Koniec ogólnych chatbotów w prawie. Harvey prezentuje model Tenet
Kancelarie prawne nie potrzebują algorytmów, które potrafią pisać wiersze i programować proste gry. Potrzebują systemów zdolnych do wielogodzinnej, bezbłędnej analizy setek stron umów. Startup Harvey, wspólnie z zespołem Fireworks Research, stworzył właśnie narzędzie celujące dokładnie w tę potrzebę. Premiera modelu Tenet pokazuje kierunek, w którym zmierza branża: czas uniwersalnych chatbotów mija, ustępując miejsca wąsko wyspecjalizowanym agentom do zadań specjalnych.
To ważny moment dla rynku profesjonalnych usług prawnych. Harvey zaprezentował model Tenet jako swój pierwszy system post-trenowany end-to-end pod kątem rozumowania prawnego. Zamiast budować architekturę od zera, inżynierowie wzięli na warsztat model bazowy Kimi K3 i przystosowali go do długofalowej, skomplikowanej pracy z dokumentami. To sygnał, że rynek AI wchodzi w fazę dojrzałości, gdzie liczy się precyzja w konkretnej dziedzinie, a nie ogólna wiedza o wszystkim.
Architektura skrojona pod paragrafy
Tenet nie próbuje być encyklopedią. Został zaprojektowany jako cyfrowy współpracownik zdolny do przeprowadzania żmudnych audytów dokumentacji (due diligence) przy fuzjach i przejęciach. Twórcy opisują go jako „nasz pierwszy model post-trenowany end-to-end do rozumowania prawnego”. Efekt ten osiągnięto dzięki intensywnemu procesowi uczenia ze wzmocnieniem w precyzyjnie symulowanych środowiskach prawnych. Wykorzystanie 150 jednostek GPU NVIDIA B300 pozwoliło na wytrenowanie systemu, który nie tylko zna przepisy, ale potrafi poruszać się w zawiłych strukturach logicznych, gdzie standardowe modele zazwyczaj kapitulują.
Efektywność mierzona wynikami
Dane z testów porównawczych pokazują realny skok jakościowy. W prestiżowym Legal Agent Benchmark (LAB), Tenet niemal podwoił skuteczność swojego modelu bazowego. Narzędzie poprawiło tak zwany wskaźnik all-pass rate z 10,8% do 19,7%, co oznacza wzrost o blisko 82% względem bazy Kimi K3. W praktyce oznacza to, że model wykonał prawie dwa razy więcej zadań niż przed treningiem specjalistycznym.
To postęp w walce z halucynacjami, czyli zmorą prawników próbujących używać sztucznej inteligencji. Zamiast zmyślać nieistniejące artykuły kodeksów, system wykazuje zdolności adaptacyjne i radzi sobie z problemami, których nie uwzględniono w procesie treningowym. W kategorii analizy kontraktów (LAB Contracts) model zanotował wzrost wskaźnika all-pass rate z 9,3% do 11,3%, co przełożyło się na około 22% wyższą wydajność.Ekonomia precyzji
Harvey zajął się również jeden z największych problemów wdrożeniowych: koszty utrzymania infrastruktury. Dzięki metodzie reward shaping inżynierowie zoptymalizowali ścieżki wnioskowania. Jak podają twórcy, model oferuje możliwości na poziomie zamkniętych, najpotężniejszych systemów komercyjnych (frontier-level), ale działa „przy koszcie serwowania porównywalnym z modelami open-source”. W efekcie Tenet generuje odpowiedzi przy nakładach finansowych mniejszych o 75% w porównaniu do wiodących modeli ogólnego przeznaczenia. W połączeniu z ogromnym oknem kontekstowym, sięgającym 80 milionów tokenów, pozwala to kancelariom na analizę całych archiwów transakcyjnych.
Choć obecnie Tenet znajduje się w fazie Research Preview, jego pojawienie się na rynku to wyraźny komunikat. Sztuczna inteligencja przestaje być zabawką do redagowania maili. Staje się autonomicznym analitykiem, który realnie wpłynie na to, jak wygląda codzienna praca z dokumentami prawnymi.
