Harvey Tenet segna il passaggio dai modelli “in affitto” all’intelligenza legale proprietaria

Harvey Tenet non è soltanto un nuovo chatbot per avvocati. È il primo modello sviluppato internamente da Harvey, ottenuto attraverso il post-addestramento di Kimi K3, il modello open-weight di Moonshot AI, per affrontare attività giuridiche di lunga durata e ad alta complessità.

La strategia segna un cambio di direzione: Harvey passa dall’essere soprattutto un’applicazione costruita e personalizzata sopra modelli di terzi a controllare direttamente una parte maggiore del livello dei modelli. In prospettiva, questo potrebbe darle più margine di manovra su costi, prestazioni e comportamento dell’IA integrata nella piattaforma.

Tenet è anche un caso significativo di vertical AI: invece di addestrare da zero un modello generalista di frontiera, un’azienda parte da una base già capace e la adatta con dati, procedure e valutazioni specifiche per un settore professionale. Le dichiarazioni più ambiziose sulle prestazioni, però, restano per ora dichiarazioni di Harvey: serviranno verifiche indipendenti e risultati d’uso più ampi per misurarne il reale valore.

Che cos’è Harvey Tenet

Harvey descrive Tenet come il suo primo modello post-addestrato specificamente per il lavoro legale. La base è Kimi K3, un sistema open-weight sviluppato da Moonshot AI, la società cinese che ha creato Kimi. Per il lavoro di post-addestramento Harvey ha collaborato con Fireworks AI.

Il “post-addestramento” consiste nel migliorare un modello dopo la fase iniziale di addestramento, senza costruire da zero un nuovo modello di base. Nel caso di Tenet, Harvey afferma di aver utilizzato dati legali disponibili pubblicamente, dati sintetici e dati prodotti da esperti umani per simulare attività giuridiche estese nel tempo.

La distinzione è importante: Tenet non viene presentato come un modello generalista completamente nuovo, ma come una versione specializzata di una base open-weight esistente. L’obiettivo è affrontare attività come l’analisi dei contratti, la due diligence e altri flussi di lavoro legale complessi.

Le prestazioni dichiarate da Harvey

Harvey sostiene che Tenet raggiunga prestazioni allo stato dell’arte nel proprio benchmark legale LAB e che generalizzi anche a benchmark giuridici di terze parti. Nell’aggiornamento pubblicato dall’azienda, il modello avrebbe completato quasi il doppio dei compiti LAB riservati alla valutazione rispetto al Kimi K3 di base e il 20% in più dei compiti relativi ai contratti LAB. Harvey segnala inoltre un aumento del tasso di superamento completo, rispettivamente di 9 e 2 punti percentuali.

Questi dati suggeriscono che il post-addestramento abbia migliorato in modo rilevante il modello di partenza nelle valutazioni selezionate da Harvey. Da soli, tuttavia, non dimostrano che Tenet sia migliore di ogni modello concorrente nell’attività legale quotidiana. La progettazione del benchmark, la scelta dei compiti, i prompt, i metodi di valutazione e le condizioni di utilizzo possono influenzare il risultato.

Anche la disponibilità effettiva del modello non era del tutto chiara al momento dell’annuncio. Secondo Business Insider, Tenet era stato presentato ma non era ancora attivo nella piattaforma Harvey; l’azienda non aveva indicato quando sarebbe diventato disponibile. Per questo i test indipendenti in produzione saranno il prossimo banco di prova.

Perché la base Kimi K3 è importante

La scelta di Kimi K3 è degna di nota perché Harvey ha rapporti consolidati con fornitori occidentali di IA e in passato aveva collaborato con OpenAI alla realizzazione di un modello legale personalizzato. Più in generale, le piattaforme di IA per il settore giuridico hanno fatto affidamento su sistemi chiusi di aziende come OpenAI e Anthropic, pagando l’accesso ai modelli e dipendendo dai loro calendari di rilascio, prezzi e infrastrutture.

Partire da una base open-weight offre a Harvey più libertà per modificare e distribuire il modello. L’azienda può decidere come post-addestrarlo, come ottimizzarlo per determinati carichi di lavoro e quali attività affidargli. Il rovescio della medaglia è una maggiore responsabilità diretta su infrastruttura, sicurezza, valutazione, manutenzione e gestione operativa del modello: costi che, quando si utilizzano API di terze parti, ricadono in larga parte sui fornitori esterni.

