Tapaus havainnollistaa myös niin sanottua vertikaalista tekoälyä: yleiskäyttöinen malli voidaan sovittaa tietyn toimialan tarpeisiin toimialakohtaisen datan, työnkulkujen ja arviointimenetelmien avulla. Tenetin parhaat suorituskykyväitteet ovat kuitenkin toistaiseksi Harveyn omia väitteitä. Niitä on syytä arvioida varauksella, kunnes riippumattomat testit ja laajempi käytännön näyttö ovat saatavilla.

Mikä Harvey Tenet on?

Harvey kuvaa Tenetiä ensimmäiseksi mallikseen, joka on jälkikoulutettu nimenomaan juridista työtä varten. Mallin pohjana on Moonshot AI:n Kimi K3, joka on kiinalaisen Kimi-palvelun taustalla olevan tekoäly-yhtiön kehittämä avoimilla painoilla julkaistu järjestelmä. Jälkikoulutuksessa Harvey teki yhteistyötä Fireworks AI:n kanssa.

Jälkikoulutuksella tarkoitetaan mallin kehittämistä sen alkuperäisen peruskoulutuksen jälkeen. Uutta yleiskäyttöistä perusmallia ei siis rakenneta alusta asti, vaan olemassa olevaa mallia muokataan tiettyyn käyttötarkoitukseen. Harveyn mukaan Tenetin koulutuksessa hyödynnettiin julkisesti saatavilla olevaa juridista dataa, synteettistä dataa sekä ihmisasiantuntijoiden tuottamaa dataa, jonka tarkoitus oli jäljitellä pitkäkestoisia lakitehtäviä.

Ero on olennainen. Tenet ei ole täysin uusi yleismalli, vaan olemassa olevaan avoimilla painoilla julkaistuun malliin perustuva erikoisversio. Sitä on muokattu esimerkiksi sopimusten tarkastamiseen, due diligence -selvityksiin ja muihin monimutkaisiin juridisiin työnkulkuihin.

Mitä Harvey väittää suorituskyvystä?

Harvey kertoo Tenetin yltävän LAB-lakibenchmarkissa alan parhaalle tasolle ja toimivan hyvin myös ulkopuolisten tahojen juridisissa testeissä. Yhtiön julkaisemassa päivityksessä Tenetin kerrotaan suorittaneen lähes kaksi kertaa enemmän LAB-testin pidätettyjä tehtäviä kuin pohjana ollut Kimi K3. LAB Contracts -osiossa tehtäviä valmistui 20 prosenttia enemmän. Lisäksi kaikissa tehtävissä hyväksytyn suorituksen osuus kasvoi vastaavasti 9 ja 2 prosenttiyksikköä.

Luvut viittaavat siihen, että jälkikoulutus paransi Kimi K3:n tuloksia merkittävästi Harveyn valitsemissa arvioinneissa. Ne eivät kuitenkaan yksin osoita, että Tenet olisi kaikissa tilanteissa kilpailijoitaan parempi tai että se toimisi paremmin todellisessa lakityössä. Tuloksiin voivat vaikuttaa muun muassa benchmarkin rakenne, tehtävien valinta, kehotteet, arviointitapa ja käyttöympäristö.

Myös mallin saatavuus ja käyttöönoton aikataulu jäivät julkistuksen yhteydessä osin epäselviksi. Business Insiderin mukaan Tenet oli esitelty, mutta se ei vielä ollut käytössä Harvey-alustalla, eikä yhtiö ilmoittanut tarkkaa julkaisuajankohtaa. Siksi riippumaton tuotantokäytön arviointi on tärkeä seuraava askel.

Miksi Kimi K3:n valinta on merkittävä?

Harveyn ratkaisu on huomionarvoinen, sillä yhtiöllä on läheiset suhteet länsimaisiin tekoälytoimittajiin. Se on aiemmin tehnyt OpenAI:n kanssa yhteistyötä lakityöhön mukautetun mallin rakentamisessa. Lakialan tekoälyalustat ovat laajemmin tukeutuneet esimerkiksi OpenAI:n ja Anthropicin suljettuihin järjestelmiin, jolloin ne maksavat käyttöoikeudesta ja ovat riippuvaisia toimittajien julkaisuista, hinnoittelusta ja infrastruktuurista.

