법률 AI가 플랫폼 전쟁으로 번지며 Harvey AI 투자금 5억 5,000만 달러 유치

Harvey는 기업가치 155억 달러에 5억 5,000만 달러를 유치하며, 이번 Harvey AI 투자 라운드를 법률 AI의 장기적 가치를 가늠하는 시험대로 만들었다. 이 회사는 법률사무소가 뛰어난 언어 모델에 대한 접근권 이상을 원한다고 보고 있다. 이들은 기관의 업무 관행을 기억하고, 법률 워크플로를 조율하며, 변호사가 통제권을 유지하게 하는 소프트웨어를 원한다.

이러한 베팅은 Harvey가 초기 성장기에 맞닥뜨렸던 것보다 더 어려운 시장을 마주하고 있다. Legora는 상당한 벤처 투자를 바탕으로 사업을 확장하고 있다. Thomson Reuters는 에이전트형 워크플로와 자사의 법률 콘텐츠 라이브러리를 중심으로 CoCounsel을 재구축하고 있다. Google 역시 Gemini Enterprise for Legal로 시장에 진입했다.

경쟁의 초점은 더 이상 변호사들이 생성형 AI를 사용할지 여부가 아니다. 어느 계층이 이들의 업무를 통제할 것인지가 핵심이다. Harvey는 그 계층이 각 조직의 지식을 중심으로 구축된 전문 플랫폼이어야 한다고 본다. 경쟁사들은 독점 콘텐츠, 기존 유통망, 더 저렴한 범용 모델 또는 자체 법률 워크플로 시스템으로 맞설 수 있다.

Harvey AI 투자로 기업가치 155억 달러 달성

이번 투자 라운드는 Harvey에 더 많은 자본을 제공하지만, 동시에 회사가 어떤 기업으로 성장해야 하는지에 대한 기대치도 높인다.

Harvey는 2026년 9월 9일 이번 투자 라운드를 발표했다. Diffusion과 Lightspeed Venture Partners가 공동으로 투자를 주도했다. Sapphire Ventures와 Whale Rock은 신규 투자자로 참여했다.

기존 투자자들도 참여했다. 여기에는 Sequoia, Kleiner Perkins, Andreessen Horowitz, Coatue, Conviction, GIC, Goldman Sachs Alternatives, Verified Capital, WNDR, Elad Gil, Evantic이 포함됐다.

이번 자금 조달은 기존의 법률 보조 도구를 넘어서는 여러 제품 행보에 뒤따른 것이다. Harvey는 최근 첫 번째 사후 학습 오픈웨이트 모델과 법률 에이전트 평가 벤치마크인 Harvey LAB를 공개했다.

사후 학습 모델은 기존 파운데이션 모델을 기반으로 하며, 전문화된 행동을 위해 추가 학습을 거친다. 오픈웨이트 모델은 특정 조건 아래 학습된 파라미터를 제공하지만, 그렇다고 모든 구성 요소가 자동으로 오픈소스가 되는 것은 아니다.

Harvey는 이 자금을 제품 개발, 모델 사후 학습, 인재 채용, 국제 확장에 투입할 것이라고 밝혔다. 또한 전통적인 법률사무소를 넘어 전문 서비스 조직까지 고객 기반을 확대하려 한다.

이미 도입 규모에 대한 주장은 상당하다. Harvey는 Am Law 100 로펌 중 80곳이 자사 플랫폼을 사용한다고 밝혔다. 또한 Fortune 순위 상위 10대 기업 중 5곳에도 고객사가 있다고 보고했다.

이 수치는 Harvey가 제시한 것이며, 고객별 공개 감사를 거치지는 않았다. 그럼에도 이 수치는 해당 기업가치를 뒷받침하는 상업적 논리를 보여준다. Harvey는 소수의 혁신 팀에 라이선스된 실험적 챗봇이 아니라 주요 기관이 사용하는 인프라로 자신을 제시하고 있다.

기업가치는 빠르게 상승했다. Harvey는 2026년 3월 기업가치 110억 달러에 2억 달러 규모의 투자 라운드를 발표했다. 이는 불과 몇 달 전 달성한 80억 달러 기업가치에 이은 것이다.

3월 자금 조달은 Harvey 고객을 위해 운영되는 2만 5,000개 이상의 맞춤형 에이전트를 지원했다. 이 에이전트들은 작업을 계획하고, 도구를 호출하고, 문서를 검색하며, 정의된 결과물을 생성할 수 있도록 구성된 소프트웨어 워크플로다.

