Harvey sikrer $550M i ny finansiering, verdsettelsen stiger til $15,5B

Harvey kunngjorde 9. september 2026 at de har hentet inn $550 millioner med en verdsettelse på $15,5 milliarder i en finansieringsrunde med felles ledelse av Diffusion og Lightspeed Venture Partners. Juridisk AI-selskapet sa at kapitalen vil akselerere deres innsats for å hjelpe advokatfirmaer, interne juridiske team og profesjonelle tjenesteleverandører med å bygge og eie sin intelligens i stor skala.

Eksisterende investorer Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital og WNDR deltok i runden. Diffusion, Lightspeed, Sapphire Ventures og Whale Rock ble med som nye investorer.

Ifølge kunngjøringen følger kapitalinnhentingen introduksjonen av Harvey Tenet, selskapets første etter‑trent open‑weight-modell, og lanseringen av Harvey LAB, deres Legal Agent Benchmark.

Medgründer‑uttalelse og rapportert adopsjon

Harveys medgründere Winston Weinberg og Gabe Pereyra sa at selskapet «ønsker å bli den globale partneren juridiske team vender seg til for dette arbeidet», og la til at Harvey planlegger å ansette og utvikle sitt team for å støtte kunder gjennom det de beskrev som den neste bølgen av AI‑transformasjon. Muligheten for selskaper til å akselerere sin konkurransefordel med AI har aldri vært høyere, sier medgrunnere.

Harvey oppga at 80 % av Am Law 100‑advokatfirmaer bruker deres produkter, sammen med interne juridiske team som inkluderer fem av Fortune‑10. Harveys firmaside beskriver virksomheten som domenespesifikk AI for juridiske og profesjonelle tjenester, med produkter som dekker kontraktsanalyse, due diligence, etterlevelse og rettssaks‑arbeidsflyter, og oppgir at mer enn 2 400 kunder i over 70 land bruker plattformen. Siden nevner GV, OpenAI Startup Fund, Andreessen Horowitz og EQT blant selskapets støttespillere, i tillegg til Sequoia, Kleiner Perkins og Coatue.

Harvey Tenet forskningsforhåndsvisning

Harvey beskrev Tenet i en forskningsforhåndsvisning 20. august 2026. Modellen bygger på en Kimi K3‑base og ble etter‑trent sammen med Fireworks research for langsiktig juridisk arbeid, ved bruk av asynkron forsterknings‑læring med gruppe‑sekvens policy‑optimalisering, eller GSPO. Treningsdatasettet besto av omtrent 1 750 juridiske oppgave‑miljøer med agent‑karakter, og treningen kjøres på cirka 150 NVIDIA B300‑GPU‑er i to måneder.

Harvey rapporterte at modellen fullfører nesten dobbelt så mange hold‑out LAB‑oppgaver som basis‑Kimi K3 og 20 % flere på LAB Contracts, og øker all‑pass‑rater med henholdsvis 9 og 2 prosentpoeng. Ifølge forhåndsvisningen oppnår Tenet topp‑ytelse på LAB Contracts og plasserer seg som nummer to på LAB, og disse forbedringene generaliserte seg til eksterne agent‑benchmarker modellen ikke hadde sett under trening, inkludert Mercors APEX Agents‑del for selskapsrett og Crosbys Redline Bench.

Treningskorpuset kombinerte syntetiske data, offentlig tilgjengelige juridiske data og data fra menneskelige eksperter, og Harvey sa at de samarbeidet med Mercor og andre for å bygge og skalere ekspert‑datasett. Selskapet oppga at de brukte belønnings‑forming for å stimulere effektiv verktøybruk og resonnering, og foretrakk trajektorier som reduserer antall token som brukes under inferens, slik at kostnad og ytelse kunne optimaliseres sammen. Harvey uttalte at de ikke brukte kundedata i sine etter‑trenings‑innsatser.

Utover kjernemodellen beskriver forhåndsvisningen separat trente funksjoner som Harvey sier de vil innlemme i produktet over tid: M&A‑due‑diligence‑agenter bygget på Recursive Language Model med utvidelser fra Baseten‑forskning, Review Table‑ekstraksjonsmodeller trent med Applied Compute, og firma‑kunnskapsmodeller trent med Engram som koder et firmas kunnskap inn i parametrisk minne og strukturerte notater.

Den åpne juridiske agent‑benchmarken

Harvey gjorde Legal Agent Benchmark åpen kildekode 6. mai 2026. Første versjon inneholder mer enn 1 200 agent‑oppgaver på tvers av 24 juridiske praksisområder, evaluert av over 75 000 ekspert‑skrevne rubrikk‑kriterier, og er tilgjengelig på GitHub. Hver oppgave kombinerer en kort instruksjon skrevet som en partners forespørsel om arbeid med et klientdokumentsett, og krever at agenten produserer et gjennomgåelig arbeidsprodukt, som vurderes mot ekspert‑rubrikker delt inn i atomære bestått/ikke‑bestått‑kriterier som dekker fakta, konklusjoner, sitater og formatering. En oppgave merkes som fullført kun når alle kriterier er bestått, en standard Harvey kaller all‑pass‑vurdering.

En benchmark‑oppgave ber en agent analysere endrings‑kontroll‑bestemmelser for en fiktiv oppkjøp på $458 millioner, gjennomgå et virtuelt datarom, vurdere avtalerisiko, og utarbeide et utkast til notat for avtale‑teamet, med arbeidet vurdert mot 57 kriterier som dekker ni juridiske problemstillinger. Harvey oppga at de lanserte LAB for å gi modellleverandører, agent‑utviklere, forskere og advokatfirmaer en felles måte å måle fremgang på langsiktige juridiske agenter. Benchmarken ble lansert uten en rangliste, og Harvey sa på den tiden at de ville samarbeide med forskningspartnere for å publisere basisresultater og standarder for normaliserte innleveringer.

I den august‑forskningsforhåndsvisningen sa Harvey at neste steg inkluderer å skalere LAB til flere jurisdiksjoner, praksisområder og arbeidsflyter, samt å utvide beregningskapasiteten for å bringe forskningen inn i produksjon med nye generalistmodeller og funksjoner.