Harvey Tenet: własny model AI ma uniezależnić prawniczą platformę od OpenAI i Anthropic

„Post-training”, czyli trening po zakończeniu szkolenia bazowego, polega na dalszym doskonaleniu gotowego modelu, a nie na budowaniu nowego modelu podstawowego od zera. Według Harvey proces obejmował publicznie dostępne dane prawne, dane syntetyczne oraz dane przygotowane przez ekspertów, które miały odtwarzać wieloetapową pracę nad długimi zadaniami prawniczymi.

To ważne rozróżnienie. Tenet nie jest przedstawiany jako zupełnie nowy model ogólnego zastosowania. To wyspecjalizowana wersja istniejącego modelu open-weight, przygotowana do takich zadań jak analiza umów, due diligence — czyli badanie prawne i biznesowe przed transakcją — oraz innych złożonych procesów prawniczych.

Co Harvey twierdzi o wynikach

Harvey twierdzi, że Tenet osiąga wyniki na poziomie określanym przez firmę jako state of the art w jej benchmarku prawniczym LAB, a także dobrze radzi sobie z niezależnymi benchmarkami prawniczymi. W opublikowanej aktualizacji firma podała, że Tenet wykonał niemal dwa razy więcej zadań LAB nieuwzględnionych wcześniej w treningu niż bazowy Kimi K3 oraz o 20 proc. więcej zadań związanych z umowami w ramach LAB. Wskaźnik pełnych, poprawnych odpowiedzi wzrósł odpowiednio o 9 i 2 punkty procentowe.

Dane te sugerują, że dodatkowy trening wyraźnie poprawił działanie modelu bazowego w wybranych testach Harvey. Same wyniki nie dowodzą jednak, że Tenet jest lepszy od każdego konkurencyjnego modelu w rzeczywistej praktyce prawniczej. Na rezultat wpływają m.in. konstrukcja benchmarku, dobór zadań, sposób formułowania poleceń, metody oceny i warunki wdrożenia.

Dostępne informacje wskazują również, że w momencie ogłoszenia nie było jeszcze całkowicie jasne, jak wygląda dostępność i harmonogram wdrożenia Tenet. Business Insider informował, że model został przedstawiony, ale nie działał jeszcze w platformie Harvey, a firma nie podała, kiedy dokładnie stanie się dostępny. Dlatego niezależne testy w środowisku produkcyjnym będą kluczowym kolejnym etapem.

Dlaczego baza Kimi K3 ma znaczenie

Wybór Kimi K3 jest szczególnie interesujący, ponieważ Harvey ma silne relacje z zachodnimi dostawcami AI, a wcześniej współpracował z OpenAI nad specjalnie trenowanym modelem prawniczym. Szerzej patrząc, platformy AI dla prawników korzystały dotąd z zamkniętych systemów firm takich jak OpenAI i Anthropic. Oznaczało to płacenie za dostęp oraz zależność od harmonogramów premier, cen i infrastruktury tych dostawców.

Baza open-weight daje Harvey większą swobodę modyfikowania i wdrażania modelu. Firma może samodzielnie decydować, jak go dostrajać, do których zadań go optymalizować i gdzie kierować poszczególne rodzaje pracy prawniczej. Ceną za tę niezależność jest większa odpowiedzialność za infrastrukturę, bezpieczeństwo, testowanie, utrzymanie i bieżące operacje modelowe — koszty, które w przypadku korzystania z API zewnętrznych dostawców w dużej mierze ponosi ich operator.

Ten wybór pokazuje też pragmatyczną zmianę w podejściu do rozwoju AI. Dla klientów biznesowych pochodzenie modelu może mieć mniejsze znaczenie, jeśli model open-weight oferuje mocną bazę, można go legalnie i technicznie dostosować, a jego wykorzystanie daje korzystną ekonomię. Nie usuwa to pytań o pochodzenie danych i technologii, bezpieczeństwo, zarządzanie czy akceptację klientów. Sprawia natomiast, że kwestie te stają się częścią oceny modelu przed wdrożeniem w przedsiębiorstwie.

