なぜHarveyはAIモデルを借りず、中国発Kimi K3で「Tenet」を作ったのか

Harveyが法律AIモデル「Harvey Tenet」を開発した背景には、2つの現実的な課題があった。ひとつは、数秒で回答するチャットではなく、数時間から数日にわたって進む法務業務でAIの性能を高めること。もうひとつは、そのAIを動かすモデルのコストと挙動を自社でより細かく管理することだ。

Harveyは基盤モデルをゼロから開発するのではなく、報道によれば、Moonshot AIのオープンウェイトモデル「Kimi K3」をベースに、法律分野のデータと弁護士のフィードバックを使って追加学習した。

Harveyが解決しようとした課題

法律実務の多くは、単純な質問と回答の繰り返しではない。契約書の審査、企業買収に伴うデューデリジェンス、証拠資料の分析、訴訟支援などでは、大量の文書を読み込み、文脈を維持しながら複数の判断を積み重ねる必要がある。

Tenetは、こうした「長時間・多段階」のエージェント型ワークフローを意識して設計された。従来のチャットボットのようにすぐ答えるのではなく、弁護士が数時間、場合によっては数日かけて進める仕事をAIが処理することを狙っている。

経済的な理由も大きい。これまでHarveyは、Anthropic、OpenAI、Googleなど複数の外部モデルを用途に応じて使い分けてきた。自社で特化モデルを持てば、主力業務の性能を高めながら、外部APIへの依存を抑える選択肢が生まれる。

Tenetはどのように作られたのか

Tenetは、新しい汎用基盤モデルを最初から学習したものではない。すでに幅広い言語能力や推論能力を持つオープンウェイトのベースモデルに、法律推論向けの追加学習を施した専門モデルだ。ベースにKimi K3が使われたと報じられている。

報告されている学習データには、次のようなものが含まれる。

• 公開されている法律関連資料
• 合成データで作った法務タスクや模擬紛争
• 模擬事件記録や契約シナリオ
• 弁護士や法律専門家が作成、確認、採点した回答例

特に重要なのが、法律専門家による評価だ。法律知識は文書を大量に読ませれば身につくというものではない。ある解釈が妥当か、交渉方針に無理がないか、複数段階の分析が論理的につながっているかを判断する力も求められる。

弁護士に模擬案件を作成してもらい、AIの回答を評価してもらうことで、Harveyは実際の法務業務に近い品質基準を学習・検証データに組み込もうとした。

Harveyが主張するTenetの性能

Harveyは、Tenetについて、主要な法律ベンチマークで「フロンティアレベル」の性能に達し、対象となる業務では最先端の汎用モデルと同等だと説明している。

同社の技術アップデートによると、TenetはLegal Agent Benchmark（LAB）の保留タスクで、ベースモデルのKimi K3と比べてほぼ2倍のタスクを完了した。また、LAB Contractsでは完了数が20％増加したという。全項目に合格する「オールパス率」については、LABで9ポイント、LAB Contractsで2ポイント改善したと報告している。

別の発表では、Kimi K3を基準にした相対的な改善率として、LABで82％、LAB Contractsで22％を示し、LAB Contractsでは1位、LAB全体では2位になったとしている。

ただし、これらはベンチマークに関する企業側の主張として読む必要がある。提示された根拠の中心はHarveyの発表と、それに基づく報道であり、あらゆる法域・案件における実務上の正確性が独立に検証されたことを示すものではない。

「モデルを使う会社」から「モデルを持つ会社」へ

Tenet以前のHarveyは、主にアプリケーション層を担う企業だった。外部企業が提供するクローズドモデルを使いながら、プロンプト、ワークフロー、モデルの振り分けを自社で最適化する戦略である。この方法なら、巨額の費用をかけてモデルそのものを開発・運用せずに、高性能なAIをサービスへ組み込める。

Tenetによって、モデルはHarveyの技術スタックの中でより重要な位置を占めるようになった。

• 従来の方式： 外部プロバイダーのクローズドモデルを組み合わせ、アプリケーション側でカスタマイズする
• Tenetの方式： 公開されたモデルの重みを出発点に、法律タスク向けの追加学習を行い、専門モデルとして自社製品で使う

