Il finanziamento di Harvey AI raggiunge 550 milioni di dollari mentre l'AI legale diventa una guerra tra piattaforme
Harvey ha raccolto 550 milioni di dollari con una valutazione di 15,5 miliardi, trasformando l'ultimo round di finanziamento di Harvey AI in una prova del valore a lungo termine dell'AI legale. L'azienda scommette sul fatto che gli studi legali vogliano più del semplice accesso a modelli linguistici capaci. Vogliono software che ricordi le pratiche istituzionali, coordini i flussi di lavoro legali e mantenga gli avvocati al controllo.
Questa scommessa affronta ora un mercato più difficile di quello incontrato da Harvey nella sua fase iniziale di crescita. Legora si sta espandendo con un consistente sostegno da parte del venture capital. Thomson Reuters sta ricostruendo CoCounsel attorno a flussi di lavoro agentici e alle proprie librerie di contenuti legali. Anche Google è entrata nel mercato con Gemini Enterprise for Legal.
La competizione non riguarda più se gli avvocati utilizzeranno l'AI generativa. Riguarda quale livello controllerà il loro lavoro. Harvey vuole che quel livello sia una piattaforma specializzata costruita attorno alla conoscenza di ciascuna organizzazione. I suoi rivali possono contrapporre contenuti proprietari, distribuzione esistente, modelli generalisti meno costosi o i propri sistemi di flusso di lavoro legale.
Il finanziamento di Harvey AI porta la valutazione a 15,5 miliardi di dollari
Il nuovo round offre a Harvey più capitale, ma aumenta anche le aspettative su ciò che l'azienda deve diventare.
Harvey ha annunciato il round il 9 settembre 2026. Diffusion e Lightspeed Venture Partners hanno co-guidato l'investimento. Sapphire Ventures e Whale Rock hanno partecipato come nuovi investitori.
Hanno partecipato anche gli investitori esistenti. Tra questi figuravano Sequoia, Kleiner Perkins, Andreessen Horowitz, Coatue, Conviction, GIC, Goldman Sachs Alternatives, Verified Capital, WNDR, Elad Gil ed Evantic.
Il finanziamento segue diverse mosse di prodotto che vanno oltre un assistente legale convenzionale. Harvey ha recentemente introdotto il suo primo modello open-weight sottoposto a post-training e Harvey LAB, un benchmark per valutare gli agenti legali.
Un modello sottoposto a post-training parte da un modello fondazionale esistente e riceve addestramento aggiuntivo per comportamenti specializzati. Un modello open-weight rende disponibili i propri parametri addestrati a condizioni specifiche, anche se ciò non rende automaticamente open source ogni componente.
Harvey afferma che il denaro sosterrà lo sviluppo del prodotto, il post-training dei modelli, le assunzioni e l'espansione internazionale. L'azienda intende inoltre servire organizzazioni di servizi professionali oltre i tradizionali studi legali.
La sua affermazione sull'adozione è già rilevante. Harvey sostiene che 80 degli studi Am Law 100 utilizzino la sua piattaforma. L'azienda riferisce inoltre di avere clienti tra cinque delle dieci maggiori aziende classificate da Fortune.
Queste cifre provengono da Harvey e non hanno ricevuto una verifica pubblica, cliente per cliente. Ciononostante, mostrano l'argomento commerciale a sostegno della valutazione. Harvey si presenta come un'infrastruttura utilizzata da grandi istituzioni, non come un chatbot sperimentale concesso in licenza a pochi team di innovazione.
La valutazione è salita rapidamente. Harvey ha annunciato un round da 200 milioni di dollari con una valutazione di 11 miliardi nel marzo 2026. Questo ha fatto seguito a una valutazione di 8 miliardi raggiunta solo pochi mesi prima.
Il finanziamento di marzo ha sostenuto oltre 25.000 agenti personalizzati in esecuzione per i clienti Harvey. Questi agenti sono flussi di lavoro software configurati che possono pianificare attività, chiamare strumenti, recuperare documenti e produrre risultati definiti.
Questa rapida sequenza di finanziamenti cambia la pressione su Harvey. Una startup più piccola può vincere ottenendo progetti pilota e dimostrando la domanda. Un'azienda valutata 15,5 miliardi di dollari deve mostrare un'adozione duratura, una tecnologia difendibile e un'espansione oltre un gruppo limitato di studi d'élite.