Biznesowy sens przejęcia większej kontroli

W przypadku platformy prawniczej obsługującej kosztowne i wymagające procesy ekonomika modelu bezpośrednio wpływa na marże oraz projekt produktu. Zewnętrzne API modeli czołowych dostawców zwykle rozliczają użycie, więc koszty rosną wraz z liczbą analizowanych dokumentów, kroków agentów i zadań wymagających długiego rozumowania. Własny model może pozwolić Harvey kierować odpowiednie zadania do kontrolowanej przez firmę infrastruktury, zamiast przesyłać każde z nich do modelu zewnętrznego.

Open weights nie oznaczają oczywiście darmowego przetwarzania. Harvey nadal potrzebuje mocy obliczeniowej, przygotowania danych, kontroli jakości, systemów bezpieczeństwa i zespołu inżynierów utrzymujących model. Firma twierdzi jednak, że dodatkowy trening poprawił także efektywność korzystania z narzędzi i rozumowania, co może ograniczyć liczbę tokenów zużywanych podczas działania modelu.

Możliwy jest więc podział zadań: drogie modele ogólnego przeznaczenia pozostaną przydatne w najtrudniejszych i najbardziej otwartych problemach, a wyspecjalizowany model będzie obsługiwał powtarzalną, masową pracę prawniczą przy niższym koszcie operacyjnym. To, czy taki model rzeczywiście poprawi ekonomikę produktu, zależy jednak od jego faktycznej dokładności, opóźnień, stopnia wykorzystania i wymagań infrastrukturalnych — nie tylko od ceny samych wag modelu.

Co Tenet zmienia w strategii Harvey

Harvey pozycjonuje się jako dostawca wyspecjalizowanej AI dla kancelarii oraz zespołów prawnych w przedsiębiorstwach. Na swojej stronie firma podaje, że z platformy korzysta ponad 2400 organizacji prawnych, a jej rozwiązania są wykorzystywane przez kancelarie i wewnętrzne działy prawne.

Taka baza klientów daje Harvey powód, by przejąć kontrolę nad większą częścią technologii znajdującej się pod warstwą produktu. Klienci z sektora prawnego potrzebują spójnego działania, bezpieczeństwa, możliwości śledzenia rezultatów i stabilnej jakości w procesach takich jak analiza umów, due diligence, zgodność regulacyjna czy postępowania sądowe.

Tenet może stać się fundamentem bardziej zintegrowanej platformy, w której Harvey kontroluje model, orkiestrację agentów, kontekst sprawy oraz wyspecjalizowane przepływy pracy. W przyszłości mogłoby to także ułatwić dostosowywanie modeli do wiedzy konkretnej organizacji. Taka możliwość była sygnalizowana w doniesieniach, ale na obecnym etapie należy traktować ją jako kierunek rozwoju, a nie potwierdzoną funkcję dostępną przy premierze.

Szersza lekcja dla pionowej AI

Najważniejsza konsekwencja Tenet ma charakter strategiczny, a nie wyłącznie techniczny: wyspecjalizowane firmy AI nie muszą trenować modeli czołowych od podstaw, aby uzyskać znaczącą kontrolę nad własnym produktem.

Firma działająca w konkretnej branży może połączyć cztery elementy:

• ogólny model open-weight jako punkt wyjścia;
• własne dane lub dane tworzone przez ekspertów;
• dodatkowy trening ukierunkowany na procesy danej branży;
• kontrolę na poziomie produktu nad agentami, kontekstem, oceną i wdrażaniem.

Takie podejście pozwala budować przewagę bez nakładów kapitałowych i infrastruktury potrzebnych do konkurowania bezpośrednio z największymi twórcami modeli podstawowych. Jednocześnie przenosi na firmę aplikacyjną więcej trudnych obowiązków: musi ona udowodnić niezawodność rozwiązania, chronić wrażliwe dane, monitorować błędy i pokazać, że lepsze wyniki w benchmarkach przekładają się na użyteczne rezultaty.

Dla Harvey Tenet jest więc jednocześnie premierą modelu i testem pionowej integracji. Firma zakłada, że wiedza prawnicza oraz dane związane z przepływami pracy mogą przekształcić bazę open-weight w wartościowy produkt komercyjny, a posiadanie wyspecjalizowanego modelu poprawi kontrolę nad kosztami i jakością platformy. Dotychczasowe informacje potwierdzają strategiczny kierunek tej zmiany. Skala praktycznej przewagi pozostaje jednak do ustalenia na podstawie niezależnych ocen oraz wyników Tenet w rzeczywistej pracy prawniczej.