Harvey lève 550 M$ de nouveaux fonds, la valorisation atteint 15,5 M$

Harvey a annoncé le 9 septembre 2026 qu’il a levé 550 M$ à une valorisation de 15,5 M$ lors d’un tour de financement co‑mené par Diffusion et Lightspeed Venture Partners. L’entreprise d’IA juridique a déclaré que ce capital accélérera ses efforts pour aider les cabinets d’avocats, les équipes juridiques internes et les sociétés de services professionnels à créer et posséder leur intelligence à grande échelle.

Les investisseurs existants Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital et WNDR ont participé au tour. Diffusion, Lightspeed, Sapphire Ventures et Whale Rock ont rejoint le capital en tant que nouveaux investisseurs.

Selon l’annonce, cette levée suit le lancement de Harvey Tenet, le premier modèle à poids ouvert post‑entraîné de l’entreprise, ainsi que le déploiement de Harvey LAB, son benchmark d’agents juridiques.

Déclaration des co‑fondateurs et adoption signalée

Les co‑fondateurs de Harvey, Winston Weinberg et Gabe Pereyra, ont déclaré que l’entreprise « veut devenir le partenaire mondial auquel les équipes juridiques font appel pour ce travail », ajoutant que Harvey prévoit d’embaucher et de développer son équipe afin de soutenir les clients dans ce qu’ils décrivent comme la prochaine vague de transformation par l’IA. Selon les co‑fondateurs, l’opportunité pour les entreprises d’accélérer leur avantage concurrentiel grâce à l’IA n’a jamais été aussi grande.

Harvey a indiqué que 80 % des cabinets du classement Am Law 100 utilisent ses produits, ainsi que des équipes juridiques internes incluant cinq des entreprises du Fortune 10. La page de l’entreprise décrit l’activité comme une IA spécialisée par domaine pour les services juridiques et professionnels, avec des produits couvrant l’analyse de contrats, la due diligence, la conformité et les flux de travail de contentieux, et précise que plus de 2 400 clients dans plus de 70 pays utilisent la plateforme. La page cite GV, le OpenAI Startup Fund, Andreessen Horowitz et EQT parmi les bailleurs de fonds de l’entreprise, aux côtés de Sequoia, Kleiner Perkins et Coatue.

Aperçu de la recherche Harvey Tenet

Harvey a détaillé Tenet dans un aperçu de recherche du 20 août 2026. Le modèle part d’une base Kimi K3 et a été post‑entraîné conjointement avec la recherche Fireworks pour des travaux juridiques à long terme, en utilisant un apprentissage par renforcement asynchrone avec optimisation de politique séquence‑groupe (GSPO). Le jeu de données d’entraînement comprenait environ 1 750 environnements de tâches juridiques agentiques, et l’entraînement s’est déroulé sur environ 150 GPU NVIDIA B300 pendant deux mois.

Harvey a indiqué que le modèle accomplit presque deux fois plus de tâches LAB retenues que le Kimi K3 de base et 20 % de plus sur les LAB Contracts, augmentant les taux de réussite totale de 9 et 2 points de pourcentage respectivement. Selon l’aperçu, Tenet atteint des performances de pointe sur les LAB Contracts et se classe deuxième sur les LAB, et ces gains se sont généralisés aux benchmarks d’agents externes que le modèle n’avait pas rencontrés lors de l’entraînement, notamment le sous‑ensemble corporate‑law des APEX Agents de Mercor et le Redline Bench de Crosby.

Le corpus d’entraînement combinait des données synthétiques, des données juridiques publiques et des données d’experts humains, et Harvey a déclaré avoir collaboré avec Mercor et d’autres partenaires pour créer et étendre les ensembles de données d’experts. L’entreprise a indiqué avoir utilisé le façonnage de récompense pour inciter à une utilisation efficace des outils et du raisonnement, en privilégiant des trajectoires qui réduisent le nombre de jetons consommés lors de l’inférence afin d’optimiser conjointement les coûts et les performances. Harvey a précisé qu’aucune donnée client n’a été utilisée dans ses efforts de post‑entraînement.

Au‑delà du modèle central, l’aperçu décrit des capacités entraînées séparément que Harvey prévoit d’intégrer à son produit au fil du temps: des agents de diligence M&A construits sur le Recursive Language Model, enrichis par la recherche Baseten, des modèles d’extraction de tables de révision entraînés avec Applied Compute, et des modèles de connaissance d’entreprise entraînés avec Engram qui codifient le savoir d’une société dans une mémoire paramétrique et des notes structurées.

Le benchmark open‑source d’agents juridiques

Harvey a rendu open‑source le Legal Agent Benchmark le 6 mai 2026. Sa première version comprend plus de 1 200 tâches d’agents couvrant 24 domaines de pratique juridique, évaluées selon plus de 75 000 critères de rubriques rédigés par des experts, et est disponible sur GitHub. Chaque tâche associe une courte instruction rédigée comme une demande de travail d’un partenaire à un dossier client contenant des documents et exige que l’agent produise un livrable révisable, noté selon des rubriques d’experts découpées en critères atomiques de réussite/échec couvrant les faits, les conclusions, les citations et la mise en forme. Une tâche n’est considérée comme terminée que lorsque chaque critère est validé, un standard que Harvey qualifie de notation « tout‑pass ».

Une tâche du benchmark demande à un agent d’analyser les clauses de changement de contrôle d’une acquisition fictive de 458 M$, de passer en revue une salle de données virtuelle, d’évaluer le risque de l’opération et de préparer un mémo préliminaire pour l’équipe de transaction, le travail étant noté selon 57 critères couvrant neuf questions juridiques. Harvey a indiqué avoir publié le LAB afin d’offrir aux fournisseurs de modèles, aux créateurs d’agents, aux chercheurs et aux cabinets d’avocats un moyen commun de mesurer les progrès des agents juridiques à long terme. Le benchmark a été lancé sans tableau de classement, et Harvey a déclaré à l’époque qu’il travaillerait avec des partenaires de recherche pour publier des résultats de référence et des normes pour des soumissions normalisées.

Dans l’aperçu de recherche d’août, Harvey a indiqué que ses prochaines étapes consistent à étendre le LAB à davantage de juridictions, de domaines de pratique et de flux de travail, ainsi qu’à augmenter sa capacité de calcul pour mettre sa recherche en production avec de nouveaux modèles généralistes et de nouvelles fonctionnalités.