하비 테넷, ‘빌려 쓰는 AI’에서 법률 지능을 직접 소유하는 시대로

하비의 **하비 테넷(Harvey Tenet)**은 새로운 법률 챗봇 하나를 추가한 것 이상의 의미를 갖는다. 하비가 처음으로 자체 개발한 모델이며, 문샷 AI의 오픈 웨이트 모델 Kimi K3를 장시간이 소요되는 법률 업무에 맞게 후학습했다.

이는 하비가 외부 기업의 범용 기반 모델을 주로 조정해 사용하던 방식에서 벗어나, 모델 계층의 더 많은 부분을 직접 소유하려는 움직임이다. 성공한다면 하비는 플랫폼 안에서 작동하는 AI의 비용 구조와 동작 방식을 더 세밀하게 통제할 수 있다.

동시에 테넷은 수직형 AI의 전형적인 사례이기도 하다. 범용 모델을 처음부터 새로 만드는 대신, 이미 성능이 입증된 모델에 산업별 데이터와 업무 흐름, 평가 방식을 결합해 특정 전문 영역에 맞게 다듬는 접근이다. 다만 테넷의 가장 강한 성능 수치는 현재 하비가 자체적으로 제시한 주장인 만큼, 독립적인 시험과 실제 사용 결과가 나오기 전까지는 신중하게 해석할 필요가 있다.

하비 테넷은 어떤 모델인가

하비는 테넷을 법률 업무를 위해 처음으로 특화 후학습한 모델이라고 설명한다. 기반 모델은 중국 AI 기업 문샷 AI가 개발한 오픈 웨이트 시스템 Kimi K3이며, 하비는 후학습 과정에서 파이어웍스 AI와 협력했다.

‘후학습(post-training)’은 처음부터 새로운 기반 모델을 훈련하는 것이 아니라, 기본 훈련을 마친 모델을 특정 목적에 맞게 추가로 개선하는 과정이다. 하비에 따르면 테넷에는 공개 법률 데이터, 합성 데이터, 장시간 이어지는 법률 업무를 모사한 인간 전문가 데이터가 활용됐다.

따라서 테넷은 완전히 새로운 범용 모델이라기보다, 기존 오픈 웨이트 모델을 계약 검토, 실사, 복잡한 법률 분석 등 전문 업무에 맞게 개조한 모델에 가깝다.

성능은 얼마나 개선됐나

하비는 테넷이 자사의 LAB 법률 벤치마크에서 최고 수준의 성능을 기록했으며, 제3자 법률 벤치마크에도 일반화된다고 주장한다. 회사가 공개한 업데이트에 따르면 테넷은 기본 Kimi K3보다 별도로 보류한 LAB 과제를 거의 두 배 더 완료했고, LAB 계약 과제에서는 20% 더 많은 과제를 수행했다. 모든 평가 항목을 통과한 비율도 각각 9%포인트와 2%포인트 높아졌다는 설명이다.

이 수치는 하비가 선택한 평가 환경에서 후학습이 기본 모델의 성능을 실질적으로 높였음을 보여준다. 그러나 이것만으로 테넷이 실제 법률 현장에서 모든 경쟁 모델보다 뛰어나다고 단정할 수는 없다. 벤치마크의 설계, 과제 선정, 프롬프트, 평가자 방식, 배포 환경이 결과에 영향을 줄 수 있기 때문이다.

공개된 보도에 따르면 발표 당시 테넷의 실제 이용 가능 여부와 출시 일정도 완전히 명확하지 않았다. 비즈니스 인사이더는 하비가 모델을 소개했지만 아직 하비 플랫폼 안에서 가동되지는 않았으며, 회사도 제공 시점을 밝히지 않았다고 보도했다. 결국 다음 단계는 실제 제품 환경에서의 독립적인 검증이 될 가능성이 크다.

왜 Kimi K3를 선택했나

하비의 Kimi K3 선택은 특히 눈에 띈다. 하비는 서구권 AI 기업들과 긴밀한 관계를 맺어왔고, 과거에는 OpenAI와 함께 법률용 맞춤 모델을 개발하기도 했다. 더 넓게 보면 법률 AI 플랫폼들은 OpenAI와 앤트로픽 같은 기업의 폐쇄형 모델에 의존해왔으며, 사용료를 지불하는 대신 해당 업체의 출시 일정과 가격, 인프라에 영향을 받았다.

오픈 웨이트 기반을 사용하면 하비가 모델을 수정하고 배포할 수 있는 재량이 커진다. 어떤 방식으로 후학습할지, 어떤 업무에 최적화할지, 법률 작업의 종류별로 어느 모델에 요청을 보낼지를 직접 결정할 수 있다.

물론 책임도 함께 커진다. 외부 모델 API를 사용할 때 제공업체가 부담하던 인프라 운영, 보안, 평가, 유지보수, 모델 운영 업무를 하비가 더 많이 맡아야 한다.

