✨︎ Resumen (TL;DR):
- Harvey lanzó Tenet, un modelo postentrenado sobre Kimi K3, para tareas jurídicas de largo alcance.
- Su consumo de tokens creció más de 20 veces desde enero y su margen bruto cayó de cerca de 50% al inicio de 2026 a menos 50% en junio.
- Abridge, Decagon, Ramp y Rogo también controlan o evalúan modelos propios para tareas especializadas.
Harvey, Abridge, Ramp y Rogo están adaptando modelos de pesos abiertos o evaluando entrenar los suyos para reducir el costo de sus agentes de IA y depender menos de OpenAI y Anthropic. Harvey dijo que su consumo de tokens creció más de 20 veces desde enero. Una persona familiarizada con sus finanzas, citada por Bloomberg en un reporte reseñado por The Next Web, señaló que su margen bruto cayó de cerca de 50% al inicio de 2026 a menos 50% en junio.
Harvey descubre el costo de crecer con modelos ajenos
La presión apareció cuando el uso de Harvey se disparó. En marzo, una actualización de sus agentes elevó la actividad de los clientes, mientras el consumo de tokens creció más de 20 veces desde enero. Cuando cada tarea depende de modelos alquilados y cada respuesta consume más tokens, el crecimiento puede deteriorar el margen aunque también aumenten los ingresos.
Harvey tiene una valuación de alrededor de 15,600 millones de dólares. Después del lanzamiento de Tenet y otros ajustes, personas familiarizadas con el trabajo dijeron que sus márgenes volvieron a ser positivos. Harvey no confirmó las cifras específicas.
Un modelo de pesos abiertos es un modelo de IA que una empresa puede ajustar para una tarea especializada, en lugar de entrenar una base desde cero. En agosto, Harvey lanzó Tenet, su primer modelo postentrenado sobre Kimi K3, de Moonshot AI, con apoyo de Fireworks.
Harvey tomó un modelo de pesos abiertos y lo ajustó para trabajos jurídicos de largo alcance. No entrenó una base desde cero. En sus propias pruebas, afirmó que Tenet completó casi el doble de tareas reservadas de su benchmark LAB que el Kimi K3 original y 20% más tareas de LAB Contracts.
La empresa también sostuvo que los pesos abiertos permiten reducir el costo por token y que el entrenamiento buscó disminuir los tokens usados durante la inferencia. Antes de Tenet, Harvey ya probaba varias bases abiertas para funciones jurídicas distintas.
El mismo cálculo llega a salud, soporte y finanzas
El movimiento no se limita al software jurídico. Abridge confirmó en junio que trabaja con NVIDIA en un modelo fundacional para conversaciones clínicas. La startup lo construye sobre la familia abierta Nemotron, con entrenamiento en infraestructura Blackwell y datos desidentificados.
Su objetivo declarado es mejorar la precisión, la auditabilidad y la personalización de tareas médicas. Ese enfoque muestra por qué una empresa vertical puede preferir controlar una parte mayor de su modelo, en lugar de depender por completo de modelos externos.
- Decagon: según el reporte, ya dirige 80% de las consultas de sus clientes a modelos propios.
- Ramp: recaudó 750 millones de dólares en junio y evalúa entrenar modelos por primera vez. Su co-CEO, Karim Atiyeh, dijo que esa opción no tenía sentido un año atrás, pero que la mejora de los modelos de pesos abiertos cambió el cálculo.
- Rogo: la startup de software para instituciones financieras también estudia seguir esa ruta.
El patrón es más específico que construir un rival general de GPT o Claude. Adaptar un modelo abierto para una tarea repetitiva y especializada permite conservar mayor control sobre los datos, el comportamiento del sistema y el costo de cada flujo de trabajo. Las startups pueden reservar los modelos de frontera para los trabajos que todavía requieren más capacidad.
Los modelos propios no reemplazan todo
El cambio tampoco elimina la dependencia de OpenAI y Anthropic. The Next Web reportó que Anthropic mostró en un foro para inversionistas una diapositiva sobre startups que entrenan sus propios modelos y recordó que Harvey todavía necesita Claude Opus para sus tareas más difíciles.
Harvey presenta Tenet como una investigación en desarrollo y dice que incorporará sus capacidades al producto con el tiempo. Los modelos de OpenAI o Anthropic siguen cubriendo trabajos más complejos cuando la calidad justifica el costo.
Los modelos abiertos o postentrenados pueden atender tareas de alto volumen, donde pesan el precio por token y la eficiencia. El precio de cada token no basta para calcular el gasto: la investigación de Harvey advierte que también importa cuántos tokens necesita el sistema para completar una tarea.
Las cifras de margen de Harvey no son públicas ni constituyen una prueba universal para todas las startups. Sí dejan una pregunta concreta: cuánto cuesta resolver cada expediente, conversación clínica, consulta de soporte o análisis financiero. Esa respuesta define qué tareas pueden pasar a modelos adaptados y cuáles todavía requieren un sistema de frontera.
