Harvey Tenet markerer skiftet fra leide AI-modeller til juridisk intelligens i egen regi

«Ettertrening» betyr at en modell forbedres etter den innledende grunntreningen, i stedet for at man bygger en helt ny grunnmodell fra bunnen av. Harvey sier at Tenet ble trent på offentlig tilgjengelige juridiske data, syntetiske data og data fra menneskelige eksperter som skulle simulere langvarige juridiske oppgaver.

Det er en viktig forskjell. Tenet presenteres ikke som en helt ny, generell AI-modell, men som en spesialisert versjon av en eksisterende modell med åpne vekter. Den er formet for oppgaver som kontraktsgjennomgang, juridisk due diligence og andre arbeidsprosesser som krever flere trinn og omfattende kontekst.

Dette hevder Harvey om ytelsen

Harvey sier at Tenet oppnår ledende resultater på selskapets juridiske LAB-benchmark, og at modellen også generaliserer til juridiske tester fra tredjeparter. I en publisert oppdatering skriver selskapet at Tenet løste nesten dobbelt så mange oppgaver i LAB-testen som grunnmodellen Kimi K3, og 20 prosent flere kontraktsoppgaver i LAB. Harvey rapporterer samtidig en økning i andelen oppgaver som ble bestått fullt ut, på henholdsvis 9 og 2 prosentpoeng.

Tallene tyder på at ettertreningen ga betydelig bedre resultater enn grunnmodellen i Harveys utvalgte evalueringer. De beviser imidlertid ikke at Tenet er bedre enn alle konkurrerende modeller i faktisk juridisk arbeid. Hvordan en benchmark er utformet, hvilke oppgaver som velges, hvordan spørsmålene stilles, og hvordan svarene vurderes, kan påvirke resultatet.

Det var heller ikke fullt ut klart hvor tilgjengelig Tenet var ved lanseringen. Business Insider rapporterte at modellen var introdusert, men ennå ikke tatt i bruk i Harvey, og at selskapet ikke hadde oppgitt når den ville bli tilgjengelig. Derfor blir uavhengig testing i produksjon en viktig neste milepæl.

Hvorfor Kimi K3 som grunnmodell er viktig

Valget av Kimi K3 er bemerkelsesverdig fordi Harvey har sterke bånd til vestlige AI-leverandører og tidligere samarbeidet med OpenAI om en spesialtrent juridisk modell. Juridiske AI-plattformer har mer generelt vært avhengige av lukkede systemer fra leverandører som OpenAI og Anthropic. Da betaler de for tilgangen og blir avhengige av leverandørenes lanseringsplaner, priser og infrastruktur.

En modell med åpne vekter gir Harvey større frihet til å endre og kjøre systemet selv. Selskapet kan bestemme hvordan modellen skal ettertrenes, hvordan den skal optimaliseres for bestemte arbeidsmengder, og hvilke juridiske oppgaver som bør sendes til hvilken modell. Samtidig tar Harvey på seg mer ansvar for infrastruktur, sikkerhet, evaluering, vedlikehold og daglig modelldrift – kostnader som i større grad håndteres av eksterne leverandører når en bedrift bruker API-ene deres.

Valget illustrerer også en mer pragmatisk utvikling i AI-bransjen. For kommersielle brukere kan modellens opprinnelsesland bli mindre avgjørende dersom en modell med åpne vekter gir et sterkt utgangspunkt, kan tilpasses juridisk og teknisk, og tilbyr en attraktiv kostnadsstruktur. Det fjerner ikke spørsmål om opphav, sikkerhet, styring eller kundenes tillit. Det gjør dem snarere til en del av den vanlige vurderingen av AI-modeller i virksomheter.

