«توسعهٔ خدمات حرفه‌ای»؛ هدف Harvey از جذب ۵۵۰ میلیون دلار سرمایه

اگر امروز در یکی از بزرگ‌ترین شرکت‌های حقوقی جهان کار می‌کنید، احتمالاً شاهد جایگزینی سریع‌ترین بخش‌های تکراری شغلتان با یک «همکار دیجیتال» هستید. شرکت Harvey با جذب ۵۵۰ میلیون دلار سرمایه جدید در ۹ سپتامبر ۲۰۲۶، ارزش خود را به ۱۵.۵ میلیارد دلار رساند تا ثابت کند هوش مصنوعی تخصصی، جایگزین واقعی جریان‌های کاری دستی در مقیاس بزرگ است.

این دور سرمایه‌گذاری که توسط Diffusion و Lightspeed Venture Partners رهبری شد، نشان‌دهنده یک شرط‌بندی کلان روی توانایی هوش مصنوعیِ دامنه-محور (Domain-specific) برای جایگزینی گردش کارهای دستی حقوقی است. در این راند، سرمایه‌گذاران پیشینی مانند Sequoia، Kleiner Perkins، a16z، Coatue، Conviction، Elad Gil، Evantic، GIC، Goldman Sachs Alternatives، Verified Capital و WNDR مشارکت داشتند. همچنین Diffusion، Lightspeed، Sapphire Ventures و Whale Rock به عنوان سرمایه‌گذاران جدید به جمع آن‌ها پیوستند. سایر حامیان مالی شامل GV، OpenAI Startup Fund، Andreessen Horowitz و EQT هستند.

کار حقوقی به‌شدت ریسک‌گریز است و به دقتی نزدیک به ۱۰۰٪ و امنیت سخت‌گیرانه نیاز دارد. در حالی که مدل‌های زبانی بزرگ (LLM) عمومی اغلب در درک ظرافت‌های رویه‌های قضایی و صلب بودن قالب‌بندی قراردادها شکست می‌خورند، Harvey مستقیماً محیط‌های پرمخاطره شرکت‌های Am Law 100 و شرکت‌های Fortune 10 را هدف قرار داده است. این شرکت در حال تبدیل خود نه فقط به یک ابزار، بلکه به زیرساخت جهانی برای هوش حقوقی است.

نفوذ در بازار و دسترسی

شرکت Harvey نفوذ قابل‌توجهی در بازار حقوقی گزارش کرده است. در حال حاضر، ۸۰٪ از شرکت‌های حقوقی Am Law 100 از محصولات آن استفاده می‌کنند. همچنین تیم‌های حقوقی داخلی ۵ شرکت از ۱۰ شرکت برتر Fortune 10 مشتری این پلتفرم هستند. در سطح جهانی، بیش از ۲۴۰۰ مشتری در بیش از ۷۰ کشور از این سامانه بهره می‌برند. هوش مصنوعی تخصصی این شرکت طیف گسترده‌ای از خدمات حرفه‌ای، از جمله انطباق (Compliance)، جریان‌های کاری دعاوی، بررسی‌های لازم (Due Diligence) و تحلیل قراردادها را پوشش می‌دهد.

طبق اعلام شرکت، سرمایه جدید برای تسریع توسعه ابزارهای تحلیل قرارداد، بررسی‌های لازم و مدیریت دعاوی به کار می‌رود. وینستون واینبرگ و گیب پریرا، بنیان‌گذاران شرکت، اظهار داشتند که آن‌ها «می‌خواهند شریک جهانی تیم‌های حقوقی برای انجام این کارها باشند» و اشاره کردند که فرصت شتاب‌بخشی به مزیت رقابتی از طریق هوش مصنوعی هرگز تا این حد بالا نبوده است.

این جذب سرمایه پس از دو نقطه عطف فنی مهم رخ داد: عرضه محک عامل‌های حقوقی (LAB) و انتشار Harvey Tenet، اولین مدل با وزن‌های باز (Open-weight) که پس از آموزش اولیه (Post-trained) توسط این شرکت عرضه شده است.

