Harvey Tenet dan Pergeseran dari Menyewa Model AI ke Menguasai Intelijen Hukum

Post-training berarti meningkatkan kemampuan model setelah pelatihan fondasi awal selesai, bukan membangun model fondasi baru dari nol. Dalam kasus Tenet, Harvey mengatakan prosesnya menggunakan data hukum yang tersedia untuk publik, data sintetis, serta data dari pakar manusia yang dirancang untuk mensimulasikan pekerjaan hukum berdurasi panjang.

Perbedaan ini penting. Tenet bukan model serbaguna baru yang dilatih dari awal. Ia adalah versi khusus dari model open-weight yang sudah ada, lalu dibentuk untuk pekerjaan seperti peninjauan kontrak, uji tuntas (due diligence), dan alur kerja hukum kompleks lainnya.

Klaim Harvey tentang performa Tenet

Harvey menyatakan bahwa Tenet mencapai performa state-of-the-art dalam benchmark hukum LAB dan dapat menggeneralisasi kemampuannya ke benchmark hukum pihak ketiga. Dalam pembaruan yang diterbitkan perusahaan, Tenet disebut mampu menyelesaikan hampir dua kali lebih banyak tugas LAB yang tidak digunakan dalam pelatihan dibandingkan Kimi K3 dasar, serta 20% lebih banyak tugas kontrak LAB. Harvey juga melaporkan peningkatan tingkat all-pass masing-masing sebesar 9 dan 2 poin persentase.

Angka tersebut menunjukkan bahwa post-training memberikan peningkatan berarti pada model dasar dalam evaluasi yang dipilih Harvey. Namun, angka itu belum membuktikan bahwa Tenet lebih baik daripada semua model pesaing ketika digunakan dalam praktik hukum. Desain benchmark, pemilihan tugas, cara memberikan prompt, metode penilaian, dan kondisi penerapan dapat memengaruhi hasil.

Status ketersediaan Tenet saat pengumuman juga belum sepenuhnya jelas. Business Insider melaporkan bahwa model tersebut telah diperkenalkan, tetapi belum aktif di dalam Harvey dan perusahaan belum menjelaskan kapan model itu akan tersedia. Karena itu, pengujian independen dalam lingkungan produksi menjadi tahap penting berikutnya.

Mengapa basis Kimi K3 menjadi sorotan?

Pilihan Harvey terhadap Kimi K3 menarik karena perusahaan tersebut memiliki hubungan kuat dengan penyedia AI Barat dan sebelumnya pernah bekerja sama dengan OpenAI untuk membuat model hukum yang dilatih khusus. Secara lebih luas, platform AI hukum selama ini banyak mengandalkan sistem tertutup dari penyedia seperti OpenAI dan Anthropic. Artinya, perusahaan harus membayar akses sekaligus bergantung pada jadwal rilis, harga, dan infrastruktur penyedia tersebut.

Dengan memakai model open-weight sebagai basis, Harvey memiliki keleluasaan lebih besar untuk memodifikasi dan menerapkan model. Perusahaan dapat menentukan cara melakukan post-training, mengoptimalkannya untuk beban kerja tertentu, serta memilih model yang paling sesuai untuk berbagai jenis tugas hukum.

Konsekuensinya, Harvey juga harus menanggung lebih banyak tanggung jawab: infrastruktur, keamanan, evaluasi, pemeliharaan, dan operasional model. Biaya serta pekerjaan tersebut biasanya lebih banyak ditangani penyedia eksternal ketika perusahaan hanya menggunakan API mereka.

Pilihan ini mencerminkan pendekatan pragmatis dalam pengembangan AI. Bagi pengguna komersial, asal negara sebuah model bisa menjadi faktor yang tidak terlalu menentukan apabila model open-weight tersebut menawarkan titik awal yang kuat, dapat disesuaikan secara legal dan teknis, serta menghasilkan perhitungan biaya yang menarik. Meski begitu, pertanyaan tentang asal-usul data dan model, keamanan, tata kelola, serta penerimaan pelanggan tetap harus dijawab melalui proses uji kelayakan model perusahaan.