La decisione mostra anche un approccio pragmatico allo sviluppo dell’IA. Per un cliente aziendale, l’origine geografica di un modello può diventare meno determinante quando una base open-weight offre capacità sufficienti, può essere adattata legalmente e tecnicamente e presenta un’economia favorevole. Restano comunque aperte le questioni relative a provenienza, sicurezza, governance e accettazione da parte dei clienti: semplicemente, entrano a far parte della verifica preventiva del modello in ambito enterprise.

Il vantaggio economico di possedere una parte maggiore dello stack

Per una piattaforma legale che gestisce attività professionali ad alto valore, l’economia dei modelli può incidere direttamente sui margini e sulla progettazione del prodotto. Le API dei modelli generalisti più avanzati vengono normalmente fatturate in base all’utilizzo: i costi aumentano quando i clienti analizzano documenti lunghi, eseguono più passaggi tramite agenti o richiedono ragionamenti prolungati. Un modello interno permetterebbe a Harvey di indirizzare i carichi di lavoro adatti verso un’infrastruttura sotto il suo controllo, senza inviare ogni attività a un modello di terze parti.

I pesi aperti non rendono gratuita l’inferenza. Harvey deve comunque sostenere i costi di calcolo, preparazione dei dati, controllo della qualità, sicurezza e manutenzione tecnica. L’azienda afferma però che il post-addestramento ha favorito un uso più efficiente degli strumenti e del ragionamento, riducendo potenzialmente il numero di token consumati durante l’inferenza.

Potrebbe così emergere una divisione dei compiti: i modelli generalisti più costosi resterebbero utili per le domande più difficili o aperte, mentre un modello specializzato gestirebbe attività legali ripetibili e ad alto volume con costi operativi inferiori. Il risultato economico reale dipenderà però da accuratezza, latenza, livello di utilizzo e requisiti infrastrutturali di Tenet, non soltanto dal prezzo dei pesi del modello.

Cosa cambia nella strategia di prodotto di Harvey

Harvey si è posizionata come piattaforma di IA specializzata per studi legali e team di servizi professionali. Sul proprio sito dichiara che più di 2.400 organizzazioni legali utilizzano la piattaforma e descrive implementazioni presso studi e uffici legali interni alle aziende.

Una base clienti di questo tipo offre a Harvey un motivo concreto per controllare una porzione maggiore della tecnologia che sostiene il prodotto. I clienti legali hanno bisogno di comportamento coerente, sicurezza, tracciabilità e prestazioni affidabili in attività come analisi contrattuale, due diligence, conformità normativa e contenzioso.

Tenet potrebbe quindi diventare il nucleo di una piattaforma più integrata, nella quale Harvey controlla modello, orchestrazione degli agenti, contesto delle pratiche e flussi di lavoro specializzati. In futuro, potrebbe inoltre facilitare la personalizzazione per i clienti che desiderano adattare i modelli alla propria conoscenza istituzionale. Questa possibilità è stata riportata, ma va considerata una direzione futura e non una funzionalità confermata al momento del lancio.

La lezione più ampia per l’IA verticale

L’implicazione principale di Tenet è strategica, più che tecnica: le aziende di IA specializzate potrebbero non aver bisogno di addestrare da zero modelli di frontiera per ottenere un controllo significativo sui propri prodotti.

Un’azienda di IA verticale può combinare quattro elementi:

• un modello generalista open-weight come punto di partenza;
• dati proprietari o creati da esperti del settore;
• post-addestramento mirato ai flussi di lavoro dell’industria;
• controlli a livello di prodotto per agenti, contesto, valutazione e distribuzione.

Questo approccio può creare una differenziazione senza richiedere il capitale e l’infrastruttura necessari per competere direttamente con i maggiori sviluppatori di modelli di base. Allo stesso tempo, trasferisce sull’azienda applicativa una parte maggiore del lavoro più difficile: dimostrare l’affidabilità, proteggere i dati sensibili, monitorare gli errori e verificare che i miglioramenti nei benchmark si traducano in risultati utili.

Per Harvey, dunque, Tenet è sia un lancio di prodotto sia un test di integrazione verticale. L’azienda scommette che competenza legale e dati sui flussi di lavoro possano trasformare una base open-weight in un sistema commercialmente prezioso, migliorando al tempo stesso il controllo sui costi e sulle prestazioni. Le prove disponibili sostengono il cambio di strategia; l’entità del vantaggio pratico dipenderà dalle valutazioni indipendenti e dal comportamento di Tenet nel lavoro legale reale.