Harvey 融资额达 5.5 亿美元，但其 155 亿美元的赌注远不止法律软件

Harvey 以 155 亿美元估值完成 5.5 亿美元融资，使最新一轮 Harvey 融资成为一场围绕谁将掌控法律智能的押注。

这笔于 9 月 9 日达成的交易由 Diffusion 和 Lightspeed Venture Partners 共同领投。距离 Harvey 以 110 亿美元估值融资 2 亿美元，还不到六个月。

这次快速上涨比头条中的估值数字更重要。Harvey 不再只是推销面向律师的 AI 助手。它希望律所能在其平台内构建专用模型、智能体和机构知识体系。

这一雄心让 Harvey 置身于两股强大力量之间。法律信息公司拥有权威内容和成熟工作流。基础模型提供商则掌控着许多法律应用底层的通用 AI 系统。

Harvey 必须证明，位于这两者之间的层级能够成为最有价值的一层。其客户也必须决定，专业基础设施是否值得在其技术栈中占据长期位置。

Harvey 融资改变了这场竞争的规模

Harvey 现已获得新资本，用以追求远大于改进法律研究或文件起草的目标。

Harvey 的融资公告确认，公司以 155 亿美元估值完成 5.5 亿美元融资。Diffusion 和 Lightspeed 共同领投了这笔投资。

现有投资者 Sequoia、Kleiner Perkins、Andreessen Horowitz、Coatue、Conviction、Elad Gil、Evantic、GIC、Goldman Sachs Alternatives、Verified Capital 和 WNDR 也参与其中。Sapphire Ventures 和 Whale Rock 则作为新投资者加入。