Avoimilla painoilla julkaistu pohjamalli antaa Harveylle enemmän vapautta mallin muokkaamiseen ja käyttöönottoon. Yhtiö voi itse päättää, miten malli jälkikoulutetaan, mille työkuormille se optimoidaan ja millaisia juridisia tehtäviä sillä käsitellään. Vastineeksi Harvey ottaa suuremman vastuun infrastruktuurista, tietoturvasta, arvioinnista, ylläpidosta ja mallin operoinnista – tehtävistä, jotka ulkopuoliset palveluntarjoajat osittain hoitavat API-rajapintojen kautta käytettäessä.

Valinta kuvaa myös käytännöllisempää suuntaa tekoälyn kehityksessä. Mallin alkuperämaa ei välttämättä ratkaise kaupallista käyttöä, jos avoin malli tarjoaa vahvan lähtökohdan, jota voidaan teknisesti ja oikeudellisesti mukauttaa ja joka tuottaa suotuisan kustannusrakenteen. Tämä ei poista kysymyksiä mallin alkuperästä, tietoturvasta, hallinnasta tai asiakkaiden hyväksynnästä. Se tekee niistä osan yritysten mallien huolellista ennakkoarviointia.

Oman mallin liiketoimintaperuste

Lakialan alustalle mallien kustannukset voivat vaikuttaa suoraan katteisiin ja tuotteen rakenteeseen. Ulkopuoliset edistyneet mallirajapinnat veloittavat yleensä käytön perusteella, joten kustannukset kasvavat, kun asiakkaat käsittelevät pitkiä asiakirjoja, suorittavat useita agenttivaiheita tai käyttävät pitkää päättelyä. Oma malli voisi auttaa Harveyta ohjaamaan sopivat tehtävät hallitsemalleen infrastruktuurille sen sijaan, että jokainen työ lähetettäisiin kolmannen osapuolen malliin.

Avoimet painot eivät tee päättelystä ilmaista. Harvey tarvitsee edelleen laskentakapasiteettia, datan valmistelua, laadunvalvontaa, tietoturvajärjestelmiä ja insinöörejä mallin ylläpitoon. Yhtiön mukaan jälkikoulutuksessa painotettiin myös työkalujen ja päättelyn tehokkaampaa käyttöä, mikä voi vähentää mallin käsittelemien tokenien eli tekstiyksiköiden määrää käytön aikana.

Mahdollinen lopputulos on työnjako: kalliit yleismallit sopivat vaikeimpiin ja avoimimpiin kysymyksiin, kun taas erikoistunut malli hoitaa toistuvaa ja suurivolyymista lakityötä pienemmin käyttökustannuksin. Toteutuvat hyödyt riippuvat kuitenkin Tenetin todellisesta tarkkuudesta, viiveestä, käyttöasteesta ja infrastruktuurivaatimuksista – eivät vain mallin painojen hinnasta.

Miten Tenet voi muuttaa Harveyn tuotetta?

Harvey on asemoinut itsensä lakitoimistoille ja yritysten lakiosastoille suunnatuksi toimialakohtaiseksi tekoälyksi. Yhtiön verkkosivujen mukaan alustaa käyttää yli 2 400 juridista organisaatiota, ja Harvey on kertonut asiakaskunnassaan olevan sekä kansainvälisiä asianajotoimistoja että yritysten omia lakitiimejä.

Laaja asiakaskunta antaa Harveylle syyn hallita suurempaa osaa käyttäjälle näkyvän tuotteen taustalla olevasta teknologiasta. Juridiset asiakkaat tarvitsevat johdonmukaista toimintaa, tietoturvaa, jäljitettävyyttä ja luotettavaa suorituskykyä esimerkiksi sopimusanalyysissä, due diligence -selvityksissä, vaatimustenmukaisuuden arvioinnissa ja riita-asioissa.

