Finanzierung
Harvey sichert 550 Mio. $ an neuer Finanzierung, Bewertung steigt auf 15,5 Mrd. $
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Harvey kündigte am 9. September 2026 an, dass es 550 Millionen US‑Dollar bei einer Bewertung von 15,5 Milliarden US‑Dollar in einer Finanzierungsrunde, die von Diffusion und Lightspeed Venture Partners gemeinsam geleitet wurde, aufgenommen hat. Das juristische KI-Unternehmen erklärte, dass das Kapital seine Bemühungen beschleunigen werde, Anwaltskanzleien, interne Rechtsabteilungen und Unternehmen im Bereich professionelle Dienstleistungen dabei zu unterstützen, ihre Intelligenz in großem Umfang aufzubauen und zu besitzen.
Zu den bestehenden Investoren, die an der Runde teilnahmen, gehören Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital und WNDR. Diffusion, Lightspeed, Sapphire Ventures und Whale Rock traten als neue Investoren bei.
Laut der Ankündigung folgt die Kapitalaufnahme der Einführung von Harvey Tenet, dem ersten nachtrainierten Open‑Weight‑Modell des Unternehmens, sowie dem Start von Harvey LAB, seinem Legal Agent Benchmark.
Statement der Mitgründer und gemeldete Adoption
Die Mitgründer von Harvey, Winston Weinberg und Gabe Pereyra, erklärten, das Unternehmen „der globale Partner sein wolle, zu dem Rechtsabteilungen für diese Arbeit greifen“, und fügte hinzu, dass Harvey plant, sein Team einzustellen und weiterzuentwickeln, um Kunden durch das, was sie als die nächste Welle der KI‑Transformation bezeichnen, zu unterstützen. Die Chance für Unternehmen, ihren Wettbewerbsvorteil mit KI zu beschleunigen, sei noch nie so groß gewesen, sagten die Mitgründer.
Harvey gab an, dass 80 % der Am Law 100‑Kanzleien seine Produkte nutzen, ebenso wie interne Rechtsabteilungen, zu denen fünf der Fortune‑10‑Unternehmen gehören. Die Unternehmensseite von Harvey beschreibt das Geschäft als branchenspezifische KI für Rechts- und professionelle Dienstleistungen, mit Produkten, die Vertragsanalyse, Due‑Diligence, Compliance und Litigation‑Workflows abdecken, und gibt an, dass mehr als 2.400 Kunden in über 70 Ländern die Plattform verwenden. Auf der Seite werden GV, der OpenAI Startup Fund, Andreessen Horowitz und EQT neben Sequoia, Kleiner Perkins und Coatue als Geldgeber des Unternehmens genannt.
Forschungs‑Vorschau zu Harvey Tenet
Harvey stellte Tenet in einer Forschungs‑Vorschau vom 20. August 2026 detailliert vor. Das Modell basiert auf einem Kimi‑K3‑Grundgerüst und wurde zusammen mit der Fireworks‑Forschung für langfristige juristische Aufgaben nachtrainiert, wobei asynchrones Reinforcement‑Learning mit Group‑Sequence‑Policy‑Optimization (GSPO) zum Einsatz kam. Der Trainingsdatensatz umfasste etwa 1.750 agentenbasierte juristische Aufgabenumgebungen, und das Training lief über zwei Monate auf rund 150 NVIDIA B300‑GPUs.
Harvey berichtete, dass das Modell fast doppelt so viele zurückgehaltene LAB‑Aufgaben wie das Basis‑Kimi‑K3‑Modell bewältigt und bei LAB‑Verträgen um 20 % mehr leistet, wodurch die All‑Pass‑Raten um jeweils 9 bzw. 2 Prozentpunkte steigen. Laut der Vorschau erreicht Tenet einen Stand‑der‑Technik‑Leistungsstand bei LAB‑Verträgen und belegt den zweiten Platz bei LAB, wobei diese Verbesserungen auf externe Agent‑Benchmarks übertragbar sind, die das Modell während des Trainings nicht gesehen hatte, darunter Mercors APEX‑Agents‑Subset für Unternehmensrecht und Crosbys Redline‑Bench.
