AI/大模型美
← 贴纸墙
JOURNEY · DETAIL
Harvey AI：为大型律所定制工作流的法律大模型应用
创办：Winston Weinberg、Gabriel Pereyra · Harvey AI（Counsel AI Inc.）
JOURNEY
关键字段
FIELD STAMPSINDUSTRY 行业AI/大模型
REGION 地区美
SCALE 规模巨头
CHANNEL 渠道其他
起步缘由
Gabriel Pereyra与前法学院学生Winston Weinberg偶然相识。Winston在律所工作时经历了数次合同审查的繁琐程序，而Gabriel曾在OpenAI任职，了解大语言模型的潜力。他们发现传统律师审阅一份复杂合同平均耗费数小时，且按小时计费的模式让企业法务成本极高，于是决定构建使用大模型辅助法律文献与合同审查处理的AI工作流。
发家里程碑
2022年
创立与原型测试 失败
Gabriel Pereyra与前法学院学生Winston Weinberg相识后，Winston在一家律所工作时被大量合同条款检索工作折磨。他们利用OpenAI的GPT-3接口做了初版法律问答助手。初版助手出现了严重的幻觉，给出的案例引用经常出现虚构的案件号和法条，早期合作测试律所要求必须人工核对全部结果，完全无法实现直接商业化，项目一度濒临废弃。
2022年
拐点与首家头部客户合作 拐点
团队获得在英国安理律师事务所试运行的机会，首月数百名律师团队输入了约4100个问题。他们发现虽然整体准确率较高，但其中任意一处错误都会导致律所面临法律责任风险，系统早期被限制只能做文献索引辅助。这迫使他们把模型拆解成多个任务助手而非一个全自动律师，确立了人机协作的基础模型架构。
2022年
种子轮与增长瓶颈 失败
他们获得了500万美元种子轮，OpenAI参与了这轮投资。然而在进行中型律所开拓时，多数老旧律所的基础设施根本无法接入Harvey平台，员工不得不手动复制粘贴合同内容到网页上。这导致极其糟糕的体验与极高的流失率，大部分中型律所在试用期结束后未再续签，创始团队面临被动收缩和裁撤的压力。
2023年
转型大客户高客单价模式 转折
在中型律所市场屡屡碰壁后，团队决定中止与多数中型客户的合作，改为专供大型白鞋律所和世界级咨询机构。通过高度定制化本地部署与封闭语料库微调，核心客单价推高至不少于50万美元。这极大地拉升了营收质量并过滤了低质客户，虽然短期收入减少，但成功确立了向大客户深度部署的战略方向。
2023年
B轮突破性PMF达成 PMF
红杉资本领投了8000万美元的B轮，公司估值达到7.15亿美元。同月与贝恩咨询达成全覆盖的内部合作，全面替换部分外部律师顾问工作流，将Harvey的AI系统接入内部法务数据处理流。贝恩报告显示部分合规审查时间从几小时压缩到几分钟，这不仅引发了普华永道等咨询机构的跟进签单，也正式宣告商业模式验证成功。
2024年
C轮融资与规模化扩张 增长
由Google Ventures与红杉资本一同参与8000万美元的C轮融资，估值升至13亿美元。公司员工从年初约20人扩充至60余人，并在企业级核心客户中站稳脚跟。大模型演化为多智能体工作流，客户除了顶级律所也开始接入宝洁等大型企业内部的法务与合规部门，全年收入呈现爆发性增长。
转折点
- 早期模型频繁出现幻觉给出完全虚构的法条判例后，团队痛下决心全面重组产品架构，转向可溯源的多步工作流拆解模式。
- 中型律所的测试数据处理体验极差且团队缺乏足够技术支持，让公司全盘放弃中小客户转向大型白鞋所与顶级咨询机构。
- 安理律师事务所在首月试用期间由数千个法律问题反馈显示，不能直接做全自动文书生成而必须嵌入现有合同模板中。
失败与踩坑
- 在2022年初版的全助手模型中，由于过于依赖大语言模型自由生成，导致生成的法律文书里大量案件被虚构，被测试律所直接判定为不可用。
- 团队初创后乐观认为标准化SaaS订阅制足以打动广泛律所，但在中型市场的开拓中因无法解决老旧系统部署与数据接入挑战而遭遇连番退订。
- 在2023年早期的多模态功能添加测试中，因未能导入企业内部保密性合规数据的标准约束，被部分大客户的安全审查拒之门外，险些导致重大合同流失。
关键成功要素
- 法律科技产品护城河在于高客单细水长流与深度定制，而非走中小企业大规模标准化SaaS路线。
- 在模型能力仍存极限时，复合型工作流和严格可信来源约束比单纯推出大模型本身更有商业意义。
- 贝恩和普华永道等头部咨询公司成为首批深度合作客户时显著缩短了破冰周期并有效完成了行业口碑传递。
- 核心创始人需在底层AI研究深度与传统行业核心认知上达成完美互补效应，才能将模型从实验对话推上真正的企业级工具平台。
经验教训
- 初创期对传统行业的IT基础设施预判不足会极大拖延交付周期并大量消耗团队核心产能。
- 客户最强烈的反馈往往直指系统的致命痛点，放弃幻想一刀切的大模型自动化替代是不可行的。
- 在确认大规模商业化路径前保持团队规模极度克制，能帮助团队在早期试错中积攒真实的行业语料优势。
- 转向大客户模式并不意味着放缓业务线，而是通过重服务的深度合作拓高客单并与客户业务系统共进化。
核心数据
- 种子轮(2022)：约500万美元，OpenAI投资基金参投（公开资料口径，未验独立复核）
- 团队人数：至2024年中扩充至60余名员工（公开资料口径，未验独立复核）
- 核心客户数：超20家顶级白鞋律所及四大会计师事务所如普华永道、贝恩深度签约（公开资料口径，未验独立复核）
- 第二轮融资金额：8000万美元，估值为7.15亿美元（公开资料口径，未验独立复核）
- 第三轮融资金额：8000万美元，由GV与红杉共同参与，估值达13亿美元（公开资料口径，未验独立复核）
竞争对手 / 同行
Robin AI 专注于合同审查流程的自动化，市场主要针对欧美中型律所和创业公司，总计获得约5000万美元融资，提供标准SaaS并保留人工律师后审机制。EvenUp 则专精于人身伤害案件和理赔文书自动化，初期走爬虫与模板结合路线，并在特定垂直领域取得了数千万美元ARR。Lexis+ AI 背靠律商联讯百年积淀的庞大判例数据库，试图利用底层接驳模式对非巨头客户群进行清场。Harvey相比这三家，更倾向通过高客单深度绑定头部咨询与出庭律所，避开同质化中低端红海。