Tenetistä voi näin tulla perusta yhtenäisemmälle alustalle, jossa Harvey hallitsee mallin lisäksi agenttien orkestrointia, toimeksiantojen kontekstia ja erikoistuneita työnkulkuja. Malli voisi myöhemmin helpottaa myös asiakaskohtaista mukauttamista, jos yritys antaa asiakkaiden kouluttaa järjestelmiä oman organisaationsa tiedolla. Tätä mahdollisuutta on raportoitu, mutta sitä ei pidä pitää varmistettuna julkaisun yhteydessä tarjottavana ominaisuutena.

Laajempi opetus toimialakohtaiselle tekoälylle

Tenetin tärkein merkitys on strateginen, ei pelkästään tekninen. Toimialakohtaista tekoälyä kehittävien yritysten ei välttämättä tarvitse kouluttaa omaa huippuluokan perusmallia alusta asti saadakseen tuotteensa hallintaansa.

Vertikaalisen tekoälyn yhtiö voi yhdistää neljä tekijää:

• avoimilla painoilla julkaistun yleismallin lähtökohdaksi;
• omaa tai asiantuntijoiden tuottamaa toimialadataa;
• toimialan työnkulkuihin kohdistetun jälkikoulutuksen; sekä
• tuotetason hallinnan agenteista, kontekstista, arvioinnista ja käyttöönotosta.

Näin yritys voi erottautua ilman suurimpien perusmallien kehittäjien vaatimaa pääomaa ja infrastruktuuria. Samalla sille jää enemmän vaikeaa työtä: sen on osoitettava järjestelmän luotettavuus, suojattava arkaluonteiset tiedot, seurattava virheitä ja näytettävä, että benchmark-tulokset muuttuvat käytännön hyödyiksi.

Harveylle Tenet onkin sekä uuden mallin julkaisu että testi vertikaalisesta integraatiosta. Yhtiö panostaa siihen, että lakialan asiantuntemus ja työnkulkudata muuttavat avoimilla painoilla julkaistun pohjamallin kaupallisesti arvokkaaksi järjestelmäksi – ja että oman erikoistuneen mallin hallinta parantaa kustannusten ja tuotteen suorituskyvyn kontrollia. Strateginen suunnanmuutos on lähteiden perusteella selvä, mutta käytännön hyöty ratkaistaan vasta riippumattomissa arvioinneissa ja todellisessa lakityössä.

Tapaus havainnollistaa myös niin sanottua vertikaalista tekoälyä: yleiskäyttöinen malli voidaan sovittaa tietyn toimialan tarpeisiin toimialakohtaisen datan, työnkulkujen ja arviointimenetelmien avulla. Tenetin parhaat suorituskykyväitteet ovat kuitenkin toistaiseksi Harveyn omia väitteitä. Niitä on syytä arvioida varauksella, kunnes riippumattomat testit ja laajempi käytännön näyttö ovat saatavilla.

Mikä Harvey Tenet on?

Harvey kuvaa Tenetiä ensimmäiseksi mallikseen, joka on jälkikoulutettu nimenomaan juridista työtä varten. Mallin pohjana on Moonshot AI:n Kimi K3, joka on kiinalaisen Kimi-palvelun taustalla olevan tekoäly-yhtiön kehittämä avoimilla painoilla julkaistu järjestelmä. Jälkikoulutuksessa Harvey teki yhteistyötä Fireworks AI:n kanssa.

Jälkikoulutuksella tarkoitetaan mallin kehittämistä sen alkuperäisen peruskoulutuksen jälkeen. Uutta yleiskäyttöistä perusmallia ei siis rakenneta alusta asti, vaan olemassa olevaa mallia muokataan tiettyyn käyttötarkoitukseen. Harveyn mukaan Tenetin koulutuksessa hyödynnettiin julkisesti saatavilla olevaa juridista dataa, synteettistä dataa sekä ihmisasiantuntijoiden tuottamaa dataa, jonka tarkoitus oli jäljitellä pitkäkestoisia lakitehtäviä.

Ero on olennainen. Tenet ei ole täysin uusi yleismalli, vaan olemassa olevaan avoimilla painoilla julkaistuun malliin perustuva erikoisversio. Sitä on muokattu esimerkiksi sopimusten tarkastamiseen, due diligence -selvityksiin ja muihin monimutkaisiin juridisiin työnkulkuihin.

Mitä Harvey väittää suorituskyvystä?

