Harvey Tenet: waarom deze juridische AI overstapt van gehuurde modellen naar eigen intelligentie

Harvey Tenet is meer dan een nieuwe juridische chatbot. Het is het eerste model dat Harvey zelf in huis heeft ontwikkeld: het bedrijf bouwde voort op het open-weightmodel Kimi K3 van Moonshot AI en trainde dat verder voor langdurige, complexe juridische opdrachten. Daarmee verschuift Harvey van het vooral aanpassen van modellen van andere aanbieders naar meer eigenaarschap over de modellagen onder zijn platform. Dat kan invloed hebben op zowel de kosten als het gedrag van de AI.

De lancering is bovendien een helder voorbeeld van verticale AI: een algemeen model wordt verfijnd met domeinspecifieke gegevens, werkprocessen en evaluaties om beter aan te sluiten op een professionele sector. De krachtigste prestatieclaims over Tenet komen voorlopig wel van Harvey zelf. Onafhankelijke tests en resultaten uit de dagelijkse praktijk moeten nog uitwijzen hoe groot het voordeel werkelijk is.

Wat is Harvey Tenet?

Harvey omschrijft Tenet als zijn eerste model dat specifiek is post-trained voor juridisch werk. De basis is Kimi K3, een open-weightmodel van Moonshot AI, het Chinese AI-bedrijf achter Kimi. Voor het post-trainingstraject werkte Harvey samen met Fireworks AI.

Met ‘post-training’ wordt bedoeld dat een model na de oorspronkelijke basistraining verder wordt verbeterd. Het gaat dus niet om het vanaf nul bouwen van een nieuw algemeen fundament. Volgens Harvey gebruikte het traject openbare juridische data, synthetische data en data van menselijke experts die langdurige juridische taken nabootsen.

Dat onderscheid is belangrijk. Tenet wordt niet gepresenteerd als een volledig nieuw model voor alle mogelijke toepassingen, maar als een gespecialiseerde versie van een bestaande open-weightbasis. Het model is gericht op onder meer contractbeoordeling, due diligence en andere complexe juridische werkstromen.

Welke prestaties claimt Harvey?

Harvey zegt dat Tenet state-of-the-artprestaties behaalt op zijn LAB-juridische benchmark en ook goed generaliseert naar benchmarks van derden. In een eigen update meldt het bedrijf dat Tenet bijna twee keer zoveel achtergehouden LAB-taken voltooide als de onbewerkte basisversie van Kimi K3. Bij LAB-contracttaken zou het model 20 procent meer taken hebben voltooid. De all-pass-rate — het aandeel opdrachten waarbij alle vereiste onderdelen correct zijn — steeg volgens Harvey respectievelijk met 9 en 2 procentpunt.

Die cijfers wijzen erop dat post-training het basismodel op de door Harvey gekozen evaluaties duidelijk heeft verbeterd. Ze bewijzen op zichzelf niet dat Tenet in de praktijk beter is dan elk concurrerend model. De opzet van een benchmark, de geselecteerde taken, de gebruikte prompts, de beoordelingsmethode en de omstandigheden bij implementatie kunnen de uitkomst allemaal beïnvloeden.

Ook was bij de aankondiging nog niet volledig duidelijk hoe en wanneer Tenet beschikbaar zou komen. Business Insider meldde dat het model wel was geïntroduceerd, maar nog niet live stond binnen Harvey. Het bedrijf gaf niet aan wanneer dat zou gebeuren. Onafhankelijke tests in een productieomgeving worden daarom een belangrijke volgende stap.

Waarom is de Kimi K3-basis opvallend?

De keuze voor Kimi K3 is opmerkelijk omdat Harvey sterke banden heeft met westerse AI-aanbieders en eerder samenwerkte met OpenAI aan een juridisch model dat specifiek werd getraind voor juridische professionals. Juridische AI-platforms gebruiken daarnaast vaak gesloten modellen van aanbieders zoals OpenAI en Anthropic. Daardoor betalen ze voor toegang en zijn ze afhankelijk van de planning, prijzen en infrastructuur van die bedrijven.

Een open-weightbasis geeft Harvey meer vrijheid om het model aan te passen en te implementeren. Het bedrijf kan zelf bepalen hoe het post-training uitvoert, voor welke werklasten het model wordt geoptimaliseerd en welke juridische taken via Tenet worden afgehandeld. Daar staat tegenover dat Harvey zelf meer verantwoordelijkheid draagt voor infrastructuur, beveiliging, evaluatie, onderhoud en modelbeheer — kosten die bij gebruik van externe API’s grotendeels bij de modelaanbieder liggen.