官方数字需要纠正早期对这笔交易的概述。Harvey 公布的估值为 155 亿美元，而不是 156 亿美元。

这一差异并不改变核心叙事。根据公布的估值，投资者给予 Harvey 的价值较 3 月时大约提高了 41%。

3 月的交易为 Harvey 带来 2 亿美元融资，估值为 110 亿美元。GIC 和 Sequoia 共同领投了此前一轮。

Harvey 在 3 月表示，这笔资金将用于扩展其平台上运行的智能体。公司还计划在全球扩大嵌入式法律工程团队。

智能体是指为达成既定结果而执行一系列任务的软件。对于 Harvey 而言，这些任务可以包括研究、审阅、起草和文件分析。

Harvey 表示，截至 3 月，客户已创建超过 25,000 个定制智能体。公司称，其部署场景涵盖并购、尽职调查、合同起草、文件审查和基金设立。

该公司还称，其服务覆盖 60 个国家、1,300 家机构中的逾 100,000 名律师。这些数据直接来自 Harvey，尚未获得同等程度的独立验证。

到 9 月，Harvey 表示 Am Law 100 律所中有 80% 使用其产品。公司还称已有五家 Fortune 10 企业采用其产品。

这些客户主张有助于解释估值上涨。企业 AI 投资者正奖励那些能够在高价值、难以进入的行业中展示分发能力的公司。

法律工作为这一策略提供了极具吸引力的场景。它涉及高价值文件、可重复流程、专业判断、严格访问控制和大量机构知识。

不过，9 月融资带来了新的技术雄心。Harvey 将本轮融资与其首个后训练开放权重模型，以及 Harvey LAB 评测项目联系起来。

开放权重模型会在特定条款下提供其训练后的参数。后训练则是在初始训练后调整通用模型，以改善其在特定任务或领域中的表现。

Harvey 表示，融资将帮助法律和专业服务机构构建并拥有自己的智能能力。这一表述暗示着从租用 AI 答案，转向控制专业系统的转变。

因此，这笔资金支持三场相互关联的竞争。Harvey 必须改进其模型，将智能体嵌入日常工作，并在更大平台进入法律 AI 领域时维护客户关系。

这些目标所需的不只是原始算力。它们还要求可靠评测、对律所知识的受控访问、工作流设计，以及对处理重大事务的律师提供支持。

新的估值反映了市场对 Harvey 能够整合这些要素的信心。它并不能证明该公司已经建立了持久优势。

Harvey 为何希望法律团队拥有自己的 AI 模型

Harvey 正押注于：律所的内部方法与知识能够成为模型资产，而不只是附加在通用聊天机器人上的上下文。

法律机构通过先例、谈判记录、诉讼策略、客户要求和内部政策积累知识。其中许多知识仍分散在文件和个人经验中。

通用模型可以总结合同或提出措辞建议。但它不会自动理解某家律所如何看待风险、构建论证，或服务特定客户。

检索可以在请求期间提供相关内部材料，从而缩小这一差距。然而，仅靠检索并不能创建一个可复用的系统，以执行律所偏好的工作流。

Harvey 的平台战略将知识访问与智能体和专用模型结合起来。公司希望这些组件能反映每个客户实际开展法律工作的方式。

这种区别对于重复性、多步骤任务至关重要。尽职调查流程可能需要识别条款、应用风险框架、升级例外情况，并编制最终报告。

一个有用的智能体需要的不只是流畅回答。它还需要权限、可靠来源、明确的任务边界、审查步骤，以及其如何得出输出结果的记录。

合同分析也是如此。一家公司可能希望为采购协议、销售合同、雇佣条款和受监管交易采用不同的操作手册。

这些操作手册包含机构判断。如果 Harvey 帮助将它们编码进模型和智能体，切换平台就会比替换一个基础聊天界面困难得多。

这正是“拥有自己的智能能力”这一表述背后的经济逻辑。真正有价值的资产不只是 AI 模型，而是组织可重复运用的知识与流程组合。

Harvey 3 月的智能体扩张已经指向这一方向。9 月融资则将这一思路延伸至面向客户的专用模型开发。

这一战略也回应了通用 AI 的快速进步。如果每家模型提供商都能生成合格的法律文本，专业供应商就必须在其他方面建立差异化。

仅有客户数据并不能保证这种差异化。法律客户可以限制供应商如何使用机密材料，而保密特权和职业义务也限制了不谨慎的试验。

因此，Harvey 需要在不将客户文件视为不受限制的训练资源的前提下创造价值。安全配置、评测和工作流知识成为产品的核心部分。

其法律工程师在这里也很重要。Harvey 将他们描述为与客户合作构建和改进智能体的团队。

这种服务模式更接近技术实施，而非普通软件支持。它能够帮助将一个组织的工作实践转化为可重复的 AI 流程。

这种方法的运营成本较高，但可以深化采用程度。通过 Harvey 构建关键工作流的客户，有更多理由续约并扩大使用规模。

它也可能引发所有权方面的紧张关系。律所会希望明确其数据、衍生配置、评测结果，以及定制系统的可移植性归属。

为一个组织开发的模型可能包含多层知识产权。这些层级可能包括公开法律、供应商技术、客户文件、提示词、反馈和工作流设计。

合同必须确定谁控制每一层。技术控制随后必须在日常运营中落实这些条款。

这正是知识管理成为运营基础设施的地方。团队需要准确的源材料，才能围绕其构建可靠的智能体。

可搜索的AI 知识库可以组织辅助材料。法律部署还对权威性、权限、来源追溯和审查提出了更严格的要求。

Harvey 融资使公司拥有建设这些能力的空间。与此同时，它也提高了市场对定制化能够相较简单替代方案产生可衡量优势的期待。

模型提供商和法律行业既有巨头正在逼近

Harvey 面临的主要挑战，是在更强大的供应商和成熟法律平台向同一批客户靠拢之际，守住专业应用层。

基础模型公司位于法律 AI 市场的大部分底层。其模型提供语言、推理和工具使用能力，专业应用会在此基础上进行适配。

随着这些基础模型不断改进，它们可以吸收曾经支撑独立业务的功能。总结、起草、文件比对和结构化提取正日益成为标准能力。

模型提供商还可以直接向企业销售。它们拥有庞大的研发预算、广泛的开发者网络，以及与企业技术部门的关系。

Google 通过面向法律领域的 Gemini Enterprise 进入专业市场。该产品支持法律简报、引文核查、合同、法规监控、电子取证和机构知识检索。

Google 总法律顾问 Halimah DeLaine Prado 将 AI 定位为对法律判断的补充。她的评论发表于该产品进入一个已有 Harvey 和 Thomson Reuters CoCounsel 的领域之后。

辅助与最终判断之间的区别具有商业意义。供应商可以自动化法律工作的部分环节，而无需对最终决定承担责任。

Google 的进入加大了来自底层的 Harvey 压力。通用模型提供商可以将法律功能与云服务、生产力软件、安全控制和现有企业协议打包提供。

Microsoft 通过其工作场所分发渠道带来了类似压力。法律专业人士已经在 Word、Outlook、Teams 和其他 Microsoft 产品中投入大量时间。