Harvey deve anche dimostrare che i clienti utilizzano il suo sistema in profondità. Firmare con uno studio è diverso dal diventare parte del suo lavoro legale quotidiano. Le domande più importanti riguardano l'uso ricorrente, la copertura delle pratiche, il comportamento di rinnovo e miglioramenti misurabili nella produzione legale.
Il round segna quindi due eventi contemporaneamente. Harvey ha ottenuto risorse per ampliare il proprio vantaggio, mentre gli investitori hanno fissato uno standard molto più elevato per dimostrare che tale vantaggio possa durare.
Perché gli investitori puntano sul contesto istituzionale
L'argomento centrale di Harvey è che le organizzazioni legali creano il proprio vantaggio attraverso il contesto, non tramite l'accesso esclusivo a un singolo modello fondazionale.
La maggior parte dei fornitori di AI per le imprese può collegarsi a modelli capaci di OpenAI, Anthropic, Google o sviluppatori open-weight. Il semplice accesso ai modelli diventa meno distintivo man mano che tali sistemi migliorano e le loro capacità convergono.
Harvey cerca di costruire una differenziazione al di sopra del livello dei modelli. Vuole combinare i documenti di uno studio, le pratiche approvate, la cronologia delle pratiche, gli standard di revisione e le preferenze di flusso di lavoro in un unico ambiente governato.
Lightspeed ha descritto questo concetto come un'intelligenza modellata dalla conoscenza e dal giudizio di un'organizzazione. La sua tesi di investimento sostiene che questo contesto accumulato diventi più utile e differenziato nel tempo.
Questa tesi spiega il linguaggio sui clienti che “possiedono” la propria intelligenza. Il prodotto non dovrebbe limitarsi a rispondere a domande legali isolate. È pensato per catturare il modo in cui un'organizzazione affronta il lavoro ricorrente.
Si consideri la revisione dei contratti. Un modello generalista può identificare clausole, riassumere il linguaggio e suggerire modifiche. Un sistema specifico per uno studio dovrebbe anche sapere quali deviazioni richiedono un'escalation, quali posizioni un cliente accetta e quale formulazione ha già superato una negoziazione.
Il contenzioso offre un altro esempio. Un agente utile necessita di più di una raccolta di sentenze. Deve comprendere il fascicolo della pratica, la strategia dello studio, le norme procedurali applicabili e le prove a sostegno di ciascuna affermazione.
Per i dipartimenti legali interni, il contesto può includere politiche di approvazione, tolleranze al rischio, precedenti contrattuali, obblighi normativi e relazioni con consulenti esterni. Questi dettagli determinano se un risultato è semplicemente plausibile oppure operativamente utile.
Il prodotto Shared Spaces di Harvey indica una collaborazione tra aziende e i loro studi legali. Entrambe le parti possono lavorare in un ambiente controllato anziché passarsi file e prompt scollegati tra sistemi diversi.
Questo modello crea un potenziale vantaggio di rete. Un dipartimento legale aziendale può standardizzare il modo in cui gli studi esterni presentano il lavoro. Uno studio legale può creare agenti riutilizzabili attorno ai requisiti ricorrenti dei clienti.
Cambia anche il ruolo della gestione della conoscenza. La conoscenza legale veniva spesso archiviata tra sistemi documentali, archivi email, cartelle delle pratiche, guide operative e memorie dei singoli avvocati. L'AI trasforma questa frammentazione in un vincolo diretto per il prodotto.
Le organizzazioni hanno comunque bisogno di controlli sulle autorizzazioni, gestione delle versioni e registri chiari delle fonti. Un sistema non può applicare in sicurezza la conoscenza istituzionale se recupera formulazioni obsolete o espone materiale oltre le barriere etiche.
Ecco perché l'adozione dell'AI non elimina il lavoro tradizionale sulla conoscenza. Rende più preziosa una conoscenza ben organizzata. I team che perseguono sistemi simili necessitano di una base di conoscenza AI governata, non semplicemente di una finestra di prompt più ampia.
Lightspeed ha offerto un segnale di attività più profonda sulla piattaforma. Ha affermato che il consumo mensile di token su Harvey è aumentato da un trilione di token a gennaio a 14,6 trilioni a giugno 2026.
Il consumo di token misura il testo elaborato e generato dai modelli AI. È un indicatore di attività, non una misura diretta di risultati legali utili.
L'aumento può riflettere una diffusione più ampia, flussi di lavoro più complessi o un'elaborazione inefficiente. Gli investitori lo considerano una prova che i clienti svolgono più lavoro sulla piattaforma. Gli acquirenti devono ancora collegare tale attività ad accuratezza, tempo risparmiato e decisioni migliori.
