Waarom Harvey Tenet bouwde op het Chinese Kimi K3 in plaats van AI-modellen te huren

Hoe Tenet is getraind

Tenet is geen nieuw algemeen basismodel dat volledig vanaf nul is opgebouwd. Het is een gespecialiseerd model dat voortbouwt op bestaande modelgewichten—volgens berichtgeving op Moonshot AI’s Kimi K3—en dat extra is getraind voor juridisch redeneren.

Volgens de beschikbare informatie bestond het trainingsmateriaal uit een combinatie van:

• publiek beschikbare juridische informatie;
• synthetische juridische opdrachten en nagebootste geschillen;
• fictieve procesdossiers en contractsituaties; en
• voorbeelden die door advocaten en andere juridische experts zijn opgesteld, beoordeeld of van een score zijn voorzien.

Dat laatste onderdeel is cruciaal. Juridische expertise bestaat niet alleen uit documenten, maar ook uit het beoordelen van de vraag of een interpretatie, onderhandelingsstrategie of analyse in meerdere stappen deugt. Door advocaten scenario’s te laten maken en modeluitvoer te laten beoordelen, verzamelt Harvey gegevens die beter aansluiten op de kwaliteitsnormen van echt juridisch werk.

Wat Harvey zegt over de prestaties

Harvey omschrijft Tenet als een model met “frontier-level”-prestaties op vooraanstaande juridische benchmarks. Het bedrijf zegt bovendien dat Tenet voor het relevante werk vergelijkbaar presteert met toonaangevende algemene modellen.

In een eigen technische toelichting meldt Harvey dat Tenet op bijna twee keer zoveel achtergehouden taken uit de Legal Agent Benchmark (LAB) slaagde als het basismodel Kimi K3. Op LAB Contracts zou Tenet 20 procent meer taken hebben voltooid. De zogenoemde all-pass-rate—het aandeel opdrachten waarbij alle onderdelen goed werden uitgevoerd—nam volgens Harvey toe met 9 procentpunt op LAB en 2 procentpunt op LAB Contracts.

Een afzonderlijke aankondiging presenteert die resultaten als relatieve verbeteringen van 82 procent op LAB en 22 procent op LAB Contracts. Daarin staat ook dat Tenet eerste werd op LAB Contracts en tweede op LAB als geheel.

Deze cijfers moeten wel als benchmarkclaims worden gelezen. Ze bewijzen niet dat Tenet universeel nauwkeuriger is dan gesloten modellen of betrouwbaar werkt voor elke rechtsorde en elke juridische kwestie. De aangeleverde onderbouwing bestaat voornamelijk uit Harveys eigen aankondiging en berichtgeving daarover; onafhankelijk bewijs voor de nauwkeurigheid in de praktijk is hier niet vastgesteld.

Van modelgebruiker naar modeleigenaar

Voor Tenet lag de nadruk bij Harvey vooral op de applicatielaag. Het bedrijf kon prompts, werkprocessen en routering aanpassen, terwijl de onderliggende propriëtaire modellen door externe aanbieders werden geleverd. Dat model maakt krachtige systemen toegankelijk zonder dat een bedrijf zelf een complete modelinfrastructuur hoeft te bouwen en beheren.

Tenet verandert de plaats van het model binnen Harveys technologiestrategie:

• Eerder: gesloten modellen van externe aanbieders combineren en aanpassen.
• Nu: vrijgegeven modelgewichten als uitgangspunt nemen, die verder trainen op juridische taken en het gespecialiseerde model in de eigen applicatie gebruiken.

Dat verschil is niet alleen technisch. Met directe toegang tot de modelgewichten heeft Harvey meer vrijheid om het systeem af te stemmen op eigen data, evaluaties en productprocessen. Het bedrijf kan daarnaast zelf keuzes maken over hardware, modelhosting en optimalisatie, in plaats van voor elke aanvraag een externe aanbieder via een gesloten API te betalen.

Wat betekent ‘post-training’?

