Warum Harvey für Tenet auf Chinas Kimi K3 setzt, statt KI-Modelle zu mieten

Harvey verfolgt mit Harvey Tenet zwei konkrete Ziele: Die Rechts-KI soll Aufgaben bewältigen, die sich über Stunden oder Tage erstrecken, und das Unternehmen will mehr Kontrolle über Kosten und Verhalten der zugrunde liegenden Modelle gewinnen. Dafür trainierte Harvey kein neues Basismodell von Grund auf, sondern passte Moonshot AIs offengewichtiges Modell Kimi K3 mit juristischen Daten und dem Feedback von Anwälten an.

Das Problem: Juristische Arbeit ist selten nur eine Frage-und-Antwort-Aufgabe

Vertragsprüfungen, Due-Diligence-Prüfungen, Beweisanalysen und Unterstützung in Gerichtsverfahren erfordern oft deutlich mehr als eine einzelne Antwort. Ein KI-System muss Zusammenhänge über viele Dokumente hinweg bewahren, Entscheidungen in mehreren Schritten treffen und seine Arbeit über längere Zeit fortsetzen können. Genau für solche lang laufenden, agentischen Arbeitsabläufe wurde Tenet entwickelt.

Es gab auch einen wirtschaftlichen Grund für ein eigenes Modell. Bislang verteilte Harvey unterschiedliche Aufgaben auf Modelle externer Anbieter, darunter Anthropic, OpenAI und Google. Ein spezialisiertes Modell im eigenen Technologie-Stack kann die Leistung bei den wichtigsten Arbeitsabläufen verbessern und zugleich die Abhängigkeit von externen Modell-APIs verringern.

Wie Tenet entstanden ist

Tenet ist kein neues allgemeines Foundation-Modell, das von Grund auf trainiert wurde. Nach vorliegenden Berichten basiert es auf dem offenen Modell Kimi K3 des chinesischen KI-Unternehmens Moonshot AI, das Harvey anschließend für juristisches Schlussfolgern weitertrainierte.

Zum Trainingsmaterial gehörten laut den verfügbaren Angaben:

• öffentlich zugängliche juristische Inhalte,
• synthetisch erzeugte juristische Aufgaben und simulierte Streitfälle,
• nachgestellte Fallakten und Vertragsszenarien sowie
• Beispiele, die von Anwälten und anderen Rechtsexperten erstellt, geprüft oder bewertet wurden.

Gerade der letzte Punkt ist entscheidend. Juristische Expertise besteht nicht nur aus einer Sammlung von Dokumenten. Sie umfasst auch die Einschätzung, ob eine Auslegung, eine Verhandlungsstrategie oder eine mehrstufige Analyse tatsächlich sachgerecht ist. Wenn Anwälte Szenarien entwickeln und die Ausgaben des Modells bewerten, entstehen Trainings- und Testdaten, die sich stärker an den Qualitätsmaßstäben tatsächlicher Rechtsarbeit orientieren.

Welche Leistung Harvey für Tenet meldet

Harvey bezeichnet Tenet als Modell mit „Frontier-Level“-Leistung bei bekannten juristischen Benchmarks und erklärt, es liege bei den relevanten Aufgaben auf Augenhöhe mit führenden allgemeinen Modellen.

In einem technischen Update berichtet das Unternehmen, Tenet habe bei zurückgehaltenen Aufgaben des Legal Agent Benchmark beinahe doppelt so viele Aufgaben wie das Kimi-K3-Basismodell abgeschlossen. Beim LAB Contracts seien es 20 Prozent mehr Aufgaben gewesen. Harvey meldet außerdem eine Steigerung der sogenannten All-Pass-Rate um 9 Prozentpunkte beim LAB und um 2 Prozentpunkte bei LAB Contracts.

Eine separate Unternehmensmitteilung beschreibt die Zugewinne als relative Verbesserungen von 82 Prozent beim LAB und 22 Prozent bei LAB Contracts. Demnach belegte Tenet bei LAB Contracts den ersten und beim LAB insgesamt den zweiten Platz.

Diese Zahlen sind als Benchmark-Angaben von Harvey einzuordnen – nicht als Beleg dafür, dass Tenet geschlossenen Modellen generell überlegen oder für jede Rechtsordnung und jeden Fall zuverlässig ist. Die vorliegenden Nachweise stammen vor allem aus Harveys eigener Mitteilung und Berichten darüber; eine unabhängige Bestätigung der Genauigkeit im praktischen Rechtsalltag liegt hier nicht vor.

Vom Modell-Integrator zum Modellbesitzer

Vor Tenet lag Harveys Schwerpunkt vor allem auf der Anwendungsebene. Das Unternehmen passte Prompts, Arbeitsabläufe und die Modell-Auswahl an, während die eigentlichen proprietären Modelle von externen Anbietern bereitgestellt wurden. Dieser Ansatz bietet Zugriff auf leistungsfähige Systeme, ohne dass ein Unternehmen selbst eine vollständige Modell-Infrastruktur entwickeln und betreiben muss.

Mit Tenet verändert sich die Rolle des Modells innerhalb des Technologie-Stacks:

• Bisher: Geschlossene Modelle externer Anbieter orchestrieren und für bestimmte Aufgaben anpassen.
• Jetzt: Verfügbare Modellgewichte als Ausgangspunkt nehmen, sie mit juristischen Aufgaben weitertrainieren und das spezialisierte Ergebnis in das eigene Produkt integrieren.

