Harvey Tenet เปลี่ยนเกม AI กฎหมาย จากการเช่าโมเดลสู่การถือครอง “ปัญญาทางกฎหมาย” เอง

ในกระบวนการนี้ Harvey ระบุว่าใช้ข้อมูลกฎหมายที่เผยแพร่ต่อสาธารณะ ข้อมูลสังเคราะห์ และข้อมูลจากผู้เชี่ยวชาญที่เป็นมนุษย์ เพื่อจำลองงานกฎหมายที่ต้องใช้เวลาหลายชั่วโมงหรือหลายวัน เช่น การตรวจสัญญา การตรวจสอบสถานะกิจการ หรือ due diligence และเวิร์กโฟลว์ทางกฎหมายที่มีหลายขั้นตอน

ความแตกต่างนี้มีความสำคัญ เพราะ Tenet ไม่ได้ถูกนำเสนอในฐานะแชตบอตอเนกประสงค์ตัวใหม่ แต่เป็นเวอร์ชันเฉพาะทางของโมเดล open-weight ที่มีอยู่แล้ว และถูกปรับให้เหมาะกับงานกฎหมายที่ต้องอาศัยบริบทจำนวนมาก การให้เหตุผลต่อเนื่อง และการใช้เครื่องมือประกอบกัน

Harvey อ้างว่า Tenet ทำผลงานได้ดีแค่ไหน

Harvey ระบุว่า Tenet ทำผลงานในระดับ state-of-the-art บน LAB ซึ่งเป็นเกณฑ์ทดสอบด้านกฎหมายของบริษัท และสามารถถ่ายโอนความสามารถไปยังการทดสอบทางกฎหมายจากบุคคลที่สามได้ด้วย

จากข้อมูลอัปเดตที่ Harvey เผยแพร่ Tenet ทำภารกิจที่กันไว้นอกชุดฝึกบน LAB ได้เกือบสองเท่าของ Kimi K3 รุ่นพื้นฐาน และทำภารกิจด้านสัญญาบน LAB ได้มากขึ้น 20% นอกจากนี้ อัตราการผ่านทุกเงื่อนไขของการทดสอบ หรือ all-pass rate เพิ่มขึ้น 9 และ 2 จุดเปอร์เซ็นต์ตามลำดับ

ตัวเลขดังกล่าวชี้ว่า post-training ช่วยปรับปรุงผลลัพธ์ของโมเดลพื้นฐานได้อย่างมีนัยสำคัญในการประเมินที่ Harvey เลือกใช้ แต่ยังไม่เพียงพอที่จะสรุปว่า Tenet ดีกว่าโมเดลคู่แข่งทั้งหมดในการทำงานจริง ผลลัพธ์จากเบนช์มาร์กอาจได้รับอิทธิพลจากการออกแบบชุดทดสอบ การเลือกงาน วิธีเขียนคำสั่ง วิธีประเมิน และเงื่อนไขในการนำไปใช้งาน

นอกจากนี้ รายงานของ Business Insider ระบุว่า แม้ Harvey จะเปิดตัว Tenet แล้ว แต่โมเดลดังกล่าวยังไม่เปิดใช้งานบนแพลตฟอร์ม Harvey ในเวลานั้น และบริษัทยังไม่ได้ระบุวันที่จะเปิดให้ใช้งานอย่างชัดเจน ดังนั้น การทดสอบในสภาพแวดล้อมการผลิตจริงและการประเมินจากผู้ใช้อิสระจึงเป็นขั้นตอนสำคัญที่ต้องติดตาม

ทำไมการเลือก Kimi K3 จึงน่าสนใจ

การเลือก Kimi K3 มีความโดดเด่น เพราะ Harvey เคยมีความสัมพันธ์ใกล้ชิดกับผู้ให้บริการ AI ฝั่งตะวันตก และก่อนหน้านี้เคยร่วมงานกับ OpenAI เพื่อสร้างโมเดลกฎหมายที่ผ่านการฝึกเฉพาะทาง

แพลตฟอร์ม AI ด้านกฎหมายจำนวนมากพึ่งพาโมเดลปิดจากผู้ให้บริการอย่าง OpenAI และ Anthropic ซึ่งหมายความว่าบริษัทต้องจ่ายค่าการใช้งาน และต้องขึ้นอยู่กับกำหนดการเปิดตัว ราคา รวมถึงโครงสร้างพื้นฐานของผู้ให้บริการเหล่านั้น