Questa distinzione è importante perché la valutazione di Harvey dipende da qualcosa di più della domanda di chatbot legali. Dipende dalla capacità dell'azienda di diventare un livello operativo persistente per il lavoro professionale.
L'AI legale specializzata affronta tre forti avversari
Il principale avversario di Harvey non è una sola startup. È l'argomento secondo cui le piattaforme legali specializzate perderanno valore con il miglioramento dei modelli e dei prodotti degli operatori storici.
Legora rappresenta il confronto più diretto tra startup. Offre ricerca legale, redazione, revisione documentale e flussi di lavoro collaborativi a studi legali e team aziendali.
Nel marzo 2026, Legora ha raccolto un round di pari dimensioni da 550 milioni di dollari con una valutazione di 5,55 miliardi di dollari. La sua espansione negli Stati Uniti includeva una crescita pianificata a New York, Denver, Houston e Chicago.
Legora ha dichiarato di servire 800 clienti in oltre 50 mercati quando ha annunciato quel finanziamento. Ha inoltre riferito di una forza lavoro cresciuta da 40 a 400 persone nell'anno precedente.
Il confronto mostra che gli investitori non vedono l'AI legale come un mercato in cui il vincitore è scontato. Stanno finanziando più aziende affinché integrino software negli stessi flussi di lavoro ad alto valore.
Harvey ha la valutazione dichiarata più alta e una penetrazione più ampia tra gli Am Law 100. Legora può competere tramite funzionalità collaborative, espansione internazionale e un lavoro di implementazione ravvicinato con i clienti.
Thomson Reuters rappresenta una minaccia diversa. Possiede già Westlaw, Practical Law e KeyCite, offrendo a CoCounsel accesso diretto a materiali legali autorevoli e relazioni di acquisto consolidate.
La prossima versione di CoCounsel utilizza Claude Agent SDK di Anthropic. Thomson Reuters afferma che il sistema può pianificare attività, selezionare strumenti, recuperare fonti legali e adattare il proprio approccio mentre un avvocato esamina il processo.
La sua architettura CoCounsel collega l'agente direttamente a Westlaw e Practical Law. Questa integrazione affronta una delle maggiori debolezze dell'AI generalista: il grounding incerto.
Il grounding consiste nel collegare un output AI a materiale sorgente identificabile. Nel lavoro legale, il grounding aiuta gli avvocati a verificare se una conclusione deriva da fonti aggiornate e pertinenti.
Thomson Reuters afferma che il proprio sistema attinge a 35 milioni di classificazioni West Key Number e 3,9 milioni di attributi Precision Research. Si tratta di cifre fornite dall'azienda, ma illustrano il vantaggio strutturale dell'operatore storico.
Harvey può integrare il contesto del cliente e più modelli. Thomson Reuters può integrare contenuti legali proprietari che molti studi considerano già essenziali. Nessuno dei due vantaggi prevale automaticamente sull'altro.
Google rappresenta la terza forma di pressione. Gemini Enterprise for Legal porta ricerca legale, controllo delle citazioni, lavoro sui contratti, monitoraggio normativo e scoperta dei dati in una strategia AI aziendale più ampia.
Microsoft esercita una pressione simile inserendo agenti legali nel software di produttività conosciuto dagli utenti. Queste aziende controllano già sistemi di identità, documenti, email, servizi cloud e relazioni di procurement aziendale.
La scelta risultante non è semplicemente Harvey contro Legora o CoCounsel. Gli acquirenti devono decidere se una piattaforma legale dedicata offra un valore aggiunto sufficiente rispetto alle funzionalità AI incluse nel software esistente.
La specializzazione offre vantaggi chiari. Le piattaforme legali possono progettare interfacce attorno a pratiche, citazioni, privilegio, confronto documentale, tracce di revisione e processi di approvazione specifici per lo studio.
Anche gli strumenti inclusi in bundle presentano vantaggi. Possono ridurre la frammentazione del software e raggiungere gli utenti nelle applicazioni che già aprono. I loro fornitori possono distribuire i costi di sviluppo su basi di clienti molto più ampie.
Questa è la vera conseguenza del round di finanziamento di Harvey. I concorrenti ora sanno che Harvey può investire in modo aggressivo in modelli, integrazioni, sicurezza, assunzioni e implementazione presso i clienti. Sanno anche che deve difendere una valutazione molto superiore a quella della maggior parte delle aziende di tecnologia legale.