이처럼 빠른 자금 조달 흐름은 Harvey에 대한 압박을 바꾼다. 소규모 스타트업은 파일럿 계약을 확보하고 수요를 입증하는 것만으로도 성과를 낼 수 있다. 그러나 155억 달러 가치를 인정받은 기업은 지속적인 도입, 방어 가능한 기술, 그리고 제한된 엘리트 로펌 집단을 넘어선 확장성을 보여야 한다.

Harvey는 고객들이 자사 시스템을 깊이 활용하고 있음을 입증해야 한다. 로펌과 계약을 체결하는 것과 그 로펌의 일상적인 법률 업무 일부가 되는 것은 다르다. 가장 중요한 질문은 반복 사용, 사건 업무 적용 범위, 갱신 행태, 법률 업무 결과물의 측정 가능한 개선에 관한 것이다.

따라서 이번 라운드는 동시에 두 가지 사건을 의미한다. Harvey는 선도 지위를 넓힐 자원을 얻었고, 투자자들은 그 우위가 지속될 수 있음을 증명하는 기준을 훨씬 높였다.

투자자들이 기관 맥락에 투자하는 이유

Harvey의 핵심 주장은 법률 조직이 특정 파운데이션 모델에 대한 독점적 접근이 아니라 맥락을 통해 경쟁 우위를 만든다는 것이다.

대부분의 엔터프라이즈 AI 공급업체는 OpenAI, Anthropic, Google 또는 오픈웨이트 개발사가 제공하는 뛰어난 모델에 연결할 수 있다. 이러한 시스템이 개선되고 역량이 수렴하면서 모델 접근성 자체는 차별화 요소가 약해진다.

Harvey는 모델 계층 위에서 차별화를 구축하려 하고 있다. 하나의 거버넌스 환경 안에 로펌의 문서, 승인된 업무 관행, 사건 이력, 검토 기준, 워크플로 선호도를 결합하려는 것이다.

Lightspeed는 이를 조직의 지식과 판단으로 형성된 인텔리전스라고 설명했다. 자사의 투자 논리는 이렇게 축적된 맥락이 시간이 지날수록 더 유용하고 차별화된다고 주장한다.

이 논지는 고객이 자신의 인텔리전스를 “소유”한다는 표현을 설명한다. 이 제품은 단지 개별 법률 질문에 답하는 데 그쳐서는 안 된다. 조직이 반복 업무에 접근하는 방식을 포착하는 것이 목적이다.

계약 검토를 생각해 보자. 범용 모델은 조항을 식별하고, 문구를 요약하며, 수정안을 제안할 수 있다. 로펌 맞춤형 시스템이라면 어떤 예외 조항이 상향 보고를 요구하는지, 고객이 어떤 입장을 수용하는지, 어떤 문구가 과거 협상에서 통과했는지도 알아야 한다.

소송 업무도 또 다른 사례다. 유용한 에이전트는 판례 모음 이상의 것을 필요로 한다. 해당 사건 기록, 로펌의 전략, 적용 가능한 절차 규칙, 각 주장에 근거를 제공하는 증거를 이해해야 한다.

사내 법무 부서의 경우 맥락에는 승인 정책, 위험 허용 수준, 계약 선례, 규제 의무, 외부 법률 자문과의 관계가 포함될 수 있다. 이러한 세부 사항은 결과물이 단지 그럴듯한지, 아니면 실무적으로 유용한지를 결정한다.

Harvey의 Shared Spaces 제품은 기업과 해당 기업의 법률사무소 간 협업을 지향한다. 양측은 서로 분리된 파일과 프롬프트를 시스템 간에 주고받는 대신 통제된 환경 안에서 함께 작업할 수 있다.

이 모델은 잠재적인 네트워크 이점을 만든다. 기업 법무 부서는 외부 로펌이 업무를 제출하는 방식을 표준화할 수 있다. 로펌은 반복되는 고객 요구사항을 중심으로 재사용 가능한 에이전트를 구축할 수 있다.

이는 지식 관리의 역할도 바꾼다. 법률 지식은 흔히 문서 시스템, 이메일 아카이브, 사건 폴더, 업무 가이드, 개별 변호사의 기억에 분산되어 저장됐다. AI는 이러한 분산을 직접적인 제품 제약으로 만든다.

