Mengapa Harvey Memilih Kimi K3 dari China untuk Membangun Tenet

Bagaimana Tenet dilatih

Tenet bukan model fondasi serbaguna baru yang dilatih dari awal. Model ini dibuat dengan mengambil model open-weight yang sudah tersedia—yang menurut laporan adalah Kimi K3 dari Moonshot AI—kemudian memberinya pelatihan tambahan untuk penalaran hukum.

Proses yang dilaporkan menggabungkan:

• materi hukum yang tersedia untuk publik;
• tugas hukum sintetis dan sengketa yang disimulasikan;
• berkas perkara serta skenario kontrak buatan; dan
• contoh yang dibuat, ditinjau, atau dinilai oleh pengacara dan pakar hukum lainnya.

Keterlibatan pengacara menjadi bagian penting. Keahlian hukum bukan hanya kumpulan dokumen, melainkan juga kemampuan menilai apakah sebuah interpretasi, strategi negosiasi, atau analisis bertahap masuk akal dan dapat dipertanggungjawabkan.

Dengan meminta pengacara membuat skenario dan menilai keluaran model, Harvey berupaya menghasilkan data pelatihan serta evaluasi yang lebih dekat dengan standar pekerjaan hukum nyata.

Klaim Harvey soal kinerja Tenet

Harvey menyebut Tenet mencapai kinerja “setara tingkat terdepan” pada sejumlah tolok ukur hukum penting dan bekerja sebanding dengan model umum terkemuka untuk jenis pekerjaan yang relevan.

Dalam pembaruan teknisnya, Harvey melaporkan bahwa Tenet menyelesaikan hampir dua kali lebih banyak tugas pada bagian Legal Agent Benchmark (LAB) yang tidak digunakan selama pelatihan dibandingkan model dasar Kimi K3. Pada LAB Contracts, jumlah tugas yang diselesaikan disebut meningkat 20 persen. Harvey juga melaporkan kenaikan tingkat all-pass sebesar 9 poin persentase pada LAB dan 2 poin persentase pada LAB Contracts.

Pengumuman perusahaan lainnya menyajikan peningkatan relatif sebesar 82 persen pada LAB dan 22 persen pada LAB Contracts. Harvey juga menyatakan Tenet berada di peringkat pertama pada LAB Contracts dan peringkat kedua secara keseluruhan di LAB.

Namun, angka-angka tersebut perlu dibaca sebagai klaim berdasarkan tolok ukur, bukan bukti bahwa Tenet selalu lebih akurat daripada model tertutup atau dapat diandalkan untuk setiap yurisdiksi dan perkara hukum. Bukti yang tersedia terutama berasal dari pengumuman Harvey dan laporan yang mengutipnya; validasi independen atas akurasi Tenet dalam praktik hukum dunia nyata belum ditunjukkan di sini.

Dari pengintegrasi model menjadi pemilik model

Sebelum Tenet, strategi produk Harvey pada dasarnya berfokus pada aplikasi. Perusahaan dapat menyesuaikan prompt, alur kerja, dan sistem routing sambil menggunakan model proprietary dari penyedia eksternal. Pendekatan ini memungkinkan akses ke model canggih tanpa harus membangun dan mengoperasikan seluruh tumpukan teknologi model sendiri.

Tenet mengubah posisi model di dalam tumpukan teknologi Harvey:

• Pendekatan sebelumnya: mengatur atau menyesuaikan model tertutup melalui penyedia eksternal.
• Pendekatan Tenet: memulai dari bobot model yang dirilis secara terbuka, melakukan post-training pada tugas hukum, lalu menggunakan model khusus tersebut di dalam produk Harvey.

Perbedaannya bukan hanya teknis. Karena memiliki akses ke bobot model, Harvey lebih leluasa menyempurnakan sistem berdasarkan data, evaluasi, dan alur kerja produknya sendiri. Perusahaan juga dapat menentukan infrastruktur penyajian dan optimasinya, alih-alih membayar penyedia model untuk setiap permintaan melalui API tertutup.

Apa itu post-training?