Der Unterschied ist nicht nur technischer Natur. Durch den Zugriff auf die Modellgewichte kann Harvey das System gezielter mit eigenen Daten, Tests und Produktabläufen optimieren. Außerdem erhält das Unternehmen mehr Spielraum bei Infrastruktur und Bereitstellung, statt jede Anfrage über eine geschlossene API eines Modellanbieters abzurechnen.

Was „Post-Training“ bedeutet

Post-Training bezeichnet zusätzliches Training, das nach der ursprünglichen, breit angelegten Ausbildung eines Modells stattfindet. Statt allgemeine Sprach- und Grundfähigkeiten von null aufzubauen, nutzen Entwickler kuratierte Beispiele, Expertenfeedback, synthetische Aufgaben und ergebnisbasierte Tests, um bestimmte Fähigkeiten oder Verhaltensweisen zu verbessern.

Bei Tenet war das Ziel juristisches Schlussfolgern in lang laufenden Aufgaben. Harveys beschriebener Ansatz kombinierte synthetische, öffentliche und von Experten erstellte Daten. Anschließend wurde anhand zurückgehaltener Aufgaben geprüft, wie gut das Modell mit juristischen Szenarien umgeht.

Für ein Unternehmen, das sich auf eine bestimmte Branche konzentriert, kann dieser Weg effizienter sein als das Training eines völlig neuen Frontier-Modells. Das Basismodell liefert allgemeine Sprach- und Denkfähigkeiten; das Post-Training konzentriert zusätzliche Arbeit auf die Abläufe, die Kunden tatsächlich nutzen.

Warum offene Gewichte Spezialisierung und Kostenkontrolle erleichtern können

Bei einem Modell mit offenen Gewichten sind die numerischen Parameter verfügbar, sodass eine Organisation es selbst betreiben und verändern kann. Ein geschlossenes Modell wird dagegen in der Regel nur über eine vom Anbieter kontrollierte API genutzt. Die veröffentlichten Kimi-K3-Gewichte gaben Harvey somit eine direkte Grundlage für Anpassung und Bereitstellung im juristischen Bereich.

Das kann eine gezieltere Genauigkeit ermöglichen. Ein Unternehmen kann wiederholt mit den Dokumenten, Aufgabenfolgen und Qualitätskriterien trainieren und testen, die für die eigene Branche oder Kundschaft entscheidend sind. Bessere Ergebnisse sind dadurch nicht automatisch garantiert – die Organisation erhält aber mehr Freiheit, das Modell auf einen klar abgegrenzten praktischen Einsatz zu optimieren.

Auch die Wirtschaftlichkeit der Inferenz kann sich verändern. Harvey kann eigene Hardware, Bereitstellungssoftware und Optimierungsverfahren wählen, anstatt für jedes Token den Preis eines Anbieters geschlossener Modelle zu zahlen. Kostenlos ist der Betrieb deshalb nicht: Rechenleistung, Hardware, Entwicklung, Sicherheit und Wartung verursachen weiterhin erhebliche Kosten.

Für Rechtsagenten, die große Dokumentensammlungen verarbeiten oder über längere Zeit in mehreren Schritten arbeiten, kann ein niedrigerer Preis pro Vorgang kontinuierliche Arbeitsabläufe leichter finanzierbar machen. Darin liegt die geschäftliche Logik, ein leistungsfähiges Basismodell mit domänenspezifischem Post-Training zu kombinieren.

Was der Schritt über den KI-Markt aussagt

Harveys Entscheidung ist ein Beispiel für eine breitere Entwicklung bei Branchen-KI. Anbieter von Unternehmenssoftware müssen nicht zwingend gewinnen, indem sie das größte allgemeine Modell trainieren. Sie können sich auch über spezialisierte Daten, Expertenfeedback, eigene Tests, Arbeitsabläufe, Bereitstellung und das Vertrauen ihrer Kunden differenzieren.

Die Wahl von Kimi K3 ist dabei strategisch bemerkenswert. Sie zeigt, dass ein westliches Unternehmen ein chinesisches Modell mit offenen Gewichten als technische Grundlage einsetzen kann – selbst während die führenden KI-Labore in einem größeren geopolitischen und wirtschaftlichen Wettbewerb stehen. Das bedeutet nicht, dass chinesische Modelle allgemein überlegen sind. Für ein fokussiertes Unternehmensprodukt können offene Verfügbarkeit, Anpassbarkeit und potenziell niedrigere Betriebskosten jedoch wichtiger sein als ein Spitzenplatz bei allgemeinen Benchmarks.

Die Einschränkung ist ebenso wichtig: Offene Gewichte übertragen Kontrolle, nicht sämtliche Kosten und Risiken. Unternehmen benötigen weiterhin die Infrastruktur für den Betrieb, Fachwissen zur Bewertung und Schutzmaßnahmen für sensible juristische Daten. Tenet ist daher weniger eine Absage an geschlossene Modelle als eine Wette darauf, dass der Besitz eines spezialisierten Modells für Anbieter von Unternehmenssoftware zunehmend praktikabel und strategisch wertvoll wird.