조직에는 여전히 권한 제어, 버전 관리, 명확한 출처 기록이 필요하다. 시스템이 오래된 문구를 검색하거나 윤리적 차단벽을 넘어 자료를 노출한다면 기관 지식을 안전하게 적용할 수 없다.

이 때문에 AI 도입이 기존의 지식 업무를 없애는 것은 아니다. 오히려 잘 정리된 지식의 가치를 높인다. 유사한 시스템을 추진하는 팀에는 단순히 더 큰 프롬프트 창이 아니라 거버넌스가 적용된 AI 지식 베이스가 필요하다.

Lightspeed는 더 깊은 플랫폼 활동의 한 지표를 제시했다. Harvey의 월간 토큰 소비량이 2026년 1월 1조 토큰에서 6월 14조 6,000억 토큰으로 증가했다고 밝혔다.

토큰 소비량은 AI 모델이 처리하고 생성한 텍스트를 측정한다. 이는 활동 지표일 뿐, 유용한 법률 업무 결과를 직접 측정하는 지표는 아니다.

이 증가는 더 폭넓은 도입, 더 복잡한 워크플로 또는 비효율적인 처리 방식을 반영할 수 있다. 투자자들은 이를 고객이 플랫폼에서 더 많은 업무를 수행한다는 증거로 본다. 구매자는 여전히 이 활동을 정확성, 절감된 시간, 더 나은 의사결정과 연결해야 한다.

이러한 구분은 Harvey의 기업가치가 법률 챗봇 수요 이상의 것에 달려 있기 때문에 중요하다. 이는 회사가 전문 업무를 위한 지속적인 운영 계층이 되는 데 달려 있다.

전문 법률 AI가 마주한 세 강력한 경쟁자

Harvey의 주요 경쟁자는 하나의 스타트업이 아니다. 모델과 기존 사업자의 제품이 개선될수록 전문 법률 플랫폼의 가치가 약화될 수 있다는 논리 자체다.

Legora는 가장 직접적인 스타트업 비교 대상이다. 이 회사는 법률 연구, 초안 작성, 문서 검토, 협업 워크플로를 로펌과 기업 팀에 제공한다.

2026년 3월 Legora는 기업가치 55억 5,000만 달러에 동일한 규모인 5억 5,000만 달러 투자 라운드를 유치했다. 미국 확장 계획에는 뉴욕, 덴버, 휴스턴, 시카고에서의 성장 계획이 포함됐다.

Legora는 해당 자금 조달을 발표했을 당시 50개 이상의 시장에서 800개 고객사를 확보했다고 밝혔다. 또한 전년 동안 인력이 40명에서 400명으로 확대됐다고 보고했다.

이 비교는 투자자들이 법률 AI를 승자 독식이 당연한 시장으로 보지 않는다는 점을 보여준다. 이들은 동일한 고부가가치 워크플로에 소프트웨어를 내재화하기 위해 여러 기업에 투자하고 있다.

Harvey는 더 높은 것으로 보고된 기업가치와 Am Law 100 내 더 넓은 침투율을 보유한다. Legora는 협업 기능, 국제 확장, 고객과의 긴밀한 도입 작업을 통해 경쟁할 수 있다.

Thomson Reuters는 다른 유형의 위협을 제시한다. 이 회사는 이미 Westlaw, Practical Law, KeyCite를 보유하고 있어 CoCounsel에 권위 있는 법률 자료와 확립된 구매 관계에 대한 직접적인 접근을 제공한다.

CoCounsel의 다음 버전은 Anthropic의 Claude Agent SDK를 사용한다. Thomson Reuters는 이 시스템이 변호사가 과정을 검토하는 동안 작업을 계획하고, 도구를 선택하고, 법률 출처를 검색하며, 접근 방식을 조정할 수 있다고 밝혔다.

자사의 CoCounsel 아키텍처는 에이전트를 Westlaw 및 Practical Law와 직접 연결한다. 이 통합은 범용 AI의 가장 큰 약점 중 하나인 불확실한 근거 제시 문제를 다룬다.

근거 제시란 AI 결과물을 식별 가능한 출처 자료에 연결하는 것을 의미한다. 법률 업무에서 근거 제시는 변호사가 결론이 최신이면서 관련성 있는 권위 자료에 근거하는지 검증하는 데 도움이 된다.

