Harvey Tenet : le virage d’Harvey vers une intelligence juridique qu’il contrôle

Il s’agit aussi d’un cas révélateur de l’essor de l’IA verticale : plutôt que de créer un modèle généraliste à partir de zéro, une entreprise peut partir d’une base performante, puis l’adapter à un secteur précis grâce à des données spécialisées, des flux de travail et des méthodes d’évaluation propres à ce domaine.

Que propose Harvey Tenet ?

Harvey présente Tenet comme son premier modèle post-entraîné spécifiquement pour les tâches juridiques. Il repose sur Kimi K3, un système à poids ouverts développé par Moonshot AI, la société chinoise à l’origine de Kimi. Harvey a mené le travail de post-entraînement avec Fireworks AI.

Le « post-entraînement » consiste à améliorer un modèle après son entraînement initial, sans reconstruire entièrement un modèle de fondation. Dans le cas de Tenet, Harvey indique avoir utilisé des données juridiques accessibles au public, des données synthétiques et des données produites par des experts humains pour simuler des tâches juridiques longues et complexes.

Tenet n’est donc pas présenté comme un nouveau modèle généraliste. Il s’agit d’une version spécialisée d’une base open-weight existante, conçue pour des usages tels que l’analyse de contrats, les audits juridiques — ou due diligence — et d’autres processus nécessitant plusieurs étapes de raisonnement.

Des performances annoncées, mais encore à vérifier

Harvey affirme que Tenet atteint des performances de pointe sur son benchmark juridique LAB et qu’il se généralise à des évaluations juridiques réalisées par des tiers. Dans une mise à jour publiée par l’entreprise, le modèle aurait réalisé presque deux fois plus de tâches LAB inédites que Kimi K3 seul, ainsi que 20 % de tâches supplémentaires sur LAB Contracts. Harvey fait également état d’une progression des taux de réussite complète de 9 et 2 points de pourcentage, respectivement.

Ces chiffres suggèrent que le post-entraînement a nettement amélioré la base Kimi K3 sur les évaluations choisies par Harvey. Ils ne démontrent pas, à eux seuls, que Tenet surpasse tous les modèles concurrents dans la pratique juridique. La conception du benchmark, le choix des tâches, les consignes données au modèle, la méthode d’évaluation et les conditions de déploiement peuvent influencer les résultats.

Le calendrier de mise à disposition restait par ailleurs incertain au moment de l’annonce. Business Insider rapportait que Tenet avait été présenté, mais qu’il n’était pas encore actif dans Harvey et que l’entreprise ne précisait pas sa date de disponibilité. Des tests indépendants en production seront donc essentiels pour mesurer sa valeur réelle.

Pourquoi la base Kimi K3 est-elle importante ?

Le choix de Kimi K3 est notable. Harvey entretient des liens étroits avec des fournisseurs américains d’IA et avait auparavant collaboré avec OpenAI sur un modèle juridique personnalisé. Plus largement, les plateformes d’IA juridique s’appuient souvent sur des systèmes propriétaires d’entreprises comme OpenAI ou Anthropic, en payant pour leur accès et en dépendant de leurs prix, de leurs infrastructures et de leur calendrier de lancement.

Une base open-weight offre à Harvey davantage de liberté pour modifier et déployer le modèle. L’entreprise peut décider de la manière dont elle le post-entraîne, l’optimiser pour certains usages et orienter chaque type de tâche vers le système le plus approprié. En contrepartie, elle doit prendre en charge une plus grande part de l’infrastructure, de la sécurité, de l’évaluation, de la maintenance et de l’exploitation du modèle — des responsabilités qui incombent aux fournisseurs externes lorsque l’entreprise utilise leurs API.

Ce choix illustre également une évolution pragmatique du secteur. Pour un client professionnel, le pays d’origine d’un modèle peut devenir moins déterminant si une base open-weight offre de solides capacités, peut être adaptée légalement et techniquement, et présente un modèle économique favorable. Cela ne fait pas disparaître les questions de provenance, de sécurité, de gouvernance ou d’acceptation par les clients : elles deviennent des éléments à examiner lors de l’évaluation d’un modèle d’entreprise.

