Harvey Tenet: перехід від орендованих AI-моделей до власного юридичного інтелекту

Harvey Tenet — це не просто новий юридичний чатбот. Це перша власна модель компанії, яку створили шляхом донавчання Kimi K3 від Moonshot AI для складної юридичної роботи, що може тривати години або навіть дні. Такий крок змінює роль Harvey: із компанії, яка переважно налаштовувала чужі базові моделі, вона поступово перетворюється на розробника й оператора власного модельного шару.

Для ринку професійного штучного інтелекту це показовий приклад вертикального AI: загальну модель беруть за основу, а потім адаптують за допомогою галузевих даних, експертних оцінок, робочих процесів і спеціалізованих тестів. Водночас найсильніші заяви про результати Tenet поки що походять від самої Harvey. Їх варто сприймати як заяви компанії, доки не з’являться незалежні перевірки та ширші результати використання в реальній юридичній практиці.

Що таке Harvey Tenet

Harvey описує Tenet як свою першу модель, донавчену спеціально для юридичних завдань. Її основою стала Kimi K3 — модель із відкритими вагами, розроблена китайською AI-компанією Moonshot AI, відомою своїм продуктом Kimi. У роботі над донавчанням Harvey співпрацювала з Fireworks AI.

Донавчання, або post-training, відбувається після початкового навчання базової моделі. Це не те саме, що створення нової фундаментальної моделі з нуля. У випадку Tenet Harvey використовувала відкриті юридичні дані, синтетичні матеріали та дані від людей-експертів, які моделювали тривалу й багатокрокову юридичну роботу.

Отже, Tenet — не універсальна модель, просто доповнена юридичним інтерфейсом. Це спеціалізована версія вже наявної моделі, налаштована на перевірку контрактів, юридичну перевірку під час угод, due diligence та інші складні робочі процеси.

Що Harvey заявляє про продуктивність

Компанія стверджує, що Tenet демонструє результати рівня state-of-the-art у власному юридичному бенчмарку LAB і узагальнює їх на сторонні юридичні тести. В опублікованому оновленні Harvey зазначає, що Tenet виконала майже вдвічі більше відкладених завдань LAB, ніж базова Kimi K3, а в категорії контрактів LAB — на 20% більше. Рівень проходження всіх етапів завдання, за даними компанії, зріс відповідно на 9 і 2 відсоткові пункти.

Ці цифри свідчать, що донавчання помітно покращило результати базової моделі на вибраних тестах Harvey. Але самі по собі вони не доводять, що Tenet перевершує кожну конкурентну модель у реальній роботі юристів. На результат можуть впливати структура бенчмарку, вибір завдань, формулювання запитів, методика оцінювання та умови розгортання.

На момент презентації також залишалося не до кінця зрозумілим, коли саме Tenet стане доступною користувачам. Business Insider повідомив, що модель уже представили, але в Harvey вона ще не працювала, а компанія не назвала дату запуску. Тому незалежне тестування в робочому середовищі стане ключовим наступним етапом.

Чому важливою є саме Kimi K3

Вибір Kimi K3 привертає увагу, оскільки Harvey має тісні зв’язки із західними AI-провайдерами й раніше співпрацювала з OpenAI над спеціально навченою юридичною моделлю. Загалом юридичні AI-платформи часто покладаються на закриті системи OpenAI та Anthropic, оплачуючи доступ до них і залежачи від їхніх цін, інфраструктури та графіків випуску нових версій.

Модель із відкритими вагами дає Harvey більше свободи у зміні та розгортанні системи. Компанія може самостійно визначати підхід до донавчання, оптимізувати модель під конкретні типи навантаження й вирішувати, які юридичні завдання передавати їй. Водночас Harvey бере на себе додаткову відповідальність за інфраструктуру, безпеку, оцінювання, обслуговування та експлуатацію моделі — витрати, які частково несуть зовнішні постачальники, коли клієнти користуються їхніми API.