La scommessa sulla piattaforma dipende da qualcosa di più di modelli migliori
Harvey può giustificare la propria posizione solo se l'apprendimento organizzativo diventa più difficile da sostituire del modello AI sottostante.
All'inizio, l'AI legale si concentrava sull'assistenza nei compiti. Gli utenti chiedevano ai sistemi di riassumere documenti, redigere clausole, estrarre termini, rispondere a quesiti di ricerca o confrontare versioni.
Questi compiti restano utili, ma sono sempre più disponibili presso molti fornitori. Il successivo livello competitivo riguarda agenti che eseguono flussi di lavoro in più fasi su documenti, strumenti e punti di controllo della revisione.
Un agente per la due diligence, ad esempio, potrebbe classificare documenti, estrarre disposizioni chiave, confrontare i risultati con le policy, segnalare eccezioni e produrre una nota di revisione. Gli avvocati verificherebbero poi le sue fonti e conclusioni.
Il valore non deriva dalla sola generazione di testo. Deriva dal coordinamento della sequenza, dal recupero del materiale corretto, dal mantenimento delle autorizzazioni e dalla documentazione di quanto accaduto.
Harvey sta investendo in team di ingegneria legale integrati per supportare questo processo. Questi team collaborano con i clienti per configurare e migliorare gli agenti in base alle loro pratiche effettive.
Questo modello di implementazione può rafforzare la fidelizzazione. Una volta che uno studio ha codificato i flussi di lavoro e formato gli avvocati attorno a essi, cambiare piattaforma diventa più difficile.
Tuttavia, un'implementazione ad alta intensità di servizi può anche limitare la scalabilità. Ogni organizzazione ha strutture dati, regole di revisione, terminologia e requisiti di sicurezza diversi. La configurazione ad alto contatto richiede persone, tempo e una partecipazione continuativa del cliente.
Il lavoro di Harvey sui pesi aperti aggiunge un altro elemento alla strategia. Un modello specializzato può offrire ai clienti un maggiore controllo sull'implementazione e sull'adattamento rispetto a un servizio esterno chiuso.
Tuttavia, la proprietà del modello non risolve la questione più ampia della piattaforma. Un modello legale necessita comunque di fonti affidabili, strumenti per i flussi di lavoro, sistemi di valutazione, controlli di accesso e revisione umana.
Harvey LAB affronta il problema della valutazione testando agenti legali. I benchmark possono rivelare se i sistemi seguono le istruzioni, utilizzano correttamente gli strumenti e completano compiti rappresentativi.
I benchmark pubblici hanno dei limiti. I fornitori possono ottimizzare i prodotti per test noti, mentre i casi reali contengono fatti incompleti e vincoli insoliti. Le prestazioni cambiano anche quando un agente incontra i documenti privati di un cliente.
La validazione più forte deriverà dall'uso ripetuto in attività con conseguenze rilevanti. I clienti devono riscontrare risultati accettabili tra avvocati, pratiche, giurisdizioni e aree di attività differenti.
Hanno inoltre bisogno di visibilità sugli errori. Una piattaforma dovrebbe registrare quali fonti ha utilizzato un agente, quali azioni ha intrapreso e dove l'approvazione umana ha modificato il risultato.
Ciò crea un ciclo di feedback. Gli avvocati possono correggere gli output, i team possono affinare i flussi di lavoro e gli amministratori possono identificare problemi ricorrenti. Il sistema diventa più utile quando questi miglioramenti persistono.
La tesi di Harvey sulla piattaforma riesce se questa configurazione accumulata appartiene in modo significativo al cliente. Gli acquirenti esamineranno attentamente portabilità, diritti sui dati, condizioni di addestramento dei modelli e cosa accade alla fine di un contratto.
Chiederanno anche se i loro flussi di lavoro proprietari creano un vantaggio duraturo o migliorano semplicemente il prodotto generale di Harvey. La risposta plasmerà la fiducia tra il fornitore e i suoi clienti più importanti.
Il finanziamento offre a Harvey le risorse per risolvere questi dettagli operativi. Non elimina la necessità di risolverli.
Una valutazione di 15,5 miliardi di dollari amplifica i rischi irrisolti dell'AI legale
Il rischio centrale non è che l'AI legale manchi di applicazioni utili. È che utilizzo, fiducia e valore economico restino misure diverse.
Il numero di clienti di Harvey e la penetrazione negli Am Law mostrano un forte interesse istituzionale. Non rivelano con quale costanza i singoli avvocati utilizzino la piattaforma o quali compiti arrivino in produzione.
