הארווי הפסיקה רק “לשכור” מודלים: למה בנתה את Tenet על Kimi K3 הסיני

הבחירה של הארווי ב־Harvey Tenet נבעה משני לחצים מעשיים: מערכת ה־AI המשפטית שלה הייתה צריכה להשתפר במשימות שנמשכות שעות או ימים, והחברה רצתה שליטה רבה יותר בעלות ובהתנהגות של המודלים שמפעילים את המוצר. במקום לאמן מודל בסיס חדש מאפס, הארווי ביצעה פוסט־טריינינג למודל ה־open-weight ‏Kimi K3 של Moonshot AI, באמצעות נתונים משפטיים ומשוב מעורכי דין.

הבעיה שהארווי ניסתה לפתור

עבודה משפטית אינה מסתכמת בדרך כלל בשאלה ותשובה קצרה. בדיקת חוזים, בדיקת נאותות, ניתוח ראיות ותמיכה בהליכי ליטיגציה דורשים ממערכת AI לשמור על הקשר לאורך זמן, לקבל החלטות בכמה שלבים ולעבור על אוספים גדולים של מסמכים.

Tenet תוכנן עבור תהליכי עבודה כאלה — תהליכים אוטונומיים ורב־שלביים, המכונים לעיתים agentic workflows, שעשויים להימשך שעות או ימים ולא שניות.

הייתה גם סיבה כלכלית. עד להשקת Tenet, הארווי הסתמכה על מודלי בסיס של חברות חיצוניות וניתבה משימות שונות למערכות של Anthropic, OpenAI ו־Google. מודל ייעודי משלה מאפשר לה לשפר את הביצועים במשימות הליבה ולהפחית את התלות ב־API חיצוניים.

איך Tenet נבנה

Tenet אינו מודל בסיס כללי חדש שאומן מהתחלה. מדובר במודל ייעודי שנוצר באמצעות לקיחת מודל קיים עם משקלים זמינים — לפי הדיווחים, Kimi K3 של Moonshot AI — והמשך אימונו עבור משימות של חשיבה משפטית.

תהליך האימון המדווח שילב:

• חומר משפטי הזמין לציבור;
• משימות משפטיות סינתטיות וסכסוכים מדומים;
• תיקי מקרה ותרחישים של חוזים שנבנו לצורכי אימון; וכן
• דוגמאות שנוצרו, נבדקו או דורגו בידי עורכי דין ומומחים משפטיים אחרים.

המרכיב האנושי חשוב במיוחד. מומחיות משפטית אינה רק אוסף של מסמכים, אלא גם היכולת לשפוט אם פרשנות, אסטרטגיית משא ומתן או ניתוח רב־שלבי הם סבירים ונכונים. עורכי דין שיצרו תרחישים והעריכו את תשובות המודל סיפקו להארווי נתוני אימון והערכה שמכוונים לסטנדרטים של עבודה משפטית בפועל.

מה הארווי טוענת לגבי הביצועים

הארווי מתארת את Tenet כמודל שמגיע לרמת ביצועים “חזיתית” במבחני ביצועים משפטיים מרכזיים, וככזה שמתפקד ברמה דומה למודלים כלליים מובילים במשימות הרלוונטיות.

בעדכון הטכני שלה דיווחה החברה כי Tenet השלים כמעט פי שניים משימות במבחן Legal Agent Benchmark — על בסיס משימות שהוחזקו מחוץ לנתוני האימון — בהשוואה למודל הבסיס Kimi K3. ב־LAB Contracts, מבחן המתמקד בחוזים, הוא השלים 20% יותר משימות. הארווי דיווחה גם על עלייה של 9 נקודות אחוז בשיעור ה־all-pass ב־LAB, ושל 2 נקודות אחוז ב־LAB Contracts.

בהודעה נפרדת הציגה החברה את השיפור כשיפור יחסי של 82% ב־LAB ושל 22% ב־LAB Contracts, וטענה כי Tenet דורג במקום הראשון ב־LAB Contracts ובמקום השני בדירוג הכללי של LAB.

עם זאת, חשוב לקרוא את המספרים האלה בהקשרם: מדובר בטענות המבוססות על מבחני ביצועים, ולא בהוכחה לכך ש־Tenet מדויק יותר ממודלים סגורים בכל מצב או שהוא אמין לכל תחום שיפוט ולכל סוג של עניין משפטי. הראיות שסופקו נשענות בעיקר על הודעת הארווי ועל דיווחים שהתבססו עליה; אימות עצמאי של הדיוק המשפטי בעולם האמיתי לא הוצג כאן.

מה השתנה באסטרטגיה של הארווי

לפני Tenet, האסטרטגיה של הארווי הייתה בעיקר אסטרטגיית מוצר: החברה התאימה הנחיות, תהליכי עבודה וניתוב משימות, אך השתמשה במודלים קנייניים שסופקו על ידי חברות חיצוניות. כך אפשר לקבל גישה למערכות חזקות בלי לבנות ולהפעיל תשתית מודלים עצמאית.

Tenet משנה את מקומו של המודל בתוך המערכת הטכנולוגית של הארווי:

• הגישה הקודמת: תזמור והתאמה של מודלים סגורים דרך ספקים חיצוניים.
• הגישה החדשה: התחלה ממשקלים של מודל שפורסמו, פוסט־טריינינג על משימות משפטיות ושילוב המודל המיוחד במוצר של הארווי.

