> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Harvey entrenó su IA legal sobre tres bases chinas y Snowflake ya enruta tareas por costo - URL: https://fomoera.com/harvey-entreno-su-ia-legal-sobre-tres-bases-chinas-y-snowflake-ya-enruta-tareas-por-costo/ - Published: 2026-08-22T23:00:48.000Z - Updated: 2026-08-22T23:00:48.000Z - Description: Entre el 18 y el 20 de agosto de 2026, Snowflake presentó un enrutador que elige modelo por costo y anunció GLM-5.3 y DeepSeek-V4-Flash, y Harvey publicó Tenet, su modelo legal post-entrenado sobre Kimi K3. Los benchmarks siguen favoreciendo a EE. UU.; el precio, no. - Author: Patricia Rodriguez - Tags: Tecnología y Ciencia, IA **TL;DR:** - Harvey presentó el 20 de agosto de 2026 Harvey Tenet, su primer modelo post-entrenado, construido sobre Kimi K3, la base de pesos abiertos de la china Moonshot AI. - En el mismo informe la empresa documenta capacidades entrenadas sobre GLM-5.2, de Z.ai, y Qwen3.8-27B, de Alibaba, con recortes de costo que ella misma cifra hasta en 90% por consulta. - Snowflake anunció dos días antes enrutamiento dinámico por costo y calidad en Cortex AI Gateway, más soporte para GLM-5.3 y DeepSeek-V4-Flash 0731\. Tenet, en cambio, sigue como research preview y no está en el producto. --- Harvey, el proveedor estadounidense de inteligencia artificial para despachos jurídicos, publicó el 20 de agosto de 2026 los primeros resultados de Harvey Tenet, un modelo post-entrenado a partir de Kimi K3, la base de pesos abiertos que la china Moonshot AI liberó en julio de 2026\. Dos días antes, Snowflake había presentado enrutamiento dinámico de modelos en su Cortex AI Gateway y había adelantado soporte para GLM-5.3, de la también china Z.ai, y para DeepSeek-V4-Flash 0731\. Las dos venden software a grandes empresas y despachos, así que sus decisiones definen qué tecnología termina dentro de las herramientas que sus clientes ya contrataron. El análisis de Bloomberg Businessweek que resumió Semafor apunta en la misma dirección: los sistemas estadounidenses siguen arriba en las pruebas de capacidad y los laboratorios chinos ganan terreno global por precio. ## Cuatro modelos chinos en un mismo informe de investigación Hasta ahora Harvey personalizaba modelos cerrados de Anthropic, OpenAI y Google para trabajo legal, según el South China Morning Post. El documento del 20 de agosto cambia esa base. Tenet parte de Kimi K3 y se post-entrenó junto con Fireworks mediante aprendizaje por refuerzo asíncrono sobre unos 1,750 entornos de tareas jurídicas, en cerca de 150 GPU NVIDIA B300 y a lo largo de dos meses. La compañía aclara que no usó datos de clientes en ese proceso. El resto del informe repite el patrón con otros proveedores chinos. Para diligencia de fusiones y adquisiciones, Harvey post-entrenó un GLM-5.2 de Z.ai dentro de un arnés de modelos de lenguaje recursivos que reparte la lectura del expediente entre subagentes: la tasa media de criterios aprobados subió de 46.1% a 60.1% después del entrenamiento, contra un máximo de 43.8% entre los modelos de referencia. Para buscar dentro del conocimiento acumulado de un despacho, entrenó con Engram un Qwen3.8-27B de Alibaba. Y el modelo que calificó los entrenamientos, tras comparar candidatos, fue Kimi 2.6, otra vez de Moonshot. ## Los números del ahorro los pone la propia empresa En LAB, el banco de pruebas que Harvey creó y publicó en mayo de 2026, Tenet completa casi el doble de tareas retenidas que el Kimi K3 base y 20% más en la variante de contratos, con la tasa de aprobación total al alza en 9 y 2 puntos porcentuales. La empresa lo describe como estado del arte en LAB Contracts y lo coloca segundo en LAB. El matiz importa porque el examen que corona al modelo pertenece a quien lo entrenó, y la propia Harvey admite que sus corridas internas difieren de las de Artificial Analysis y Vals por diferencias de arnés y de juez. El argumento de costo llega con cifras más concretas. El modelo entrenado para Review Table, la función que extrae datos estructurados sobre hasta 10,000 documentos a la vez, mejora 3.6 puntos la calidad de respuesta y 12.1 puntos la de citas frente a las mejores referencias, a cerca de una décima parte del costo por celda. El de conocimiento del despacho recorta 58% los tokens de las trayectorias completadas y 90% el costo por consulta, y