Harvey cierra una ronda de 550 millones y casi duplica su valoración en nueve meses
La startup de IA jurídica levanta 550 millones de dólares a una valoración de 15.500 millones, medio año después de los 200 millones que la dejaron en 11.000. Ya tiene modelo propio entrenado sobre pesos abiertos.
Harvey ha cerrado una ronda de 550 millones de dólares a una valoración de 15.500 millones, apenas seis meses después de aquella de 200 millones que la situó en 11.000. La compañía acumula más de 1.550 millones levantados y ha multiplicado por casi dos su valoración en unos nueve meses. La operación la colideran Diffusion y Lightspeed Venture Partners.
El ritmo es notable: en diciembre otra ronda la valoró en 8.000 millones, y en marzo llegó la de 11.000. Como ya hizo Databricks, Harvey no ha puesto nombre a esta última. PitchBook calcula que la empresa ha completado al menos ocho rondas con precio desde 2023, cinco de ellas a partir de 2025. Si se descuentan un par que se contabilizaron como extensiones, esta vendría a ser una Serie F.
El modelo propio es el otro titular
Dos semanas antes del anuncio, Harvey presentó su primer modelo desarrollado en casa, Harvey Tenet. Está construido sobre el modelo de pesos abiertos Kimi K3 y ajustado con datos jurídicos con la ayuda de Fireworks, el proveedor de inferencia que también participó en el entrenamiento del modelo propio de Cursor.
La empresa no se limita a servir ese modelo: empuja a sus clientes a adoptar pesos abiertos y a hacer su propio post-entrenamiento. Es decir, el producto y el discurso van en la misma dirección, y esa dirección no pasa por las API de los laboratorios frontera.
El dinero se anunció en el blog de la compañía, sin desglose de quién pone qué ni qué valoración post-money resulta exactamente de la operación. Las cifras son las que da la propia empresa.
Por qué esto importa fuera del sector legal
Harvey se está convirtiendo en el caso de manual de una industria vertical que consume mucha IA sin depender de OpenAI ni de Anthropic. Para quien trabaja con modelos, el patrón es reconocible: coger un modelo abierto, hacer post-entrenamiento con datos propietarios del dominio, montarlo sobre un proveedor de inferencia y quedarse con el control del artefacto. No hace falta ser un laboratorio de frontera para tener modelo propio.
Queda por ver si ese enfoque aguanta cuando los pesos abiertos de turno se queden atrás frente a los cerrados, y si los despachos, que no son precisamente clientes fáciles en materia de datos y cumplimiento, aceptan entrenar sobre su propio material. La valoración dice que los inversores ya han apostado a que sí.
