Contexte de financement
Harvey AI Corp. a annoncé une levée de 550 millions de dollars, portant sa valorisation à 15,5 milliards de dollars. Le tour a été mené par Diffusion et Lightspeed Venture Partners, avec la participation de Sequoia, Kleiner Perkins, Goldman Sachs et plus d’une dizaine d’autres investisseurs. Cette injection de capital intervient six mois après un précédent financement à neuf chiffres, et vise à financer l’expansion de l’infrastructure de calcul nécessaire au développement de modèles de langage propriétaire.
Architecture de la plateforme et du modèle Tenet
La plateforme cloud de Harvey propose un dépôt nommé Vault, capable de stocker jusqu’à 100 000 documents. Un moteur de recherche intégré exploite l’intelligence artificielle pour extraire des motifs pertinents, par exemple la localisation de contrats fournisseurs devant être adaptés à une nouvelle réglementation. En 2024, Harvey a lancé Tenet, un modèle de grande taille dérivé de Kimi K3, un LLM open source de 2,8 trillions de paramètres. Tenet se compose de 896 réseaux neuronaux, chacun optimisé pour un sous‑ensemble de tâches juridiques, et a été affiné sur un corpus de documents légaux internes. Un « harness » de prompts et d’actifs techniques a été ajouté pour stabiliser la génération de texte.
Analyse des performances et des coûts
Harvey affirme que Tenet réalise certaines opérations de traitement de contrats 20 % plus rapidement que le modèle de base Kimi K3, et dépasse les performances de Fable 5 et GPT‑5 Sol sur plusieurs métriques. La société a introduit le benchmark LAB, qui mesure la capacité d’un LLM à exécuter environ 1 200 tâches juridiques. Les premiers résultats montrent une supériorité de Tenet sur les modèles concurrents dans la plupart des scénarios testés. Sur le plan économique, le développement d’un modèle propriétaire implique des dépenses d’entraînement élevées, mais permet de réduire les coûts d’inférence, qui représentent généralement la majeure partie de la facture opérationnelle d’une IA. En internalisant le modèle, Harvey espère diminuer sa dépendance aux API externes et améliorer sa marge brute.
Perspectives et limites
Le financement récent doit financer l’extension de l’infrastructure de calcul et la création de « nouveaux modèles généralistes ». Harvey prévoit d’étendre le benchmark LAB à d’autres juridictions et domaines de droit, ce qui exigera l’ingestion de jeux de données supplémentaires et la gestion de contraintes de confidentialité. Le modèle Tenet, bien que performant sur les tâches testées, reste limité aux langues et aux cadres juridiques pour lesquels il a été entraîné ; son efficacité dans des systèmes juridiques non anglo‑saxons reste à démontrer. Enfin, la concentration de 80 % des 100 cabinets les mieux classés aux États‑Unis parmi les clients de Harvey indique une forte dépendance au marché américain, ce qui pourrait freiner l’adoption internationale tant que les exigences locales ne seront pas pleinement prises en compte.
