Perché Harvey ha scelto il Kimi K3 cinese per il suo modello legale Tenet

La decisione di Harvey di costruire Harvey Tenet nasce da due esigenze concrete: far lavorare meglio la propria IA legale su attività che si sviluppano nell’arco di ore o giorni e ottenere un controllo maggiore sui costi e sul comportamento dei modelli. Invece di addestrare da zero un nuovo modello di base, la società ha sottoposto a post-training il modello open-weight Kimi K3 di Moonshot AI, utilizzando dati giuridici e il feedback di avvocati.

Il problema che Harvey voleva risolvere

Molte attività legali non si riducono a una domanda e una risposta. La revisione di un contratto, una due diligence, l’analisi delle prove o il supporto a una controversia possono richiedere di mantenere il contesto, prendere decisioni in più passaggi e lavorare su grandi raccolte di documenti.

Tenet è stato progettato per questi flussi di lavoro agentici e a lungo orizzonte: incarichi che possono richiedere ore o giorni, non pochi secondi.

C’era anche una motivazione economica. Prima di Tenet, Harvey indirizzava attività diverse verso modelli di fornitori esterni, tra cui Anthropic, OpenAI e Google. Un modello specializzato e controllato internamente offre un’ulteriore possibilità per migliorare le prestazioni sui carichi di lavoro principali e ridurre la dipendenza dalle API esterne.

Come è stato addestrato Tenet

Tenet non è un nuovo modello di base generalista addestrato da zero. È un modello specializzato ottenuto partendo da una base open-weight già esistente, indicata dalle ricostruzioni come il Kimi K3 di Moonshot AI, e applicando ulteriore addestramento mirato al ragionamento giuridico.

Il processo riportato ha combinato:

• materiale giuridico disponibile pubblicamente;
• attività legali sintetiche e controversie simulate;
• fascicoli di casi inventati e scenari contrattuali; e
• esempi creati, esaminati o valutati da avvocati e altri esperti del settore.

Quest’ultimo elemento è particolarmente importante. La competenza legale non consiste soltanto nell’avere accesso a una grande quantità di documenti: comprende anche la capacità di valutare se un’interpretazione, una strategia negoziale o un’analisi in più passaggi siano solide.

Chiedere a professionisti del diritto di creare scenari e giudicare le risposte del modello consente quindi di costruire dati di addestramento e valutazione più vicini agli standard del lavoro legale reale.

Le prestazioni dichiarate da Harvey

Harvey descrive Tenet come un modello capace di raggiungere prestazioni di “livello frontier” nei principali benchmark legali e di competere con i modelli generalisti più avanzati nelle attività pertinenti.

Nel proprio aggiornamento tecnico, la società afferma che Tenet ha completato quasi il doppio dei compiti trattenuti del Legal Agent Benchmark rispetto al modello di base Kimi K3 e il 20% in più dei compiti di LAB Contracts. Harvey segnala inoltre un aumento del tasso di superamento completo di 9 punti percentuali su LAB e di 2 punti percentuali su LAB Contracts.

Un altro annuncio aziendale presenta i miglioramenti in termini relativi: +82% su LAB e +22% su LAB Contracts. Secondo Harvey, Tenet si è classificato al primo posto su LAB Contracts e al secondo posto nella graduatoria complessiva di LAB.

Questi numeri vanno però letti per quello che sono: dichiarazioni basate su benchmark, non la prova che Tenet sia sempre più accurato dei modelli chiusi o affidabile per ogni ordinamento e ogni questione giuridica. Le evidenze disponibili provengono soprattutto dall’annuncio di Harvey e dai resoconti che lo hanno ripreso; qui non è documentata una validazione indipendente dell’accuratezza del modello nel lavoro legale quotidiano.

Da integratore di modelli a proprietario del modello

Prima di Tenet, la strategia di Harvey era soprattutto orientata all’applicazione. La società poteva personalizzare prompt, flussi di lavoro e sistemi di instradamento, affidandosi però a modelli proprietari forniti da aziende esterne. Questo approccio consente di utilizzare sistemi molto potenti senza dover costruire e gestire internamente l’intero livello dei modelli.

Tenet cambia il ruolo del modello all’interno della piattaforma tecnologica di Harvey:

• Prima: coordinare o personalizzare modelli chiusi attraverso fornitori esterni.
• Ora: partire da pesi del modello già rilasciati, sottoporli a post-training su attività legali e utilizzare il modello specializzato nel prodotto Harvey.

