Harvey apuesta por Kimi K3 para dejar de depender de modelos de IA de terceros

La decisión de Harvey de construir Harvey Tenet respondió a dos necesidades muy concretas: mejorar el rendimiento de su IA jurídica en trabajos que se desarrollan durante horas o días y tener más control sobre el coste y el comportamiento de los modelos que utiliza. En vez de entrenar un modelo fundacional desde cero, la empresa tomó como base los pesos abiertos de Kimi K3, de la compañía china Moonshot AI, y lo adaptó con datos legales y evaluaciones realizadas por abogados.

El problema que Harvey quería resolver

Muchas tareas jurídicas no se parecen a una conversación breve de pregunta y respuesta. Revisar contratos, hacer due diligence —la investigación previa a una operación—, analizar pruebas o preparar apoyo para un litigio exige conservar el contexto, tomar decisiones en varios pasos y trabajar con grandes colecciones de documentos.

Tenet fue diseñado para esos flujos de trabajo de largo recorrido y carácter agéntico: procesos en los que el sistema debe planificar, ejecutar acciones y revisar sus propios resultados durante periodos prolongados.

También había una razón económica. Hasta ahora, Harvey dependía en buena medida de modelos fundacionales de terceros y dirigía cada tarea a sistemas de proveedores como Anthropic, OpenAI y Google. Contar con un modelo especializado le ofrece otra vía para mejorar el rendimiento en sus trabajos principales y reducir su dependencia de las API externas.

Cómo entrenó Harvey a Tenet

Tenet no es un nuevo modelo generalista entrenado desde cero. Es un modelo especializado creado a partir de una base ya existente —según los informes, Kimi K3— a la que se aplicó formación adicional para reforzar el razonamiento jurídico.

El proceso descrito combinó:

• material jurídico disponible públicamente;
• tareas legales sintéticas y disputas simuladas;
• expedientes de casos ficticios y escenarios de negociación contractual; y
• ejemplos creados, revisados o calificados por abogados y otros expertos legales.

La participación de profesionales es especialmente relevante. La experiencia jurídica no consiste solo en reunir documentos: también implica valorar si una interpretación, una estrategia de negociación o un análisis de varios pasos es sólido. Al crear escenarios y evaluar las respuestas del modelo, los abogados aportan datos de entrenamiento y de validación más próximos a los estándares del trabajo jurídico real.

Qué rendimiento atribuye Harvey a Tenet

Harvey describe Tenet como un modelo con un rendimiento de “nivel frontera” en importantes pruebas jurídicas y afirma que se sitúa a la altura de los principales modelos generales en los trabajos relevantes.

En su actualización técnica, la empresa afirma que Tenet completó casi el doble de tareas reservadas del Legal Agent Benchmark (LAB) que el modelo base Kimi K3 y un 20 % más de tareas en LAB Contracts. También comunicó aumentos de 9 y 2 puntos porcentuales, respectivamente, en las tasas de aprobación total de LAB y LAB Contracts.

Otro anuncio de la compañía presenta esas mejoras como incrementos relativos del 82 % en LAB y del 22 % en LAB Contracts, y señala que Tenet ocupó el primer puesto en LAB Contracts y el segundo en la clasificación general de LAB.

Estas cifras deben interpretarse como resultados comunicados por Harvey en pruebas comparativas, no como una demostración de que Tenet sea universalmente más preciso que los modelos cerrados o fiable para cualquier jurisdicción y asunto legal. La evidencia disponible procede principalmente del anuncio de la empresa y de informaciones basadas en él; aquí no queda establecida una validación independiente de su precisión en situaciones jurídicas reales.

De integrar modelos a controlar la capa del modelo

Antes de Tenet, la estrategia de Harvey estaba centrada sobre todo en la aplicación. La compañía podía personalizar instrucciones, diseñar flujos de trabajo y dirigir cada solicitud al modelo adecuado, mientras utilizaba sistemas propietarios proporcionados por empresas externas. Ese enfoque permite acceder a modelos potentes sin construir ni operar toda la infraestructura necesaria para desarrollarlos.

Tenet cambia el lugar que ocupa el modelo dentro de la tecnología de Harvey:

• Antes: coordinar o personalizar modelos cerrados mediante proveedores externos.
• Ahora: partir de pesos publicados, entrenarlos de nuevo con tareas legales y utilizar el modelo especializado dentro del propio producto.