AI 功能越接近这些应用，独立界面就越难继续成为默认入口。Harvey 必须深度整合，或提供明显更优越的工作流。

OpenAI 和 Anthropic 则构成另一种竞争形式。两者都可以改进通用推理能力，同时支持构建行业专用应用的开发者。

这种关系可以迅速从合作转变为竞争。模型供应商可以发布新工具，减少客户认为自己需要的专业化程度。

Harvey 还面临来自上层的压力。Thomson Reuters 和其他成熟法律信息公司掌控着受信任的数据库、编辑系统、引文以及长期客户关系。

内容位置之所以重要，是因为法律准确性取决于权威性。一个经过润色的回答，一旦引用了不存在的判决或依据过时法律，就会变得危险。

现有厂商可以将 AI 接入专有法律资料源和既有研究工作流，也可以把新功能捆绑进律所已经购买的产品中。

Harvey 的应对之道并非在每一家基础模型实验室上投入更多资金，或重建每一个法律数据库。它必须成为一个编排层，让客户能够在其中组合模型、知识与工作流。

即便底层模型发生变化，这一层也必须持续保持价值。同时，它还需要连接权威资料源，而不将客户关系让渡给内容提供商。

Legora 则带来了另一家专业创业公司的直接竞争。该公司在 2026 年早些时候完成了一轮大额融资，并与 Harvey 争夺大型律所和企业法务团队。

TechCrunch 报道称，Legora 在融资扩展后估值达到 56 亿美元。该公司表示，其服务覆盖 50 个市场的 1,000 多家组织。

同一篇竞争分析指出了更大的战略威胁。两家专业厂商都在一定程度上依赖于其开发商可能直接进入法律软件领域的模型。

Harvey 9 月的估值远高于 Legora 据报在 4 月的数字。然而，私募估值并不能清晰衡量产品质量或客户忠诚度。

融资条款可能不同，增长速度也可能迅速变化；而合同公告无法揭示使用率、续约经济性或盈利能力。

这些专业厂商仍拥有显著优势。它们了解法律行业买家的需求，能够支持复杂部署，并可围绕特定专业工作流设计控制机制。

它们也积累了跨客户的实施经验。这些经验可以揭示代理在哪些环节会失败、哪些任务需要审核，以及律所如何构建权限体系。

问题在于，这些运营知识的积累速度，是否快于通用平台的改进速度。Harvey 的估值假定，答案将有利于专业化。

估值取决于使用、信任与可验证的工作成果

最大的未知数在于，亮眼的采用数据能否转化为在关键法律工作中频繁、可靠且可辩护的使用。

Harvey 披露的客户覆盖范围显示，它已进入高端市场，但并未说明每一位客户对平台的使用强度。

一份覆盖全所的协议可能涵盖许多律师，但日常使用仍可能集中于较小的群体。试点项目也可能先带来客户标识，之后才形成可持续的工作流。

下一阶段需要证明，代理能够以可靠结果处理重复性工作。这些证据应包括已完成的工作流、审核率、节省的时间以及续约扩张情况。

准确性依然尤其重要。生成式模型可能产生缺乏依据的陈述或虚构引文，通常被称为“幻觉”。

法律专业人士不能将看似合理的答案视为已验证的答案。他们必须核查资料来源、运用专业判断，并继续对已提交或交付的工作负责。

近期的执法案例展现了后果。一些律师提交的材料包含不存在的权威依据及其他 AI 生成错误，因而受到法院制裁。

Axios 报道称，一名佐治亚州检察官承认在一份包含虚构案例的文件中使用 AI 后，被停职六个月。第九巡回上诉法院也因严重的引文失误制裁了律师。

这些事件并不涉及针对 Harvey 的认定，但它们说明了每一家法律 AI 厂商所面临的风险环境。

美国律师协会强调，律师使用生成式 AI 时，既有职业义务仍然适用。这些义务包括胜任能力、保密性、沟通以及合理收费实践。

这一框架限制了“代理可以简单取代专业审核”的说法，也使审计追踪和来源验证成为必不可少的产品功能。

Harvey 必须证明，其模型战略能够改善法律工作，而不是掩盖不确定性。基准测试可能有所帮助，但无法复现每一个司法辖区、客户指示或事实背景。

Harvey LAB 或许能提供一种评估法律代理的共享方式。这项倡议的价值将取决于其方法是否透明，以及是否与真实工作具有有意义的对应关系。

模型可能在受控任务中取得高分，却在长流程中失效。当某一步向下一步提供不准确的信息时，错误可能不断累积。

