Por que a Harvey criou o Tenet com o Kimi K3 chinês em vez de alugar modelos de IA

Há também uma razão econômica. A Harvey vinha recorrendo a modelos fundamentais de terceiros e encaminhando diferentes tarefas para sistemas de empresas como Anthropic, OpenAI e Google. Ter um modelo especializado oferece outra maneira de melhorar o desempenho em suas principais aplicações e reduzir a dependência de APIs externas.

Como o Tenet foi treinado

O Tenet não é um novo modelo fundamental de uso geral treinado desde o início. Trata-se de um modelo especializado criado a partir de uma base de pesos abertos — apontada por reportagens como o Kimi K3, da Moonshot AI — que recebeu treinamento adicional voltado ao raciocínio jurídico.

Segundo os relatos, o processo combinou:

• materiais jurídicos disponíveis publicamente;
• tarefas jurídicas sintéticas e disputas simuladas;
• processos fictícios e cenários de contratos; e
• exemplos criados, revisados ou avaliados por advogados e outros especialistas jurídicos.

Esse último ponto é especialmente relevante. Conhecimento jurídico não é apenas um conjunto de documentos: também envolve avaliar se uma interpretação, uma estratégia de negociação ou uma análise em várias etapas é consistente. Ao criar cenários e julgar as respostas do modelo, advogados ajudam a produzir dados de treinamento e avaliação mais próximos dos padrões exigidos no trabalho jurídico real.

O que a Harvey diz sobre o desempenho

A Harvey descreve o Tenet como um modelo de desempenho “de fronteira” em benchmarks jurídicos importantes e afirma que ele se equipara aos principais modelos generalistas nas tarefas relevantes.

Em sua atualização técnica, a empresa afirma que o Tenet concluiu quase o dobro de tarefas reservadas do Legal Agent Benchmark (LAB) em comparação com o Kimi K3 de base. No LAB Contracts, o ganho informado foi de 20%. A Harvey também relatou aumentos de 9 pontos percentuais na taxa de aprovação total do LAB e de 2 pontos percentuais no LAB Contracts.

Um anúncio separado da empresa apresenta os resultados como melhorias relativas de 82% no LAB e de 22% no LAB Contracts. Segundo esse anúncio, o Tenet ficou em primeiro lugar no LAB Contracts e em segundo na classificação geral do LAB.

Esses números devem ser interpretados como resultados divulgados pela própria empresa, e não como prova de que o Tenet seja universalmente mais preciso do que modelos fechados ou confiável para todas as jurisdições e áreas do Direito. As evidências disponíveis são principalmente o anúncio da Harvey e reportagens baseadas nele; não há, neste material, uma validação independente da precisão do modelo em situações jurídicas reais.

Da integração de modelos à propriedade da camada de IA

Antes do Tenet, a estratégia da Harvey era principalmente orientada ao aplicativo. A empresa podia personalizar prompts, fluxos de trabalho e encaminhamento de tarefas enquanto utilizava modelos proprietários fornecidos por empresas externas. Essa abordagem permite acessar sistemas avançados sem construir e operar toda uma pilha própria de modelos.

O Tenet muda o lugar ocupado pelo modelo na tecnologia da Harvey:

• Antes: orquestrar ou personalizar modelos fechados por meio de provedores externos.
• Agora: partir de pesos de um modelo já lançado, fazer pós-treinamento com tarefas jurídicas e usar o resultado especializado dentro do próprio produto.

A diferença não é apenas técnica. Com acesso aos pesos, a Harvey ganha mais liberdade para ajustar o modelo aos seus dados, avaliações e fluxos de trabalho. Também pode tomar decisões sobre infraestrutura de processamento e otimização, em vez de pagar a um provedor por cada solicitação feita a uma API fechada.

O que significa “pós-treinamento”

Pós-treinamento é a etapa adicional de treinamento realizada depois que o treinamento amplo e original de um modelo foi concluído. Em vez de ensinar capacidade geral de linguagem do zero, os desenvolvedores usam exemplos selecionados, feedback de especialistas, tarefas sintéticas e avaliações baseadas em resultados para aprimorar habilidades ou comportamentos específicos.

No caso do Tenet, o alvo era o raciocínio jurídico em tarefas prolongadas. A receita divulgada pela Harvey combinou dados sintéticos, materiais jurídicos públicos e dados produzidos por especialistas humanos para ensinar e testar como o modelo lida com cenários jurídicos. Depois, os resultados foram medidos em tarefas reservadas, que não haviam sido usadas no treinamento.

Para uma empresa de IA vertical — isto é, focada em um setor específico — esse caminho pode ser mais eficiente do que construir um novo modelo de fronteira. A base já fornece capacidades amplas de linguagem e raciocínio; o pós-treinamento direciona esforço adicional para os fluxos que os clientes realmente utilizam.

Por que pesos abertos podem ajudar na especialização e no controle de custos

Um modelo de pesos abertos disponibiliza seus parâmetros numéricos para que uma organização possa executá-los e modificá-los. Isso é diferente de um modelo fechado, acessível apenas por uma API controlada pelo fornecedor. Os pesos liberados do Kimi K3 deram à Harvey uma base que poderia ser adaptada diretamente ao trabalho jurídico.

Esse controle pode favorecer uma precisão mais direcionada. A empresa consegue treinar e avaliar repetidamente o sistema com os documentos, sequências de tarefas e critérios de qualidade que importam para seu setor ou para seus clientes. Isso não torna automaticamente o modelo melhor que uma alternativa fechada, mas amplia a liberdade para otimizar o sistema para um caso de uso específico.

Os pesos abertos também podem alterar a economia da inferência — o custo de executar o modelo para gerar cada resposta. A empresa pode escolher seu próprio hardware, software de atendimento e técnicas de otimização, em vez de pagar a um provedor de modelo fechado por cada token processado. O modelo, porém, não é gratuito para operar: computação, hardware, engenharia, segurança e manutenção continuam gerando custos relevantes.

Para agentes jurídicos que analisam grandes volumes de documentos ou trabalham durante longos períodos, reduzir o custo de cada operação pode facilitar a oferta comercial de fluxos contínuos e de várias etapas. Essa é a lógica empresarial por trás da combinação entre uma base capaz e o pós-treinamento especializado.

O que a mudança da Harvey revela sobre o mercado de IA

A iniciativa da Harvey é um exemplo marcante de uma transformação na IA vertical. Empresas de aplicativos não precisam necessariamente vencer treinando o maior modelo generalista. Elas podem competir com dados especializados, feedback de profissionais, avaliações próprias, desenho de fluxos de trabalho, implantação e confiança dos clientes.

A escolha do Kimi K3 também tem peso estratégico. Ela mostra que uma empresa ocidental pode tratar um modelo chinês de pesos abertos como infraestrutura tecnológica, mesmo em um cenário de competição geopolítica e comercial entre grandes laboratórios de IA.

A atração não prova que modelos chineses sejam superiores em todas as situações. O ponto é que disponibilidade aberta, possibilidade de customização e custos de operação potencialmente menores podem ser mais importantes para um produto empresarial focado do que a posição de um modelo em benchmarks generalistas.

A ressalva é igualmente importante: os pesos abertos transferem controle, não eliminam custos nem riscos. As empresas ainda precisam de infraestrutura para executar o modelo, profissionais capazes de avaliá-lo e mecanismos de proteção para dados jurídicos sensíveis.

Por isso, o Tenet representa menos uma rejeição aos modelos fechados do que uma aposta. Para empresas de software voltadas a setores específicos, tornar-se proprietária de um modelo especializado está se tornando viável — e pode passar a ser uma vantagem estratégica.