Harvey annunciato il 9 settembre 2026 di aver raccolto 550 milioni di dollari con una valutazione di 15,5 miliardi di dollari in un round di finanziamento co‑guidato da Diffusion e Lightspeed Venture Partners. L’IA legale azienda ha dichiarato che il capitale accelererà i suoi sforzi per aiutare studi legali, team legali interni e società di servizi professionali a costruire e possedere la propria intelligenza su larga scala.
Gli investitori esistenti Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital e WNDR hanno partecipato al round. Diffusion, Lightspeed, Sapphire Ventures e Whale Rock si sono aggiunti come nuovi investitori.
Secondo l’annuncio, il finanziamento segue l’introduzione di Harvey Tenet, il primo modello open‑weight post‑addestrato dell’azienda, e il lancio di Harvey LAB, il suo Benchmark per Agenti Legali.
Dichiarazione del Co‑Fondatore e Adozione Segnalata
I co‑fondatori di Harvey, Winston Weinberg e Gabe Pereyra, hanno dichiarato che l’azienda “vuole essere il partner globale a cui i team legali si rivolgono per questo lavoro”, aggiungendo che Harvey intende assumere e sviluppare il proprio team per supportare i clienti nella quella che hanno definito la prossima ondata di trasformazione dell’IA. L’opportunità per le aziende di accelerare il proprio vantaggio competitivo con l’IA non è mai stata così alta, hanno affermato i co‑fondatori.
Harvey ha dichiarato che l’80 % degli studi legali Am Law 100 utilizza i suoi prodotti, insieme a team legali interni che includono cinque delle Fortune 10. La pagina aziendale di Harvey descrive l’attività come IA specifica per settore legale e servizi professionali, con prodotti che coprono l’analisi dei contratti, la due diligence, la conformità e i flussi di lavoro di contenzioso, e afferma che più di 2.400 clienti in oltre 70 paesi utilizzano la piattaforma. La pagina cita GV, l’OpenAI Startup Fund, Andreessen Horowitz e EQT tra i sostenitori dell’azienda, accanto a Sequoia, Kleiner Perkins e Coatue.
Anteprima della Ricerca Harvey Tenet
Harvey ha dettagliato Tenet in un’anteprima di ricerca del 20 agosto 2026. Il modello parte da una base Kimi K3 ed è stato post‑addestrato insieme alla ricerca Fireworks per lavori legali a lungo orizzonte, utilizzando apprendimento per rinforzo asincrono con ottimizzazione della politica di sequenza di gruppo (GSPO). Il set di dati di addestramento comprendeva circa 1.750 ambienti di compiti legali agentici, e l’addestramento è stato eseguito su circa 150 GPU NVIDIA B300 per due mesi.
Harvey ha riferito che il modello completa quasi il doppio dei compiti LAB tenuti da parte rispetto al Kimi K3 di base e il 20 % in più sui Contratti LAB, aumentando i tassi di superamento totale di 9 e 2 punti percentuali, rispettivamente. Secondo l’anteprima, Tenet ottiene prestazioni allo stato dell’arte sui Contratti LAB e si posiziona al secondo posto su LAB, e questi miglioramenti si sono generalizzati a benchmark esterni per agenti che il modello non aveva visto durante l’addestramento, inclusi il sottoinsieme corporate‑law degli APEX Agents di Mercor e il Redline Bench di Crosby.
Il corpus di addestramento ha combinato dati sintetici, dati legali pubblicamente disponibili e dati di esperti umani, e Harvey ha dichiarato di aver collaborato con Mercor e altri per costruire e scalare i set di dati esperti. L’azienda ha affermato di aver utilizzato la modellazione delle ricompense per incentivare l’uso efficiente degli strumenti e il ragionamento, preferendo traiettorie che riducono i token consumati durante l’inferenza in modo da ottimizzare congiuntamente costi e prestazioni. Harvey ha dichiarato di non aver utilizzato dati dei clienti nei suoi sforzi di post‑addestramento.
Oltre al modello centrale, l’anteprima descrive capacità addestrate separatamente che Harvey ha detto incorporerà nel prodotto nel tempo: agenti di due diligence M&A basati su Recursive Language Model potenziati dalla ricerca Baseten, modelli di estrazione di tabelle di revisione addestrati con Applied Compute e modelli di conoscenza aziendale addestrati con Engram che codificano la conoscenza di un’azienda in memoria parametrica e note strutturate.
Il Benchmark Open‑Source per Agenti Legali
Harvey ha rilasciato in open source il Legal Agent Benchmark il 6 maggio 2026. La sua prima versione contiene più di 1.200 compiti per agenti in 24 aree di pratica legale, valutati da oltre 75.000 criteri di rubrica scritti da esperti, ed è disponibile su GitHub. Ogni compito accoppia una breve istruzione scritta come richiesta di lavoro da parte di un partner con una pratica cliente di documenti e richiede all’agente di produrre un prodotto di lavoro revisionabile, valutato secondo rubriche esperte suddivise in criteri atomici di superamento/fallimento che coprono fatti, conclusioni, citazioni e formattazione. Un compito è considerato completato solo quando tutti i criteri sono superati, uno standard che Harvey definisce valutazione all‑pass.
Un compito del benchmark richiede a un agente di analizzare le clausole di cambio di controllo per una fittizia acquisizione da 458 milioni di dollari, esaminare una data room virtuale, valutare il rischio dell’accordo e preparare una bozza di memorandum per il team di negoziazione, con il lavoro valutato secondo 57 criteri che coprono nove questioni legali. Harvey ha dichiarato di aver rilasciato LAB per fornire a fornitori di modelli, costruttori di agenti, ricercatori e studi legali un metodo condiviso per misurare i progressi degli agenti legali a lungo orizzonte. Il benchmark è stato lanciato senza una classifica, e Harvey ha affermato all’epoca che avrebbe collaborato con partner di ricerca per pubblicare risultati di base e standard per sottomissioni normalizzate.
Nell’anteprima di ricerca di agosto, Harvey ha affermato che i prossimi passi includono l’espansione di LAB a più giurisdizioni, aree di pratica e flussi di lavoro, nonché l’ampliamento della capacità di calcolo per portare la sua ricerca in produzione con nuovi modelli generalisti e nuove funzionalità.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