长周期代理直接面临这一问题。它们会在较长时间内执行多个相互关联的步骤，从而增加可能出错的节点数量。

人工检查点可以降低风险。然而，过度审核可能抹去自动化原本应带来的效率收益。

因此，这种商业权衡是可以衡量的。客户需要足够的自动化来节省有意义的时间，同时保留足够的监督以维持信心。

平台还必须管理保密性和特权问题。法律文件可能包含商业秘密、个人数据、诉讼策略和受保护的通信内容。

客户专属模型会带来细致的治理问题。买方需要了解数据流向何处、如何保留、谁可以访问，以及它是否会影响其他客户。

他们还需要退出选择。如果律所将重要工作流编码进 Harvey，应了解在合作关系结束后哪些配置仍可迁移。

估值在技术压力之外，也带来了财务压力。一家估值 155 亿美元的公司，最终必须通过可观且可持续的经济价值来支撑这一数字。

Harvey 尚未公开足够的当前财务细节，无法全面评估这一结果。客户数量和市场覆盖范围是有用信号，但不能替代经审计的业绩。

该公司的融资公告未披露营收、利润率、留存率、算力成本，或其所称采用规模对应合同的期限。

投资者或许能够获得这些数据，公众读者则无法获得。

这一信息缺口并不否定 Harvey 的增长，但限制了外界将采用主张与估值联系起来时能够具备的信心程度。

同样的谨慎也适用于律所将“拥有”自身智能的说法。所有权必须转化为权利、控制、可移植性与可衡量表现的具体组合。

如果它仍只是营销描述，模型提供商便可复制这种表述。如果 Harvey 将其落地运营，公司将获得一个更具可辩护性的角色。

三个信号将检验 Harvey 的 155 亿美元押注

Harvey 的下一阶段将由客户构建的模型、代理的重复使用，以及拥有更广泛分发能力的平台所作出的竞争回应来评判。

第一个信号是客户专属模型项目的交付情况。Harvey 需要展示法律团队能够控制什么，以及这些系统如何优于通用替代方案。

有用的证据包括明确的法律任务、透明的评估，以及客户对定制化为何改变结果的说明。

关键检验不在于 Harvey 是否能再推出一个模型，而在于律所能否在不放弃治理权或可移植性的前提下构建有价值的系统。

清晰的所有权条款将强化 Harvey 的论点。对于配置、反馈或衍生成果的权利若含糊不清，则会削弱这一论点。

第二个信号是持续的代理使用。Harvey 在 3 月报告了超过 25,000 个定制代理，为未来披露建立了基线。

更有力的证据将衡量活跃工作流和重复使用情况，也将显示代理如何从实验阶段走向常规法律运营。

客户扩张在此尤为重要。现有客户中更多使用场景的出现，将表明 Harvey 已成为基础设施，而不是可有可无的助手。

续约行为则更具信息价值。在评估结果后选择续约的客户，比已宣布的试点项目提供了更强的采用信号。

第三个信号是基础模型提供商和法律行业既有厂商的回应。Google 的法律产品表明，更广泛的科技公司已经开始行动。

其法律 AI 立场也凸显了 Harvey 必须尊重的边界：AI 可以加速信息工作，但律师仍须对专业判断负责。

关注模型提供商是否加入更深入的法律工作流、权威内容合作伙伴关系或客户专属适配。每增加一项，Harvey 看似独特的专业化定位就会进一步收窄。

还应关注法律出版商是否向多个代理平台开放其内容。广泛接入将有利于 Harvey，而高度捆绑的接入方式则可能有利于既有产品。

Harvey 无需让每一位客户放弃现有研究工具。它需要成为这些资源与内部知识共同驱动协同工作的场所。

这轮 5.5 亿美元融资为 Harvey 赢得了争取这一位置的时间。155 亿美元的估值则让所需实现的结果显得异常雄心勃勃。

法律团队应通过具体工作流而不是估值头条来评估该公司。他们应比较输出质量、来源可追溯性、审核负担、治理与可移植性。

法律领域之外的知识工作者也应加以关注。同样的竞争将出现在金融、咨询、医疗、工程和其他专业领域。

通用模型将持续改进。领域平台则会主张，工作流知识、客户控制与实施经验构成了更有价值的层级。

Harvey 的融资轮在这一论点上押下了极其巨大的赌注。其成败将取决于法律团队是否真正获得了对更多智能的控制权，还是仅仅租用了另一个复杂的界面。

下一个问题很实际：Harvey 是否会披露证据，证明其代理和定制模型能够产出更优且可重复的工作成果？这类证明比又一次估值上涨更重要。