Harvey säkrar $550M i ny finansiering, värderingen stiger till $15.5B

Harvey meddelade den 9 september 2026 att de har samlat in $550 miljoner till en värdering på $15,5 miljarder i en finansieringsrunda som co-leddes av Diffusion och Lightspeed Venture Partners. Det juridiska AI-företaget sade att kapitalet kommer att påskynda deras arbete med att hjälpa advokatbyråer, interna juridiska team och företag inom professionella tjänster att bygga och äga sin intelligens i stor skala.

De befintliga investerarna Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital och WNDR deltog i rundan. Diffusion, Lightspeed, Sapphire Ventures och Whale Rock gick med som nya investerare.

Enligt meddelandet följer finansieringen introduktionen av Harvey Tenet, företagets första eftertränad open-weight-modell, samt lanseringen av Harvey LAB, dess Legal Agent Benchmark.

Co-Founder Statement and Reported Adoption

Harveys medgrundare Winston Weinberg och Gabe Pereyra sade att företaget “vill vara den globala partner som juridiska team vänder sig till för detta arbete,” och tillade att Harvey planerar att anställa och utveckla sitt team för att stödja kunder genom det de beskrev som nästa våg av AI‑transformation. Enligt medgrundarna har möjligheten för företag att påskynda sin konkurrensfördel med AI aldrig varit större.

Harvey uppgav att 80 % av Am Law 100‑advokatbyråer använder deras produkter, tillsammans med interna juridiska team som inkluderar fem av Fortune‑10. Harveys företagssida beskriver verksamheten som domänspecifik AI för juridik och professionella tjänster, med produkter som omfattar kontraktsanalys, due diligence, efterlevnad och processarbetsflöden, och anger att mer än 2 400 kunder i över 70 länder använder plattformen. Sidan nämner GV, OpenAI Startup Fund, Andreessen Horowitz och EQT bland företagets stödjare, tillsammans med Sequoia, Kleiner Perkins och Coatue.

Harvey Tenet Research Preview

Harvey beskrev Tenet i en forskningsförhandsvisning den 20 augusti 2026. Modellen bygger på en Kimi K3‑bas och eftertränades tillsammans med Fireworks‑forskning för långsiktigt juridiskt arbete, med asynkron förstärkningsinlärning och gruppsekvenspolicyoptimering (GSPO). Träningsdatamängden bestod av ungefär 1 750 agentbaserade juridiska uppgiftsmiljöer, och träningen kördes på cirka 150 NVIDIA B300‑GPU:er under två månader.

Harvey rapporterade att modellen klarar nästan dubbelt så många hållna LAB‑uppgifter som bas‑Kimi K3 och 20 % fler på LAB Contracts, vilket ökar all‑pass‑graderna med respektive 9 och 2 procentenheter. Enligt förhandsvisningen uppnår Tenet topprestanda på LAB Contracts och placerar sig på andra plats på LAB, och dessa förbättringar generaliserades till externa agent‑benchmarkar som modellen inte sett under träning, inklusive Mercors APEX Agents‑del för bolagsrätt och Crosbys Redline Bench.

Träningskorpuset kombinerade syntetisk data, offentligt tillgänglig juridisk data och mänsklig expertdata, och Harvey sade att de samarbetade med Mercor och andra för att bygga och skala expert‑datamängderna. Företaget uppgav att de använde belöningsformning för att uppmuntra effektiv verktygsanvändning och resonemang, och föredrog banor som minskar antalet token som förbrukas vid inferens så att kostnad och prestanda kan optimeras samtidigt. Harvey förklarade att de inte använde någon kunddata i sina efterträningsinsatser.

Utöver kärnmodellen beskriver förhandsvisningen separat tränade funktioner som Harvey säger att de kommer att införliva i sin produkt över tid: M&A‑due‑diligence‑agenter byggda på Recursive Language Model med utökningar från Baseten‑forskning, Review Table‑extraktionsmodeller tränade med Applied Compute, samt företagskunskapsmodeller tränade med Engram som kodar ett företags kunskap i parametriskt minne och strukturerade anteckningar.

The Open-Source Legal Agent Benchmark

Harvey gjorde Legal Agent Benchmark öppen källkod den 6 maj 2026. Dess första version innehåller mer än 1 200 agentuppgifter över 24 juridiska verksamhetsområden, utvärderade av över 75 000 expert‑skrivna rubrikkriterier, och finns tillgänglig på GitHub. Varje uppgift kombinerar en kort instruktion skriven som en partners arbetsförfrågan med ett klientärende bestående av dokument och kräver att agenten producerar ett granskbart arbetsresultat, som bedöms mot expert‑rubriker uppdelade i atomära godkännande-/underkännandekriterier som täcker fakta, slutsatser, citat och formatering. En uppgift markeras som slutförd först när alla kriterier är uppfyllda, en standard som Harvey kallar all‑pass‑bedömning.

En benchmark‑uppgift ber en agent att analysera förändrings‑avtalsbestämmelser för en fiktiv förvärv på $458 miljoner, granska ett virtuellt datarum, bedöma affärsrisk och förbereda ett utkast till memo för affärsteamet, där arbetet bedöms mot 57 kriterier som täcker nio juridiska frågor. Harvey sade att de släppte LAB för att ge modellleverantörer, agentutvecklare, forskare och advokatbyråer ett gemensamt sätt att mäta framsteg för långsiktiga juridiska agenter. Benchmarken lanserades utan en topplista, och Harvey uppgav då att de skulle samarbeta med forskningspartner för att publicera grundläggande resultat och standarder för normaliserade inlämningar.

I den augusti‑forskningsförhandsvisningen sade Harvey att nästa steg inkluderar att skala LAB till fler jurisdiktioner, verksamhetsområden och arbetsflöden samt att utöka sin beräkningskapacitet för att föra forskningen i produktion med nya generalistmodeller och funktioner.