I grandi studi spesso iniziano con progetti pilota controllati. Possono concedere in licenza il software su larga scala limitando al contempo i casi d'uso sensibili fino al completamento delle revisioni su sicurezza, accuratezza e responsabilità professionale.
L'attività quotidiana conta perché il software crea valore limitato quando viene utilizzato solo dai team di innovazione. I rinnovi dipendono dal fatto che gli avvocati lo integrino nel lavoro fatturabile, nel servizio ai clienti e nelle operazioni interne.
La questione economica è altrettanto importante. L'AI può ridurre il tempo necessario per la revisione dei documenti, la redazione e la ricerca. L'economia tradizionale degli studi legali spesso remunera le ore lavorate anziché le ore evitate.
Alcuni studi possono rispondere con tariffe fisse, abbonamenti o accordi basati sui risultati. Altri possono considerare l'efficienza dell'AI come un vantaggio sui margini interni. I clienti potrebbero pretendere che i risparmi riducano le loro fatture.
Gli effetti sulla forza lavoro sono complessi. Tradizionalmente, gli avvocati junior imparano attraverso attività ripetute di ricerca, redazione e revisione documentale. Questi sono tra i primi compiti assegnati all'AI legale.
Eliminare il lavoro ripetitivo può migliorare i posti di lavoro. Eliminare la pratica che sviluppa il giudizio può indebolire lo sviluppo professionale. Gli studi hanno bisogno di nuovi metodi di formazione se gli agenti svolgono più incarichi di livello iniziale.
L'accuratezza resta la preoccupazione operativa più immediata. I modelli linguistici possono produrre precedenti inesistenti, citazioni inesatte o conclusioni sicure ma non supportate dagli atti.
Il General Counsel di Google Halimah DeLaine Prado ha descritto l'AI come complemento agli avvocati, non come loro sostituto. I suoi commenti sul giudizio umano delineano il confine che ogni fornitore di AI legale deve rispettare.
Un sistema credibile può ridurre i tassi di errore senza eliminare la responsabilità. Gli avvocati devono comunque verificare le fonti giuridiche, rivedere i fatti, mettere in discussione le ipotesi e approvare il lavoro finale.
La riservatezza aggiunge un ulteriore livello. Le questioni legali contengono comunicazioni privilegiate, segreti commerciali, informazioni personali e strategie processuali. Un errore nel controllo degli accessi può essere più dannoso di una bozza mediocre.
I fornitori sottolineano quindi l'isolamento dei dati, i controlli sulla conservazione, i registri di audit e la supervisione amministrativa. I clienti devono verificare come tali controlli operino tra integrazioni, agenti e fornitori di modelli.
Le barriere etiche sono particolarmente importanti nei grandi studi. Un sistema deve impedire agli avvocati che lavorano per un cliente di recuperare informazioni riservate collegate a un altro cliente.
Harvey e i suoi concorrenti affermano di progettare per questi requisiti. Le dichiarazioni pubbliche non dovrebbero sostituire la revisione della sicurezza da parte del cliente, le protezioni contrattuali e i test indipendenti.
Anche il rischio legato alla valutazione merita attenzione. Il valore riportato di Harvey è salito da 8 miliardi a 11 miliardi e poi a 15,5 miliardi di dollari nell'arco di nove mesi.
Questa traiettoria presuppone una crescita continua e margini durevoli. Presuppone inoltre che i fornitori di modelli fondamentali non catturino essi stessi la maggior parte del valore.
Se l'AI aziendale generalista gestirà il lavoro legale in modo affidabile, i clienti potrebbero opporsi a pagare per un'altra piattaforma. Se gli operatori storici raggrupperanno agenti capaci con contenuti affidabili, i fornitori specializzati potrebbero subire una maggiore pressione su prezzi e rinnovi.
Harvey può rispondere a questa minaccia controllando l'orchestrazione, il contesto istituzionale e la relazione con il cliente. Deve dimostrare che queste risorse restano preziose quando i modelli sottostanti cambiano.
La valutazione è quindi una scommessa sulla difendibilità. L'adozione ha avviato la storia, ma saranno fidelizzazione, profondità dei flussi di lavoro e conoscenza controllata dal cliente a deciderla.
Cosa devono fare ora i rivali di Harvey nell'AI legale
Il round costringe ogni fornitore di AI legale a chiarire se il proprio vantaggio deriva dai contenuti, dalla proprietà dei flussi di lavoro, dal contesto organizzativo o dalla distribuzione.
