Harvey sikrer $550M i ny finansiering, værdiansættelsen stiger til $15.5B

Harvey annoncerede den 9. september 2026, at de har rejst $550 millioner til en værdiansættelse på $15,5 milliarder i en finansieringsrunde, der var medco-ledet af Diffusion og Lightspeed Venture Partners. Den juridiske AI-virksomhed sagde, at kapitalen vil fremskynde deres bestræbelser på at hjælpe advokatfirmaer, interne juridiske teams og professionelle servicevirksomheder med at opbygge og eje deres intelligens i stor skala.

De eksisterende investorer Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital og WNDR deltog i runden. Diffusion, Lightspeed, Sapphire Ventures og Whale Rock kom ind som nye investorer.

Ifølge meddelelsen følger kapitalrejsen introduktionen af Harvey Tenet, virksomhedens første eftertrænede open-weight‑model, og lanceringen af Harvey LAB, deres Legal Agent Benchmark.

Udtalelse fra medstiftere og rapporteret adoption

Harveys medstiftere Winston Weinberg og Gabe Pereyra sagde, at virksomheden “ønsker at være den globale partner, som juridiske teams vender sig til for dette arbejde,” og tilføjede, at Harvey planlægger at ansætte og udvikle sit team for at støtte kunder gennem det, de beskrev som den næste bølge af AI‑transformation. Muligheden for virksomheder til at accelerere deres konkurrencefordel med AI har aldrig været større, sagde medstifterne.

Harvey oplyser, at 80 % af Am Law 100‑advokatfirmaerne bruger deres produkter, sammen med interne juridiske teams, der omfatter fem af Fortune‑10. Harveys firmaside beskriver forretningen som domænespecifik AI for juridiske og professionelle tjenester, med produkter der dækker kontraktanalyse, due diligence, compliance og retssagsarbejdsgange, og angiver, at mere end 2.400 kunder i over 70 lande bruger platformen. Siden nævner GV, OpenAI Startup Fund, Andreessen Horowitz og EQT blandt firmaets støtter sammen med Sequoia, Kleiner Perkins og Coatue.

Harvey Tenet forskningspreview

Harvey detaljerede Tenet i en forskningspreview den 20. august 2026. Modellen starter fra en Kimi K3‑base og blev eftertrænet sammen med Fireworks‑forskning til langsigtet juridisk arbejde ved brug af asynkron forstærkningslæring med gruppe‑sekvens politikoptimering, eller GSPO. Træningsdatasættet omfattede cirka 1.750 agentbaserede juridiske opgave‑miljøer, og træningen kørte på omkring 150 NVIDIA B300‑GPU’er i to måneder.

Harvey rapporterede, at modellen fuldfører næsten dobbelt så mange hold‑out LAB‑opgaver som basis‑Kimi K3 og 20 % flere på LAB‑kontrakter, hvilket øger alle‑bestå‑raterne med henholdsvis 9 og 2 procentpoint. Ifølge previewen opnår Tenet state‑of‑the‑art‑præstation på LAB‑kontrakter og placerer sig som nummer to på LAB, og disse gevinster generaliserede sig til eksterne agent‑benchmarks, som modellen ikke havde set under træning, herunder Mercors APEX Agents corporate‑law‑subset og Crosbys Redline Bench.

Træningskorpsuset kombinerede syntetiske data, offentligt tilgængelige juridiske data og menneskelige ekspertdata, og Harvey oplyste, at de samarbejdede med Mercor og andre om at opbygge og skalere ekspert‑datasættene. Virksomheden sagde, at de brugte belønnings‑shaping for at tilskynde til effektiv værktøjsbrug og ræsonnement, idet de foretrak forløb, der reducerer antallet af tokens, der forbruges under inferens, så omkostninger og ydeevne kunne optimeres samtidigt. Harvey erklærede, at de ikke brugte kundedata i deres eftertræningsarbejde.

Udover kerne‑modellen beskriver previewen separat trænede funktioner, som Harvey siger, at de vil inkorporere i deres produkt over tid: M&A‑diligence‑agenter bygget på Recursive Language Model udvidet med Baseten‑forskning, Review Table‑ekstraktionsmodeller trænet med Applied Compute, og firma‑videns‑modeller trænet med Engram, som indkoder en virksomheds viden i parametrisk hukommelse og strukturerede noter.

Det open‑source juridiske agent‑benchmark

Harvey gjorde Legal Agent Benchmark open source den 6. maj 2026. Den første version indeholder mere end 1.200 agent‑opgaver på tværs af 24 juridiske praksisområder, evalueret af over 75.000 ekspert‑skrevne rubrik‑kriterier, og er tilgængelig på GitHub. Hver opgave kombinerer en kort instruktion skrevet som en partners anmodning om arbejde med et klient‑sag af dokumenter og kræver, at agenten producerer et gennemgåeligt arbejdsprodukt, som bedømmes mod ekspert‑rubrikker opdelt i atomære bestå/ikke‑bestå‑kriterier, der dækker fakta, konklusioner, kildehenvisninger og formatering. En opgave markeres som fuldført først, når alle kriterier bestås, et standard som Harvey kalder all‑pass‑bedømmelse.

En benchmark‑opgave beder en agent om at analysere change‑of‑control‑bestemmelser for en fiktiv opkøb på $458 millioner, gennemgå et virtuelt datarum, vurdere aftalens risiko og udarbejde et udkast til notat til aftaleteamet, hvor arbejdet bedømmes mod 57 kriterier, der dækker ni juridiske problemstillinger. Harvey sagde, at de udgav LAB for at give model‑leverandører, agent‑byggere, forskere og advokatfirmaer en fælles måde at måle fremskridt på langsigtede juridiske agenter. Benchmarken blev lanceret uden en rangliste, og Harvey sagde på det tidspunkt, at de ville samarbejde med forskningspartnere om at offentliggøre baseline‑resultater og standarder for normaliserede indsendelser.

I den august‑forskningspreview sagde Harvey, at deres næste skridt omfatter at skalere LAB til flere jurisdiktioner, praksisområder og arbejdsgange samt udvide deres beregningskapacitet for at bringe forskningen i produktion med nye generalist‑modeller og -funktioner.