Harveyは自社モデルの前に$11Bに到達した

2026年8月までに、Harveyは自社で保有しないモデルを基盤にリーガルソフトウェア事業を築き、評価額$11 billionに達した。3年前、投資家による同社の評価額は$715 millionで、報道ではOpenAI技術の利用によって定義されていた。この評価額の上昇は、Harveyが自社内製リーガルモデルを投入する前に起きた。

投資家が$11 billionをHarveyのソフトウェア、顧客、成長、モデル戦略にどう配分して評価したのかを説明する、開示済みの価格分析はない。観察できる経緯はより限定的である。Harveyはモデル層の一部を内製化する前に、売上高、顧客、企業価値を積み上げた。

Harveyはモデルを作る前に流通を築いた

HarveyはOpenAI技術でリーガルツールを構築していた2023年12月に、$80 millionのSeries Bを調達した。法律事務所や法務チームは、Harveyが基盤モデルの知的財産を保有する前からその製品を購入していた。

2025年2月までにHarveyは、評価額$3 billionで$300 millionを調達した後、年間経常収益が$50 millionを超えたと述べた。2025年6月、同社はKKRとPwCを含む337社の顧客に53カ国でサービスを提供しているとした。2026年8月までに、Harveyのリーガルソフトウェア事業の評価額は$11 billionとなった。

HarveyはTenetを投入する前に、流通、顧客関係、領域内での利用を確保していた。このモデルは、すでに存在していた商業的な地位を拡張した。

この経緯は、限定的な垂直AIに関する主張を裏付ける。ベンダーは借り受けた基盤モデルの上でエンタープライズ向け流通を構築し、その後に適応と評価への直接的な統制を加えられる。Tenetはレイテンシー、コスト、デプロイの選択にも影響しうるが、Harveyはこれらの指標で実現した改善を報告していない。

Tenetは案件をプロンプトより大きな単位にする

Harvey Tenetは、同社初のリーガル業務向け独自内製モデルである。HarveyはKimi K3の適応モデルを用い、模擬紛争と事件ファイルで学習させた。学習素材がTenetに法律特化を与え、周辺のシステムはHarvey IIが担う。

Harvey IIのエージェントは、案件またはプロジェクトに紐づくファイル、コンテキスト、権限、履歴から始める。ユーザーは弁護士またはエージェントにタスクを割り当て、作業を追跡できる。設計上の単位は単発の依頼から、継続する作業のまとまりへと拡張される。

Tenetが回答を形づくる一方、Harvey IIはエージェントが閲覧できるもの、次に誰が行動するか、システムが完了をどう記録するかを管理する。

弁護士は、会話のたびに案件を再構成するのではなく、案件そのものから作業できる。Harvey IIは承認済みのファイル、権限、履歴、タスク割り当てを引き継ぐ。こうした統制は繰り返しの準備を減らすが、正しい法源や十分なレビューを保証するものではない。

Tenetは統制を得る一方で上流への依存を残す

Moonshotは2026年7月17日にKimi K3を発表し、7月27日までに完全なモデルウェイトを公開する計画だと述べた。Harveyは翌月、Kimi K3の適応モデルとしてTenetを発表した。Moonshotの元の事前学習を再現せずに、リーガルモデルを得たことになる。

この経路では、法律特化を内製化してもHarveyは上流のアーキテクチャに依存したままである。今後のKimiのリリース、代替のオープンウェイトモデル、ホステッドシステムは、Harveyのモデル選択におけるコストと性能をなお変えうる。

オープンウェイトモデルの運用には、提供コストも伴う。2026年4月に報じられた文書は、OpenAIとAnthropicが売上高の半分を超える推論コストを見込んでいたことを示した。Harveyは比較可能なユニットエコノミクスを開示していないため、フロンティアラボの数値をTenetへ直接当てはめることはできない。ただし、提供コストが現実的な調達制約であることは示している。

Harveyは、性能、プライバシー、デプロイ統制、ユニットコストが変動するなかで、ホステッドモデルと自社運用モデルを比較しなければならない。Tenetはリーガル評価とデプロイへの統制を強める一方、Harvey IIは異なるタスクを異なるシステムへルーティングできる。重要な指標は、検索、レビュー、修正を含む、受け入れられたタスク当たりのコストである。