معماری فنی مدل Tenet

مدل Harvey Tenet که در ۲۰ اوت ۲۰۲۶ به صورت پیش‌نمایش پژوهشی منتشر شد، بر پایه Kimi K3 ساخته شده است. این مدل با همکاری تیم پژوهشی Fireworks برای کارهای حقوقی با افق زمانی طولانی، با استفاده از یادگیری تقویتی ناهمگام و بهینه‌سازی سیاست گروه-توالی (GSPO) آموزش دیده است. این پیشرفت فنی منجر شد تا مدل Tenet نرخ تکمیل وظایف حقوقی را در بنچمارک LAB دو برابر کند و استانداردهای جدیدی را در دقت مدل‌های تخصصی تعریف نماید.

جزئیات فنی مدل Tenet به شرح زیر است:

• محاسبات: آموزش روی تقریباً ۱۵۰ واحد پردازش گرافیکی (GPU) مدل NVIDIA B300 طی دو ماه.
• داده‌ها: مجموعه آموزشی شامل ۱۷۵۰ محیط وظیفه عامل‌محور حقوقی بود که ترکیبی از داده‌های مصنوعی، داده‌های حقوقی عمومی و داده‌های خبرگان انسانی است. هاروی برای مقیاس‌بندی این مجموعه‌داده‌های خبره با Mercor و سایرین همکاری کرد.
• عملکرد: مدل Tenet تقریباً دو برابر مدل پایه Kimi K3 در وظایف LAB (که در داده‌های آموزشی نبوده‌اند) موفق بوده و ۲۰٪ بهبود در بخش قراردادهای LAB نشان داده است. نرخ موفقیت کلی (All-pass) به ترتیب ۹ و ۲ درصد افزایش یافته است.
• بهینه‌سازی: شرکت از «شکل‌دهی پاداش» (Reward Shaping) برای تشویق استدلال کارآمد و استفاده بهینه از ابزارها استفاده کرد. آن‌ها مسیرهایی را ترجیح دادند که تعداد توکن‌های مصرفی در زمان استنتاج را کاهش دهند تا هزینه و عملکرد را به طور همزمان بهینه کنند.

هاروی صراحتاً اعلام کرد که هیچ‌یک از داده‌های مشتریان در تلاش‌های پس از آموزش (Post-training) استفاده نشده است. Tenet به عملکرد پیشرو (SOTA) در LAB Contracts دست یافت و در رتبه دوم کلی LAB قرار گرفت. این دستاوردها به بنچ‌مارک‌های خارجی از جمله Crosby’s Redline Bench و زیرمجموعه حقوق شرکت‌های APEX Agents متعلق به Mercor نیز تعمیم یافت.

استاندارد LAB

برای سنجش این پیشرفت‌ها، Harvey در ۶ مه ۲۰۲۶ محک LAB را به‌صورت متن‌باز در گیت‌هاب منتشر کرد. این محک شامل بیش از ۱۲۰۰ وظیفه عامل‌محور در ۲۴ حوزه تخصصی است که توسط ۷۵ هزار معیار سخت‌گیرانه نوشته شده توسط خبرگان ارزیابی می‌شود.

برخلاف آزمون‌های ساده پرسش‌وپاسخ، LAB از «نمره گذاری عبور کلی» (All-pass grading) استفاده می‌کند. در هر وظیفه، درخواست یک شریک حقوقی برای انجام کاری با مجموعه‌ای از اسناد مربوط به پرونده مشتری جفت می‌شود. عامل باید یک محصول کاری قابل بررسی تولید کند که بر اساس معیارهای اتمی (قبول/رد) در چهار بخش ارزیابی شود:

• واقعیات (Facts)
• نتایج (Conclusions)
• استنادها (Citations)
• قالب‌بندی (Formatting)

به عنوان مثال، یکی از وظایف بنچ‌مارک از عامل می‌خواهد مفاد «تغییر کنترل» را برای یک تصاحب فرضی ۴۵۸ میلیون دلاری تحلیل کند. عامل باید یک اتاق داده مجازی (Virtual Data Room) را بررسی کرده، ریسک معامله را ارزیابی کند و پیش‌نویس یک یادداشت تهیه کند. این خروجی بر اساس ۵۷ معیار در ۹ موضوع حقوقی مختلف سنجیده می‌شود. یک وظیفه تنها زمانی «کامل» علامت می‌خورد که تک‌تک این معیارها را پاس کند.

