Pourquoi Harvey a bâti Tenet sur le modèle chinois Kimi K3 plutôt que de louer des IA

La décision de Harvey de développer Harvey Tenet répond à deux impératifs très concrets : améliorer le traitement des tâches juridiques qui se déroulent sur plusieurs heures ou plusieurs jours, et mieux maîtriser le coût ainsi que le comportement des modèles utilisés par ses clients. Au lieu d’entraîner un modèle généraliste depuis zéro, l’entreprise a post-entraîné le modèle Kimi K3 de Moonshot AI avec des données juridiques et les retours d’avocats.

Le problème que Harvey cherchait à résoudre

Une grande partie du travail juridique ne se résume pas à poser une question et à obtenir une réponse immédiate. L’examen de contrats, la due diligence — c’est-à-dire l’analyse approfondie d’une entreprise avant une opération —, l’étude de preuves ou l’assistance dans un contentieux exigent de conserver le contexte, d’enchaîner plusieurs décisions et de parcourir de vastes ensembles de documents.

Harvey a donc conçu Tenet pour ces workflows « agentiques » à long horizon : des missions qui peuvent durer des heures ou des jours, plutôt que quelques secondes.

L’enjeu était aussi économique. Jusqu’à présent, Harvey s’appuyait sur des modèles généralistes fournis par des entreprises comme Anthropic, OpenAI et Google, en orientant chaque tâche vers le système jugé le plus adapté. Posséder un modèle spécialisé lui offre une nouvelle manière d’améliorer ses performances sur ses usages centraux et de réduire sa dépendance aux API externes.

Comment Tenet a été entraîné

Tenet n’est pas un nouveau modèle de fondation entraîné entièrement à partir de zéro. Il s’agit d’un modèle spécialisé obtenu à partir d’un modèle open-weight existant — présenté par plusieurs sources comme Kimi K3, développé par le laboratoire chinois Moonshot AI — puis adapté au raisonnement juridique.

Le processus rapporté combine notamment :

• des documents juridiques accessibles au public ;
• des tâches juridiques synthétiques et des litiges simulés ;
• des dossiers fictifs et des scénarios contractuels ;
• des exemples créés, examinés ou notés par des avocats et d’autres spécialistes du droit.

Cette dernière composante est essentielle. L’expertise juridique ne consiste pas seulement à accumuler des textes de loi ou des contrats : elle implique aussi de déterminer si une interprétation, une stratégie de négociation ou une analyse en plusieurs étapes tient la route. En demandant à des juristes de créer des situations et d’évaluer les réponses du modèle, Harvey cherche à rapprocher ses données d’entraînement et d’évaluation des exigences du travail juridique réel.

Les performances revendiquées par Harvey

Harvey décrit Tenet comme atteignant un niveau « frontier » sur d’importants benchmarks juridiques, avec des résultats comparables à ceux des meilleurs modèles généralistes pour les tâches concernées.

Dans sa mise à jour technique, l’entreprise indique que Tenet a réussi près de deux fois plus de tâches de test retenues du Legal Agent Benchmark que le modèle Kimi K3 de base. Sur LAB Contracts, il aurait accompli 20 % de tâches supplémentaires. Harvey fait également état d’une hausse de 9 points de pourcentage du taux de réussite complète sur LAB et de 2 points sur LAB Contracts.

Une autre annonce de l’entreprise présente ces progrès comme des améliorations relatives de 82 % sur LAB et de 22 % sur LAB Contracts. Elle affirme aussi que Tenet s’est classé premier sur LAB Contracts et deuxième au classement général de LAB.

Ces chiffres doivent toutefois être interprétés comme des résultats de benchmarks revendiqués par Harvey, et non comme la preuve d’une supériorité universelle sur les modèles propriétaires ou d’une fiabilité garantie pour chaque juridiction et chaque dossier. Les éléments disponibles reposent principalement sur l’annonce de Harvey et les articles qui l’ont relayée ; ils ne suffisent pas à établir une validation indépendante de la précision de Tenet dans la pratique juridique.

De l’intégrateur de modèles au propriétaire de modèle

Avant Tenet, la stratégie de Harvey était surtout centrée sur l’application. L’entreprise personnalisait les prompts, les workflows et l’aiguillage des tâches, tout en s’appuyant sur des modèles propriétaires fournis par des prestataires externes. Cette approche permet d’accéder rapidement à des systèmes puissants sans devoir construire et exploiter sa propre infrastructure de modèles.

Tenet modifie la place du modèle dans la pile technologique de Harvey :

• Avant : orchestrer ou personnaliser des modèles fermés accessibles via des fournisseurs externes ;
• Avec Tenet : partir de poids de modèle publiés, les post-entraîner sur des tâches juridiques, puis intégrer le modèle spécialisé au produit Harvey.