Forretningsideen: å eie mer av teknologistakken

For en juridisk plattform som brukes i verdifulle profesjonelle arbeidsprosesser, kan modellkostnadene få direkte betydning for både marginer og produktdesign. Lukkede frontmodeller tar vanligvis betalt etter bruk. Kostnadene øker dermed når kundene behandler flere lange dokumenter, kjører flere agentsteg eller ber systemet om mer omfattende resonnering. En intern modell kan gjøre det mulig for Harvey å sende egnede oppgaver gjennom infrastruktur selskapet selv kontrollerer, i stedet for å bruke en ekstern modell på hver eneste oppgave.

Åpne modellvekter gjør ikke kjøring av AI gratis. Harvey trenger fortsatt datakraft, databehandling, kvalitetskontroller, sikkerhetssystemer og ingeniører som kan vedlikeholde modellen. Selskapet sier imidlertid at ettertreningen også la vekt på mer effektiv bruk av verktøy og resonnering. Det kan redusere antallet token som brukes når modellen faktisk kjører.

Det kan gi en praktisk arbeidsdeling: Dyre, generelle modeller kan fortsatt være best egnet til de vanskeligste og mest åpne spørsmålene, mens en spesialisert modell håndterer gjentakende juridiske oppgaver i stort volum til lavere driftskostnad. Om dette faktisk gir bedre økonomi, avhenger av Tenets nøyaktighet, svartid, utnyttelsesgrad og krav til infrastruktur – ikke bare av prisen på selve modellvektene.

Hva betyr dette for Harveys produktstrategi?

Harvey har posisjonert seg som en domenespesifikk AI-plattform for advokatfirmaer og juridiske team i større virksomheter. På selskapets nettsider står det at mer enn 2 400 juridiske organisasjoner bruker plattformen, og Harvey har omtalt utrullinger hos både advokatfirmaer og interne juridiske avdelinger.

Denne kundebasen gir Harvey en klar grunn til å kontrollere mer av teknologien under brukergrensesnittet. Juridiske kunder trenger forutsigbar oppførsel, sikkerhet, sporbarhet og stabil ytelse i arbeidsprosesser som kontraktsanalyse, due diligence, etterlevelse og rettstvister.

Tenet kan derfor bli et fundament for en mer integrert plattform der Harvey kontrollerer modellen, agentstyringen, konteksten rundt den enkelte saken og de spesialiserte arbeidsflytene. Det kan også gjøre fremtidig tilpasning enklere dersom selskapet senere lar kunder forme modeller etter egen institusjonelle kunnskap. Denne muligheten er omtalt som en mulig retning, men bør ikke behandles som en bekreftet funksjon ved lanseringen.

Den større lærdommen for vertikal AI

Den viktigste betydningen av Tenet er strategisk, ikke nødvendigvis teknisk: Selskaper som utvikler AI for én bestemt bransje, trenger ikke å trene frontmodeller fra grunnen av for å få mer kontroll over produktene sine.

En vertikal AI-bedrift kan i stedet kombinere fire ressurser:

• en generell modell med åpne vekter som utgangspunkt;
• egne data eller data utviklet av fageksperter;
• ettertrening rettet mot bransjens arbeidsprosesser; og
• produktkontroll over agenter, kontekst, evaluering og utrulling.

Denne metoden kan gi tydeligere differensiering uten at selskapet må investere på samme nivå som de største utviklerne av grunnmodeller. Samtidig flyttes mer av det krevende ansvaret til applikasjonsselskapet: Det må dokumentere at systemet er pålitelig, beskytte sensitive data, følge med på feil og vise at bedre benchmarkresultater faktisk gir bedre resultater i arbeidshverdagen.

For Harvey er Tenet dermed både en modell-lansering og en test på vertikal integrasjon. Selskapet satser på at juridisk ekspertise og data fra arbeidsprosesser kan gjøre en åpen grunnmodell til et kommersielt verdifullt system – og at det å eie den spesialiserte modellen vil gi bedre kontroll over kostnader og produktets ytelse. Så langt støtter dokumentasjonen det strategiske skiftet. Hvor stor den praktiske fordelen blir, vil avhenge av uavhengige evalueringer og hvordan Tenet fungerer i reelt juridisk arbeid.