Harvey Tenet markerar skiftet från hyrda AI-modeller till egen juridisk intelligens

Med vidareträning efter grundträningen, eller post-training, menas att en modell förbättras efter den ursprungliga träningen – utan att man bygger en helt ny grundmodell från början. Enligt Harvey användes offentligt tillgängliga juridiska data, syntetiska data och data från mänskliga experter som utformats för att efterlikna utdragna juridiska uppgifter.

Det är en viktig skillnad. Tenet presenteras inte som en helt ny generell AI-modell, utan som en specialiserad version av en befintlig modell med öppna vikter. Den har formats för bland annat avtalsgranskning, due diligence och andra arbetsflöden som kräver längre resonemang och flera steg.

Vad hävdar Harvey om modellens resultat?

Harvey uppger att Tenet når resultat i toppklass på företagets juridiska LAB-test och generaliserar till juridiska tester från externa aktörer. I en publicerad uppdatering skriver bolaget att Tenet klarade nästan dubbelt så många uppgifter i ett undanhållet LAB-test som grundmodellen Kimi K3, samt 20 procent fler uppgifter i LAB:s avtalsdel. Harvey rapporterar också att andelen uppgifter som klarades helt ökade med 9 respektive 2 procentenheter.

Siffrorna tyder på att vidareträningen förbättrade grundmodellen tydligt i de utvärderingar Harvey valt. De bevisar däremot inte i sig att Tenet är bättre än alla konkurrerande modeller i verkligt juridiskt arbete. Testdesign, urval av uppgifter, instruktioner, bedömningsmetoder och driftsmiljö kan alla påverka resultatet.

Tillgänglig rapportering visar dessutom att modellens tillgänglighet och lanseringsstatus inte var helt tydliga när den presenterades. Business Insider rapporterade att Tenet hade introducerats men ännu inte var aktiverad i Harvey, och att företaget inte angav när den skulle bli tillgänglig. Oberoende tester i produktion blir därför ett viktigt nästa steg.

Varför spelar valet av Kimi K3 roll?

Harveys val är anmärkningsvärt eftersom bolaget har nära kopplingar till västerländska AI-leverantörer och tidigare samarbetat med OpenAI om en specialtränad juridisk modell. Juridiska AI-plattformar har i bredare mening ofta byggt på stängda system från leverantörer som OpenAI och Anthropic. Det innebär att de betalar för åtkomst och blir beroende av leverantörernas lanseringsplaner, priser och infrastruktur.

En modell med öppna vikter ger Harvey större frihet att förändra och distribuera systemet. Företaget kan själv bestämma hur modellen ska vidaretränas, hur den ska optimeras för olika arbetsuppgifter och vilka juridiska ärenden som ska skickas till vilken modell. Nackdelen är att Harvey samtidigt får ta större ansvar för infrastruktur, säkerhet, utvärdering, underhåll och den löpande driften – kostnader som externa leverantörer i praktiken hanterar när kunder använder deras API:er.

Valet illustrerar också en mer pragmatisk syn på AI-utveckling. För kommersiella användare kan modellens ursprungsland bli mindre avgörande om en modell med öppna vikter erbjuder en stark utgångspunkt, kan anpassas juridiskt och tekniskt och ger fördelaktiga kostnader. Det eliminerar inte frågor om ursprung, säkerhet, styrning eller kundernas acceptans. Det gör dem i stället till en del av företagens granskning av AI-leverantörer och modeller.

Affärsidén: att äga mer av tekniken

För en plattform som används i värdefulla professionella arbetsflöden kan modellkostnaderna direkt påverka marginaler och produktdesign. API:er till externa toppmodeller tar vanligtvis betalt utifrån användning. Kostnaderna ökar därför när kunder kör fler långa dokument, fler agentsteg eller mer omfattande resonemang. En egen modell kan låta Harvey hantera lämpliga arbetsuppgifter i infrastruktur som bolaget själv kontrollerar, i stället för att skicka varje uppgift till en extern modell.

Öppna modellvikter gör inte AI-inferens gratis. Harvey behöver fortfarande beräkningskapacitet, databehandling, kvalitetskontroller, säkerhetssystem och ingenjörer som underhåller modellen. Men företaget uppger att vidareträningen också uppmuntrade effektivare användning av verktyg och resonemang, vilket kan minska antalet token som används när modellen körs.

Det kan skapa en praktisk arbetsfördelning: dyra generella modeller kan fortsätta vara bäst lämpade för de svåraste eller mest öppna frågorna, medan en specialiserad modell hanterar återkommande juridiskt arbete i stora volymer till lägre driftskostnad. Om kalkylen håller beror dock på Tenets faktiska träffsäkerhet, svarstid, användningsgrad och infrastrukturkrav – inte bara på priset för de underliggande modellvikterna.

Vad innebär detta för Harveys produktstrategi?

Harvey har positionerat sig som ett branschspecialiserat AI-bolag för advokatbyråer och juridikavdelningar inom företag. På sin webbplats uppger bolaget att fler än 2 400 juridiska organisationer använder plattformen. Harvey beskriver användningsområden inom bland annat avtalsanalys, due diligence, regelefterlevnad och tvister.

Den kundbasen ger Harvey ett tydligt skäl att kontrollera mer av tekniken bakom användarprodukten. Juridiska kunder behöver konsekvent beteende, säkerhet, spårbarhet och stabil prestanda i arbetsflöden där fel kan bli kostsamma.

Tenet kan därför bli en grund för en mer integrerad plattform där Harvey kontrollerar modellen, agenternas samordning, ärendekontexten och de specialiserade arbetsflödena. Det kan också göra framtida anpassningar enklare om bolaget längre fram låter kunder träna modeller på sin egen institutionella kunskap. Den möjligheten har rapporterats, men bör ses som en framtida inriktning snarare än en bekräftad funktion vid lanseringen.

Den större lärdomen för vertikal AI

Den viktigaste betydelsen av Tenet är strategisk snarare än teknisk: specialiserade AI-bolag behöver inte nödvändigtvis träna egna toppmodeller från grunden för att få betydande kontroll över sina produkter.

Ett företag inom vertikal AI kan i stället kombinera fyra tillgångar:

• en generell modell med öppna vikter som utgångspunkt,
• egen data eller data skapad av branschexperter,
• vidareträning mot branschens arbetsflöden, och
• produktkontroller för agenter, kontext, utvärdering och distribution.

Metoden kan skapa en tydlig konkurrensfördel utan de enorma investeringar och den infrastruktur som krävs för att konkurrera direkt med de största utvecklarna av grundmodeller. Samtidigt läggs mer av det svåra arbetet på applikationsbolaget: att visa att systemet är tillförlitligt, skydda känsliga uppgifter, följa upp fel och bevisa att bättre testresultat faktiskt leder till bättre arbetsresultat.

För Harvey är Tenet därmed både en modellansering och ett test av vertikal integration. Företaget satsar på att juridisk expertis och data från juridiska arbetsflöden kan omvandla en öppen grundmodell till ett kommersiellt värdefullt system – och att kontroll över den specialiserade modellen ska förbättra ekonomin och produktens prestanda. Hittills stöder underlaget den strategiska kursändringen. Hur stor den praktiska fördelen blir avgörs däremot av oberoende utvärderingar och av hur Tenet fungerar i verkligt juridiskt arbete.