Harvey Tenet: почему юридический ИИ больше не хочет арендовать чужие модели

Harvey Tenet — не просто новый чат-бот для юристов. Это первая модель, которую компания дообучила самостоятельно для юридических задач. В качестве основы Harvey выбрала open-weight-модель Kimi K3 китайской Moonshot AI, а над дообучением работала вместе с Fireworks AI.

Так Harvey пытается перейти от роли разработчика интерфейса и рабочих процессов поверх чужих моделей к контролю над большей частью технологического стека. Потенциальные выгоды очевидны: больше свободы в настройке поведения ИИ, более точная специализация под право и возможность лучше управлять стоимостью обработки запросов.

Но важная оговорка остаётся: наиболее сильные заявления о производительности Tenet исходят от самой Harvey. Пока независимые тесты и широкие результаты эксплуатации не опубликованы, их стоит воспринимать именно как заявления компании.

Что такое Harvey Tenet

Harvey описывает Tenet как свою первую модель, дообученную специально для юридической работы. Её основой стала Kimi K3 — система с открытыми весами, разработанная китайской AI-компанией Moonshot AI. В отличие от полностью закрытых моделей, open-weight-системы дают разработчику больше возможностей для самостоятельной настройки и развёртывания.

Термин «дообучение» означает, что модель улучшают уже после первоначального обучения базовой системы. Harvey говорит, что использовала общедоступные юридические материалы, синтетические данные и данные от людей-экспертов, имитирующие длительные юридические задачи.

Иными словами, Tenet не создавали с нуля как универсальную модель общего назначения. Это специализированная версия существующей системы, адаптированная к анализу договоров, due diligence — юридической проверке компаний и сделок — и другим многоэтапным процессам.

Какие результаты заявляет Harvey

По данным Harvey, Tenet показывает результаты уровня ведущих моделей на внутреннем юридическом бенчмарке LAB и переносит улучшения на сторонние юридические тесты. В опубликованном обновлении компания сообщает, что модель выполнила почти вдвое больше отложенных заданий LAB, чем базовая Kimi K3, а в категории LAB Contracts — на 20% больше. Показатель выполнения всех условий задания вырос соответственно на 9 и 2 процентных пункта.

Эти цифры указывают, что дообучение существенно улучшило базовую модель на выбранных Harvey проверках. Однако они сами по себе не доказывают, что Tenet лучше любой конкурирующей системы в реальной работе юристов. На результат могут влиять формулировка бенчмарка, подбор задач, методика оценивания, промпты и условия внедрения.

Есть и практическая неопределённость. Business Insider сообщал, что Tenet уже представили, но на момент публикации модель ещё не была доступна внутри Harvey, а компания не называла точную дату запуска. Поэтому независимое тестирование в рабочей среде станет особенно важным следующим этапом.

Почему выбор Kimi K3 имеет значение

Решение использовать Kimi K3 примечательно на фоне прежних связей Harvey с западными поставщиками ИИ. Ранее компания сотрудничала с OpenAI над специально обученной моделью для юридических специалистов. В целом юридические ИИ-платформы часто опираются на закрытые системы OpenAI и Anthropic, оплачивая доступ к ним и завися от их цен, инфраструктуры и графика обновлений.

Open-weight-база даёт Harvey больше свободы: компания сама решает, как дообучать модель, под какие процессы её оптимизировать и какие типы задач направлять через неё. Но вместе с этим Harvey получает и дополнительную ответственность — за вычислительную инфраструктуру, безопасность, оценку качества, обновления и эксплуатацию модели. Раньше значительную часть этой работы брали на себя внешние поставщики API.

Этот выбор также показывает, как меняется прагматичный подход к разработке ИИ. Для коммерческого пользователя происхождение модели может оказаться менее важным, если open-weight-система обеспечивает сильную отправную точку, допускает техническую и юридическую адаптацию и предлагает приемлемую экономику. Это не отменяет вопросов о происхождении данных, безопасности и управлении рисками — напротив, они становятся частью обязательной проверки поставщика и модели.

Зачем Harvey владеть большей частью стека

Для платформы, обслуживающей дорогие профессиональные процессы, экономика модели напрямую влияет на маржинальность продукта. При использовании внешних frontier-моделей стоимость обычно зависит от объёма обработки: длинные документы, многошаговые агенты и сложные рассуждения увеличивают число токенов и, следовательно, расходы. Собственная модель позволяет направлять подходящие задачи на инфраструктуру Harvey, а не отправлять каждый запрос в OpenAI или Anthropic.

Открытые веса, конечно, не делают инференс бесплатным. Harvey по-прежнему нужны вычислительные мощности, подготовка данных, контроль качества, системы безопасности и специалисты для поддержки модели. Однако компания утверждает, что в процессе дообучения также стимулировала более эффективное использование инструментов и рассуждений. Это может уменьшить число токенов, расходуемых во время работы модели.

В результате может появиться разделение задач. Самые сложные и нестандартные запросы по-прежнему будут обрабатывать дорогие универсальные модели, а повторяющиеся и массовые юридические операции — специализированная система с более низкой стоимостью эксплуатации.

Сработает ли такая схема на практике, зависит не только от цены весов. Критичны фактическая точность Tenet, задержка ответа, загрузка инфраструктуры и стоимость поддержки модели.

Как это меняет продуктовую стратегию Harvey

Harvey позиционирует себя как поставщика специализированного ИИ для юридических фирм и корпоративных юридических департаментов. На сайте компании указано, что платформой пользуются более 2 400 юридических организаций в 70 с лишним странах. Среди поддерживаемых направлений — анализ договоров, due diligence, комплаенс и судебная работа.

Такая клиентская база создаёт для Harvey стимул контролировать больше технологий, лежащих под пользовательским продуктом. Юридическим организациям нужны предсказуемое поведение системы, безопасность, возможность отслеживать результаты и стабильная работа с чувствительным контекстом конкретного дела.

В перспективе Tenet может стать частью более цельной платформы, где Harvey контролирует не только модель, но и оркестрацию ИИ-агентов, контекст дела, память и специализированные сценарии. Компания также может использовать эту основу для будущей адаптации моделей под внутренние знания отдельных клиентов. Однако это пока следует рассматривать как возможное направление развития, а не как подтверждённую возможность на момент запуска.

Что Tenet говорит о будущем вертикального ИИ

Главный вывод из запуска Tenet — скорее стратегический, чем технический. Специализированным ИИ-компаниям необязательно обучать собственную универсальную модель с нуля, чтобы получить заметный контроль над продуктом.

Вместо этого вертикальная AI-компания может объединить четыре элемента:

• open-weight-модель общего назначения как основу;
• отраслевые данные и экспертизу специалистов;
• дообучение под конкретные рабочие процессы;
• продуктовый слой с агентами, контекстом, оценкой качества и контролем развёртывания.

Такой подход позволяет создавать отличия от конкурентов без капитальных затрат и инфраструктуры, сопоставимых с расходами крупнейших разработчиков базовых моделей. Но он же перекладывает на прикладную компанию больше сложной работы: нужно доказывать надёжность, защищать конфиденциальные данные, отслеживать сбои и показывать, что улучшения на бенчмарках действительно превращаются в полезный результат для клиентов.

Для Harvey Tenet — одновременно запуск модели и проверка стратегии вертикальной интеграции. Компания ставит на то, что юридическая экспертиза и данные рабочих процессов смогут превратить open-weight-основу в коммерчески ценный инструмент. Пока доступные данные подтверждают сам стратегический поворот. А вот масштаб практического преимущества покажут независимые оценки и реальная работа Tenet с юридическими делами.