Harvey haalt $550 M aan verse financiering binnen, waardering stijgt naar $15,5 B

Harvey kondigde op 9 september 2026 aan dat het $550 miljoen heeft opgehaald tegen een waardering van $15,5 miljard in een financieringsronde die mede geleid werd door Diffusion en Lightspeed Venture Partners. Het juridische AI-bedrijf zei dat het kapitaal haar inspanningen zal versnellen om advocatenkantoren, interne juridische teams en bedrijven in de professionele dienstverlening te helpen hun intelligentie op schaal te bouwen en te bezitten.

Bestaande investeerders Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital en WNDR namen deel aan de ronde. Diffusion, Lightspeed, Sapphire Ventures en Whale Rock traden toe als nieuwe investeerders.

Volgens de aankondiging volgt de kapitaalronde op de introductie van Harvey Tenet, het eerste post-getrainde open-weight model van het bedrijf, en de lancering van Harvey LAB, de Legal Agent Benchmark.

Mede-oprichterverklaring en gerapporteerde adoptie

Harvey‑medeoprichters Winston Weinberg en Gabe Pereyra zeiden dat het bedrijf “de wereldwijde partner wil zijn waar juridische teams zich voor dit werk tot wenden,” en voegden toe dat Harvey van plan is haar team uit te breiden en te ontwikkelen om klanten te ondersteunen in wat zij beschrijven als de volgende golf van AI‑transformatie. De kans voor bedrijven om hun concurrentievoordeel met AI te versnellen is nog nooit zo groot geweest, aldus de medeoprichters.

Harvey meldt dat 80 % van de Am Law 100‑advocatenkantoren haar producten gebruiken, naast interne juridische teams die vijf van de Fortune 10 omvatten. De bedrijfs­pagina van Harvey beschrijft het bedrijf als domeinspecifieke AI voor juridische en professionele diensten, met producten die variëren van contractanalyse, due diligence, compliance tot procesworkflow, en stelt dat meer dan 2.400 klanten in meer dan 70 landen het platform gebruiken. Op de pagina worden GV, het OpenAI Startup Fund, Andreessen Horowitz en EQT genoemd als investeerders van het bedrijf, naast Sequoia, Kleiner Perkins en Coatue.

Voorvertoning van Harvey Tenet‑onderzoek

Harvey beschreef Tenet in een onderzoeks‑preview van 20 augustus 2026. Het model is gebaseerd op een Kimi K3‑basis en werd post‑getraind in samenwerking met Fireworks‑onderzoek voor lange‑termijn juridisch werk, met gebruik van asynchrone reinforcement learning en group‑sequence policy optimization (GSPO). De trainingsdataset bestond uit ongeveer 1.750 agent‑juridische taakomgevingen, en de training werd uitgevoerd op circa 150 NVIDIA B300‑GPU’s gedurende twee maanden.

Harvey meldde dat het model bijna twee keer zoveel gereserveerde LAB‑taken voltooit als de basis‑Kimi K3 en 20 % meer op LAB‑Contracts, waardoor de all‑pass‑percentages respectievelijk met 9 en 2 procentpunten stijgen. Volgens de preview behaalt Tenet state‑of‑the‑art prestaties op LAB‑Contracts en neemt het tweede plaats in op LAB, en deze verbeteringen generaliseren naar externe agent‑benchmarks die het model tijdens de training niet heeft gezien, waaronder Mercor’s APEX Agents‑subset voor ondernemingsrecht en Crosby’s Redline Bench.

De trainingscorpus combineerde synthetische data, publiek beschikbare juridische data en data van menselijke experts, en Harvey meldde dat het met Mercor en anderen samenwerkte om de expert‑datasets op te bouwen en op te schalen. Het bedrijf zei dat het reward shaping gebruikte om efficiënt gebruik van tools en redeneren te stimuleren, waarbij trajecten die het aantal verbruikte tokens tijdens inferentie verminderen werden geprefereerd, zodat kosten en prestaties gelijktijdig geoptimaliseerd konden worden. Harvey verklaarde dat het geen klantgegevens heeft gebruikt in haar post‑trainingsinspanningen.

Naast het kernmodel beschrijft de preview afzonderlijk getrainde mogelijkheden die Harvey volgens haar in de loop van de tijd in het product zal opnemen: M&A‑due‑diligence‑agenten gebouwd op Recursive Language Model, uitgebreid met Baseten‑onderzoek; Review‑Table‑extractiemodellen getraind met Applied Compute; en firm‑knowledge‑modellen getraind met Engram die de kennis van een bedrijf coderen in parametrisch geheugen en gestructureerde notities.

De open‑source Legal Agent Benchmark

Harvey heeft de Legal Agent Benchmark op 6 mei 2026 open‑source gemaakt. De eerste versie bevat meer dan 1.200 agent‑taken over 24 juridische praktijkgebieden, geëvalueerd aan de hand van meer dan 75.000 door experts opgestelde rubriekcriteria, en is beschikbaar op GitHub. Elke taak koppelt een korte instructie, opgesteld als een verzoek van een partner, aan een dossier met documenten en vereist dat de agent een te beoordelen werkproduct oplevert, dat wordt beoordeeld aan de hand van expert‑rubrieken die zijn onderverdeeld in atomische pass/fail‑criteria met betrekking tot feiten, conclusies, citaten en opmaak. Een taak wordt pas als voltooid gemarkeerd wanneer elk criterium slaagt, een standaard die Harvey “all‑pass‑beoordeling” noemt.

Een benchmark‑taak vraagt een agent om wijzigings‑van‑controle‑bepalingen te analyseren voor een fictieve overname van $458 miljoen, een virtuele dataruimte te beoordelen, het transactierisico te evalueren en een concept‑memo voor het deal‑team op te stellen, waarbij het werk wordt beoordeeld aan de hand van 57 criteria over negen juridische kwesties. Harvey verklaarde dat ze LAB hebben uitgebracht om model‑leveranciers, agent‑ontwikkelaars, onderzoekers en advocatenkantoren een gemeenschappelijke manier te bieden om de voortgang van lange‑termijn juridische agenten te meten. De benchmark werd gelanceerd zonder ranglijst, en Harvey zei destijds dat ze met onderzoekspartners zouden samenwerken om basisresultaten en standaarden voor genormaliseerde inzendingen te publiceren.

In de onderzoeks‑preview van augustus zei Harvey dat de volgende stappen onder meer het opschalen van LAB naar meer rechtsgebieden, praktijkgebieden en workflows omvatten, evenals het uitbreiden van de rekenkracht om haar onderzoek in productie te brengen met nieuwe generalistische modellen en mogelijkheden.