Harvey kertoo Tenetin yltävän LAB-lakibenchmarkissa alan parhaalle tasolle ja toimivan hyvin myös ulkopuolisten tahojen juridisissa testeissä. Yhtiön julkaisemassa päivityksessä Tenetin kerrotaan suorittaneen lähes kaksi kertaa enemmän LAB-testin pidätettyjä tehtäviä kuin pohjana ollut Kimi K3. LAB Contracts -osiossa tehtäviä valmistui 20 prosenttia enemmän. Lisäksi kaikissa tehtävissä hyväksytyn suorituksen osuus kasvoi vastaavasti 9 ja 2 prosenttiyksikköä.

Luvut viittaavat siihen, että jälkikoulutus paransi Kimi K3:n tuloksia merkittävästi Harveyn valitsemissa arvioinneissa. Ne eivät kuitenkaan yksin osoita, että Tenet olisi kaikissa tilanteissa kilpailijoitaan parempi tai että se toimisi paremmin todellisessa lakityössä. Tuloksiin voivat vaikuttaa muun muassa benchmarkin rakenne, tehtävien valinta, kehotteet, arviointitapa ja käyttöympäristö.

Myös mallin saatavuus ja käyttöönoton aikataulu jäivät julkistuksen yhteydessä osin epäselviksi. Business Insiderin mukaan Tenet oli esitelty, mutta se ei vielä ollut käytössä Harvey-alustalla, eikä yhtiö ilmoittanut tarkkaa julkaisuajankohtaa. Siksi riippumaton tuotantokäytön arviointi on tärkeä seuraava askel.

Miksi Kimi K3:n valinta on merkittävä?

Harveyn ratkaisu on huomionarvoinen, sillä yhtiöllä on läheiset suhteet länsimaisiin tekoälytoimittajiin. Se on aiemmin tehnyt OpenAI:n kanssa yhteistyötä lakityöhön mukautetun mallin rakentamisessa. Lakialan tekoälyalustat ovat laajemmin tukeutuneet esimerkiksi OpenAI:n ja Anthropicin suljettuihin järjestelmiin, jolloin ne maksavat käyttöoikeudesta ja ovat riippuvaisia toimittajien julkaisuista, hinnoittelusta ja infrastruktuurista.

Avoimilla painoilla julkaistu pohjamalli antaa Harveylle enemmän vapautta mallin muokkaamiseen ja käyttöönottoon. Yhtiö voi itse päättää, miten malli jälkikoulutetaan, mille työkuormille se optimoidaan ja millaisia juridisia tehtäviä sillä käsitellään. Vastineeksi Harvey ottaa suuremman vastuun infrastruktuurista, tietoturvasta, arvioinnista, ylläpidosta ja mallin operoinnista – tehtävistä, jotka ulkopuoliset palveluntarjoajat osittain hoitavat API-rajapintojen kautta käytettäessä.

Valinta kuvaa myös käytännöllisempää suuntaa tekoälyn kehityksessä. Mallin alkuperämaa ei välttämättä ratkaise kaupallista käyttöä, jos avoin malli tarjoaa vahvan lähtökohdan, jota voidaan teknisesti ja oikeudellisesti mukauttaa ja joka tuottaa suotuisan kustannusrakenteen. Tämä ei poista kysymyksiä mallin alkuperästä, tietoturvasta, hallinnasta tai asiakkaiden hyväksynnästä. Se tekee niistä osan yritysten mallien huolellista ennakkoarviointia.

Oman mallin liiketoimintaperuste

Lakialan alustalle mallien kustannukset voivat vaikuttaa suoraan katteisiin ja tuotteen rakenteeseen. Ulkopuoliset edistyneet mallirajapinnat veloittavat yleensä käytön perusteella, joten kustannukset kasvavat, kun asiakkaat käsittelevät pitkiä asiakirjoja, suorittavat useita agenttivaiheita tai käyttävät pitkää päättelyä. Oma malli voisi auttaa Harveyta ohjaamaan sopivat tehtävät hallitsemalleen infrastruktuurille sen sijaan, että jokainen työ lähetettäisiin kolmannen osapuolen malliin.