Thomson Reuters는 자사 시스템이 3,500만 개의 West Key Number 분류와 390만 개의 Precision Research 속성을 활용한다고 밝혔다. 이는 회사가 제공한 수치지만, 기존 사업자가 보유한 구조적 이점을 보여준다.

Harvey는 고객 맥락과 여러 모델을 통합할 수 있다. Thomson Reuters는 많은 로펌이 이미 필수적이라고 여기는 독점 법률 콘텐츠를 통합할 수 있다. 어느 쪽의 이점도 자동으로 상대방을 압도하지는 않는다.

Google은 세 번째 형태의 압박을 보여준다. Gemini Enterprise for Legal은 법률 연구, 인용 확인, 계약 업무, 규제 모니터링, 데이터 검색을 더 광범위한 엔터프라이즈 AI 전략에 포함한다.

Microsoft도 익숙한 생산성 소프트웨어 안에 법률 에이전트를 배치하며 유사한 압박을 가하고 있다. 이들 기업은 이미 ID 시스템, 문서, 이메일, 클라우드 서비스, 엔터프라이즈 조달 관계를 통제하고 있다.

결국 선택지는 단순히 Harvey와 Legora 또는 CoCounsel 사이의 경쟁이 아니다. 구매자는 전용 법률 플랫폼이 기존 소프트웨어에 번들로 포함된 AI 기능보다 충분한 추가 가치를 제공하는지 판단해야 한다.

전문화에는 분명한 이점이 있다. 법률 플랫폼은 사건, 인용, 특권, 문서 비교, 검토 이력, 로펌별 승인 절차를 중심으로 인터페이스를 설계할 수 있다.

번들형 도구에도 장점이 있다. 소프트웨어 분산을 줄이고 사용자가 이미 열어 두는 애플리케이션 안에서 기능을 제공할 수 있다. 제공업체는 훨씬 더 큰 고객 기반에 개발 비용을 분산할 수 있다.

이것이 Harvey의 투자 유치가 낳은 실질적 결과다. 경쟁사들은 이제 Harvey가 모델, 통합, 보안, 채용, 고객 배포에 공격적으로 투자할 수 있다는 점을 안다. 또한 대부분의 법률 기술 기업보다 훨씬 높은 기업가치를 방어해야 한다는 사실도 알고 있다.

플랫폼 전략은 더 나은 모델만으로 성립하지 않는다

조직의 학습이 기반 AI 모델보다 대체하기 어려워질 때에만 Harvey는 자신의 입지를 정당화할 수 있다.

법률 AI는 처음에는 업무 보조에 집중했다. 사용자는 시스템에 문서 요약, 조항 초안 작성, 조건 추출, 리서치 질문 응답, 버전 비교 등을 요청했다.

이러한 업무는 여전히 유용하지만, 점점 더 많은 제공업체에서 이용할 수 있게 되고 있다. 다음 경쟁 단계는 문서, 도구, 검토 체크포인트 전반에 걸쳐 여러 단계의 워크플로를 실행하는 에이전트를 중심으로 전개된다.

예를 들어 실사 에이전트는 문서를 분류하고, 핵심 조항을 추출하며, 발견 사항을 정책과 비교하고, 예외를 표시한 뒤 검토 메모를 작성할 수 있다. 이후 변호사는 해당 출처와 결론을 검증한다.

가치는 단순한 텍스트 생성에서 나오지 않는다. 작업 순서를 조율하고, 적절한 자료를 검색하며, 권한을 유지하고, 어떤 일이 일어났는지 기록하는 데서 나온다.

Harvey는 이 과정을 지원하기 위해 고객사에 내재된 법률 엔지니어링 팀에 투자하고 있다. 이 팀들은 고객과 협력해 실제 업무 관행에 맞춰 에이전트를 구성하고 개선한다.

이러한 구현 모델은 고객 유지율을 높일 수 있다. 로펌이 워크플로를 체계화하고 변호사들이 이를 중심으로 교육받으면, 플랫폼을 바꾸기가 더 어려워진다.

다만 서비스 비중이 높은 배포는 확장성을 제약할 수도 있다. 조직마다 데이터 구조, 검토 규칙, 용어, 보안 요구사항이 다르다. 밀착형 구성에는 인력, 시간, 그리고 지속적인 고객 참여가 필요하다.