リーガル分野の価値は説明責任のある完了に依存する

2023年のニューヨーク州の制裁事案は、流暢な出力と完了したリーガル業務との隔たりを露呈した。弁護士は、虚偽の司法判断、引用文、判例引用を含むChatGPT支援による提出書面の後に制裁に直面した。

制裁命令は、裁判所に対する提出書面の責任を弁護士らに負わせた。したがって実用的なリーガルシステムには、正しい資料を検索して適用し、アクセス境界を維持し、情報源を示し、不確かな作業を判断する権限を持つ者へ回すことが求められる。

Garfieldは、より狭い条件下でAIが規制対象のリーガルサービスに入る方法を示している。この英国拠点のAI法律事務所は2025年に規制当局の承認を受け、2026年6月にイングランドの裁判所で初の勝訴を収めた。未払い報酬をめぐるこの案件では、フリーランサーが£7,000の請求に向けた文書作成技術に約£400を支払った。小規模な1件だけで広範な信頼性は立証できないが、AI支援の作業が説明責任を負う法律事務所を通じて判決に至ったことは示している。

制裁事案でもGarfieldの請求でも、特定可能な弁護士または規制対象の法律事務所が連鎖の中に残った。人によるレビューは時間を消費するが、法源を誰が検証し、曖昧さを誰が解消し、顧客と裁判所に対して結果を誰が担保するかも決める。

ベンチマークスコアはシステムリスクを省く

Anthropicは、Opus 4.6がBigLaw Benchで90.2%を記録したと報告した。Claudeモデルとして最高の結果である。このベンチマークは、定義されたタスクにおけるリーガル能力を測定する。だが法律事務所はなお、モデルがどの顧客ファイルにアクセスできるか、情報源に権威があるか、草案をどうルーティングするか、最終作業を誰がレビューするかを決めなければならない。

Harveyは、Tenet、OpenAIモデル、Anthropicモデル、あるいは別の選択肢のどれがタスクを担うべきかを決めるために、モデル評価を必要とする。一般的なベンチマークは、テスト上でモデルがどれほど良く機能したかには答えられる。しかし、システムが法律事務所の専門職基準に沿って許可された作業を完了したかは判断できない。

各層は独立して失敗しうる。モデルは誤った推論をし、検索は誤った法源を提供し、権限は誤った案件を露出させ、オーケストレーションは作業を誤った人に送信し、弁護士は欠陥のある結果を承認しうる。1つのモデルスコアでは、こうしたシステムリスクは測定されない。

情報利用権が既存勢を競争に残す

HarveyやLegoraのようなAIネイティブベンダーは作業画面から出発し、モデルのより深い部分へ進む。Thomson ReutersとLexisNexisは、リーガル情報製品と確立されたワークフローから出発する。両陣営はシステムの異なる部分を支配している。

情報利用権は、モデル開発に具体的な制約を課す。2025年、Thomson Reutersは米国の重要な著作権判決でRoss Intelligenceのフェアユース抗弁を退けた。この判断は、保護されたリーガルコンテンツをモデル開発に用いることが、ライセンス費用と訴訟費用をもたらしうることを示す。

Harveyにはなお、信頼できる権利、情報源、評価が必要である。Thomson ReutersとLexisNexisにはなお、自社の情報を完了した作業へ変える製品が必要である。AnthropicとOpenAIは推論エンジンを提供できる一方、リーガル顧客は案件の権限、組織上のルール、レビューの連鎖を提供する。

Harveyとその競合は、モデル選択、領域評価、案件コンテキスト、情報利用権、説明責任のあるレビューという5つの統制点で競争している。そのうち1つを保有しても、ベンダーは他を保有する者に依存する。5つすべてを組み立てるベンダーは、顧客がリーガル業務を完了し承認する方法への混乱をより少なくしてモデルを切り替えられる。

Harveyの$11 billionは今や異なる意味を帯びる。この評価額はTenetに先行した。ただし、投資家が案件レベルの統制を具体的に価格に織り込んだことを示す公開証拠はない。Harvey IIは、生成をファイル、権限、ルーティング、レビューの内部に置くことで製品戦略を可視化する。そこでは次の一文が、誰かの責任になる。