Harvey alcanzó $11 mil millones antes de su modelo interno

Para agosto de 2026, Harvey tenía una valoración de $11 mil millones tras construir su negocio de software legal sobre modelos que no le pertenecían. Tres años antes, los inversionistas valoraban la empresa en $715 millones y los reporteros la definían por su uso de tecnología de OpenAI. Ese aumento ocurrió antes de que Harvey lanzara un modelo legal interno.

Ningún análisis de precios divulgado explica cómo repartieron los inversionistas los $11 mil millones entre el software, los clientes, el crecimiento y la estrategia de modelos de Harvey. La secuencia observable es más acotada: Harvey acumuló ingresos, clientes y valor empresarial antes de internalizar parte de la capa de modelos.

Harvey construyó distribución antes de construir un modelo

En diciembre de 2023, Harvey levantó una Serie B de $80 millones mientras desarrollaba herramientas legales con tecnología de OpenAI. Los despachos jurídicos y equipos legales compraron ese producto antes de que Harvey tuviera propiedad intelectual de modelos fundacionales.

Para febrero de 2025, Harvey dijo que los ingresos recurrentes anuales habían superado los $50 millones después de levantar $300 millones con una valoración de $3 mil millones. En junio de 2025, la empresa dijo que atendía a 337 clientes, incluidos KKR y PwC, en 53 países. Para agosto de 2026, el negocio de software legal de Harvey estaba valorado en $11 mil millones.

Harvey ya había asegurado distribución, relaciones con clientes y uso en el dominio antes de lanzar Tenet. El modelo amplió una posición comercial que ya existía.

Esa secuencia respalda una afirmación limitada sobre IA vertical: un proveedor puede construir distribución empresarial sobre modelos fundacionales rentados y después añadir control directo sobre la adaptación y evaluación. Tenet también puede afectar la latencia, el costo y las decisiones de despliegue, pero Harvey no ha reportado mejoras concretas en esas métricas.

Tenet hace que el asunto sea más grande que el prompt

Harvey Tenet es el primer modelo interno propietario de la empresa para trabajo legal. Harvey lo entrenó con disputas simuladas y expedientes de casos mediante una adaptación de Kimi K3. El material de entrenamiento le da a Tenet especialización legal; Harvey II aporta el sistema que lo rodea.

Los agentes de Harvey II comienzan con los archivos, el contexto, los permisos y el historial vinculados a un asunto o proyecto. Los usuarios pueden asignar tareas a abogados o agentes y dar seguimiento al trabajo. La unidad de diseño se expande de una solicitud aislada a un cuerpo de trabajo continuo.

Tenet da forma a la respuesta, mientras Harvey II controla qué puede ver el agente, quién actúa después y cómo el sistema registra la finalización.

Un abogado puede trabajar desde el asunto en vez de reconstruirlo en cada conversación. Harvey II conserva los archivos aprobados, los permisos, el historial y las asignaciones de tareas. Esos controles reducen la configuración repetida; no garantizan autoridades correctas ni una revisión adecuada.

Tenet compra control mientras preserva la dependencia aguas arriba

Moonshot anunció Kimi K3 el 17 de julio de 2026 y dijo que planeaba publicar los pesos completos del modelo para el 27 de julio. Harvey presentó Tenet al mes siguiente como una adaptación de Kimi K3, con lo que obtuvo un modelo legal sin reproducir la ejecución original de preentrenamiento de Moonshot.

Esa ruta deja a Harvey dependiente de una arquitectura aguas arriba, aun cuando internaliza la especialización legal. Las futuras versiones de Kimi, los modelos alternativos con pesos abiertos y los sistemas alojados todavía pueden modificar el costo y desempeño de las decisiones de modelo de Harvey.

Operar un modelo con pesos abiertos también implica costos de servicio. Documentos reportados en abril de 2026 mostraron que OpenAI y Anthropic proyectaban costos de inferencia superiores a la mitad de los ingresos. Harvey no ha divulgado una economía unitaria comparable, por lo que las cifras de los laboratorios de frontera no pueden trasladarse directamente a Tenet. Hacen del costo de servicio una restricción vigente de adquisición.

Harvey debe comparar modelos alojados y operados por cuenta propia conforme cambian el desempeño, la privacidad, el control de despliegue y los costos unitarios. Tenet le da a la empresa mayor control sobre la evaluación y el despliegue legal, mientras Harvey II puede dirigir distintas tareas a distintos sistemas. La medida relevante es el costo por tarea aceptada, incluida la recuperación de información, la revisión y la corrección.

