Harvey, $550 Milyon Yeni Finansman Sağladı, Değeri $15,5 Milyar’a Yükseldi

Harvey duyurdu 9 Eylül 2026 tarihinde, Diffusion ve Lightspeed Venture Partners’ın ortak yönettiği bir finansman turunda $550 milyon toplayarak $15,5 milyar değerlemeye ulaştığını. Hukuk AI şirketi, bu sermayenin hukuk firmalarına, şirket içi hukuk ekiplerine ve profesyonel hizmet firmalarına zekâlarını ölçekli bir şekilde inşa etmeleri ve sahip olmaları konusunda çabalarını hızlandıracağını belirtti.

Mevcut yatırımcılar Sequoia, Kleiner Perkins, a16z, Coatue, Conviction, Elad Gil, Evantic, GIC, Goldman Sachs Alternatives, Verified Capital ve WNDR turda yer aldılar. Diffusion, Lightspeed, Sapphire Ventures ve Whale Rock yeni yatırımcılar olarak katıldı.

Duyuruma göre, bu fonlama, şirketin ilk post‑eğitimli açık‑ağırlıklı modeli Harvey Tenet’in tanıtımının ve Harvey LAB, Legal Agent Benchmark’inin lansmanının ardından gerçekleşti.

Kurucu Ortak Açıklaması ve Bildirilen Benimsenme

Harvey kurucu ortakları Winston Weinberg ve Gabe Pereyra, şirketin “bu alanda başvuracakları küresel ortak hukuk ekipleri olmak istediğini” belirterek, Harvey’in ekibini işe alıp geliştirmeyi, müşterileri bir sonraki AI dönüşüm dalgası olarak tanımladıkları süreçte desteklemeyi planladığını ekledi. Şirketlerin AI ile rekabet avantajlarını hızlandırma fırsatı hiç bu kadar yüksek olmamıştı, diye eklediler.

Harvey, Am Law 100 hukuk firmalarının %80’inin ürünlerini kullandığını ve beş Fortune 10 şirketinin iç hukuk ekiplerinin de dahil olduğunu söyledi. Harvey’in şirket sayfası, işi hukuki ve profesyonel hizmetler için alan‑özel AI olarak tanımlıyor; ürünleri sözleşme analizi, durum tespiti, uyum ve dava iş akışlarını kapsıyor ve platformun 70’ten fazla ülkede 2.400’den fazla müşteri tarafından kullanıldığını belirtiyor. Sayfada, GV, OpenAI Startup Fund, Andreessen Horowitz ve EQT’nin, Sequoia, Kleiner Perkins ve Coatue ile birlikte firmanın destekçileri arasında yer aldığı belirtiliyor.

Harvey Tenet Araştırma Önizlemesi

Harvey, 20 Ağustos 2026 tarihli bir araştırma önizlemesinde Tenet’i ayrıntılı olarak açıkladı. Model, Kimi K3 tabanından başlıyor ve uzun vadeli hukuk çalışmaları için Fireworks araştırmasıyla birlikte, grup‑sıra politikası optimizasyonu (GSPO) adı verilen eşzamanlı pekiştirmeli öğrenme yöntemiyle post‑eğitim aldı. Eğitim veri seti yaklaşık 1.750 ajan‑tabanlı hukuk görev ortamını içeriyordu ve eğitim, iki ay boyunca yaklaşık 150 NVIDIA B300 GPU’da gerçekleştirildi.

Harvey, modelin temel Kimi K3’e kıyasla tutulan LAB görevlerini neredeyse iki katı ve LAB Sözleşmeleri’nde %20 daha fazla tamamladığını, tüm‑geçerlik oranlarını sırasıyla 9 ve 2 puan artırdığını bildirdi. Önizlemeye göre, Tenet LAB Sözleşmeleri’nde son‑tekniği performans sergiliyor ve LAB’da ikinci sırada yer alıyor; bu kazanımlar, modelin eğitim sırasında görmediği dış ajan benchmark’larına da genelleniyor; örneğin Mercor’un APEX Agents şirket‑hukuku alt kümesi ve Crosby’nin Redline Bench’i.

Harvey, eğitim korpusunun sentetik verileri, halka açık hukuk verilerini ve insan uzman verilerini birleştirdiğini ve Mercor ve diğerleriyle birlikte uzman veri setlerini oluşturup ölçeklendirdiğini söyledi. Şirket, ödül şekillendirme kullanarak verimli araç kullanımını ve akıl yürütmeyi teşvik ettiğini, çıkarım sırasında tüketilen token sayısını azaltan yolları tercih ettiğini ve böylece maliyet ile performansın birlikte optimize edilebildiğini belirtti. Harvey, post‑eğitim çalışmalarında hiçbir müşteri verisi kullanmadığını açıkladı.

Ana modelin ötesinde, önizleme ayrı ayrı eğitilmiş yetenekleri tanımlıyor; Harvey, zaman içinde ürününe entegre etmeyi planladığını belirtti: Recursive Language Model üzerine inşa edilmiş ve Baseten araştırmasıyla genişletilmiş M&A durum tespiti ajanları, Applied Compute ile eğitilmiş İnceleme Tablosu çıkarma modelleri ve Engram ile eğitilmiş firma‑bilgi modelleri; bu modeller bir firmanın bilgisini parametrik hafıza ve yapılandırılmış notlara kodluyor.

Açık Kaynak Hukuk Ajanı Benchmark’i

Harvey, 6 Mayıs 2026 tarihinde Legal Agent Benchmark’i açık kaynak olarak yayınladı. İlk sürümü, 24 hukuk uygulama alanında 1.200’den fazla ajan görevini içeriyor, 75.000’den fazla uzman‑yazılı rubrik kriteriyle değerlendiriliyor ve GitHub’da bulunabiliyor. Her görev, bir ortak tarafından iş talebi olarak yazılan kısa bir talimatı, bir müşteri dosyasıyla eşleştirir ve ajanın incelenebilir bir çalışma ürünü üretmesini gerektirir; bu ürün, gerçekleri, sonuçları, atıfları ve biçimlendirmeyi kapsayan atomik geçme/başarma kriterlerine bölünmüş uzman rubriklerine göre puanlanır. Bir görev, tüm kriterler geçtiğinde tamamlanmış olarak işaretlenir; bu, Harvey’in “tam‑geçer” notlaması olarak adlandırdığı bir standarttır.

Bir benchmark görevi, bir ajanın hayali 458 milyon dolarlık bir devralma için kontrol değişikliği hükümlerini analiz etmesini, sanal bir veri odasını incelemesini, anlaşma riskini değerlendirmesini ve anlaşma ekibi için bir taslak not hazırlamasını ister; çalışma, dokuz hukuk sorununu kapsayan 57 kriter üzerinden puanlanır. Harvey, LAB’i model sağlayıcılarına, ajan geliştiricilerine, araştırmacılara ve hukuk firmalarına uzun vadeli hukuk ajanları üzerindeki ilerlemeyi ölçmek için ortak bir yol sunmak amacıyla yayınladığını belirtti. Benchmark, bir lider tablosu olmadan başlatıldı ve Harvey, o dönemde araştırma ortaklarıyla birlikte normalize edilmiş gönderimler için temel sonuçları ve standartları yayınlamak üzere çalışacağını söyledi.

Ağustos araştırma önizlemesinde, Harvey, bir sonraki adımlarının LAB’i daha fazla yargı bölgesi, uygulama alanı ve iş akışına ölçeklendirmek ve yeni genel amaçlı modeller ve yeteneklerle araştırmasını üretime taşımak için hesaplama kapasitesini genişletmek olduğunu belirtti.