Harvey Tenetが示す、法律AIの「モデルを借りる」から「自社で持つ」への転換

HarveyのHarvey Tenetは、単なる法律相談チャットボットの新製品ではありません。OpenAIやAnthropicなど外部企業の基盤モデルを主にカスタマイズしてきた法律AI企業が、モデルそのものをより深く管理する側へ踏み出したことを示す発表です。

Tenetは、米国の法律AI企業Harveyが初めて手がける社内モデルです。中国のAI企業Moonshot AIが開発したオープンウェイトモデル「Kimi K3」を基盤に、Fireworks AIと共同で法務向けの追加学習を行いました。

この動きの核心は、最初から巨大な基盤モデルをゼロから開発することではありません。すでに能力のあるモデルに、法律分野のデータ、専門家の判断、実際の業務フローに近い評価方法を組み合わせ、特定の職種に適したAIへ仕上げることです。垂直型AIの現実的なアプローチを示す事例ともいえます。

Harvey Tenetとは何か

HarveyはTenetを、法律業務のために初めてポストトレーニング（追加学習）したモデルと説明しています。基盤となったのは、Moonshot AIのKimi K3です。

ポストトレーニングとは、モデルの基礎学習が終わった後に、特定の用途に合わせて性能や振る舞いを調整する工程です。Harveyによると、Tenetの開発では、公開されている法律データ、合成データ、人間の専門家が作成したデータを使い、契約審査やデューデリジェンスなど、長時間にわたる複雑な法務作業を模擬しました。

つまりTenetは、汎用チャットボットに法律用語を覚えさせただけのものではありません。契約レビュー、調査、訴訟関連の分析など、弁護士が数時間から数日かけて行うような長いタスクを念頭に置いた、Kimi K3の専門化バージョンです。

性能についてHarveyが主張していること

Harveyは、Tenetが自社のLAB法律ベンチマークで最先端水準に達し、第三者の法律ベンチマークにも一般化すると説明しています。同社の公表データでは、Tenetは基盤モデルのKimi K3と比べ、保留していたLABタスクをほぼ2倍、LABの契約タスクを20％多く完了しました。全項目に合格する割合も、それぞれ9ポイントと2ポイント上昇したとされています。

この数字からは、追加学習によって、Harveyが選んだ評価課題でKimi K3の性能が大きく改善したことが読み取れます。ただし、これだけでTenetが実際の法律業務において、あらゆる競合モデルを上回ると結論づけることはできません。

ベンチマークは、課題の設計、問題の選び方、プロンプト、評価者の方法、実際の導入環境によって結果が変わります。特に法律業務では、正確性だけでなく、根拠の追跡可能性、機密情報の扱い、回答の一貫性も重要です。発表時点では、TenetがHarveyのサービス上でいつから本格稼働するのかも明確ではないと報じられており、独立した実運用テストが次の焦点になります。

なぜKimi K3を選んだのか

Harveyの選択が注目されるのは、同社がOpenAIと強い関係を持ち、過去にはOpenAIと法律専門家向けのカスタムモデルを開発していたからです。法律AIの分野では、OpenAIやAnthropicなどが提供するクローズドなモデルを利用し、各社のAPI、料金体系、インフラ、リリース計画に依存する構成が一般的でした。

一方、オープンウェイトモデルを基盤にすれば、Harveyは追加学習の方法や運用場所、特定の法務タスクへの最適化をより自由に決められます。繰り返し発生する契約確認や調査業務を自社モデルに振り分け、難度の高い問題だけを外部の大規模モデルに任せる、といった使い分けも可能になります。

ただし、自由度が増す分、責任も増えます。モデルの運用に必要な計算資源、セキュリティー、品質評価、障害対応、継続的なメンテナンスをHarvey自身が担わなければなりません。外部APIを使う場合に基盤モデルの提供会社が負担していたコストやリスクを、自社側で引き受けることになります。