De keuze laat ook een pragmatische ontwikkeling in AI zien. Voor commerciële gebruikers kan het land van herkomst van een model minder doorslaggevend worden wanneer een open-weightmodel een sterke basis biedt, technisch en juridisch kan worden aangepast en gunstige kosten oplevert. Dat neemt vragen over herkomst, beveiliging, governance en acceptatie door klanten niet weg. Het maakt ze onderdeel van de zakelijke beoordeling van een model.

De zakelijke reden om meer zelf te bezitten

Voor een platform dat hoogwaardige professionele diensten ondersteunt, kunnen modelkosten rechtstreeks doorwerken in marges en productkeuzes. Externe modellen aan de top van de markt rekenen doorgaans af op basis van gebruik. De kosten lopen dus op wanneer klanten lange documenten, veel agentstappen of langdurige redeneertaken uitvoeren. Met een eigen model kan Harvey geschikte opdrachten via infrastructuur onder eigen beheer laten lopen, in plaats van elke taak naar een extern model te sturen.

Open weights maken inferentie — het uitvoeren van een model nadat het is getraind — niet gratis. Harvey heeft nog steeds rekenkracht, datavoorbereiding, kwaliteitscontroles, beveiligingssystemen en technici nodig. Het bedrijf zegt echter dat het post-trainingproces ook efficiënter gebruik van tools en redeneerstappen stimuleerde. Daardoor kan het aantal tokens dat tijdens gebruik nodig is, afnemen.

Een mogelijke strategie is dan een taakverdeling: dure algemene modellen blijven geschikt voor de moeilijkste of meest open vragen, terwijl een gespecialiseerd model veelvoorkomende juridische opdrachten op grote schaal tegen lagere operationele kosten uitvoert. Of dat inderdaad betere economie oplevert, hangt af van Tenets nauwkeurigheid, snelheid, benuttingsgraad en infrastructuurbehoefte — niet alleen van de prijs van de modelgewichten.

Wat betekent dit voor de productstrategie van Harvey?

Harvey positioneert zich als domeinspecifieke AI voor advocatenkantoren en juridische teams binnen bedrijven. Op de website zegt het bedrijf dat meer dan 2.400 juridische organisaties het platform gebruiken. Harvey beschrijft toepassingen bij advocatenkantoren en interne juridische afdelingen in meer dan 70 landen.

Die klantenbasis geeft Harvey een duidelijke reden om meer van de onderliggende technologie zelf te beheren. Juridische klanten hebben behoefte aan voorspelbaar gedrag, beveiliging, traceerbaarheid en consistente prestaties bij onder meer contractanalyse, due diligence, compliance en procesvoering.

Tenet kan daardoor de basis worden voor een sterker geïntegreerd platform waarin Harvey het model, de aansturing van AI-agents, de context van een dossier en gespecialiseerde werkstromen combineert. Het kan toekomstige aanpassingen ook eenvoudiger maken als klanten modellen uiteindelijk mogen afstemmen op hun eigen institutionele kennis. Die mogelijkheid is wel genoemd als toekomstige richting en moet niet worden gezien als een bevestigde functie bij de lancering.

De bredere les voor verticale AI

De belangrijkste betekenis van Tenet is strategisch, niet alleen technisch. Gespecialiseerde AI-bedrijven hoeven geen frontiermodel vanaf nul te trainen om meer controle over hun product te krijgen.

Een bedrijf dat AI voor één sector bouwt, kan verschillende elementen combineren:

• een algemeen open-weightmodel als vertrekpunt;
• domeindata van het bedrijf of van experts;
• post-training voor de werkprocessen van de sector; en
• productcontroles voor agents, context, evaluatie en implementatie.

Zo kan een bedrijf zich onderscheiden zonder de enorme investeringen en infrastructuur op zich te nemen die nodig zijn om rechtstreeks te concurreren met de grootste ontwikkelaars van basismodellen. Tegelijkertijd neemt ook de verantwoordelijkheid toe: de aanbieder moet betrouwbaarheid aantonen, gevoelige gegevens beschermen, fouten monitoren en laten zien dat verbeteringen op benchmarks daadwerkelijk leiden tot bruikbare resultaten.

Voor Harvey is Tenet daarom zowel een modellancering als een test van verticale integratie. Het bedrijf gokt erop dat juridische expertise en workflowdata een open-weightbasis kunnen omvormen tot een commercieel waardevol systeem — en dat eigenaarschap over het gespecialiseerde model meer grip geeft op kosten en productprestaties. De beschikbare informatie ondersteunt die strategische koerswijziging; hoe groot het praktische voordeel is, zal afhangen van onafhankelijke evaluaties en van Tenets prestaties in echt juridisch werk.