Harvey Tenet và bước chuyển từ “thuê” mô hình AI sang tự sở hữu trí tuệ pháp lý

Harvey Tenet không chỉ là một chatbot mới dành cho luật sư. Đây là mô hình AI nội bộ đầu tiên của Harvey, được xây dựng bằng cách hậu huấn luyện Kimi K3 — mô hình có trọng số mở của Moonshot AI — cho các công việc pháp lý kéo dài và nhiều bước.

Bước đi này đánh dấu sự thay đổi trong chiến lược của Harvey: từ một công ty chủ yếu tùy biến các mô hình nền tảng của bên thứ ba sang sở hữu nhiều hơn ở tầng mô hình. Về lý thuyết, điều đó có thể giúp Harvey kiểm soát tốt hơn chi phí, hành vi và hiệu năng của AI bên trong nền tảng.

Tenet cũng là một ví dụ điển hình cho xu hướng AI chuyên ngành: bắt đầu với một mô hình tổng quát đủ năng lực, sau đó dùng dữ liệu, quy trình và phương pháp đánh giá riêng của ngành để tinh chỉnh cho một lĩnh vực cụ thể. Tuy nhiên, các tuyên bố hiệu năng nổi bật nhất hiện vẫn đến từ Harvey; cần có đánh giá độc lập và kết quả triển khai rộng hơn để xác định lợi thế thực tế của Tenet.

Harvey Tenet là gì?

Harvey mô tả Tenet là mô hình đầu tiên được hậu huấn luyện riêng cho công việc pháp lý. Mô hình này dựa trên Kimi K3, hệ thống có trọng số mở do Moonshot AI — công ty AI Trung Quốc đứng sau chatbot Kimi — phát triển. Harvey thực hiện quá trình hậu huấn luyện cùng Fireworks AI.

“Hậu huấn luyện” là quá trình cải thiện mô hình sau giai đoạn huấn luyện nền tảng ban đầu, thay vì xây dựng một mô hình nền tảng hoàn toàn mới từ đầu. Theo Harvey, Tenet được huấn luyện bằng dữ liệu pháp lý công khai, dữ liệu tổng hợp và dữ liệu do chuyên gia tạo ra nhằm mô phỏng các nhiệm vụ pháp lý kéo dài.

Điểm này rất quan trọng: Tenet không được giới thiệu như một mô hình AI tổng quát mới hoàn toàn. Đây là phiên bản chuyên biệt của một mô hình có trọng số mở, được định hướng cho những tác vụ như rà soát hợp đồng, thẩm định pháp lý và các quy trình phức tạp khác.

Harvey nói gì về hiệu năng của Tenet?

Harvey cho biết Tenet đạt hiệu năng hàng đầu trên bộ đánh giá pháp lý LAB và có khả năng khái quát hóa sang các bộ đánh giá pháp lý của bên thứ ba. Trong bản cập nhật do công ty công bố, Tenet hoàn thành gần gấp đôi số nhiệm vụ LAB giữ lại để kiểm tra so với Kimi K3 nền tảng, đồng thời hoàn thành nhiều hơn 20% số nhiệm vụ hợp đồng trong LAB. Tỷ lệ đạt toàn bộ yêu cầu cũng tăng lần lượt 9 và 2 điểm phần trăm.

Các con số này cho thấy quá trình hậu huấn luyện đã cải thiện đáng kể kết quả của mô hình nền tảng trên những bài đánh giá Harvey lựa chọn. Nhưng chúng chưa đủ để chứng minh Tenet tốt hơn mọi mô hình cạnh tranh trong thực tiễn pháp lý. Thiết kế bộ benchmark, cách chọn nhiệm vụ, phương pháp chấm điểm, câu lệnh đầu vào và điều kiện triển khai đều có thể tác động đến kết quả.

Tình trạng cung cấp Tenet cũng chưa hoàn toàn rõ ràng vào thời điểm công bố. Business Insider đưa tin mô hình đã được giới thiệu nhưng chưa hoạt động trong nền tảng Harvey, còn công ty chưa cho biết thời điểm triển khai cụ thể. Vì vậy, việc kiểm thử độc lập trong môi trường sản xuất sẽ là bước tiếp theo đáng chú ý.

Vì sao nền tảng Kimi K3 đáng chú ý?

Việc Harvey chọn Kimi K3 gây chú ý bởi công ty có mối quan hệ lâu năm với các nhà cung cấp AI phương Tây và từng hợp tác với OpenAI để xây dựng một mô hình pháp lý được huấn luyện tùy chỉnh. Trên bình diện rộng hơn, nhiều nền tảng AI pháp lý vẫn dựa vào các hệ thống đóng của OpenAI và Anthropic, qua đó phải trả phí truy cập và phụ thuộc vào lịch phát hành, mức giá cũng như hạ tầng của các nhà cung cấp này.

Một nền tảng có trọng số mở cho phép Harvey tự do hơn trong việc chỉnh sửa và triển khai mô hình. Công ty có thể quyết định cách hậu huấn luyện, tối ưu mô hình cho từng loại khối lượng công việc và phân tuyến các tác vụ pháp lý khác nhau.

Đổi lại, Harvey phải tự gánh nhiều trách nhiệm hơn về hạ tầng, bảo mật, đánh giá, bảo trì và vận hành mô hình — những phần mà nhà cung cấp bên ngoài thường đảm nhận khi doanh nghiệp sử dụng API của họ.

Lựa chọn này cũng cho thấy một cách tiếp cận thực dụng hơn trong phát triển AI. Với người dùng thương mại, xuất xứ quốc gia của mô hình có thể không còn là yếu tố quyết định duy nhất nếu một hệ thống có trọng số mở mang lại điểm khởi đầu đủ mạnh, có thể được điều chỉnh về kỹ thuật và pháp lý, đồng thời tạo ra hiệu quả kinh tế tốt. Điều đó không loại bỏ các câu hỏi về nguồn gốc dữ liệu, an ninh, quản trị hay mức độ chấp nhận của khách hàng; nó biến những câu hỏi này thành một phần của quy trình thẩm định mô hình doanh nghiệp.