La differenza non è soltanto tecnica. Avendo accesso ai pesi, Harvey dispone di maggiore libertà per ottimizzare il modello usando i propri dati, i propri test e i propri flussi di lavoro. Può inoltre prendere decisioni sull’infrastruttura di esecuzione e sulle ottimizzazioni, invece di pagare un fornitore per ogni richiesta inviata tramite un’API chiusa.

Che cosa significa “post-training”

Il post-training è un ulteriore addestramento effettuato dopo la fase iniziale, durante la quale il modello acquisisce competenze linguistiche e conoscenze generali. Invece di insegnare da zero la capacità di comprendere e generare testo, gli sviluppatori usano esempi selezionati, feedback di esperti, attività sintetiche e valutazioni basate sui risultati per rafforzare comportamenti o abilità specifiche.

Nel caso di Tenet, l’obiettivo era migliorare il ragionamento giuridico in attività prolungate. La ricetta dichiarata da Harvey ha combinato dati sintetici, materiale legale pubblico e contributi di esperti umani, misurando poi i risultati su compiti non utilizzati durante l’addestramento.

Per un’azienda di IA verticale, questo approccio può essere più efficiente rispetto alla costruzione di un nuovo modello frontier. Il modello di base fornisce capacità linguistiche e di ragionamento generali; il post-training concentra il lavoro aggiuntivo sui processi che i clienti usano davvero.

Perché i pesi aperti possono favorire specializzazione e controllo dei costi

Un modello open-weight rende disponibili i propri parametri numerici, permettendo a un’organizzazione di eseguirlo e modificarlo. Un modello proprietario chiuso, invece, viene normalmente utilizzato soltanto attraverso un’API controllata dal fornitore. I pesi rilasciati di Kimi K3 hanno quindi dato a Harvey una base da adattare direttamente al lavoro legale.

Questo controllo può favorire una maggiore precisione in un settore specifico. L’azienda può addestrare e valutare più volte il modello sui documenti, sulle sequenze operative e sui criteri di qualità realmente importanti per il proprio mercato. Il risultato non è automaticamente migliore di quello di un modello chiuso, ma lascia più spazio per ottimizzare una determinata applicazione produttiva.

I pesi aperti possono cambiare anche l’economia dell’inferenza, cioè il costo di eseguire il modello per generare risposte. L’azienda può scegliere hardware, software di distribuzione e tecniche di ottimizzazione, invece di pagare a ogni richiesta il prezzo stabilito da un fornitore di modelli chiusi. Questo non significa che il modello sia gratuito: calcolo, hardware, ingegneria, sicurezza e manutenzione continuano a generare costi rilevanti.

Per agenti legali che analizzano grandi insiemi di documenti o lavorano per periodi prolungati, ridurre il costo di ogni operazione può rendere più sostenibili i flussi continui e le attività in più passaggi. È questa la logica aziendale che combina una base capace con un post-training specifico per il settore.

Che cosa indica la svolta di Harvey per il mercato dell’IA

La scelta di Harvey è un esempio significativo di un cambiamento più ampio nell’IA verticale. Le aziende che sviluppano applicazioni specializzate non devono necessariamente competere addestrando il modello generalista più grande. Possono distinguersi attraverso dati proprietari, feedback di esperti, sistemi di valutazione, progettazione dei flussi di lavoro, distribuzione e fiducia dei clienti.

La scelta di Kimi K3 è strategicamente rilevante anche per un altro motivo: mostra che una società occidentale può considerare un modello open-weight cinese un’infrastruttura tecnologica, mentre i principali laboratori di IA sono ancora coinvolti in una più ampia competizione geopolitica e commerciale.

L’attrattiva di Kimi K3 non dimostra che i modelli cinesi siano superiori in assoluto. Indica piuttosto che, per un prodotto aziendale focalizzato, la disponibilità dei pesi, la personalizzabilità e la possibilità di ridurre i costi di esecuzione possono contare più della posizione ottenuta nei benchmark generalisti.

La cautela resta essenziale: i pesi aperti trasferiscono il controllo, non eliminano tutti i costi e i rischi. Le aziende devono comunque disporre dell’infrastruttura per eseguire il modello, delle competenze per valutarlo e di misure di protezione per i dati legali sensibili.

Tenet rappresenta quindi meno un rifiuto dei modelli chiusi che una scommessa: per le aziende di software rivolte a settori specifici, possedere e specializzare il livello del modello sta diventando concretamente possibile e, forse, strategicamente decisivo.