La différence n’est pas seulement technique. En ayant accès aux poids du modèle, Harvey dispose de davantage de latitude pour l’ajuster à ses propres données, critères d’évaluation et workflows. L’entreprise peut également choisir son infrastructure de déploiement et ses optimisations, plutôt que de payer un fournisseur pour chaque requête envoyée à une API fermée.

Que signifie le « post-entraînement » ?

Le post-entraînement désigne une phase d’entraînement supplémentaire réalisée après l’entraînement général initial d’un modèle. Il ne s’agit plus d’enseigner les bases du langage depuis le début, mais d’améliorer certaines compétences ou certains comportements à l’aide d’exemples sélectionnés, de retours d’experts, de tâches synthétiques et d’évaluations fondées sur les résultats.

Dans le cas de Tenet, l’objectif était le raisonnement juridique sur des missions longues et progressives. Selon Harvey, les données synthétiques, les documents juridiques publics et les évaluations d’experts humains ont servi à entraîner puis à tester le modèle sur des scénarios juridiques, avant de mesurer ses résultats sur des tâches mises de côté pour l’évaluation.

Pour une entreprise d’IA verticale — spécialisée dans un secteur précis — cette méthode peut être plus efficace que la construction d’un nouveau modèle de pointe. Le modèle de base fournit les capacités générales de langage et de raisonnement ; le post-entraînement concentre ensuite les efforts sur les opérations que les clients utilisent réellement.

Pourquoi les poids ouverts peuvent favoriser la spécialisation et réduire les coûts

Un modèle open-weight met à disposition ses paramètres numériques, ce qui permet à une organisation de l’exécuter et de l’adapter. À l’inverse, un modèle fermé est accessible uniquement par l’intermédiaire d’une API contrôlée par son fournisseur. Les poids publiés de Kimi K3 ont ainsi fourni à Harvey une base qu’elle pouvait directement modifier pour les usages juridiques.

Cette liberté peut favoriser une précision plus ciblée. Une entreprise peut entraîner et évaluer à répétition son modèle sur les documents, les enchaînements de tâches et les critères de qualité propres à son secteur ou à ses clients. Cela ne garantit pas qu’un modèle spécialisé sera toujours meilleur qu’un modèle fermé, mais donne davantage de contrôle pour l’optimiser en fonction d’un usage de production précis.

Les poids ouverts peuvent aussi transformer l’économie de l’inférence, c’est-à-dire le coût de fonctionnement du modèle à chaque requête. L’entreprise peut sélectionner son matériel, ses logiciels de mise à disposition et ses techniques d’optimisation, au lieu de payer systématiquement le tarif fixé par le fournisseur d’un modèle fermé. Cela ne signifie pas que le modèle est gratuit : le calcul, les serveurs, l’ingénierie, la sécurité et la maintenance représentent toujours des dépenses importantes.

Pour des agents juridiques qui analysent de nombreux documents ou exécutent des séquences d’actions pendant une longue période, réduire le coût de chaque opération peut rendre les workflows continus ou multi-étapes plus faciles à proposer commercialement. C’est le pari économique qui consiste à combiner un modèle de base performant avec un post-entraînement spécialisé.

Ce que ce virage révèle du marché de l’IA

Le choix de Harvey constitue un exemple marquant d’une évolution de l’IA verticale. Les entreprises qui développent des applications spécialisées ne sont pas nécessairement obligées de gagner la course au plus grand modèle généraliste. Elles peuvent se différencier grâce à leurs données métier, aux retours d’experts, à leurs méthodes d’évaluation, à la conception des workflows, au déploiement et à la confiance de leurs clients.

Le recours à Kimi K3 est également significatif sur le plan stratégique. Il montre qu’une entreprise occidentale peut considérer un modèle chinois open-weight comme une brique technique, alors même que les grands laboratoires d’IA restent engagés dans une compétition commerciale et géopolitique plus large. L’intérêt de ce modèle ne prouve pas que les modèles chinois sont globalement supérieurs. Il tient plutôt à la possibilité de les adapter, à la disponibilité de leurs poids et à un coût de fonctionnement potentiellement inférieur — des facteurs qui peuvent compter davantage que le classement sur des benchmarks généralistes pour un produit d’entreprise très spécialisé.

Il faut enfin garder une réserve importante : les poids ouverts transfèrent le contrôle, mais pas la totalité des coûts ni des risques. Les entreprises doivent toujours disposer de l’infrastructure nécessaire, de compétences pour évaluer le modèle et de protections adaptées aux données juridiques sensibles.

Tenet ne marque donc pas nécessairement le rejet des modèles fermés. Il représente plutôt un pari : pour les éditeurs de logiciels d’entreprise, posséder un modèle spécialisé pourrait devenir suffisamment accessible et avantageux pour constituer un atout stratégique.