare, volumenstarke Rechtsaufgaben zu niedrigeren laufenden Kosten übernehmen. Ob diese Rechnung aufgeht, hängt von Tenets tatsächlicher Genauigkeit, Latenz, Auslastung und dem benötigten Rechenaufwand ab – nicht allein vom Preis der zugrunde liegenden Modellgewichte.

Was sich an Harveys Produktstrategie ändern könnte

Harvey positioniert sich als branchenspezifische KI für Kanzleien und Rechtsabteilungen. Auf seiner Website gibt das Unternehmen an, dass mehr als 2.400 juristische Organisationen die Plattform nutzen. Außerdem beschreibt Harvey Einsätze in Kanzleien und internen Rechtsabteilungen.

Diese Kundenbasis liefert einen guten Grund, mehr Kontrolle über die Technologie unterhalb des sichtbaren Produkts zu gewinnen. Juristische Kunden benötigen konsistentes Verhalten, Sicherheit, Nachvollziehbarkeit und verlässliche Ergebnisse in Bereichen wie Vertragsanalyse, Due Diligence, Compliance und Prozessarbeit.

Tenet könnte deshalb zum Kern einer stärker integrierten Plattform werden, in der Harvey Modell, Agentensteuerung, Fallkontext und spezialisierte Workflows enger miteinander verbindet. Auch künftige Anpassungen an das institutionelle Wissen einzelner Kunden könnten dadurch leichter werden. Dass Kanzleien später eigene Modelle auf Basis ihres Wissens anpassen könnten, wurde berichtet, sollte zum Start aber als mögliche Zukunftsperspektive und nicht als bestätigte Funktion verstanden werden.

Die größere Lehre für vertikale KI

Die wichtigste Bedeutung von Tenet ist strategischer, nicht technischer Natur: Spezialisierte KI-Unternehmen müssen offenbar kein Frontier-Modell von Grund auf trainieren, um mehr Kontrolle über ihr Produkt zu gewinnen.

Ein Anbieter für vertikale KI kann stattdessen vier Bausteine kombinieren:

• ein allgemeines Open-Weight-Modell als Ausgangspunkt;
• eigene oder von Experten erstellte Fachdaten;
• ein auf die Arbeitsabläufe der Branche ausgerichtetes Nachtraining; und
• Produktkontrollen für Agenten, Kontext, Bewertung und Bereitstellung.

So kann ein Unternehmen sich differenzieren, ohne das Kapital und die Infrastruktur der größten Foundation-Model-Anbieter aufbringen zu müssen. Gleichzeitig übernimmt es mehr der schwierigen Aufgaben: Zuverlässigkeit nachzuweisen, vertrauliche Daten zu schützen, Fehler zu überwachen und zu zeigen, dass bessere Benchmark-Werte tatsächlich zu besseren Ergebnissen im Arbeitsalltag führen.

Für Harvey ist Tenet daher sowohl ein Modellstart als auch ein Test vertikaler Integration. Das Unternehmen setzt darauf, dass juristische Expertise und Workflow-Daten aus einer offenen Modellbasis ein wirtschaftlich wertvolles System machen. Ob der eigene Modellbaustein tatsächlich Kosten senkt und die Produktleistung verbessert, werden unabhängige Bewertungen und der Einsatz in realer juristischer Arbeit zeigen.