이 선택은 AI 개발의 실용적인 변화도 보여준다. 오픈 웨이트 모델이 충분한 출발점이 되고 법적·기술적으로 조정 가능하며 비용 측면에서 유리하다면, 상업적 사용자에게 모델의 출신 국가만으로 선택을 결정하기는 어려워질 수 있다. 그렇다고 데이터 출처, 보안, 거버넌스, 고객 수용성 문제가 사라지는 것은 아니다. 오히려 기업의 AI 도입 심사 과정에서 함께 검토해야 할 항목이 된다.

모델을 더 많이 소유할 때의 사업적 이점

고부가가치 전문 업무를 처리하는 법률 플랫폼에서는 모델 비용이 수익성과 제품 설계에 직접 영향을 준다. 외부 최첨단 모델 API는 일반적으로 사용량에 따라 과금되므로, 긴 문서나 여러 단계의 에이전트 작업, 장시간 추론을 고객이 많이 사용할수록 비용도 늘어난다. 자체 모델을 보유하면 하비는 적합한 업무를 직접 통제하는 인프라로 보내고, 모든 작업을 외부 모델에 전달하지 않을 수 있다.

오픈 웨이트라고 해서 추론 비용이 사라지는 것은 아니다. 하비는 여전히 컴퓨팅 자원, 데이터 준비, 품질 관리, 보안 시스템, 모델을 유지할 엔지니어를 필요로 한다. 다만 하비는 후학습 과정에서 도구 사용과 추론을 더 효율적으로 하도록 유도했으며, 그 결과 실행 시 소비되는 토큰 수를 줄일 수 있다고 설명한다.

이렇게 되면 업무를 나누는 전략이 가능해진다. 매우 어렵거나 범위가 열려 있는 질문에는 고가의 범용 모델을 사용하고, 반복적이고 대량으로 처리되는 법률 업무에는 특화 모델을 배치하는 방식이다. 다만 실제 경제성이 개선되는지는 모델 가격만으로 결정되지 않는다. 테넷의 정확도, 응답 속도, 실제 이용률, 필요한 인프라 규모가 모두 영향을 미친다.

하비의 제품 전략은 어떻게 달라지나

하비는 법률회사와 기업 법무팀을 위한 도메인 특화 AI 기업으로 자리매김해왔다. 회사 웹사이트에 따르면 2,400곳 이상의 법률 조직이 플랫폼을 사용하고 있으며, 하비는 법률회사와 사내 법무 부서 전반에 제품을 배포해왔다.

이 고객 기반은 하비가 사용자 화면 아래의 기술 스택을 더 많이 직접 통제하려는 이유가 될 수 있다. 법률 고객은 계약 분석, 실사, 컴플라이언스, 소송 등 업무에서 일관된 동작, 보안, 추적 가능성, 안정적인 성능을 요구한다.

테넷은 앞으로 하비가 모델, AI 에이전트의 작업 조율, 사건·업무 맥락, 전문 워크플로를 하나의 플랫폼 안에서 더 긴밀하게 연결하는 기반이 될 수 있다. 장기적으로 고객이 자체 조직 지식에 맞춰 모델을 조정할 수 있는 토대가 될 가능성도 제기됐다. 다만 이는 출시 시점에 확인된 기능이라기보다 향후 방향으로 보는 것이 적절하다.

수직형 AI 산업에 주는 시사점

테넷의 가장 중요한 의미는 기술적 세부사항보다 전략에 있다. 전문 산업을 겨냥한 AI 기업이 의미 있는 제품 통제력을 확보하기 위해 반드시 최첨단 기반 모델을 처음부터 개발할 필요는 없다는 점이다.

수직형 AI 기업은 다음 네 가지를 결합할 수 있다.

• 출발점이 될 오픈 웨이트 범용 모델
• 독점 데이터 또는 전문가가 만든 도메인 데이터
• 해당 산업의 업무 흐름을 겨냥한 후학습
• 에이전트, 맥락, 평가, 배포를 통제하는 제품 계층

이 방식은 대형 기반 모델 개발사와 정면으로 경쟁하는 데 필요한 막대한 자본과 인프라를 투입하지 않고도 차별화를 시도하게 해준다. 반면 신뢰성 입증, 민감한 데이터 보호, 오류 감시, 벤치마크 성능이 실제 업무 성과로 이어지는지 확인하는 책임은 애플리케이션 기업이 더 많이 부담해야 한다.

결국 하비 테넷은 단순한 모델 출시가 아니라 수직형 통합의 실험이다. 하비는 법률 전문성과 업무 데이터를 활용해 오픈 웨이트 기반 모델을 상업적으로 가치 있는 시스템으로 바꾸고, 특화 모델을 직접 보유함으로써 비용과 제품 성능에 대한 통제력을 높이려 한다. 현재까지 공개된 근거는 이러한 전략적 전환을 뒷받침하지만, 실제 우위의 규모는 독립 평가와 테넷이 현실의 법률 업무에서 보여줄 성과에 달려 있다.