また、Kimi K3が中国企業のモデルである点も、企業のAI調達に新たな検討事項を加えます。性能や価格だけでなく、モデルの出所、セキュリティー、ガバナンス、顧客の受け入れやすさを含めたモデル・デューデリジェンスが必要になります。西側企業が中国発のオープンウェイトモデルを採用する流れは、国や地域の違いが消えたことを意味するのではなく、商用AIの選定基準が性能と経済性を含む総合判断へ移っていることを示しています。

自社モデル化で変わるコスト構造

法律AIでは、モデルの利用コストがそのまま製品の利益率や設計に影響します。外部の最先端モデルAPIは通常、処理したトークン量などに応じて課金されるため、長い文書、複数のエージェント処理、何段階にも及ぶ推論を顧客が使うほど費用は膨らみます。

オープンウェイトだからといって、推論が無料になるわけではありません。Harveyには計算資源、データの準備、セキュリティー対策、品質管理、モデルを維持するエンジニアが必要です。それでも同社は、追加学習の過程で効率的なツール利用や推論を促し、推論時に消費するトークンを抑えられる可能性があると説明しています。

ここから想定されるのは、モデルの役割分担です。自由度が高く難しい質問には高価な汎用モデルを使い、定型的で大量に発生する法務業務は、より安価に運用できる専門モデルで処理する。Tenetがこの構成を実現できれば、回答の精度と運用コストのバランスをHarveyが自ら調整しやすくなります。

もっとも、実際の経済性は基盤モデルの価格だけでは決まりません。Tenetの正確性、応答速度、利用率、必要な計算資源、監視や安全対策の費用を総合して初めて、外部モデルより有利かどうかが分かります。

Harveyの製品戦略に与える影響

Harveyは法律事務所や企業の法務部門向けに、契約分析、デューデリジェンス、コンプライアンス、訴訟関連業務などを支援するドメイン特化型AIを提供しています。同社のウェブサイトによれば、2,400を超える法律関連組織がプラットフォームを利用しています。

大規模な顧客基盤を持つHarveyにとって、ユーザーが触れる画面だけでなく、その下にあるモデル層まで管理する意味は大きいでしょう。法務の現場では、機密性の高い案件情報を扱うため、回答の一貫性、セキュリティー、監査可能性、業務ごとの性能が求められます。

Tenetは将来的に、モデル、AIエージェントの制御、案件の文脈、専門ワークフローを一体化したプラットフォームの土台になる可能性があります。また、顧客企業が自社固有の知識に合わせてモデルを調整する際の基盤になる可能性も報じられています。ただし、これは将来の方向性として報じられたものであり、発表時点で確定した機能と見るべきではありません。

垂直型AIにとっての意味

Tenetの最大の意味は、技術的な新規性というより、専門領域のAI企業が基盤モデルをどう所有・管理するかという戦略にあります。

垂直型AI企業は、次の4つを組み合わせることで、基盤モデルをゼロから開発せずに製品の差別化を図れます。

• オープンウェイトの汎用モデルを出発点にする
• 業界固有のデータや専門家の知見を加える
• 現場の業務フローに合わせて追加学習する
• エージェント、文脈、評価、導入環境を製品側で制御する

この方法なら、最大手の基盤モデル開発企業と同じ規模の資本やインフラを用意せずに、専門領域で実用的な優位性を築ける可能性があります。その一方で、ベンチマークの改善が本当に現場の成果につながるのか、機密データを守れるのか、失敗を検知して修正できるのかを、アプリケーション企業自身が証明しなければなりません。

HarveyにとってTenetは、モデルの発表であると同時に、垂直統合の実験でもあります。Kimi K3というオープンウェイトの土台に法律知識と業務データを組み合わせれば、商用価値のある専門モデルを作れるのか。そして、自社モデルを持つことでコストと製品性能を本当にコントロールできるのか。現時点の情報は、その戦略転換を裏付けていますが、実際の優位性を判断するには、独立評価と法律実務での継続的な検証を待つ必要があります。