> ## 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 levanta 550 mdd para dar modelo propio a los despachos: los suyos parten de bases chinas
- URL: https://fomoera.com/harvey-levanta-550-mdd-para-dar-modelo-propio-a-los-despachos-los-suyos-parten-de-bases-chinas/
- Published: 2026-09-10T08:00:56.000Z
- Updated: 2026-09-10T08:00:56.000Z
- Description: Harvey levantó 550 millones de dólares a una valuación de 15,500 millones con el argumento de que los equipos legales sean dueños de su inteligencia. Su propio informe técnico muestra que las cuatro capacidades que entrenó parten de pesos abiertos de Moonshot AI, Z.ai y Alibaba.
- Author: Gerardo Pavez
- Tags: Negocios y Finanzas, Capital de Riesgo

Harvey, la empresa de inteligencia artificial para despachos de abogados, anunció el 9 de septiembre de 2026 una ronda de 550 millones de dólares a una valuación de 15,500 millones, codirigida por Diffusion y Lightspeed Venture Partners. Su comunicado dice que el dinero acelerará el trabajo de la compañía para ayudar a bufetes y áreas legales internas a construir y "ser dueños de su inteligencia" a escala. El informe técnico que ella misma publicó el 20 de agosto explica de qué está hecha esa inteligencia hoy: su primer modelo propio, Harvey Tenet, parte de Kimi K3, los pesos abiertos de la china Moonshot AI, y las otras tres capacidades que entrenó salen de GLM-5.2, de Z.ai, y de Qwen3.8-27B, de Alibaba. Ninguna de esas bases la construyó Harvey.

## Tenet no se entrenó desde cero: son 150 GPUs sobre un modelo de Moonshot

Harvey tomó Kimi K3, un modelo de mezcla de expertos con 2.8 billones de parámetros que Moonshot AI liberó en julio de 2026, y lo posentrenó junto con Fireworks mediante aprendizaje por refuerzo asíncrono sobre unos 1,750 entornos de tareas legales. Cada entorno trae el expediente de un cliente, una instrucción redactada como el encargo de un socio y una rúbrica que descompone la revisión de ese socio en criterios de aprobado o reprobado. El entrenamiento corrió sobre unas 150 GPUs NVIDIA B300 durante dos meses, y la empresa aclara que no usó datos de clientes en ninguna parte del proceso.

Tenet completa casi el doble de tareas reservadas de LAB que la base de Kimi K3 y un 20% más en LAB Contracts, donde Harvey dice alcanzar el mejor resultado conocido. En LAB, el benchmark de agentes legales de más de 1,200 tareas que la propia empresa creó y mantiene, su modelo queda en segundo lugar.

La cancha de esa comparación también está documentada. Harvey corrió su modelo en el harness público, el andamiaje de instrucciones y herramientas que rodea a un modelo durante la prueba, con una herramienta extra que había añadido como optimización de entrenamiento y que conservó al evaluar. Las cifras de los modelos base no salen de esa corrida sino de Vals, y la empresa advierte en su apéndice que sus resultados internos difieren de los de terceros por diferencias de harness y de juez. En LAB Contracts no existe todavía una tabla pública, así que todos los números que compara ahí son corridas internas suyas.

## Los pesos abiertos que usó Harvey salen de tres laboratorios chinos

Para diligencia de fusiones y adquisiciones, Harvey posentrenó GLM-5.2 dentro de un harness de modelos recursivos construido con Baseten. Para Review Table, la función que extrae datos estructurados de hasta 10,000 documentos a la vez, volvió a GLM-5.2, esta vez con Applied Compute. Y para buscar dentro del conocimiento acumulado de un despacho entrenó un Qwen3.8-27B con Engram.

Estas son las cuatro capacidades, la base de la que parte cada una y el laboratorio que publicó esos pesos.

__Capacidades que Harvey posentrenó, según su informe técnico del 20 de agosto de 2026__
| Capacidad que entrenó Harvey                           | Modelo base y socio de entrenamiento | Laboratorio que publicó esos pesos    |
| ------------------------------------------------------ | ------------------------------------ | ------------------------------------- |
| Harvey Tenet, tareas legales de largo alcance          | Kimi K3, con Fireworks               | Moonshot AI (China)                   |
| Diligencia de M&A en un harness de modelos recursivos  | GLM-5.2, con Baseten                 | Zhipu AI, que opera como Z.ai (China) |
| Review Table, extracción sobre hasta 10,000 documentos | GLM-5.2, con Applied Compute         | Zhipu AI, que opera como Z.ai (China) |
| Búsqueda en el conocimiento del despacho               | Qwen3.8-27B, con Engram              | Alibaba (China)                       |