Der Trainingskorpus kombinierte synthetische Daten, öffentlich verfügbare juristische Daten und Daten von menschlichen Experten, und Harvey erklärte, dass es mit Mercor und anderen zusammengearbeitet habe, um die Expert‑Datensätze zu erstellen und zu skalieren. Das Unternehmen gab an, Reward‑Shaping eingesetzt zu haben, um die effiziente Nutzung von Werkzeugen und das Schließen von Argumenten zu fördern, wobei bevorzugt Pfade gewählt wurden, die den Token‑Verbrauch zur Inferenz reduzieren, um Kosten und Leistung gemeinsam zu optimieren. Harvey stellte fest, dass bei den Nachtrainings‑Bemühungen keinerlei Kundendaten verwendet wurden.
Über das Kernmodell hinaus beschreibt die Vorschau separat trainierte Fähigkeiten, die Harvey im Laufe der Zeit in sein Produkt integrieren will: M&A‑Due‑Diligence‑Agenten, die auf einem rekursiven Sprachmodell basieren und mit Baseten‑Forschung erweitert wurden, Review‑Table‑Extraktionsmodelle, die mit Applied Compute trainiert wurden, sowie firmenspezifische Wissensmodelle, die mit Engram trainiert wurden und das Wissen eines Unternehmens in parametrischem Gedächtnis und strukturierten Notizen kodieren.
Der Open‑Source Legal Agent Benchmark
Harvey hat den Legal Agent Benchmark am 6. Mai 2026 als Open‑Source veröffentlicht. Die erste Version enthält mehr als 1.200 Agent‑Aufgaben in 24 Rechtsgebieten, die anhand von über 75.000 von Experten erstellten Rubrik‑Kriterien bewertet werden, und ist auf GitHub verfügbar. Jede Aufgabe kombiniert eine kurze Anweisung, die als Anfrage eines Partners formuliert ist, mit einer Kundendatei und verlangt vom Agenten, ein prüfbares Arbeitsergebnis zu erzeugen, das anhand von Experten‑Rubriken, die in atomare Bestehen‑/Durchfallen‑Kriterien zu Fakten, Schlussfolgerungen, Zitaten und Formatierung unterteilt sind, bewertet wird. Eine Aufgabe gilt erst dann als abgeschlossen, wenn jedes Kriterium bestanden ist – ein von Harvey als All‑Pass‑Bewertung bezeichnetes Verfahren.
Eine Benchmark‑Aufgabe verlangt von einem Agenten, die Kontrollwechsel‑Klauseln einer fiktiven Übernahme von 458 Millionen $ zu analysieren, einen virtuellen Datenraum zu prüfen, das Transaktionsrisiko zu bewerten und ein Entwurfs‑Memo für das Deal‑Team zu erstellen, wobei die Arbeit anhand von 57 Kriterien über neun Rechtsfragen bewertet wird. Harvey erklärte, dass es LAB veröffentlicht habe, um Modell‑Anbietern, Agent‑Entwicklern, Forschern und Kanzleien eine gemeinsame Methode zu bieten, den Fortschritt bei langfristigen juristischen Agenten zu messen. Der Benchmark wurde ohne Rangliste gestartet, und Harvey sagte damals, man werde mit Forschungspartnern zusammenarbeiten, um Basis‑Ergebnisse und Standards für normalisierte Einreichungen zu veröffentlichen.
In der Forschungs‑Vorschau im August erklärte Harvey, dass die nächsten Schritte die Skalierung von LAB auf weitere Rechtsgebiete, Praxisbereiche und Workflows sowie die Erweiterung der Rechenkapazität umfassen, um die Forschung mit neuen General‑Modellen und Fähigkeiten in die Produktion zu überführen.