Avoimet painot eivät tee päättelystä ilmaista. Harvey tarvitsee edelleen laskentakapasiteettia, datan valmistelua, laadunvalvontaa, tietoturvajärjestelmiä ja insinöörejä mallin ylläpitoon. Yhtiön mukaan jälkikoulutuksessa painotettiin myös työkalujen ja päättelyn tehokkaampaa käyttöä, mikä voi vähentää mallin käsittelemien tokenien eli tekstiyksiköiden määrää käytön aikana.

Mahdollinen lopputulos on työnjako: kalliit yleismallit sopivat vaikeimpiin ja avoimimpiin kysymyksiin, kun taas erikoistunut malli hoitaa toistuvaa ja suurivolyymista lakityötä pienemmin käyttökustannuksin. Toteutuvat hyödyt riippuvat kuitenkin Tenetin todellisesta tarkkuudesta, viiveestä, käyttöasteesta ja infrastruktuurivaatimuksista – eivät vain mallin painojen hinnasta.

Miten Tenet voi muuttaa Harveyn tuotetta?

Harvey on asemoinut itsensä lakitoimistoille ja yritysten lakiosastoille suunnatuksi toimialakohtaiseksi tekoälyksi. Yhtiön verkkosivujen mukaan alustaa käyttää yli 2 400 juridista organisaatiota, ja Harvey on kertonut asiakaskunnassaan olevan sekä kansainvälisiä asianajotoimistoja että yritysten omia lakitiimejä.

Laaja asiakaskunta antaa Harveylle syyn hallita suurempaa osaa käyttäjälle näkyvän tuotteen taustalla olevasta teknologiasta. Juridiset asiakkaat tarvitsevat johdonmukaista toimintaa, tietoturvaa, jäljitettävyyttä ja luotettavaa suorituskykyä esimerkiksi sopimusanalyysissä, due diligence -selvityksissä, vaatimustenmukaisuuden arvioinnissa ja riita-asioissa.

Tenetistä voi näin tulla perusta yhtenäisemmälle alustalle, jossa Harvey hallitsee mallin lisäksi agenttien orkestrointia, toimeksiantojen kontekstia ja erikoistuneita työnkulkuja. Malli voisi myöhemmin helpottaa myös asiakaskohtaista mukauttamista, jos yritys antaa asiakkaiden kouluttaa järjestelmiä oman organisaationsa tiedolla. Tätä mahdollisuutta on raportoitu, mutta sitä ei pidä pitää varmistettuna julkaisun yhteydessä tarjottavana ominaisuutena.

Laajempi opetus toimialakohtaiselle tekoälylle

Tenetin tärkein merkitys on strateginen, ei pelkästään tekninen. Toimialakohtaista tekoälyä kehittävien yritysten ei välttämättä tarvitse kouluttaa omaa huippuluokan perusmallia alusta asti saadakseen tuotteensa hallintaansa.

Vertikaalisen tekoälyn yhtiö voi yhdistää neljä tekijää:

• avoimilla painoilla julkaistun yleismallin lähtökohdaksi;
• omaa tai asiantuntijoiden tuottamaa toimialadataa;
• toimialan työnkulkuihin kohdistetun jälkikoulutuksen; sekä
• tuotetason hallinnan agenteista, kontekstista, arvioinnista ja käyttöönotosta.

Näin yritys voi erottautua ilman suurimpien perusmallien kehittäjien vaatimaa pääomaa ja infrastruktuuria. Samalla sille jää enemmän vaikeaa työtä: sen on osoitettava järjestelmän luotettavuus, suojattava arkaluonteiset tiedot, seurattava virheitä ja näytettävä, että benchmark-tulokset muuttuvat käytännön hyödyiksi.

Harveylle Tenet onkin sekä uuden mallin julkaisu että testi vertikaalisesta integraatiosta. Yhtiö panostaa siihen, että lakialan asiantuntemus ja työnkulkudata muuttavat avoimilla painoilla julkaistun pohjamallin kaupallisesti arvokkaaksi järjestelmäksi – ja että oman erikoistuneen mallin hallinta parantaa kustannusten ja tuotteen suorituskyvyn kontrollia. Strateginen suunnanmuutos on lähteiden perusteella selvä, mutta käytännön hyöty ratkaistaan vasta riippumattomissa arvioinneissa ja todellisessa lakityössä.