El valor legal depende de una finalización con responsables

Un caso de sanciones en Nueva York en 2023 expuso la brecha entre una respuesta fluida y un trabajo legal terminado. Un abogado enfrentó sanciones después de que un escrito asistido por ChatGPT incluyera decisiones judiciales, citas textuales y referencias falsas.

La orden de sanciones responsabilizó del escrito a los abogados ante el tribunal. Por tanto, un sistema legal utilizable tiene que recuperar y aplicar el material correcto, preservar los límites de acceso, mostrar sus fuentes y canalizar el trabajo incierto a alguien autorizado para evaluarlo.

Garfield muestra cómo la IA puede entrar a un servicio legal regulado bajo condiciones más acotadas. El despacho jurídico de IA con sede en Reino Unido recibió aprobación regulatoria en 2025 y ganó su primer caso ante tribunales ingleses en junio de 2026. El asunto por honorarios impagos involucró a un freelancer que pagó cerca de £400 por tecnología para redactar documentos para una reclamación de £7,000. Un caso pequeño no establece una confiabilidad amplia, pero sí muestra trabajo asistido por IA llegando a sentencia a través de un despacho responsable.

Tanto en el caso de sanciones como en la reclamación de Garfield, un abogado identificado o un despacho regulado permaneció en la cadena. La revisión humana consume tiempo, pero también determina quién verifica las autoridades, resuelve la ambigüedad y respalda el resultado ante el cliente y el tribunal.

Las puntuaciones de referencia omiten el riesgo del sistema

Anthropic reportó que Opus 4.6 obtuvo 90.2% en BigLaw Bench, su resultado más alto para un modelo Claude. El benchmark mide la capacidad legal bajo tareas definidas. Un despacho todavía debe decidir a qué archivos del cliente puede acceder el modelo, si sus fuentes son autorizadas, cómo canalizar el borrador y quién revisa el trabajo final.

Harvey necesita evaluaciones de modelos para decidir si Tenet, un modelo de OpenAI, un modelo de Anthropic u otra opción debe encargarse de una tarea. Un benchmark general puede responder qué tan bien se desempeñó un modelo en la prueba. No puede determinar si un sistema completó trabajo permitido conforme al estándar profesional de un despacho.

Cada capa puede fallar de forma independiente. El modelo puede razonar mal, la recuperación puede proporcionar la autoridad equivocada, los permisos pueden exponer el asunto equivocado, la orquestación puede enviar el trabajo a la persona equivocada y un abogado puede aprobar un resultado defectuoso. Una sola puntuación de modelo deja esos riesgos del sistema sin medir.

Los derechos sobre la información mantienen a los incumbentes en la competencia

Proveedores nativos de IA como Harvey y Legora comienzan con superficies de trabajo y avanzan más profundamente hacia los modelos. Thomson Reuters y LexisNexis comienzan con productos de información legal y flujos de trabajo establecidos. Cada lado controla una parte distinta del sistema.

Los derechos sobre la información imponen un límite concreto al desarrollo de modelos. En 2025, Thomson Reuters derrotó la defensa de uso justo de Ross Intelligence en un importante fallo de copyright en Estados Unidos. La decisión muestra que usar contenido legal protegido para desarrollar modelos puede implicar costos de licencias y litigios.

Harvey aún necesita derechos, fuentes y evaluaciones confiables. Thomson Reuters y LexisNexis aún necesitan productos que conviertan su información en trabajo terminado. Anthropic y OpenAI pueden aportar motores de razonamiento, mientras los clientes legales aportan permisos sobre asuntos, reglas institucionales y cadenas de revisión.

Harvey y sus rivales compiten en cinco puntos de control: selección de modelos, evaluación del dominio, contexto del asunto, derechos sobre la información y revisión con responsables. Poseer uno deja a un proveedor dependiente de los propietarios de los demás. Un proveedor que reúna los cinco puede cambiar de modelos con menos disrupción en la forma en que sus clientes terminan y aprueban el trabajo legal.

Los $11 mil millones de Harvey ahora se leen de otra forma. La valoración precedió a Tenet, aunque no hay evidencia pública de que los inversionistas hayan asignado un precio específico al control a nivel de asunto. Harvey II vuelve visible la estrategia de producto al situar la generación dentro de archivos, permisos, asignación y revisión: el lugar donde la siguiente oración se convierte en responsabilidad de alguien.