Sở hữu nhiều hơn trong chuỗi công nghệ có ý nghĩa kinh doanh gì?

Với một nền tảng phục vụ các quy trình pháp lý có giá trị cao, chi phí mô hình có thể ảnh hưởng trực tiếp đến biên lợi nhuận và thiết kế sản phẩm. API của các mô hình AI hàng đầu thường tính phí theo mức sử dụng. Vì vậy, chi phí sẽ tăng khi khách hàng xử lý nhiều tài liệu dài hơn, thực hiện nhiều bước tác vụ tự động hơn hoặc yêu cầu suy luận kéo dài hơn.

Một mô hình nội bộ có thể cho phép Harvey đưa các tác vụ phù hợp vào hạ tầng do chính công ty kiểm soát, thay vì chuyển mọi yêu cầu sang mô hình của bên thứ ba.

Tuy nhiên, có trọng số mở không đồng nghĩa với suy luận miễn phí. Harvey vẫn cần năng lực tính toán, chuẩn bị dữ liệu, kiểm soát chất lượng, hệ thống bảo mật và đội ngũ kỹ sư để duy trì mô hình. Công ty cho biết quá trình hậu huấn luyện cũng khuyến khích việc sử dụng công cụ và suy luận hiệu quả hơn, qua đó có thể giảm số token tiêu thụ khi mô hình hoạt động.

Mô hình kinh doanh tiềm năng ở đây là phân chia nhiệm vụ: các mô hình tổng quát đắt đỏ vẫn đảm nhận những câu hỏi khó hoặc mở nhất, trong khi Tenet xử lý các công việc pháp lý lặp lại, khối lượng lớn với chi phí vận hành thấp hơn. Liệu cách này có thực sự cải thiện hiệu quả kinh tế hay không còn phụ thuộc vào độ chính xác, độ trễ, mức độ sử dụng và yêu cầu hạ tầng thực tế của Tenet — chứ không chỉ ở giá của bộ trọng số ban đầu.

Tenet thay đổi chiến lược sản phẩm của Harvey ra sao?

Harvey định vị mình là nền tảng AI chuyên ngành cho các hãng luật và bộ phận pháp chế doanh nghiệp. Theo website của công ty, hơn 2.400 tổ chức pháp lý đang sử dụng nền tảng này; Harvey cũng cho biết sản phẩm được triển khai tại các hãng luật và phòng pháp chế nội bộ trên toàn cầu.

Tệp khách hàng đó tạo động lực để Harvey kiểm soát nhiều hơn công nghệ đứng sau sản phẩm. Các khách hàng pháp lý cần hành vi ổn định, bảo mật, khả năng truy xuất và hiệu năng nhất quán trong những quy trình như phân tích hợp đồng, thẩm định, tuân thủ và tranh tụng.

Tenet có thể trở thành lớp nền cho một nền tảng tích hợp hơn, nơi Harvey cùng lúc kiểm soát mô hình, cách điều phối tác vụ tự động, bối cảnh hồ sơ vụ việc và các quy trình chuyên biệt. Về lâu dài, mô hình này cũng có thể giúp việc tùy biến cho từng khách hàng trở nên dễ dàng hơn nếu Harvey cho phép doanh nghiệp điều chỉnh AI bằng kiến thức nội bộ của mình. Khả năng đó đã được đề cập như một hướng phát triển, nhưng chưa nên xem là tính năng đã được xác nhận tại thời điểm ra mắt.

Bài học rộng hơn cho AI chuyên ngành

Hàm ý quan trọng nhất của Tenet nằm ở chiến lược, không chỉ ở kỹ thuật: các công ty AI chuyên ngành có thể không cần tự huấn luyện một mô hình hàng đầu từ con số 0 để giành quyền kiểm soát đáng kể đối với sản phẩm.

Thay vào đó, một công ty AI dọc có thể kết hợp bốn thành phần:

• một mô hình tổng quát có trọng số mở làm điểm khởi đầu;
• dữ liệu chuyên ngành hoặc dữ liệu do chuyên gia tạo ra;
• quá trình hậu huấn luyện nhắm vào các quy trình của ngành; và
• các cơ chế cấp sản phẩm để quản lý tác vụ tự động, bối cảnh, đánh giá và triển khai.

Cách tiếp cận này có thể tạo khác biệt mà không đòi hỏi nguồn vốn và hạ tầng khổng lồ để cạnh tranh trực tiếp với các nhà phát triển mô hình nền tảng lớn nhất. Nhưng nó cũng khiến công ty ứng dụng phải chịu trách nhiệm nhiều hơn: chứng minh độ tin cậy, bảo vệ dữ liệu nhạy cảm, theo dõi lỗi và cho thấy cải thiện trên benchmark thực sự chuyển thành kết quả hữu ích.

Với Harvey, Tenet vừa là một lần ra mắt mô hình vừa là phép thử cho chiến lược tích hợp dọc. Công ty đang đặt cược rằng chuyên môn pháp lý và dữ liệu quy trình có thể biến một nền tảng có trọng số mở thành hệ thống mang lại giá trị thương mại — đồng thời giúp Harvey kiểm soát tốt hơn chi phí và hiệu năng sản phẩm. Bằng chứng hiện có ủng hộ sự thay đổi về chiến lược; mức độ lợi thế trong thực tế sẽ phụ thuộc vào các đánh giá độc lập và cách Tenet vận hành trong công việc pháp lý hàng ngày.