Alasan bisnis di balik penguasaan teknologi sendiri

Bagi platform hukum yang melayani pekerjaan profesional bernilai tinggi, biaya model dapat langsung memengaruhi margin dan desain produk. API model AI terdepan dari pihak ketiga umumnya menagih berdasarkan pemakaian. Biaya pun meningkat ketika pelanggan memproses dokumen panjang, menjalankan lebih banyak langkah agen, atau meminta penalaran yang lebih mendalam. Model internal dapat memungkinkan Harvey mengarahkan pekerjaan tertentu ke infrastruktur yang dikendalikannya sendiri, tanpa mengirim setiap tugas ke model pihak ketiga.

Namun, model open-weight bukan berarti inferensi menjadi gratis. Harvey tetap membutuhkan kapasitas komputasi, persiapan data, pengendalian kualitas, sistem keamanan, serta tim teknis untuk merawat model. Perusahaan menyatakan bahwa post-training juga mendorong penggunaan alat dan proses penalaran yang lebih efisien, sehingga jumlah token yang digunakan saat inferensi dapat berkurang.

Dari sini muncul pembagian kerja yang potensial: model serbaguna yang mahal tetap digunakan untuk pertanyaan paling sulit atau terbuka, sementara model khusus menangani pekerjaan hukum yang berulang dan bervolume tinggi dengan biaya operasional lebih rendah. Apakah strategi ini benar-benar menghasilkan ekonomi yang lebih baik akan bergantung pada akurasi, latensi, tingkat pemakaian, dan kebutuhan infrastruktur Tenet—bukan hanya harga bobot modelnya.

Apa artinya bagi strategi produk Harvey?

Harvey memosisikan diri sebagai platform AI khusus untuk firma hukum dan tim layanan profesional. Situs perusahaan menyebut lebih dari 2.400 organisasi hukum menggunakan platform tersebut, sementara Harvey juga menjelaskan bahwa produknya digunakan oleh firma hukum dan departemen hukum internal perusahaan.

Basis pelanggan itu memberi alasan bagi Harvey untuk mengendalikan lebih banyak teknologi di balik produk yang digunakan pelanggan. Klien hukum membutuhkan perilaku sistem yang konsisten, keamanan, keterlacakan, serta performa yang dapat diandalkan dalam pekerjaan seperti analisis kontrak, uji tuntas, kepatuhan, dan litigasi.

Tenet dapat menjadi fondasi bagi platform yang lebih terintegrasi, dengan Harvey mengendalikan model, orkestrasi agen, konteks perkara, dan alur kerja khusus. Model ini juga berpotensi mempermudah penyesuaian di masa depan apabila perusahaan kelak memungkinkan pelanggan mengadaptasi model menggunakan pengetahuan institusional mereka sendiri. Kemungkinan tersebut telah diberitakan, tetapi sebaiknya dipandang sebagai arah pengembangan, bukan kemampuan yang sudah dipastikan tersedia sejak peluncuran.

Pelajaran yang lebih luas untuk vertical AI

Implikasi terpenting Tenet bukan semata-mata teknis, melainkan strategis: perusahaan AI khusus industri tidak harus melatih model terdepan dari nol untuk mendapatkan kendali berarti atas produknya.

Perusahaan vertical AI dapat menggabungkan empat aset:

• model umum open-weight sebagai titik awal;
• data milik perusahaan atau data yang dibuat oleh pakar industri;
• post-training yang diarahkan pada alur kerja bidang tersebut; dan
• kendali tingkat produk atas agen, konteks, evaluasi, dan penerapan.

Pendekatan ini dapat menciptakan pembeda produk tanpa membutuhkan modal dan infrastruktur sebesar yang diperlukan untuk bersaing langsung dengan pengembang model fondasi terbesar. Namun, perusahaan aplikasi juga harus menangani pekerjaan sulit: membuktikan keandalan, melindungi data sensitif, memantau kegagalan, dan memastikan peningkatan benchmark benar-benar menghasilkan manfaat yang dapat dirasakan pengguna.

Bagi Harvey, Tenet adalah peluncuran model sekaligus ujian integrasi vertikal. Perusahaan bertaruh bahwa keahlian hukum dan data alur kerja dapat mengubah model open-weight menjadi sistem yang bernilai secara komersial—serta bahwa kepemilikan atas model khusus akan memperkuat kendali atas biaya dan performa produk. Bukti yang tersedia sejauh ini mendukung adanya perubahan strategi tersebut; seberapa besar manfaat praktisnya masih akan ditentukan oleh evaluasi independen dan kinerja Tenet dalam pekerjaan hukum yang sebenarnya.