Harvey의 오픈웨이트 작업은 전략에 또 다른 요소를 더한다. 특화 모델은 폐쇄형 외부 서비스보다 고객에게 배포와 적응에 대한 더 많은 통제권을 제공할 수 있다.

그러나 모델 소유만으로 더 넓은 플랫폼 문제를 해결할 수는 없다. 법률 모델에는 여전히 신뢰할 수 있는 출처, 워크플로 도구, 평가 시스템, 접근 통제, 그리고 사람의 검토가 필요하다.

Harvey LAB은 법률 에이전트를 테스트함으로써 평가 문제를 다룬다. 벤치마크는 시스템이 지시를 따르는지, 도구를 올바르게 사용하는지, 대표적인 업무를 완료하는지를 보여줄 수 있다.

공개 벤치마크에는 한계가 있다. 공급업체는 알려진 테스트에 맞춰 제품을 최적화할 수 있지만, 실제 사건에는 불완전한 사실관계와 이례적인 제약이 포함된다. 에이전트가 고객의 비공개 문서를 접할 때 성능도 달라진다.

가장 강력한 검증은 중요한 업무에서의 반복 사용에서 나올 것이다. 고객은 다양한 변호사, 사건, 관할권, 업무 분야 전반에서 수용 가능한 결과물을 확인해야 한다.

실패에 대한 가시성도 필요하다. 플랫폼은 에이전트가 어떤 출처를 사용했는지, 어떤 조치를 취했는지, 사람의 승인이 어디에서 결과를 바꿨는지를 기록해야 한다.

이로써 피드백 루프가 만들어진다. 변호사는 결과물을 수정할 수 있고, 팀은 워크플로를 다듬을 수 있으며, 관리자는 반복되는 문제를 식별할 수 있다. 이러한 개선이 지속될 때 시스템은 더 유용해진다.

Harvey의 플랫폼 논지는 이렇게 축적된 구성이 실질적으로 고객에게 귀속될 때 성공한다. 구매자들은 이식성, 데이터 권리, 모델 학습 조건, 계약 종료 시 발생하는 상황을 면밀히 검토할 것이다.

또한 독점적 워크플로가 지속적인 우위를 만드는지, 아니면 Harvey의 일반 제품만 개선하는지도 물을 것이다. 그 답은 공급업체와 최대 고객 간의 신뢰를 좌우할 것이다.

이번 투자 유치는 Harvey에 이러한 운영 세부사항을 해결할 자원을 제공한다. 그렇다고 이를 해결해야 할 필요가 사라지는 것은 아니다.

155억 달러 기업가치는 법률 AI의 미해결 위험을 확대한다

핵심 위험은 법률 AI에 유용한 적용 사례가 없다는 데 있지 않다. 사용량, 신뢰, 경제적 가치는 서로 다른 척도라는 점에 있다.

Harvey의 고객 수와 Am Law 침투율은 강한 기관 수요를 보여준다. 하지만 개별 변호사가 플랫폼을 얼마나 일관되게 사용하는지, 어떤 업무가 실제 운영 단계에 이르는지는 드러내지 않는다.

대형 로펌은 종종 통제된 파일럿으로 시작한다. 보안, 정확성, 직업적 책임에 대한 검토가 완료될 때까지 민감한 활용 사례를 제한하면서 소프트웨어를 폭넓게 라이선스할 수 있다.

일상적인 활동은 중요하다. 혁신 팀만 소프트웨어를 사용할 경우 소프트웨어가 만드는 가치는 제한적이기 때문이다. 갱신 여부는 변호사들이 이를 청구 가능 업무, 고객 서비스, 내부 운영에 통합하는지에 달려 있다.

경제성 문제도 마찬가지로 중요하다. AI는 문서 검토, 초안 작성, 리서치에 필요한 시간을 줄일 수 있다. 전통적인 로펌 경제 구조는 종종 줄어든 시간이 아니라 투입 시간을 보상한다.

일부 로펌은 정액 수수료, 구독, 성과 기반 계약으로 대응할 수 있다. 다른 로펌은 AI 효율성을 내부 마진 개선으로 볼 수 있다. 고객은 이러한 절감분이 청구 금액 감소로 이어지도록 요구할 수 있다.

인력에 미치는 영향은 복잡하다. 주니어 변호사는 전통적으로 반복적인 리서치, 초안 작성, 문서 검토를 통해 배운다. 이들은 법률 AI에 가장 먼저 맡겨지는 업무들에 속한다.