การใช้โมเดลแบบ open-weight เปิดพื้นที่ให้ Harvey ปรับแต่งและนำโมเดลไปใช้งานได้อย่างอิสระมากขึ้น บริษัทสามารถกำหนดวิธี post-training ปรับโมเดลให้เหมาะกับภาระงานเฉพาะ และเลือกว่าจะส่งงานกฎหมายประเภทใดไปยังโมเดลใด

แต่ข้อแลกเปลี่ยนคือ Harvey ต้องรับผิดชอบเองมากขึ้น ทั้งโครงสร้างพื้นฐาน ความปลอดภัย การประเมินคุณภาพ การบำรุงรักษา และการดำเนินงานของโมเดล ซึ่งเป็นภาระที่ผู้ให้บริการภายนอกมักดูแลให้เมื่อบริษัทเลือกใช้ API ของพวกเขา

กรณีนี้ยังสะท้อนแนวทางพัฒนา AI ที่เน้นความเป็นจริงทางธุรกิจมากขึ้น สำหรับผู้ใช้องค์กร แหล่งกำเนิดของโมเดลอาจไม่ใช่ปัจจัยเดียวที่ตัดสินใจ หากโมเดล open-weight มีความสามารถสูงพอ สามารถปรับใช้ได้ทั้งในทางเทคนิคและทางกฎหมาย และให้ต้นทุนที่เหมาะสม อย่างไรก็ตาม ประเด็นเรื่องที่มาของข้อมูล ความปลอดภัย ธรรมาภิบาล และการยอมรับจากลูกค้ายังคงต้องผ่านการตรวจสอบอย่างรอบคอบ

เหตุผลทางธุรกิจของการถือครองเทคโนโลยีเอง

สำหรับแพลตฟอร์มกฎหมายที่รองรับงานมูลค่าสูง ต้นทุนของโมเดลส่งผลโดยตรงต่ออัตรากำไรและการออกแบบผลิตภัณฑ์ API ของโมเดลชั้นนำมักคิดค่าบริการตามปริมาณการใช้งาน ดังนั้นต้นทุนจะเพิ่มขึ้นเมื่อลูกค้าส่งเอกสารยาว ๆ ให้ประมวลผล ใช้ขั้นตอนของเอเจนต์มากขึ้น หรือสั่งให้ระบบใช้เหตุผลต่อเนื่องเป็นเวลานาน

หากมีโมเดลที่บริษัทควบคุมเอง Harvey อาจส่งงานที่เหมาะสมไปประมวลผลบนโครงสร้างพื้นฐานของตน แทนที่จะส่งทุกคำถามไปยังโมเดลภายนอกที่มีต้นทุนสูง โดยเฉพาะงานกฎหมายที่ทำซ้ำบ่อยและมีปริมาณมาก

อย่างไรก็ดี open-weight ไม่ได้หมายความว่าการประมวลผลจะไม่มีค่าใช้จ่าย Harvey ยังคงต้องลงทุนด้านกำลังประมวลผล การเตรียมข้อมูล ระบบควบคุมคุณภาพ ความปลอดภัย และบุคลากรด้านวิศวกรรมเพื่อดูแลโมเดล

Harvey ระบุว่า post-training ยังช่วยส่งเสริมการใช้เครื่องมือและการให้เหตุผลอย่างมีประสิทธิภาพมากขึ้น ซึ่งอาจลดจำนวนโทเค็นที่โมเดลต้องใช้ระหว่างการประมวลผลได้ ตรงนี้ทำให้เกิดแนวทางแบ่งงานที่น่าสนใจ: โมเดลอเนกประสงค์ราคาแพงอาจยังเหมาะกับคำถามที่ยากและเปิดกว้างที่สุด ขณะที่โมเดลเฉพาะทางอย่าง Tenet รับผิดชอบงานกฎหมายที่เป็นระบบและมีปริมาณสูงด้วยต้นทุนการดำเนินงานที่ต่ำกว่า

ผลลัพธ์ทางเศรษฐศาสตร์จะดีขึ้นจริงหรือไม่ ยังขึ้นอยู่กับความแม่นยำ เวลาในการตอบสนอง อัตราการใช้งาน และความต้องการด้านโครงสร้างพื้นฐานของ Tenet ไม่ใช่เพียงราคาของน้ำหนักโมเดลเท่านั้น

Tenet เปลี่ยนทิศทางผลิตภัณฑ์ของ Harvey อย่างไร

Harvey วางตำแหน่งตัวเองเป็นแพลตฟอร์ม AI เฉพาะทางสำหรับสำนักงานกฎหมายและทีมกฎหมายภายในองค์กร เว็บไซต์ของบริษัทระบุว่ามีองค์กรด้านกฎหมายมากกว่า 2,400 แห่งใช้งานแพลตฟอร์ม และบริษัทให้บริการแก่ลูกค้าในกว่า 70 ประเทศ

