Harvey asegura $550M en nueva financiación, valoración sube a $15,5B

Harvey anunció el 9 de septiembre de 2026 que ha recaudado $550 millones con una valoración de $15,5 mil millones en una ronda de financiación copatrocinada por Diffusion y Lightspeed Venture Partners. La IA legal dijo que el capital acelerará sus esfuerzos para ayudar a despachos de abogados, equipos legales internos y firmas de servicios profesionales a crear y poseer su inteligencia a gran escala.

Los inversores existentes Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital y WNDR participaron en la ronda. Diffusion, Lightspeed, Sapphire Ventures y Whale Rock se unieron como nuevos inversores.

Según el anuncio, la recaudación sigue a la presentación de Harvey Tenet, el primer modelo de peso abierto postentrenado de la compañía, y al lanzamiento de Harvey LAB, su Benchmark de Agentes Legales.

Declaración de los cofundadores y adopción reportada

Los cofundadores de Harvey, Winston Weinberg y Gabe Pereyra, dijeron que la empresa “quiere ser el socio global al que los equipos legales recurren para este trabajo”, y añadieron que Harvey planea contratar y desarrollar su equipo para apoyar a los clientes en lo que describieron como la próxima ola de transformación de IA. La oportunidad para que las empresas aceleren su ventaja competitiva con IA nunca ha sido tan alta, dijeron los cofundadores.

Harvey dijo que el 80 % de los despachos del Am Law 100 utilizan sus productos, junto a equipos legales internos que incluyen a cinco de las empresas Fortune 10. La página de la compañía de Harvey describe el negocio como IA específica de dominio para servicios legales y profesionales, con productos que abarcan análisis de contratos, due diligence, cumplimiento y flujos de trabajo de litigio, y afirma que más de 2 400 clientes en más de 70 países usan la plataforma. La página menciona a GV, el OpenAI Startup Fund, Andreessen Horowitz y EQT entre los patrocinadores de la firma, junto a Sequoia, Kleiner Perkins y Coatue.

Vista previa de la investigación de Harvey Tenet

Harvey detalló Tenet en una vista previa de investigación del 20 de agosto de 2026. El modelo parte de una base Kimi K3 y fue postentrenado junto con la investigación Fireworks para trabajos legales de largo horizonte, utilizando aprendizaje por refuerzo asíncrono con optimización de política de secuencia grupal, o GSPO. El conjunto de datos de entrenamiento comprendía aproximadamente 1 750 entornos de tareas legales agente, y el entrenamiento se ejecutó en alrededor de 150 GPUs NVIDIA B300 durante dos meses.

Harvey informó que el modelo completa casi el doble de tareas LAB retenidas que el Kimi K3 base y un 20 % más en LAB Contracts, aumentando las tasas de aprobación total en 9 y 2 puntos porcentuales, respectivamente. Según la vista previa, Tenet alcanza un rendimiento de vanguardia en LAB Contracts y se ubica en segundo lugar en LAB, y esas mejoras se generalizaron a benchmarks externos de agentes que el modelo no había visto durante el entrenamiento, incluidos el subconjunto de derecho corporativo de APEX Agents de Mercor y el Redline Bench de Crosby.

El corpus de entrenamiento combinó datos sintéticos, datos legales de acceso público y datos de expertos humanos, y Harvey dijo que trabajó con Mercor y otros para construir y escalar los conjuntos de datos de expertos. La empresa afirmó que utilizó modelado de recompensas para incentivar el uso eficiente de herramientas y el razonamiento, prefiriendo trayectorias que reducen los tokens consumidos en tiempo de inferencia para que el costo y el rendimiento pudieran optimizarse conjuntamente. Harvey declaró que no utilizó datos de clientes en sus esfuerzos de postentrenamiento.

Más allá del modelo central, la vista previa describe capacidades entrenadas por separado que Harvey dijo incorporará a su producto con el tiempo: agentes de diligencia de fusiones y adquisiciones construidos sobre Recursive Language Model ampliado con la investigación de Baseten, modelos de extracción de tablas de revisión entrenados con Applied Compute, y modelos de conocimiento de la firma entrenados con Engram que codifican el conocimiento de la firma en memoria paramétrica y notas estructuradas.

El Benchmark de Agentes Legales de Código Abierto

Harvey lanzó como código abierto el Legal Agent Benchmark el 6 de mayo de 2026. Su primera versión contiene más de 1 200 tareas de agente en 24 áreas de práctica legal, evaluadas mediante más de 75 000 criterios de rúbrica escritos por expertos, y está disponible en GitHub. Cada tarea combina una breve instrucción redactada como una solicitud de trabajo de un socio con un asunto de cliente compuesto por documentos y requiere que el agente produzca un producto de trabajo revisable, que se califica contra rúbricas de expertos desglosadas en criterios atómicos de aprobado/reprobado que cubren hechos, conclusiones, citas y formato. Una tarea se marca como completa solo cuando todos los criterios son aprobados, un estándar que Harvey denomina calificación de aprobación total.

Una tarea del benchmark pide a un agente analizar las disposiciones de cambio de control para una adquisición ficticia de $458 millones, revisar una sala de datos virtual, evaluar el riesgo del acuerdo y preparar un borrador de memorando para el equipo del trato, con el trabajo calificado contra 57 criterios que abarcan nueve cuestiones legales. Harvey dijo que lanzó LAB para ofrecer a los proveedores de modelos, constructores de agentes, investigadores y despachos de abogados una forma compartida de medir el progreso de los agentes legales de largo horizonte. El benchmark se lanzó sin una tabla de clasificación, y Harvey afirmó en ese momento que trabajaría con socios de investigación para publicar resultados de referencia y normas para presentaciones normalizadas.

En la vista previa de investigación de agosto, Harvey dijo que sus próximos pasos incluyen escalar LAB a más jurisdicciones, áreas de práctica y flujos de trabajo, y ampliar su capacidad de cómputo para llevar su investigación a producción con nuevos modelos generalistas y capacidades.