반복 업무를 없애는 것은 직무를 개선할 수 있다. 그러나 판단력을 쌓는 훈련을 없애면 전문성 개발이 약화될 수 있다. 에이전트가 더 많은 초급 업무를 수행한다면 로펌에는 새로운 교육 방식이 필요하다.

정확성은 여전히 즉각적인 운영상의 우려다. 언어 모델은 존재하지 않는 판례, 부정확한 인용, 또는 기록으로 뒷받침되지 않는 확신에 찬 결론을 만들어낼 수 있다.

Google General Counsel Halimah DeLaine Prado는 AI를 변호사의 대체재가 아니라 보완재라고 설명했다. 인간의 판단에 관한 그의 발언은 모든 법률 AI 공급업체가 존중해야 할 경계를 보여준다.

신뢰할 수 있는 시스템은 책임을 없애지 않으면서 오류율을 낮출 수 있다. 변호사는 여전히 법적 근거를 확인하고, 사실관계를 검토하며, 가정에 이의를 제기하고, 최종 업무를 승인해야 한다.

기밀성은 또 다른 층위를 더한다. 법률 사안에는 특권이 보호되는 커뮤니케이션, 영업비밀, 개인정보, 소송 전략이 포함된다. 접근 통제의 실수는 부실한 초안보다 더 큰 피해를 줄 수 있다.

따라서 공급업체들은 데이터 격리, 보존 통제, 감사 로그, 관리 감독을 강조한다. 고객은 이러한 통제가 통합, 에이전트, 모델 제공업체 전반에서 어떻게 작동하는지 검증해야 한다.

대형 로펌에서는 윤리 장벽이 특히 중요하다. 시스템은 한 고객을 위해 일하는 변호사가 다른 고객과 연결된 제한 정보를 검색하지 못하도록 막아야 한다.

Harvey와 경쟁사들은 이러한 요구사항을 염두에 두고 설계한다고 말한다. 공개적인 주장이 고객의 보안 검토, 계약상 보호 장치, 독립적인 테스트를 대체해서는 안 된다.

기업가치 위험도 주목할 필요가 있다. Harvey의 보도된 가치는 9개월 사이 80억 달러에서 110억 달러를 거쳐 155억 달러로 증가했다.

이러한 궤적은 지속적인 성장과 견고한 마진을 전제로 한다. 또한 기반 모델 제공업체가 대부분의 가치를 직접 확보하지 않을 것이라는 가정도 담고 있다.

범용 엔터프라이즈 AI가 법률 업무를 신뢰성 있게 처리한다면 고객은 또 다른 플랫폼에 비용을 지불하는 데 저항할 수 있다. 기존 업체가 신뢰받는 콘텐츠와 함께 유능한 에이전트를 번들로 제공한다면, 특화 공급업체는 더 강한 가격 및 갱신 압력에 직면할 수 있다.

Harvey는 오케스트레이션, 기관 맥락, 고객 관계를 소유함으로써 이 위협에 대응할 수 있다. 기반 모델이 바뀌어도 이러한 자산이 가치 있음을 보여야 한다.

따라서 이 기업가치는 방어 가능성에 대한 베팅이다. 도입이 이야기의 시작이었다면, 유지율, 워크플로의 깊이, 고객이 통제하는 지식이 그 결말을 결정할 것이다.

Harvey의 법률 AI 경쟁사들이 지금 해야 할 일

이번 투자 라운드는 모든 법률 AI 제공업체가 자신들의 우위가 콘텐츠, 워크플로 소유권, 조직적 맥락, 유통 중 어디에서 비롯되는지 명확히 하도록 만든다.

Legora는 대형 로펌과 국제 시장에서 Harvey를 계속 압박할 가능성이 높다. 자체 투자 유치를 통해 구현 팀을 채용하고, 통합을 확대하며, 주요 고객을 두고 경쟁할 자원을 확보했다.

주목할 첫 번째 신호는 경쟁적 대체다. 신규 고객 발표보다 한 로펌이 실제 운영 플랫폼을 다른 플랫폼으로 교체하는 일이 더 중요하다.

문서화된 전환은 구매자가 장기간 사용 후 어떤 기능을 중시하는지 보여줄 것이다. 또한 도입, 서비스 품질, 워크플로 범위, 데이터 거버넌스와 관련한 약점도 드러낼 것이다.