La diferencia no es únicamente técnica. Tener acceso a los pesos permite a Harvey ajustar el sistema con sus propios datos, evaluaciones y flujos de trabajo. También le da mayor margen para decidir cómo servirlo y optimizarlo, en lugar de pagar a un proveedor por cada solicitud enviada a una API cerrada.

Qué significa “postentrenamiento”

El postentrenamiento es la formación adicional que recibe un modelo después de completar su entrenamiento general inicial. En lugar de enseñar desde cero las capacidades lingüísticas básicas, los desarrolladores utilizan ejemplos seleccionados, comentarios de expertos, tareas sintéticas y evaluaciones basadas en resultados para reforzar habilidades o comportamientos concretos.

En el caso de Tenet, el objetivo era mejorar el razonamiento jurídico en tareas prolongadas. Según Harvey, el proceso utilizó datos sintéticos, material legal público y aportaciones de expertos humanos, y después midió los resultados con tareas reservadas que el modelo no había visto durante el entrenamiento.

Para una empresa de IA vertical —es decir, especializada en un sector concreto— este método puede ser más eficiente que crear un nuevo modelo de frontera. El modelo base ya aporta capacidades generales de lenguaje y razonamiento; el postentrenamiento concentra el esfuerzo adicional en los procesos que realmente utilizan sus clientes.

Por qué los pesos abiertos pueden ayudar a reducir costes

Un modelo de pesos abiertos pone a disposición los parámetros numéricos que permiten ejecutarlo y modificarlo. Eso lo diferencia de un modelo cerrado, al que normalmente se accede solo a través de una API controlada por su proveedor. Los pesos publicados de Kimi K3 dieron a Harvey una base que podía adaptar directamente al trabajo jurídico.

Ese control puede favorecer una precisión más específica. La empresa puede entrenar y evaluar repetidamente el modelo con los documentos, secuencias de tareas y criterios de calidad que importan a su sector o a sus clientes. Esto no garantiza que el resultado sea mejor que un modelo cerrado, pero sí proporciona más libertad para optimizarlo para un caso de uso concreto.

Los pesos abiertos también pueden cambiar la economía de la inferencia, es decir, el coste de ejecutar el modelo para generar respuestas. Una empresa puede elegir su propio hardware, software de servicio y técnicas de optimización, en lugar de pagar a un proveedor cerrado por cada token procesado. Sin embargo, “abierto” no significa “gratis”: siguen siendo necesarios capacidad de cómputo, hardware, ingeniería, seguridad y mantenimiento.

En agentes jurídicos que procesan grandes volúmenes de documentos o trabajan durante periodos prolongados, reducir el coste de cada operación puede facilitar la oferta comercial de procesos continuos y de varios pasos. Esa es la lógica empresarial de combinar una base potente con un postentrenamiento especializado.

Qué revela el giro de Harvey sobre el mercado de IA

El movimiento de Harvey es un ejemplo destacado de un cambio más amplio en la IA vertical. Las empresas de aplicaciones no tienen por qué ganar entrenando el modelo generalista más grande. También pueden competir mediante datos especializados, supervisión de expertos, evaluaciones propias, diseño de flujos de trabajo, despliegue y confianza del cliente.

La elección de Kimi K3 tiene además una dimensión estratégica. Muestra que una empresa occidental puede utilizar un modelo chino de pesos abiertos como infraestructura tecnológica, incluso mientras los grandes laboratorios de IA compiten en un contexto comercial y geopolítico más amplio. La decisión no demuestra que los modelos chinos sean superiores en todos los escenarios. Indica que, para un producto empresarial muy concreto, la disponibilidad abierta, la capacidad de personalización y unos costes potencialmente menores pueden ser más importantes que la posición de un modelo en las pruebas generales.

La cautela es igual de importante: los pesos abiertos transfieren el control, pero no eliminan los costes ni los riesgos. Las empresas siguen necesitando infraestructura para ejecutar el sistema, experiencia para evaluarlo y medidas de protección para los datos legales sensibles. Por eso, Tenet representa menos un rechazo de los modelos cerrados que una apuesta por una idea cada vez más viable: que las compañías de software empresarial pueden beneficiarse de poseer y especializar su propia capa de modelos.