ההבדל אינו טכני בלבד. גישה למשקלים מעניקה להארווי חופש רב יותר להתאים את המודל לנתונים, למבחני ההערכה ולתהליכי העבודה שלה. היא יכולה גם לקבל החלטות בעצמה לגבי תשתית ההרצה והאופטימיזציה, במקום לשלם לספק מודל עבור כל בקשה דרך API סגור.

מהו פוסט־טריינינג

פוסט־טריינינג הוא אימון נוסף שמתבצע לאחר שהושלם האימון הרחב הראשוני של המודל. במקום ללמד את המערכת שפה ויכולות כלליות מאפס, המפתחים משתמשים בדוגמאות ממוקדות, משוב של מומחים, משימות סינתטיות והערכות מבוססות־תוצאה כדי לשפר יכולות או התנהגויות מסוימות.

במקרה של Tenet, היעד היה חשיבה משפטית במשימות ארוכות ומתמשכות. לפי הארווי, תהליך האימון שילב נתונים סינתטיים, חומר משפטי ציבורי ונתונים שנוצרו בידי מומחים אנושיים, ולאחר מכן נבחן במשימות שהוצאו מנתוני האימון.

עבור חברת AI שפועלת בתחום אנכי וממוקד, השיטה הזו עשויה להיות יעילה יותר מאימון מודל בסיס חדש. מודל הבסיס מספק יכולות כלליות של שפה וחשיבה, ואילו הפוסט־טריינינג מפנה את המאמץ הנוסף לתהליכים שהלקוחות באמת משתמשים בהם.

למה מודל עם משקלים זמינים עשוי לסייע בדיוק ולחיסכון

במודל open-weight, הפרמטרים המספריים המאומנים זמינים לארגון, והוא יכול להפעיל ולשנות אותם — בניגוד למודל סגור שאליו ניגשים רק דרך API בשליטת הספק. המשקלים ש־Moonshot AI פרסמה עבור Kimi K3 סיפקו להארווי בסיס שניתן להתאים ישירות לעבודה משפטית.

השליטה הזו יכולה לסייע בשיפור ממוקד של הדיוק. חברה יכולה לאמן ולהעריך את המודל שוב ושוב מול המסמכים, רצפי המשימות ואמות המידה החשובים לתעשייה או ללקוחות שלה. אין בכך הבטחה שהמודל יהיה טוב יותר ממודל סגור, אך יש בכך חופש רב יותר לאופטימיזציה עבור שימוש עסקי צר ומוגדר.

מודלים עם משקלים זמינים עשויים לשנות גם את כלכלת ההרצה, או inference. החברה יכולה לבחור את החומרה, תוכנת ההגשה ושיטות האופטימיזציה שלה, במקום לשלם לספק של מודל סגור על כל טוקן. אבל מודל כזה אינו חינמי להפעלה: מחשוב, חומרה, הנדסה, אבטחה ותחזוקה עדיין כרוכים בעלויות משמעותיות.

עבור סוכנים משפטיים שמעבדים כמויות גדולות של מסמכים או עובדים במשך זמן ממושך, הוזלת העלות של כל פעולה עשויה להפוך תהליכי עבודה רציפים ורב־שלביים לכדאיים יותר מבחינה מסחרית. זהו ההיגיון העסקי בשילוב מודל בסיס חזק עם פוסט־טריינינג ייעודי לתחום.

מה המהלך אומר על שוק ה־AI

המעבר של הארווי הוא דוגמה בולטת לשינוי רחב יותר בתחום ה־AI האנכי. חברות יישומים אינן חייבות לנצח באמצעות אימון המודל הכללי הגדול ביותר. הן יכולות להתחרות באמצעות נתונים ייחודיים, משוב של מומחים, מבחני הערכה, תכנון תהליכי עבודה, פריסה ואמון לקוחות.

הבחירה ב־Kimi K3 משמעותית גם מבחינה אסטרטגית: היא מראה שחברה מערבית יכולה להשתמש במודל open-weight סיני כתשתית טכנולוגית, בזמן שמעבדות ה־AI המובילות ממשיכות לפעול בתוך תחרות גיאופוליטית ומסחרית רחבה יותר. המשיכה אינה הוכחה לכך שמודלים סיניים טובים יותר באופן גורף. היא נובעת מכך שזמינות פתוחה, יכולת התאמה ועלויות הרצה פוטנציאליות עשויות להיות חשובות יותר מדירוג כללי במבחני ביצועים עבור מוצר ארגוני ממוקד.

ההסתייגות חשובה לא פחות: משקלים זמינים מעבירים שליטה — לא את כל העלויות ולא את כל הסיכונים. חברות עדיין זקוקות לתשתית להפעלת המודל, למומחיות בהערכתו ולמערכות הגנה על מידע משפטי רגיש.

לכן Tenet אינו בהכרח דחייה של מודלים סגורים. הוא בעיקר הימור שלפיו בעלות על מודל ייעודי, שעבר התאמה עמוקה לתחום, נעשית מעשית — וגם בעלת ערך אסטרטגי — עבור חברות תוכנה ארגוניות.