Harvey가 대형 고객을 유지하면서 이들의 에이전트 배포를 확대한다면 플랫폼 논지는 더 강해진다. 고객이 여러 개의 중복 도구를 무기한 운영한다면, 시장은 여전히 분절된 상태일 수 있다.

두 번째 신호는 검증된 워크플로의 깊이다. Harvey는 이전에 고객들이 2만 5,000개 이상의 맞춤형 에이전트를 운영한다고 밝혔다. 향후 공개 내용은 이 에이전트들이 얼마나 자주 실행되는지, 어떤 업무가 실제 운영에 도달하는지를 설명해야 한다.

유용한 지표에는 월간 활성 변호사 수, 반복적인 에이전트 실행, 지원된 사건 수, 검증된 시간 절감, 갱신 확대가 포함된다. 토큰 사용량만으로는 비즈니스 가치를 입증할 수 없다.

독립적인 고객 증거는 특히 큰 무게를 가질 것이다. 로펌은 기밀 사안을 노출하지 않고도 AI가 처리 시간, 검토 품질, 수임료 구조, 인력 배치, 고객 만족도에 미치는 영향을 공개할 수 있다.

세 번째 신호는 기존 업체의 대응이다. Thomson Reuters는 CoCounsel을 Westlaw 및 Practical Law와 결합할 수 있다. Google과 Microsoft는 법률 에이전트를 기업 문서 및 생산성 도구에 연결할 수 있다.

이들 제공업체가 신뢰할 수 있는 엔드투엔드 워크플로를 제공한다면, Harvey는 왜 자사의 맥락 계층이 별도의 전략적 지위를 가질 가치가 있는지 입증해야 한다. 통합 범위만으로는 충분하지 않다.

Harvey의 최근 모델 및 벤치마크 작업은 회사가 이 과제를 이해하고 있음을 시사한다. 이 회사는 제3자 시스템에만 의존하기보다 모델 행동과 평가에 대한 통제력을 높이는 방향으로 움직이고 있다.

고객은 여전히 플랫폼 독립성과 모델 의존성 사이의 실질적 경계를 테스트해야 한다. Harvey가 모델을 바꾸거나 제공업체가 접근 조건을 변경할 때 어떤 기능이 달라지는지 알아야 한다.

또한 기관별 구성이 이식 가능한지도 시험해야 한다. 에이전트 구축에 수개월을 투자하는 로펌에는 지시사항, 평가, 권한, 워크플로 로직을 보존할 방법이 필요하다.

이번 투자 유치는 Harvey가 매출에 앞서 투자하고 복잡한 배포를 지원할 역량을 강화한다. 동시에 경쟁사들에게 분명한 목표도 제시한다.

로펌의 경우, 결정은 기업가치나 시장의 관심에서 시작해서는 안 된다. 정의된 법률 워크플로, 수용된 증거 기준, 측정 가능한 인간 검토 프로세스에서 시작해야 한다.

유용한 평가는 결과물을 일반적인 챗봇 응답이 아니라 경험 많은 변호사의 결과물과 비교한다. 또한 수정 사항, 출처 품질, 도입 현황, 총 구현 노력도 추적한다.

법률 분야 밖의 지식 근로자들도 같은 경쟁을 지켜봐야 한다. 회계, 컨설팅, 컴플라이언스, 금융 서비스는 법률 AI의 요구사항을 다수 공유한다.

각 분야는 비공개 문서, 전문적 판단, 반복 가능한 프로세스, 방어 가능한 결론에 의존한다. 성공적인 법률 플랫폼은 다른 분야의 특화 엔터프라이즈 AI를 위한 청사진을 제공할 수 있다.

Harvey AI 투자 유치는 회사가 더 큰 역할을 추구할 시간과 역량을 사들였다. 그러나 특화 플랫폼이 전문 지능을 소유하게 될지는 아직 결론 나지 않았다.

다음 단계는 공급업체만큼이나 구매자에게 달려 있다. 어떤 워크플로가 체계화할 만큼 중요한가, 그리고 에이전트에 이를 맡길 신뢰를 정당화할 증거는 무엇인가? 이런 질문에 답할 수 있는 팀은 기업가치만 보고 소프트웨어를 선택하는 팀보다 법률 AI 경쟁에서 더 많은 것을 배울 것이다.