Post-training is extra training nadat een model zijn brede, oorspronkelijke training al heeft afgerond. Ontwikkelaars gebruiken daarvoor bijvoorbeeld zorgvuldig geselecteerde voorbeelden, feedback van experts, synthetische opdrachten en evaluaties op basis van uitkomsten. Zo verbeteren ze specifieke vaardigheden of gewenst gedrag zonder algemene taalvaardigheid vanaf nul te hoeven aanleren.

Bij Tenet was het doel juridisch redeneren tijdens langdurige taken. Volgens Harvey werd het model getraind en getest met synthetische data, publiek juridisch materiaal en gegevens van menselijke experts. Daarna werden de prestaties gemeten op taken die niet in het trainingsmateriaal voorkwamen.

Voor een bedrijf dat zich op één sector richt, kan dit efficiënter zijn dan zelf een nieuw frontiermodel ontwikkelen. Het basismodel levert algemene taal- en redeneercapaciteiten; de post-training richt extra inspanning op de werkprocessen die klanten daadwerkelijk gebruiken.

Waarom open weights interessant zijn voor specialisatie en kosten

Bij een model met open weights zijn de numerieke modelparameters beschikbaar om zelf te draaien en aan te passen. Dat verschilt van een gesloten model, dat alleen via een door de aanbieder beheerde API toegankelijk is. De vrijgegeven gewichten van Kimi K3 gaven Harvey daardoor een basis die het rechtstreeks kon aanpassen voor juridisch werk.

Die controle kan gerichtere nauwkeurigheid opleveren. Een bedrijf kan het model herhaaldelijk trainen en evalueren op precies de documenten, taakvolgordes en kwaliteitscriteria die voor de eigen sector of klanten van belang zijn. Dat maakt een open-weightsmodel niet automatisch beter dan een gesloten model, maar wel flexibeler voor een specifieke toepassing.

Ook de economie van inference—het uitvoeren van het model bij iedere aanvraag—kan veranderen. Een bedrijf kan eigen hardware, software voor modelhosting en optimalisatietechnieken kiezen, in plaats van voor elk token de prijs van een gesloten modelaanbieder te betalen. Dat betekent niet dat het model gratis is: rekenkracht, hardware, engineering, beveiliging en onderhoud blijven aanzienlijke kostenposten.

Voor juridische agents die grote documentverzamelingen verwerken of langdurig blijven doorwerken, kan een lagere kostprijs per bewerking het commercieel haalbaarder maken om zulke continue en meerstapsprocessen aan te bieden. Daar ligt de zakelijke logica achter een krachtig basismodel in combinatie met domeinspecifieke post-training.

Wat deze keuze zegt over de AI-markt

Harveys stap is een opvallend voorbeeld van een bredere ontwikkeling in verticale AI. Applicatiebedrijven hoeven niet per se te winnen door het grootste algemene model ter wereld te trainen. Ze kunnen zich ook onderscheiden met gespecialiseerde data, feedback van experts, eigen evaluaties, slim ontworpen workflows, implementatie en het vertrouwen van klanten.

De keuze voor Kimi K3 is bovendien strategisch relevant. Ze laat zien dat een westers bedrijf een Chinees open-weightsmodel als technische infrastructuur kan gebruiken, ook terwijl de belangrijkste AI-labs verwikkeld blijven in een bredere geopolitieke en commerciële concurrentiestrijd. Dat is geen bewijs dat Chinese modellen overal beter zijn. Het betekent wel dat open beschikbaarheid, aanpasbaarheid en mogelijk lagere uitvoeringskosten voor een gericht bedrijfsproduct belangrijker kunnen zijn dan de algemene ranglijstpositie van een model.

De kanttekening is minstens zo belangrijk: open weights geven controle door, niet alle kosten en risico’s. Bedrijven hebben nog altijd infrastructuur nodig om het model te draaien, expertise om de resultaten te beoordelen en waarborgen voor gevoelige juridische gegevens.

Tenet staat daarom minder voor een afwijzing van gesloten modellen dan voor een nieuwe strategische inzet: gespecialiseerde modeleigendom wordt voor softwarebedrijven steeds praktischer en kan waardevol zijn wanneer kwaliteit, kostenbeheersing en controle over de eigen technologie centraal staan.