triplica la métrica de inteligencia por token con la que Harvey se mide: 190.8 puntos frente a 129.3 de la mejor configuración de frontera y 37.2 de modelos de tamaño equivalente. ![Black woman lawyer reading legal papers at her desk in a modern office.](https://fomoera.com/content/images/2026/08/fomoera-pexels-7875863--source.jpg) Imagen ilustrativa: la revisión documental es el tipo de tarea larga que Harvey usó para entrenar y medir a Tenet. · Foto de [https://kaboompics.com/](https://www.pexels.com/@karola-g?ref=fomoera.com) en [Pexels](https://www.pexels.com/photo/a-woman-reading-documents-while-sitting-at-the-desk-in-the-office-7875863/?ref=fomoera.com) ## Snowflake mueve la decisión del modelo al enrutador Snowflake presentó el 18 de agosto el enrutamiento dinámico dentro de Cortex AI Gateway. El cliente define qué modelos aprueba y qué compensaciones acepta, y el sistema evalúa cada tarea contra esas políticas junto con datos reales de costo y desempeño antes de elegir. Cuando un modelo termina, otro califica el resultado y esa evaluación alimenta las decisiones siguientes. La empresa dice que sus primeras mediciones arrojan mejor economía para un mismo nivel de calidad que apostar por un solo modelo, un resultado que todavía no publicó en detalle. Su director ejecutivo, Sridhar Ramaswamy, atribuyó ese giro a los modelos abiertos. Escribió que para muchas cargas de trabajo, sobre todo tareas simples y bien definidas, los mejores modelos abiertos rinden a una fracción del costo de los de frontera, y que conforme baja el costo por tarea también baja el umbral desde el que conviene automatizar algo. En la lista de proveedores que el gateway ya reúne aparecen Anthropic, Google, Mistral AI, OpenAI y SpaceXAI. GLM-5.3 y DeepSeek-V4-Flash 0731 figuran como una ampliación anunciada, no como una integración ya disponible, aunque Semafor los describió como modelos añadidos a la plataforma. ## El recelo por los datos y la censura empieza a ceder Mayank Upadhyay, responsable de seguridad y confianza de Snowflake, dijo a periodistas en Nueva York el 18 de agosto que la compañía le ve mucho valor a esos modelos "más allá del costo". Como Snowflake los aloja y les pone barreras propias, añadió, preocupa menos la privacidad de los datos o que las respuestas carguen la visión de Pekín. "No voy a estos modelos a hacerles preguntas culturales. Estoy haciendo algún tipo de procesamiento de datos y es bastante objetivo", explicó, en declaraciones que recogió Semafor. La vicepresidenta de datos e inteligencia artificial de Fanatics, la empresa de mercancía deportiva, le dijo al mismo medio que medir el retorno de las herramientas de IA se volvió central en su trabajo y que, sobre los modelos chinos, "solo el aspecto del costo exige atención". Las empresas, agregó, tienen que fijar una postura que no sea un simple no automático por el origen chino. La presión de precios ya se nota del otro lado: OpenAI recortó hasta 33% el precio de GPT-5.6 Sol, aunque [mantuvo la tarifa del contexto largo](https://fomoera.com/openai-recorta-hasta-33-el-precio-de-gpt-5-6-sol-pero-el-contexto-largo-sigue-en-30-dolares/). ## Tenet todavía no está dentro del producto de Harvey Harvey encabezó su informe como research preview y lo cerró diciendo que trabaja en escalar cómputo para llevar esa investigación a producción. El texto no menciona fecha de disponibilidad ni despachos que estén probando el modelo. Snowflake tampoco fijó calendario para GLM-5.3 ni para DeepSeek-V4-Flash 0731, y su afirmación sobre mejor economía por nivel de calidad sigue siendo una medición interna. Para las empresas que compran software en México, España o América Latina, el cambio llega dentro del producto ya contratado: una tarea enrutada al modelo que salga mejor de precio y desempeño, o un asistente jurídico que corre sobre pesos publicados por un laboratorio chino. Quien elige el modelo, cada vez más, es el proveedor. *Fuentes:* [1](https://www.harvey.ai/blog/post-training-update-harvey-tenet?ref=fomoera.com), [2](https://www.snowflake.com/en/blog/ai-intelligence-efficiency-dynamic-model-routing/?ref=fomoera.com), [3](https://www.semafor.com/article/08/19/2026/momentum-builds-for-chinese-models?ref=fomoera.com), [4](https://www.semafor.com/article/08/20/2026/china-closes-the-gap-in-ai-race-with-us?ref=fomoera.com)