Harvey Graph диже пролазност до 30% — контекст мења правни AI

Компанија Harvey је у објави од 19. октобра 2026. о Harvey Graph-у пријавила да је агент са контекстним графом у интерном тесту повећао пролазност по критеријумима рубрике до 30% и смањио трошак задатка до приближно 50%. Реч је о раним резултатима поређења у оквиру Legal Agent Bench-а, а не о независно измереном учинку у адвокатским канцеларијама.

Harvey Graph повезује правно знање са подацима о предметима, документима и људима, па агент уз пронађени текст добија и односе који му помажу да одреди шта је релевантно. Кључна разлика је између претраге сличних одломака и приступа који агенту показује ком предмету документ припада, како су верзије уговора повезане и шта се догодило са судском одлуком на коју се позива. Објављени тест пореди рад агента са контекстним графом и без њега; не пореди различите језичке моделе.

Шта Harvey Graph повезује

Назив обухвата два слоја са различитим улогама. Граф правног знања повезује одлуке у америчкој судској пракси преко цитата и начина на који су их каснији судови третирали. Контекстни граф у оквиру радног простора Spaces повезује предмете, податке и документе из Vault-а и интегрисаних извора. Први слој помаже агенту да прати правни ауторитет; други му даје структуру знања конкретне организације. Граф судске праксе односи се на америчко право, што је битна граница његове примене за читаоце у Србији.

Код уговора са нацртима, анексима и потписаном верзијом, претрага по сличности може да пронађе одломак са траженом клаузулом, али сличност текста сама не утврђује која верзија важи. Контекстни граф настоји да сачува однос између верзија и предмета, тако да агент не реконструише исту везу при сваком задатку. Зато више пронађених пасуса није исто што и боље организовано знање; сродну разлику објашњава поређење дугог контекста и RAG-а.

У судској пракси користан одговор такође зависи од односа, а не само од поклапања речи. Агент може да крене од релевантне одлуке, прати шта она цитира и како су се касније одлуке према њој односиле. У знању канцеларије, еквивалентан проблем је разликовање предмета, странака и статуса докумената. Harvey наводи да граф у Spaces-у прати постојећа подешавања управљања и безбедности радног простора; у правном раду та ограничења одређују које везе агент сме да користи.

Шта је показало поређење са графом и без њега

За задатке обухваћене експериментом агент је најпре прегледао документе клијентског предмета и изградио граф релевантних ентитета и односа. Међу њима су биле странке, датуми, статус нацрта или потписаног уговора и везе између верзија истог документа. Затим је учинак конфигурације са контекстним графом упоређен са учинком без њега, уз оцењивање по рубрици. Добијени проценат зато описује рад агента у тим условима, а не засебну тачност графа као компоненте.

Најконкретнији пример био је задатак да се пронађу најновије обезбеђено финансирање канцеларије и потписани кредитни уговор и уговор о обезбеђењу као преседани за нови аранжман. Извештај Blockchain News преноси пријављени исход: агент који је претраживао сирове датотеке испунио је 0% критеријума рубрике јер је изабрао погрешан преседан, а агент са графом 75%. То је резултат једног задатка, не просек правних послова.

Пролазност по критеријумима говори колики је део појединачних захтева у рубрици испуњен. Потпуно решен задатак захтева испуњење свих његових критеријума, па се побољшање прве мере не може без додатних података пренети на другу. Ни објављени максимум не показује колики би добитак имала одређена канцеларија: за такву процену били би потребни полазни резултати, расподела исхода по задацима и услови под којима је граф припремљен.

Зашто је знање канцеларије захтеван тест

Проналажење преседана постаје теже када су релевантни подаци распршени кроз више предмета, а назив траженог документа није познат унапред. Опис скупа LAB: Law Firm Knowledge наводи синтетичку канцеларију Calderwood & Harkness са 266 предмета, 9.288 датотека и 250 задатака. У таквом корпусу агент мора да пронађе одговарајући предмет, затим прави документ у њему и његов статус. Ова поставка објашњава зашто граф односа може да помогне баш при избору преседана, али синтетички корпус не замењује мерење у стварној канцеларији.

За тумачење процената важна је и разлика међу методологијама. Artificial Analysis у својој засебној имплементацији правног бенчмарка разликује пролазност по појединачним критеријумима од пролазности целог задатка, која тражи да сви критеријуми буду испуњени. Њихова мерења нису тест Harvey Graph-а и не могу да потврде пријављени добитак, али јасно показују зашто те две метрике не треба мешати. Из истог разлога резултат графа није непосредно поређење са резултатима модела на другој конфигурацији бенчмарка.

Где се добитак може одржати

Граф помаже само ако су његове везе тачне, ажурне и доступне у складу са дозволама. Ако је нацрт повезан као важећи уговор или су две странке погрешно спојене, агент може брже да стигне до погрешног извора. Исто важи за судску одлуку чији је каснији третман погрешно забележен. Провера тих односа према изворним документима и њихово освежавање после измена зато су део стварног квалитета система, а не споредно техничко питање.

Пријављени трошак извршења задатка не обухвата нужно пун трошак изградње и одржавања графа. Читање нових докумената, издвајање ентитета, исправљање погрешних веза и обрада нових верзија захтевају ресурсе и пре него што агент добије упит. Harvey најављује и даље ширење веза у графу, укључујући рад са цитатима и развојем америчке судске праксе. За правне тимове ће пресуднији податак од раног максимума бити резултат у продукцији који истовремено показује квалитет одговора, поштовање дозвола и пун трошак одржавања контекста.

Прочитајте и:

• Дуг контекст или RAG: више токена не значи увек бољи одговор
• OpenAI API или Gemini API: дуг контекст мења цену пре квалитета
• Rovo добија GPT‑6, али пословни контекст остаје у Teamwork Graph-у