Post-training adalah pelatihan tambahan yang dilakukan setelah model menyelesaikan pelatihan awal berskala luas. Pengembang tidak lagi mengajarkan kemampuan bahasa umum dari nol, melainkan menggunakan contoh terkurasi, umpan balik pakar, tugas sintetis, dan evaluasi berbasis hasil untuk memperkuat kemampuan atau perilaku tertentu.

Dalam kasus Tenet, kemampuan yang dituju adalah penalaran hukum untuk tugas panjang dan berkelanjutan. Resep pelatihan yang dilaporkan Harvey menggunakan data sintetis, materi hukum publik, dan data dari pakar manusia untuk mengajarkan serta menguji cara model menangani skenario hukum. Hasilnya kemudian diukur menggunakan tugas yang disimpan dari proses pelatihan.

Bagi perusahaan AI vertikal seperti Harvey, pendekatan ini bisa lebih efisien daripada membangun model frontier baru. Model dasar menyediakan kemampuan bahasa dan penalaran umum, sementara post-training memusatkan upaya tambahan pada alur kerja yang benar-benar digunakan pelanggan.

Mengapa open-weight dapat membantu spesialisasi dan efisiensi biaya

Model open-weight menyediakan parameter numerik terlatih yang dapat dijalankan dan dimodifikasi oleh organisasi, berbeda dari model tertutup yang hanya dapat diakses melalui API yang dikendalikan penyedianya. Bobot Kimi K3 yang dirilis Moonshot AI memberi Harvey fondasi yang dapat diadaptasi langsung untuk pekerjaan hukum.

Kendali tersebut dapat mendukung akurasi yang lebih terarah. Perusahaan dapat berulang kali melatih dan mengevaluasi model menggunakan dokumen, urutan tugas, serta kriteria kualitas yang memang penting bagi industri atau pelanggannya. Hasilnya tidak otomatis lebih baik daripada model tertutup, tetapi perusahaan memperoleh kebebasan lebih besar untuk mengoptimalkannya bagi kebutuhan produksi yang spesifik.

Open-weight juga dapat mengubah struktur biaya inferensi. Perusahaan bisa memilih perangkat keras, perangkat lunak penyajian, dan teknik optimasinya sendiri, alih-alih membayar tarif penyedia model tertutup untuk setiap token. Meski demikian, model open-weight tidak gratis untuk dioperasikan. Biaya komputasi, perangkat keras, rekayasa, keamanan, dan pemeliharaan tetap besar.

Untuk agen hukum yang memproses banyak dokumen atau bekerja dalam waktu lama, menekan biaya setiap operasi dapat membuat alur kerja berkelanjutan dan multi-tahap lebih layak ditawarkan secara komersial. Inilah logika bisnis di balik kombinasi model dasar yang mumpuni dengan post-training khusus domain.

Sinyal yang dikirimkan ke pasar AI

Langkah Harvey menjadi contoh penting dari perubahan strategi di sektor AI vertikal. Perusahaan aplikasi tidak selalu harus menang dengan melatih model serbaguna terbesar. Mereka dapat bersaing melalui data khusus, masukan pakar, sistem evaluasi, desain alur kerja, kemampuan deployment, dan kepercayaan pelanggan.

Pilihan Kimi K3 juga memiliki arti strategis. Langkah ini menunjukkan bahwa perusahaan teknologi Barat dapat menjadikan model open-weight dari China sebagai infrastruktur teknis, meskipun persaingan AI global masih dipengaruhi rivalitas geopolitik dan komersial yang lebih luas.

Daya tariknya bukan berarti model China unggul secara universal. Bagi produk perusahaan dengan fokus sempit, ketersediaan terbuka, kemudahan kustomisasi, dan potensi biaya penyajian yang lebih rendah bisa lebih penting daripada posisi sebuah model pada tolok ukur serbaguna.

Tetap ada catatan penting: open weights memindahkan kendali, bukan menghapus seluruh biaya dan risiko. Perusahaan masih membutuhkan infrastruktur untuk menjalankan model, keahlian untuk mengevaluasinya, serta perlindungan bagi data hukum yang sensitif.

Karena itu, Tenet bukan penolakan total terhadap model tertutup. Langkah ini lebih tepat dibaca sebagai taruhan bahwa memiliki model khusus kini semakin mungkin—dan semakin bernilai secara strategis—bagi perusahaan perangkat lunak yang melayani industri tertentu.