L’enjeu économique : posséder davantage de la chaîne technologique

Pour une plateforme juridique utilisée dans des processus à forte valeur, l’économie du modèle peut influencer directement les marges et la conception du produit. Les API de modèles avancés facturent généralement l’usage : les coûts augmentent donc lorsque les clients traitent de longs documents, multiplient les étapes d’un agent ou demandent des raisonnements plus approfondis. Un modèle interne permettrait à Harvey d’orienter certains traitements vers une infrastructure qu’elle contrôle, au lieu de faire passer chaque requête par un modèle tiers.

Les poids ouverts ne rendent pas l’inférence gratuite. Harvey doit toujours financer la puissance de calcul, la préparation des données, les contrôles qualité, la sécurité et les équipes chargées de maintenir le modèle. Mais l’entreprise affirme que son post-entraînement a aussi favorisé une utilisation plus efficace des outils et du raisonnement, ce qui pourrait réduire le nombre de jetons consommés lors de l’inférence.

Le scénario le plus logique repose donc sur un partage des tâches : les modèles généralistes coûteux resteraient adaptés aux questions les plus difficiles ou les plus ouvertes, tandis qu’un modèle spécialisé traiterait les opérations juridiques répétitives et volumineuses à un coût d’exploitation potentiellement inférieur. L’avantage économique réel dépendra toutefois de la précision, de la latence, du taux d’utilisation et des besoins informatiques de Tenet — pas seulement du prix de ses poids.

Ce que Tenet change pour la stratégie de Harvey

Harvey se présente comme une plateforme d’IA spécialisée dans le droit et les services professionnels. Son site indique que plus de 2 400 organisations juridiques utilisent ses outils, avec une présence dans plus de 70 pays.

Cette base de clients donne à Harvey une raison de contrôler davantage les technologies situées sous son interface. Les cabinets d’avocats et les directions juridiques attendent un comportement cohérent, de la sécurité, de la traçabilité et des performances fiables pour des activités comme l’analyse contractuelle, la due diligence, la conformité ou le contentieux.

Tenet pourrait ainsi servir de socle à une plateforme plus intégrée, dans laquelle Harvey contrôlerait à la fois le modèle, l’orchestration des agents, le contexte des dossiers et les flux de travail spécialisés. Le modèle pourrait aussi, à terme, faciliter l’adaptation aux connaissances propres à chaque organisation. Cette possibilité a été évoquée, mais elle doit être considérée comme une orientation future et non comme une fonctionnalité confirmée au lancement.

La leçon pour l’IA verticale

L’importance de Tenet est avant tout stratégique. Les entreprises d’IA spécialisées n’ont pas nécessairement besoin d’entraîner un modèle de pointe depuis zéro pour reprendre le contrôle de leur produit.

Elles peuvent combiner quatre éléments :

• un modèle généraliste open-weight comme point de départ ;
• des données propriétaires ou produites par des experts du secteur ;
• un post-entraînement ciblé sur les méthodes de travail de l’industrie ;
• des contrôles intégrés au produit pour les agents, le contexte, l’évaluation et le déploiement.

Cette méthode peut créer une différenciation forte sans exiger les capitaux et l’infrastructure nécessaires pour rivaliser directement avec les plus grands développeurs de modèles de fondation. Elle transfère toutefois une partie du travail difficile à l’entreprise applicative : démontrer la fiabilité, protéger les données sensibles, surveiller les erreurs et prouver que les gains observés sur les benchmarks se traduisent par de meilleurs résultats dans les dossiers réels.

Pour Harvey, Tenet est donc à la fois un lancement de modèle et un test d’intégration verticale. L’entreprise mise sur son expertise juridique et sur ses données de flux de travail pour transformer une base open-weight en un système commercial utile, tout en gagnant en contrôle sur les coûts et les performances. Le changement de stratégie est bien documenté ; l’ampleur de l’avantage pratique devra encore être confirmée par des évaluations indépendantes et par l’usage réel de Tenet dans le travail juridique.