これは単なる技術上の違いではない。モデルの重みにアクセスできれば、自社のデータ、評価基準、製品ワークフローに合わせて繰り返し調整できる。また、リクエストのたびにクローズドAPIの料金を支払うのではなく、提供インフラや推論最適化の方針も自社で決められる。

ポストトレーニングとは何か

ポストトレーニングとは、モデルが最初の大規模学習を終えた後に、特定の能力や行動を改善するために行う追加学習のことだ。一般的な言語能力をゼロから教えるのではなく、厳選した例、専門家のフィードバック、合成タスク、結果に基づく評価などを使って、特定分野での応答品質を高める。

Tenetの場合、目標は長時間にわたる法務推論だった。Harveyは、合成データ、公開法律データ、人間の専門家が作成したデータを組み合わせ、法律シナリオをどのように処理するかを学習・評価したと説明している。

垂直型AI企業にとって、この方法は新しいフロンティアモデルを作るより効率的になり得る。ベースモデルが広い言語能力と推論能力を提供し、ポストトレーニングによって顧客が実際に使う業務へ追加の開発リソースを集中できるためだ。

オープンウェイトが専門性とコスト管理にもたらすもの

オープンウェイトモデルとは、AIの学習済みパラメーターが公開され、組織が自社の環境で実行したり、追加学習を施したりできるモデルを指す。プロバイダーが管理するAPI経由でしか利用できないクローズドモデルとは異なり、Kimi K3の公開された重みは、Harveyが法律業務向けに直接適応させるための土台になった。

この自由度は、より狭い用途での精度向上につながる可能性がある。企業は、自社の業界や顧客にとって重要な文書、タスクの手順、品質基準を使い、学習と評価を繰り返せるからだ。もちろん、オープンウェイトだから自動的にクローズドモデルより優れるわけではない。強みは、特定の本番用途に合わせて最適化しやすい点にある。

コスト構造も変わる。企業は自社でハードウェア、推論ソフトウェア、量子化などの最適化手法を選び、外部モデル事業者へトークンごとのAPI料金を支払う以外の運用方法を検討できる。ただし、モデルの重みを入手できても運用が無料になるわけではない。計算資源、ハードウェア、エンジニアリング、セキュリティ、保守には大きな費用がかかる。

大量の文書を処理したり、長時間動作したりする法律エージェントでは、1回の処理コストを下げられるかどうかが、継続的なサービス提供のしやすさを左右する。高性能なベースモデルと分野特化のポストトレーニングを組み合わせる背景には、この事業上の計算がある。

中国発モデルを選んだことの意味

Harveyの決定は、垂直型AIの競争軸が変わりつつあることを示す一例だ。アプリケーション企業は、最大の汎用モデルを自社で訓練しなくても、専門データ、専門家のフィードバック、評価手法、業務設計、導入支援、顧客からの信頼で競争できる。

Kimi K3を選んだ点も戦略的に注目される。米国のOpenAIなどが出資する西側企業が、中国のMoonshot AIが開発したオープンウェイトモデルを技術基盤として扱ったからだ。AIの主導権をめぐる地政学的・商業的な競争が続く中でも、特定の企業向け製品では、汎用ベンチマークでの順位より、公開性、カスタマイズ性、運用コストの可能性が重視される場合がある。

これは、中国製モデルがあらゆる面で西側のクローズドモデルを上回ることを意味しない。むしろ、オープンに利用でき、専門用途へ作り替えられる十分な能力を持つモデルなら、企業は自社のデータとワークフローを武器にできる、ということだ。

もっとも、オープンウェイトが移転するのは「コントロール」であって、すべての費用やリスクではない。企業には、モデルを動かすインフラ、性能を検証する専門知識、機密性の高い法律データを守るための安全対策が必要になる。

その意味でTenetは、Harveyがクローズドモデルを完全に否定したことを示すものではない。専門モデルを自社で所有し、運用することが、企業向けソフトウェア会社にとって現実的かつ戦略的に価値のある選択肢になりつつある、という賭けなのである。