Harvey bernilai US$15,5 miliar—AI hukum mulai membangun model sendiri

Pengumuman pendanaan Harvey tertanggal 9 September 2026 menyebut perusahaan memperoleh US$550 juta pada valuasi US$15,5 miliar, dengan putaran yang dipimpin bersama oleh Diffusion dan Lightspeed Venture Partners. Harvey mengaitkan modal baru itu dengan upaya membantu firma hukum, tim legal internal, dan perusahaan jasa profesional membangun kecerdasan yang lebih khusus untuk pekerjaan mereka.

Menurut rangkaian pendanaan yang dihimpun TechCrunch, transaksi terbaru mengikuti putaran US$200 juta pada valuasi US$11 miliar pada Maret 2026 dan valuasi US$8 miliar pada Desember 2025, sekaligus membawa total modal Harvey melampaui US$1,55 miliar. Urutan tersebut memperlihatkan kenaikan cepat dalam penilaian investor, tetapi bukan dengan sendirinya bukti bahwa pengacara bekerja lebih cepat atau menghasilkan pekerjaan yang lebih akurat.

Tiga valuasi mencerminkan taruhan investor yang makin besar

Lompatan valuasi Harvey berlangsung ketika perusahaan memperluas perannya dari penyedia aplikasi yang memakai model AI umum menjadi pengembang lapisan model dan sistem eksekusi sendiri. Dengan posisi itu, perusahaan ingin mengendalikan lebih banyak bagian dari biaya, evaluasi, dan penyesuaian AI untuk pekerjaan hukum.

Valuasi privat tetap merupakan harga yang disepakati dalam transaksi pendanaan. Angka tersebut tidak mengukur laba, akurasi analisis hukum, penghematan waktu, atau kualitas keluaran setelah pemeriksaan manusia. Karena itu, kenaikan valuasi paling tepat dibaca sebagai besarnya keyakinan dan risiko yang diambil investor terhadap prospek Harvey, bukan sebagai ukuran langsung produktivitas produknya.

Modal baru memberi Harvey ruang untuk membiayai komputasi dan tenaga ahli yang dibutuhkan dalam post-training. Biaya itu sebelumnya lebih banyak ditanggung oleh laboratorium pembuat model frontier, sementara perusahaan aplikasi seperti Harvey memilih model yang tersedia dan membangun produk di atasnya. Strategi Tenet memindahkan sebagian pekerjaan teknis tersebut ke dalam kendali Harvey.

Harvey Tenet adalah hasil post-training, bukan model dasar dari nol

Dalam pratinjau teknis Harvey Tenet, perusahaan menjelaskan bahwa Tenet memakai Kimi K3 sebagai model dasar dan menjalani post-training bersama Fireworks Research untuk tugas hukum berdurasi panjang; data latihnya menggabungkan data sintetis, materi hukum yang tersedia bagi publik, dan data ahli manusia, tanpa data pelanggan. Pada pengujian internal Harvey, konfigurasi yang mencakup model hasil post-training dan perbaikan harness menyelesaikan hampir dua kali lebih banyak tugas tertahan di Legal Agent Benchmark daripada Kimi K3 dasar serta 20% lebih banyak tugas pada bagian kontrak.

“Model sendiri” dalam konteks ini tidak berarti Harvey melakukan pre-training foundation model dari awal. Harvey mengambil model berbobot terbuka, lalu menyesuaikan perilakunya dengan lingkungan kerja, umpan balik, data, dan sasaran evaluasi yang dirancang untuk pekerjaan hukum. Perusahaan juga mengembangkan harness, yaitu sistem yang mengatur bagaimana model membaca berkas, memakai alat, menjalankan tahapan tugas, dan menyerahkan hasil.

Pembedaan itu penting karena hasil benchmark tidak dapat dikaitkan hanya dengan bobot model. Kinerja yang dilaporkan merupakan hasil satu konfigurasi yang menggabungkan model dasar, post-training, dan harness. Angka tersebut juga berasal dari riset Harvey sendiri dalam lingkungan evaluasi, sehingga belum membuktikan bahwa setiap pengacara akan bekerja dua kali lebih cepat atau bahwa hasilnya akan seragam di seluruh bidang praktik dan yurisdiksi.

Open-weight memperluas kendali, tetapi tidak menghapus risiko

Bobot yang terbuka memberi Harvey lebih banyak pilihan untuk mengubah dan mengevaluasi model dibandingkan ketika seluruh lapisan kecerdasan berasal dari layanan model tertutup. Firma hukum pada akhirnya dapat memiliki model yang disesuaikan dengan jenis dokumen, pola kerja, dan kriteria evaluasinya sendiri, sementara Harvey dapat mengoptimalkan model dan harness sebagai satu sistem.

Nilai strategisnya terletak pada kemampuan membentuk evaluasi yang lebih dekat dengan pekerjaan nyata. Tugas dapat disusun dari instruksi, kumpulan dokumen perkara, alat yang tersedia, dan rubrik ahli; jejak tindakan agen kemudian dapat diperiksa bersama hasil akhirnya. Struktur seperti ini lebih berguna bagi firma daripada satu skor umum apabila mereka perlu menilai apakah jawaban didukung dokumen, konsisten, dan dapat ditinjau kembali.

Namun, kepemilikan atau akses terhadap bobot tidak otomatis menjamin kerahasiaan maupun ketepatan hukum. Tata kelola tetap bergantung pada tempat model dijalankan, pengaturan akses, asal data yang digunakan, penyimpanan log, desain evaluasi, serta pengawasan pengacara. Open-weight menambah pilihan teknis dan ruang audit, tetapi tidak menghilangkan halusinasi, kesalahan penalaran, atau kewajiban profesional.

Adopsi firma besar belum sama dengan bukti produktivitas

Catatan LawSites tentang putaran terbaru memuat klaim pendiri Harvey bahwa perusahaan telah melewati US$400 juta dalam pendapatan berulang tahunan, melayani lebih dari 3.000 pelanggan, dan digunakan oleh 80% dari 100 firma hukum teratas; modal baru disebut akan diarahkan pada sumber daya manusia, komputasi, harness, dan pelatihan model. Skala itu menunjukkan jangkauan komersial, tetapi tidak mengungkap jumlah pengguna aktif, frekuensi penggunaan, atau waktu bersih yang benar-benar dihemat setelah pemeriksaan manusia.

Perbedaan antara akses dan penggunaan juga penting. Kontrak perusahaan dapat mencakup uji coba terbatas, penerapan pada kelompok tertentu, atau penggunaan lintas bidang praktik. Tanpa data yang membedakan bentuk-bentuk penerapan tersebut, angka pelanggan dan penetrasi firma tidak cukup untuk menilai dampak operasional.

Yang sudah jelas adalah hubungan antara pendanaan baru dan arah teknis Harvey: perusahaan memiliki modal lebih besar untuk mengembangkan model open-weight yang menjalani post-training serta sistem eksekusinya. Yang belum tersedia secara terbuka adalah jadwal penerapan luas Tenet, ketentuan bagi firma yang ingin memiliki model khusus, hasil evaluasi independen dalam pekerjaan nyata, dan rincian tata kelola untuk setiap konfigurasi. Data itulah yang kelak menentukan apakah peralihan dari model frontier umum menuju model hukum khusus menghasilkan kontrol dan produktivitas yang dapat dibuktikan.

Baca juga:

• Deep Cogito meraih US$43 juta untuk mesin AI yang belajar sendiri
• Ringg beralih dari pembuat model ke agen suara, lalu mendapat US$10 juta
• Thyme Care bernilai di atas US$2 miliar—kini membangun induk baru