ฐานลูกค้าดังกล่าวเป็นเหตุผลสำคัญที่ทำให้ Harvey ต้องการควบคุมเทคโนโลยีเบื้องหลังผลิตภัณฑ์ของตัวเองมากขึ้น ลูกค้ากลุ่มกฎหมายต้องการพฤติกรรมของระบบที่สม่ำเสมอ ความปลอดภัย ความสามารถในการตรวจสอบย้อนกลับ และประสิทธิภาพที่เชื่อถือได้ในงานอย่างการวิเคราะห์สัญญา due diligence การปฏิบัติตามกฎระเบียบ และคดีความ

ในอนาคต Tenet อาจกลายเป็นชั้นพื้นฐานของแพลตฟอร์มที่ Harvey ควบคุมได้ครบขึ้น ตั้งแต่โมเดล การจัดการเอเจนต์ บริบทของแต่ละคดีหรือเรื่องงาน ไปจนถึงเวิร์กโฟลว์เฉพาะทาง

นอกจากนี้ยังมีความเป็นไปได้ที่ Tenet จะถูกนำไปใช้เป็นฐานสำหรับการปรับโมเดลให้เข้ากับความรู้ภายในของสำนักงานกฎหมายแต่ละแห่ง แต่ประเด็นนี้เป็นทิศทางในอนาคตที่มีการรายงานไว้ ยังไม่ควรถือว่าเป็นความสามารถที่เปิดให้ใช้งานอย่างยืนยันแล้วตั้งแต่วันเปิดตัว

บทเรียนที่กว้างกว่าสำหรับ Vertical AI

ความหมายสำคัญที่สุดของ Tenet อาจไม่ได้อยู่ที่เทคนิคของโมเดล แต่อยู่ที่กลยุทธ์ บริษัท AI เฉพาะอุตสาหกรรมอาจไม่จำเป็นต้องฝึกโมเดลระดับแนวหน้าขึ้นมาเองตั้งแต่ศูนย์ เพื่อให้สามารถควบคุมผลิตภัณฑ์ของตัวเองได้อย่างมีนัยสำคัญ

แนวทางของ Vertical AI สามารถประกอบด้วยองค์ประกอบหลัก 4 อย่าง ได้แก่

• โมเดลทั่วไปแบบ open-weight ที่ใช้เป็นจุดเริ่มต้น
• ข้อมูลเฉพาะทางหรือข้อมูลที่จัดทำโดยผู้เชี่ยวชาญในอุตสาหกรรม
• การ post-training ที่มุ่งเป้าไปยังเวิร์กโฟลว์ของอุตสาหกรรมนั้น
• การควบคุมในระดับผลิตภัณฑ์ ทั้งเอเจนต์ บริบท การประเมินผล และการนำไปใช้งาน

แนวทางนี้ช่วยให้บริษัท AI เฉพาะทางสร้างความแตกต่างได้ โดยไม่ต้องลงทุนมหาศาลเพื่อแข่งขันโดยตรงกับผู้พัฒนาโมเดลพื้นฐานรายใหญ่ที่สุด แต่ในเวลาเดียวกัน บริษัทก็ต้องรับผิดชอบงานยากมากขึ้น ทั้งการพิสูจน์ความน่าเชื่อถือ การปกป้องข้อมูลอ่อนไหว การติดตามความผิดพลาด และการแสดงให้เห็นว่าผลลัพธ์จากเบนช์มาร์กแปลเป็นประโยชน์ที่วัดได้ในโลกจริง

สำหรับ Harvey แล้ว Tenet จึงเป็นทั้งการเปิดตัวโมเดลและบททดสอบของการรวมธุรกิจในแนวดิ่ง บริษัทกำลังเดิมพันว่าความเชี่ยวชาญด้านกฎหมายและข้อมูลจากเวิร์กโฟลว์เฉพาะทางจะสามารถเปลี่ยนโมเดล open-weight ให้เป็นระบบที่มีมูลค่าทางธุรกิจได้ และการเป็นเจ้าของโมเดลเฉพาะทางจะช่วยให้ควบคุมต้นทุนกับประสิทธิภาพผลิตภัณฑ์ได้ดีขึ้น

หลักฐานในขณะนี้สนับสนุนว่า Harvey กำลังเปลี่ยนทิศทางเชิงกลยุทธ์จริง แต่ขนาดของข้อได้เปรียบในการใช้งานจริงยังต้องพิสูจน์ผ่านการประเมินอิสระและผลลัพธ์จากการใช้ Tenet ในงานกฎหมายจริงต่อไป