Цей вибір також демонструє прагматичний підхід до розробки AI. Для комерційного користувача країна походження моделі може бути не єдиним визначальним фактором, якщо модель із відкритими вагами забезпечує сильну основу, допускає технічну й юридичну адаптацію та обіцяє вигіднішу економіку. Це не скасовує питань походження даних, безпеки, управління та довіри клієнтів — навпаки, вони стають частиною корпоративної перевірки моделі.

Навіщо Harvey контролювати більшу частину технологічного стека

Для платформи, що обслуговує дорогі професійні процеси, економіка моделі безпосередньо впливає на маржинальність і дизайн продукту. Зовнішні API передових моделей зазвичай тарифікуються за використанням, тому витрати зростають, коли клієнти обробляють довгі документи, запускають більше агентських кроків або доручають системі тривалі міркування. Власна модель може дозволити Harvey спрямовувати відповідні завдання через інфраструктуру, яку вона контролює, а не передавати кожен запит сторонній системі.

Відкриті ваги, звісно, не означають безкоштовну обробку запитів. Harvey все одно потрібні обчислювальні потужності, підготовка даних, контроль якості, системи безпеки та інженери для підтримки моделі. Однак компанія каже, що під час донавчання також заохочувала ефективніше використання інструментів і міркування, що може зменшити кількість токенів під час роботи моделі.

У результаті може сформуватися розподіл завдань: дорогі універсальні моделі залишаться корисними для найскладніших або найбільш відкритих запитів, тоді як спеціалізована модель оброблятиме повторювану й масову юридичну роботу дешевше. Чи справді це дасть кращу економіку, залежатиме від фактичної точності, швидкості відповіді, рівня використання та вимог до інфраструктури Tenet, а не лише від вартості її базових ваг.

Як Tenet може змінити продукт Harvey

Harvey позиціонує себе як спеціалізовану AI-платформу для юридичних фірм і корпоративних юридичних департаментів. На сайті компанії зазначено, що платформою користуються понад 2 400 юридичних організацій у більш ніж 70 країнах. Серед напрямів роботи — аналіз контрактів, due diligence, комплаєнс і судові процеси.

Така клієнтська база дає Harvey практичну причину контролювати більше технологій, що лежать під її продуктом. Юридичним клієнтам потрібні передбачувана поведінка системи, безпека, можливість відстежувати результати та стабільна якість у різних робочих сценаріях.

Tenet може стати основою інтегрованішої платформи, де Harvey контролюватиме не лише модель, а й оркестрацію AI-агентів, контекст конкретної справи та спеціалізовані робочі процеси. У майбутньому це потенційно може спростити адаптацію моделей під внутрішні знання окремих клієнтів. Але таку можливість наразі слід сприймати як майбутній напрям, а не як підтверджену функцію, доступну під час запуску.

Ширший урок для вертикального AI

Найважливіший висновок із запуску Tenet — стратегічний, а не суто технічний. Спеціалізованим AI-компаніям не обов’язково створювати передові фундаментальні моделі з нуля, щоб отримати значний контроль над власним продуктом.

Вертикальна AI-компанія може поєднати чотири складові:

• загальну модель із відкритими вагами як стартову основу;
• власні або підготовлені експертами галузеві дані;
• донавчання під конкретні робочі процеси індустрії;
• продуктові засоби контролю агентів, контексту, оцінювання та розгортання.

Такий підхід дає змогу створювати відмінності без капіталу й інфраструктури, необхідних для прямої конкуренції з найбільшими розробниками фундаментальних моделей. Але він також покладає на прикладну компанію більше складної роботи: доведення надійності, захист чутливих даних, моніторинг помилок і перевірку того, що переваги на бенчмарках справді перетворюються на корисний результат для клієнта.

Для Harvey Tenet — це водночас запуск моделі й перевірка стратегії вертикальної інтеграції. Компанія робить ставку на те, що юридична експертиза та дані про робочі процеси зможуть перетворити відкриту базову модель на комерційно цінну систему. Поки що наявні свідчення підтверджують стратегічний поворот, але масштаб практичної переваги покажуть лише незалежні оцінювання та робота Tenet у реальних юридичних справах.