گسترش استراتژیک

فراتر از مدل اصلی، هاروی به‌طور تهاجمی در حال گسترش اکوسیستم خود است. در ۹ سپتامبر ۲۰۲۶، این شرکت تصاحب Guardrails AI، یک پلتفرم امنیتی مستقر در سان‌فرانسیسکو برای عامل‌های هوش مصنوعی را اعلام کرد. این چهارمین خرید این شرکت در سال جاری است.

وینستون واینبرگ، مدیرعامل شرکت، اشاره کرد که شرکت‌های حقوقی برای سپردن کارهای واقعی مشتریان به عامل‌ها، بدون دانستن دقیق نحوه رفتار آن‌ها، تردید دارند. با ادغام Guardrails AI، هاروی قصد دارد لایه‌های امنیتی لازم برای استقلال کامل عامل‌ها (Agentic Autonomy) در محیط‌های حقوقی را فراهم کند. در همین راستا، مدل‌های تخصصی در حوزه‌های دیگر نیز در حال ظهور هستند؛ برای مثال استارتاپ Blue Voice با جذب سرمایه، دستیاری قانونی برای افسران پلیس ساخت تا کاربردهای هوش مصنوعی حقوقی را به محیط‌های عملیاتی گسترش دهد.

هاروی همچنین در حال توسعه قابلیت‌های تخصصی است تا به مرور در محصولش بگنجاند، از جمله:

• عامل‌های بررسی M&A: ساخته شده بر اساس چارچوب‌های مدل زبانی بازگشتی (Recursive Language Model) و گسترش یافته با پژوهش‌های Baseten.
• استخراج جداول بررسی: مدل‌هایی که با Applied Compute آموزش دیده‌اند.
• مدل‌های دانش شرکت: آموزش دیده با Engram برای تبدیل دانش یک شرکت حقوقی به یادداشت‌های ساختاریافته و حافظه پارامتریک.

این حرکت، رقابت را از «چه کسی بهترین مدل را دارد» به «چه کسی قابل‌اعتمادترین جریان کاری را دارد» تغییر می‌دهد. با مالکیت هم‌زمان محک (LAB)، مدل (Tenet) و لایه امنیتی (Guardrails)، هاروی در حال ساخت یک خندق رقابتی عمودی است که نفوذ به آن برای ارائه‌دهندگان عمومی هوش مصنوعی دشوار است.

برای یک حقوق‌دان، این یعنی تبدیل هوش مصنوعی از یک «چت‌بات برای پیش‌نویس» به یک «دستیار دیجیتال» که می‌تواند به‌تنهایی یک اتاق داده مجازی را بررسی کرده و یادداشت ریسک تهیه کند. اثر مرتبه دوم این تحول، تغییر احتمالی در مدل «ساعت‌های قابل صورت‌حساب» (Billable Hour) است؛ چرا که وظایف بررسی لازم (Due Diligence) که زمانی هفته‌ها زمان می‌برد، اکنون در عرض چند دقیقه انجام می‌شود.

در ماه‌های آینده، منتظر گسترش LAB به حوزه‌های قضایی بیشتر و ادغام چارچوب‌های مدل زبانی بازگشتی برای عامل‌های بررسی ادغام و تصاحب (M&A) باشید.

گام بعدی شما

• اگر مدیر عملیاتی هستید، مدل‌های تخصصی (Vertical AI) را به‌جای مدل‌های عمومی برای کارهای حساس بررسی کنید.
• مستندات محک LAB را در گیت‌هاب مطالعه کنید تا بفهمید استانداردهای دقت در سطح سازمانی چگونه تعریف می‌شوند.
• روی ابزارهای امنیتی و حفاظتی (Guardrails) برای استقرار عامل‌های هوش مصنوعی در سازمان خود تمرکز کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در آموزش مدل‌های تخصصی مراجعه کنید.