Pesos abiertos quiere decir que el archivo del modelo se descarga y se ejecuta donde uno quiera, y Harvey dice haberlo hecho con socios de infraestructura estadounidenses: Fireworks, Baseten, Applied Compute y Engram. No significa que las consultas de un bufete viajen a China ni que los laboratorios de origen vean nada. Lo que cambia es de dónde viene la capacidad base. En la lista de laboratorios ordenados por la potencia de su mejor modelo que publicó Nathan Lambert en Interconnects el 20 de julio de 2026, Moonshot aparece en tercer lugar, Z.ai en quinto y Alibaba en octavo; los dos primeros de esa lista, Anthropic y OpenAI, no liberan los pesos de sus modelos punteros.

![High-tech server rack in a secure data center with network cables and hardware components.](https://fomoera.com/content/images/2026/09/fomoera-pexels-6466141--source.jpg)

Imagen ilustrativa de un centro de datos; Harvey no publicó fotografías de la infraestructura donde entrenó Tenet · Foto de [Sergei Starostin](https://www.pexels.com/@sejio402?ref=fomoera.com) en [Pexels](https://www.pexels.com/photo/network-servers-on-an-enclosure-6466141/?ref=fomoera.com)

Esa decisión es además el argumento de venta. Harvey ofrece a sus clientes modelos especializados sin atarlos a un laboratorio propietario, y aplica la receta en su propia casa. Según TechCrunch, la empresa se está convirtiendo en el ejemplo de que una industria entera, la legal, puede usar inteligencia artificial de forma intensiva sin depender de laboratorios como OpenAI y Anthropic. Conviction, el fondo de Sarah Guo que volvió a entrar en esta ronda, lleva tiempo apostando por compañías que liberen al cliente de depender de un solo modelo.

[Sarah Guo: la apuesta contra los gigantes de IAPerfil de Sarah Guo, fundadora de Conviction: por qué apuesta contra los gigantes de la IA![](https://fomoera.com/content/images/icon/favicon-c2176a14-f15f-4fe0-8117-9b833e384f46.ico)FomoEraGerardo Pavez![](https://fomoera.com/content/images/thumbnail/pexels-photo-30547606-c024d07b-b1d5-4e21-8c30-939d1e9af8f3.jpeg)](https://fomoera.com/sarah-guo-y-conviction-la-inversora-que-apuesta-contra-los-gigantes-de-la-ia/)

## La valuación equivale a unas 39 veces los ingresos recurrentes

El cofundador Winston Weinberg escribió en LinkedIn que la empresa superó los 400 millones de dólares de ingresos recurrentes anuales y atiende a más de 3,000 clientes, entre ellos el 80% del Am Law 100, el listado de los cien bufetes estadounidenses mejor clasificados, el 20% del Fortune 500 y la mitad del Fortune 10, según recogió el blog LawSites. Con esas dos cifras, la valuación anunciada equivale a unas 39 veces los ingresos recurrentes.

Harvey valía 8,000 millones en diciembre de 2025 y 11,000 millones en marzo de 2026, tras una ronda de 200 millones codirigida por Sequoia y GIC. Suma más de 1,500 millones levantados desde 2022\. Bloomberg situó la valuación de esta ronda en 15,600 millones, cien millones por encima de la cifra que publicó la propia empresa; el comunicado de Harvey no menciona esa diferencia.

Weinberg también detalló a qué va el dinero: gente y cómputo, con contrataciones en producto, ingeniería, investigación y ventas, y con inversión en el harness y en el entrenamiento de modelos propios. En su blog técnico, la compañía ya había dicho que su prioridad siguiente es escalar cómputo para llevar la investigación a producción con nuevos modelos generalistas.

Eso es lo que la ronda tiene que mover. Harvey levantó 550 millones apoyada en un modelo que hoy queda segundo en el benchmark que ella misma diseñó y que corre sobre una base publicada por otro laboratorio. La próxima generación dirá si 150 GPUs durante dos meses fueron el piso o el techo de lo que la empresa puede construir sola.

*Fuentes:* [1](https://www.harvey.ai/blog/harvey-raises-dollar550m-at-a-dollar155b-valuation-to-help-legal-teams-own-their-intelligence?ref=fomoera.com), [2](https://www.harvey.ai/blog/post-training-update-harvey-tenet?ref=fomoera.com), [3](https://www.lawnext.com/2026/09/harvey-raises-another-550m-at-a-15-5b-valuation.html?ref=fomoera.com), [4](https://www.interconnects.ai/p/kimi-k3-the-open-weights-escalation?ref=fomoera.com)