Legora probabilmente continuerà a fare pressione su Harvey nei grandi studi e nei mercati internazionali. Il suo stesso finanziamento le offre le risorse per assumere team di implementazione, ampliare le integrazioni e competere per grandi account.
Il primo segnale da osservare è la sostituzione competitiva. Gli annunci di nuovi clienti contano meno degli studi che sostituiscono una piattaforma di produzione con un'altra.
Un passaggio documentato rivelerebbe quali capacità gli acquirenti apprezzano dopo un uso prolungato. Esporrebbe inoltre debolezze relative ad adozione, qualità del servizio, copertura dei flussi di lavoro o governance dei dati.
Se Harvey mantiene i grandi clienti ampliando al contempo le loro implementazioni di agenti, la sua tesi sulla piattaforma si rafforza. Se i clienti utilizzano indefinitamente diversi strumenti sovrapposti, il mercato potrebbe restare frammentato.
Il secondo segnale è la profondità verificata dei flussi di lavoro. Harvey aveva precedentemente dichiarato che i clienti gestivano oltre 25.000 agenti personalizzati. Le future comunicazioni dovrebbero spiegare con quale frequenza tali agenti operano e quali compiti arrivano in produzione.
Indicatori utili includono avvocati attivi mensili, esecuzioni ripetute degli agenti, pratiche supportate, riduzioni di tempo verificate ed espansione dei rinnovi. Il solo volume di token non può dimostrare il valore aziendale.
Le prove indipendenti dei clienti avrebbero un peso particolare. Gli studi legali possono comunicare in che modo l'AI incida sui tempi di risposta, sulla qualità della revisione, sugli accordi tariffari, sul personale e sulla soddisfazione dei clienti senza esporre questioni riservate.
Il terzo segnale è la risposta degli operatori storici. Thomson Reuters può combinare CoCounsel con Westlaw e Practical Law. Google e Microsoft possono collegare agenti legali a documenti aziendali e strumenti di produttività.
Se questi fornitori offrono flussi di lavoro affidabili end-to-end, Harvey deve dimostrare perché il suo livello di contesto meriti uno status strategico separato. L'ampiezza delle integrazioni non sarà sufficiente da sola.
Il recente lavoro di Harvey sui modelli e sui benchmark suggerisce che l'azienda comprenda questa sfida. Si sta muovendo verso un maggiore controllo del comportamento e della valutazione dei modelli, invece di affidarsi esclusivamente a sistemi di terze parti.
I clienti dovrebbero comunque testare il confine pratico tra indipendenza dalla piattaforma e dipendenza dal modello. Devono sapere quali funzioni cambiano quando Harvey cambia modello o un fornitore modifica le condizioni di accesso.
Dovrebbero inoltre testare se le configurazioni istituzionali restano portabili. Uno studio che trascorre mesi a costruire agenti ha bisogno di un modo per conservare istruzioni, valutazioni, autorizzazioni e logica dei flussi di lavoro.
Il finanziamento rafforza la capacità di Harvey di investire prima dei ricavi e supportare implementazioni complesse. Offre inoltre ai rivali un obiettivo chiaro.
Per gli studi legali, la decisione non dovrebbe iniziare dalla valutazione o dall'attenzione del mercato. Dovrebbe iniziare da un flusso di lavoro legale definito, uno standard di prova accettato e un processo misurabile di revisione umana.
Una valutazione utile confronta gli output con quelli di avvocati esperti, non con risposte generiche di chatbot. Tiene inoltre traccia di correzioni, qualità delle fonti, adozione e sforzo complessivo di implementazione.
Anche i knowledge worker al di fuori del settore legale dovrebbero seguire la stessa competizione. Contabilità, consulenza, compliance e servizi finanziari condividono molti dei requisiti dell'AI legale.
Ogni settore si basa su documenti privati, giudizio professionale, processi ripetibili e conclusioni difendibili. Una piattaforma legale di successo potrebbe fornire un modello per l'AI aziendale specializzata in altri ambiti.
Il finanziamento di Harvey AI ha dato all'azienda tempo e capacità per perseguire questo ruolo più ampio. Non ha però risolto la questione se le piattaforme specializzate controlleranno l'intelligenza professionale.
Il prossimo passo spetta tanto agli acquirenti quanto ai fornitori. Quali flussi di lavoro sono abbastanza importanti da codificare e quali prove giustificherebbero l'affidamento a un agente? I team in grado di rispondere a queste domande impareranno più dalla corsa all'AI legale di quelli che scelgono il software basandosi solo sulla valutazione.
