El bufete de IA Harvey ha lanzado Tenet, su primer modelo de lenguaje propietario diseñado para trabajo jurídico. El anuncio, publicado esta semana por TheNextWeb, tiene un detalle que ha generado debate inmediato en el sector legal y tecnológico: Tenet está post-entrenado sobre los pesos de Kimi K3, el modelo de código abierto de la empresa china Moonshot AI.
Eso significa que una empresa respaldada por OpenAI y que presta servicio a firmas de abogados que manejan información cubierta por privilegio abogado-cliente ha construido su modelo propietario encima de pesos base de un modelo chino de código abierto. La reacción de los juristas especializados en privacidad y seguridad de datos es predecible: una serie de preguntas muy directas sobre qué significa exactamente esa base técnica y qué implicaciones tiene para la confidencialidad de la información jurídica.
¿Qué es Harvey y para qué sirve Tenet?
Harvey es una plataforma de IA para bufetes de abogados y departamentos legales corporativos. Sus herramientas permiten revisar documentos, redactar contratos, investigar jurisprudencia, analizar acuerdos de fusiones y adquisiciones, y generar borradores de escritos legales. La empresa cuenta con clientes en firmas del Magic Circle londinense y en varios de los mayores despachos americanos del AmLaw 100.
Tenet es el primer modelo que apuesta por resolver ese problema con pesos propios, entrenados específicamente en materiales jurídicos internacionales, en lugar de depender indefinidamente de APIs de terceros.
¿Por qué Kimi K3 y qué significa en la práctica?
Kimi K3 es el modelo de razonamiento de Moonshot AI, empresa china que compite con DeepSeek, Alibaba y Baidu en el espacio de modelos de lenguaje de código abierto. El modelo fue lanzado con pesos abiertos, lo que significa que cualquier organización puede descargarlo, ajustarlo y desplegarlo sin necesidad de pagar a Moonshot ni de compartir datos con la empresa.
El post-entrenamiento es el proceso por el cual Harvey tomó esos pesos base y los ajustó con datos jurídicos propios —contratos, jurisprudencia, documentos de regulación, material de entrenamiento específico del sector— para crear Tenet. En la cadena técnica resultante, Kimi K3 es la «arquitectura base» y Harvey ha añadido el «carácter jurídico» encima.
La pregunta que los abogados están haciendo es si el origen chino de los pesos base crea algún riesgo de seguridad para la información que se procesa en Tenet. La respuesta técnica es que los pesos abiertos de un modelo son matemáticas: no hay mecanismo por el cual Moonshot pueda acceder a los datos que Harvey procesa sobre Kimi K3 post-entrenado y desplegado localmente. No es como usar la API de un proveedor chino donde los datos de consulta van a servidores de la empresa. Los pesos descargados y post-entrenados son el equivalente a comprar un motor de un fabricante extranjero y montarlo en un coche propio: el fabricante del motor no tiene acceso al coche después de la venta.
¿Por qué elegir un modelo chino como base?
La respuesta más probable es de rendimiento y coste. Los modelos de código abierto chinos —DeepSeek, Kimi, Qwen de Alibaba— han demostrado en 2025 y 2026 un rendimiento que en ciertos benchmarks iguala o supera a los equivalentes americanos de código abierto (Llama), con la ventaja adicional de que sus pesos están disponibles sin restricciones comerciales significativas. Para una empresa que va a hacer post-entrenamiento intensivo, la calidad del modelo base determina el techo del modelo resultante.
La elección también tiene un mensaje implícito: en un mercado donde la geopolítica de la IA se está bifurcando entre modelos americanos y chinos —con la el movimiento de China para construir su propia alianza de IA con 38 países como el episodio más visible de esa tensión—, Harvey está optando por criterios técnicos sobre criterios geopolíticos. Eso es una declaración, aunque la empresa probablemente no la haría de esa forma. Del mismo modo que China implementa un sistema de trazabilidad e identificación única para cada robot humanoide para saber quién lo fabricó, qué componentes usa y dónde ha estado, el sector legal está descubriendo que la cadena de custodia de los datos de entrenamiento de un LLM es el nuevo documento de identidad que los clientes exigirán a sus proveedores de IA jurídica. La apuesta opuesta a la de Harvey es la de Anthropic fabricando sus propios chips para no depender de Google ni Amazon: control total de la cadena desde el silicio hasta el modelo. Harvey ha apostado por eficiencia. Sus clientes legales decidirán si esa es una diferencia que les importa.
¿Quiénes son los competidores de Harvey en IA legal?
El mercado de IA para servicios legales es uno de los de mayor crecimiento en el segmento profesional de la IA, con múltiples competidores que se distinguen por el enfoque técnico y el segmento de cliente. Thomson Reuters (propietaria de Westlaw) tiene CoCounsel, construido sobre tecnología de GPT-4o de OpenAI y especializado en investigación jurídica. LexisNexis tiene su propio asistente de IA Lexis+ para investigación legal. Clio atiende a despachos pequeños con herramientas de gestión y redacción de documentos. Ironclad y Luminance se especializan en revisión de contratos. La diferencia de Harvey —y el argumento central de Tenet— es que la empresa está construyendo modelos específicamente entrenados en materiales jurídicos en lugar de adaptar modelos de propósito general. La hipótesis es que un modelo entrenado en jurisprudencia, contratos, regulación y doctrina jurídica producirá razonamiento legal más preciso que un modelo entrenado en todo internet. La evidencia anecdótica de los primeros años de Harvey sugiere que hay algo de cierto en esa hipótesis: sus clientes reportan tasas de error menores en tareas específicas de análisis jurídico. Tenet es la apuesta de la empresa de que tener el modelo completo en propiedad —desde los pesos base hasta el fine-tuning— les dará más ventaja que seguir dependiendo de APIs de terceros.
La pregunta de si pesos base chinos bajo trabajo jurídico privilegiado crea un riesgo de seguridad estructural —no técnica, sino regulatoria y reputacional— es exactamente la que los responsables de compliance de las grandes firmas están haciendo ahora mismo. La respuesta técnica es que no existe vector de acceso para Moonshot una vez que Harvey ha entrenado sobre esos pesos y los ha desplegado en sus propios servidores. La respuesta regulatoria todavía está por escribirse.