Harvey Tenet marca el paso de alquilar modelos de IA a controlar la inteligencia jurídica

El «postentrenamiento» consiste en mejorar un modelo después de su entrenamiento fundacional, en lugar de crear desde cero un nuevo modelo generalista. En el caso de Tenet, Harvey afirma que utilizó datos jurídicos disponibles públicamente, datos sintéticos y datos elaborados por expertos humanos para simular tareas legales prolongadas.

La diferencia es importante: Tenet no se presenta como un modelo general completamente nuevo, sino como una versión especializada de una base de pesos abiertos ya existente. Su objetivo son trabajos como la revisión de contratos, la due diligence —revisión legal y financiera previa a una operación— y otros procesos jurídicos complejos.

Qué afirma Harvey sobre su rendimiento

Harvey asegura que Tenet alcanza un rendimiento de vanguardia en su benchmark jurídico LAB y que también generaliza a benchmarks legales de terceros. En una actualización publicada por la compañía, el modelo completó casi el doble de tareas reservadas de LAB que el Kimi K3 de base y un 20 % más de tareas contractuales de LAB. La empresa también comunicó mejoras de 9 y 2 puntos porcentuales, respectivamente, en las tasas de aprobación total.

Las cifras sugieren que el postentrenamiento mejoró de forma significativa el modelo base en las evaluaciones seleccionadas por Harvey. Sin embargo, por sí solas no demuestran que Tenet sea superior a todos los modelos competidores en la práctica jurídica. El diseño del benchmark, la selección de tareas, la forma de redactar las instrucciones, los métodos de evaluación y las condiciones de uso pueden influir en los resultados.

La información disponible también indica que el estado del despliegue de Tenet no estaba completamente claro cuando se anunció. Business Insider informó de que el modelo había sido presentado, pero todavía no estaba activo dentro de Harvey y la compañía no había precisado cuándo estaría disponible. Por eso, las pruebas independientes en producción serán un paso especialmente relevante.

Por qué importa que la base sea Kimi K3

La elección de Kimi K3 resulta llamativa porque Harvey mantiene vínculos sólidos con proveedores occidentales de IA y anteriormente colaboró con OpenAI en un modelo jurídico entrenado a medida. En términos más generales, las plataformas de IA legal han dependido de sistemas cerrados de empresas como OpenAI y Anthropic, pagando por el acceso y quedando sujetas a sus calendarios de lanzamiento, precios e infraestructura.

Trabajar con una base de pesos abiertos da a Harvey más margen para modificar y desplegar el modelo. La compañía puede decidir cómo postentrenarlo, cómo optimizarlo para determinadas cargas de trabajo y qué tipo de tareas jurídicas asignar a cada sistema. El coste es que Harvey asume una mayor responsabilidad sobre la infraestructura, la seguridad, la evaluación, el mantenimiento y las operaciones del modelo: gastos que, en buena medida, recaen en los proveedores externos cuando una empresa utiliza sus API.

La decisión también refleja un cambio pragmático en el desarrollo de IA. El país de origen de un modelo puede pesar menos para algunos clientes empresariales si un sistema de pesos abiertos ofrece una base suficientemente potente, puede adaptarse legal y técnicamente y presenta una economía favorable. Eso no elimina las dudas sobre procedencia, seguridad, gobernanza o aceptación por parte de los clientes; las convierte en elementos centrales de la evaluación empresarial del modelo.

El argumento empresarial: controlar una parte mayor de la tecnología

Para una plataforma jurídica que gestiona procesos profesionales de alto valor, la economía del modelo puede afectar directamente a los márgenes y al diseño del producto. Las API de los modelos avanzados externos suelen cobrar según el uso, de modo que los costes aumentan cuando los clientes procesan documentos más largos, ejecutan más pasos de agentes o solicitan razonamientos prolongados. Un modelo propio permitiría a Harvey dirigir determinadas tareas hacia una infraestructura bajo su control, en lugar de enviar cada consulta a un sistema de terceros.

Los pesos abiertos no hacen gratuita la inferencia. Harvey sigue necesitando capacidad informática, preparación de datos, controles de calidad, sistemas de seguridad y personal técnico para mantener el modelo. No obstante, la compañía afirma que su postentrenamiento también incentivó un uso más eficiente de las herramientas y del razonamiento, lo que podría reducir la cantidad de tokens consumidos durante la inferencia.

De ahí puede surgir una división de trabajo útil: los modelos generalistas más costosos seguirían siendo adecuados para las preguntas más difíciles o abiertas, mientras que un modelo especializado se ocuparía de tareas jurídicas repetibles y de gran volumen con un coste operativo menor. Que esa fórmula produzca realmente mejores resultados económicos dependerá de la precisión, la latencia, el nivel de utilización y las necesidades de infraestructura de Tenet, no solo del precio de sus pesos.

Qué cambia en la estrategia de producto de Harvey

Harvey se ha posicionado como una plataforma de IA especializada para despachos y equipos jurídicos internos. Su sitio web afirma que más de 2.400 organizaciones legales utilizan el servicio, mientras que la empresa ha descrito despliegues en despachos y departamentos jurídicos internos.

Esa base de clientes ofrece a Harvey un incentivo para controlar una parte mayor de la tecnología que opera bajo su producto. Los clientes jurídicos necesitan un comportamiento coherente, seguridad, trazabilidad y un rendimiento estable en procesos como el análisis de contratos, la due diligence, el cumplimiento normativo y los litigios.

Tenet podría convertirse así en una pieza central de una plataforma más integrada, en la que Harvey controle el modelo, la coordinación de agentes, el contexto de cada asunto y los flujos de trabajo especializados. También podría facilitar futuras personalizaciones si la compañía permite adaptar los modelos al conocimiento institucional de cada cliente. Esa posibilidad ha sido mencionada en informaciones sobre el lanzamiento, pero debe considerarse una dirección futura, no una capacidad confirmada desde el inicio.

La lección para la IA vertical

La principal implicación de Tenet es estratégica, más que puramente técnica: las empresas de IA especializada no necesitan entrenar desde cero modelos de frontera para obtener un control significativo sobre sus productos.

Una compañía de IA vertical puede combinar cuatro elementos:

• un modelo general de pesos abiertos como punto de partida;
• datos propios o elaborados por expertos del sector;
• postentrenamiento dirigido a los flujos de trabajo de esa industria; y
• controles de producto sobre agentes, contexto, evaluación y despliegue.

Este enfoque permite diferenciarse sin asumir el capital y la infraestructura necesarios para competir directamente con los mayores desarrolladores de modelos fundacionales. También hace que la empresa de aplicaciones sea responsable de una mayor parte del trabajo difícil: demostrar la fiabilidad, proteger los datos sensibles, vigilar los fallos y probar que las mejoras en los benchmarks se traducen en resultados útiles.

Para Harvey, Tenet es por tanto un lanzamiento de modelo y, al mismo tiempo, una prueba de integración vertical. La compañía apuesta a que su conocimiento jurídico y sus datos sobre flujos de trabajo pueden convertir una base de pesos abiertos en un sistema comercialmente valioso, y a que poseer ese modelo especializado mejorará su control sobre los costes y el rendimiento del producto. La evidencia disponible respalda el giro estratégico; la magnitud de la ventaja práctica dependerá de las evaluaciones independientes y de cómo funcione Tenet en el trabajo jurídico real.