Construir o alquilar IA: la ronda de $550M de Harvey como prueba

Si tu producto, tu precio o la confianza de tus clientes depende de una API de modelo alquilada, la nueva ronda de Harvey es una prueba de estrés. La firma de IA legal cerró una ronda de $550 millones a una valoración de $15.5 mil millones, con Diffusion y Lightspeed Venture Partners como codelead. Sus ingresos recurrentes anuales han superado los $400 millones y ahora atiende a más de 3,000 clientes. Eso equivale a aproximadamente 39 veces los ingresos. El múltiple importa porque presupone un futuro en el que la capa de modelos deja de ser un insumo commoditizado.

El producto inicial de Harvey se basaba en la tecnología de OpenAI. Fue la decisión correcta cuando el modelo era un componente, no el producto. El cliente compraba el flujo de trabajo, la interfaz, la confianza y la velocidad. Alquilar el modelo es más barato que entrenarlo, y permite lanzar el producto antes de que la elección del modelo esté resuelta.

Las cinco preguntas que obligan a decidir

• Centralidad del flujo de trabajo: ¿el modelo es la razón por la que el cliente se queda, o es una función detrás de esa razón?
• Costo de cambio: ¿cuánto reentrenamiento, revalidación y reaseguramiento al cliente exigiría un cambio de modelo?
• Exposición de margen: ¿el costo por token varía con el uso, y puedes trasladarlo sin perder el contrato?
• Ventaja de datos: ¿tu flujo de trabajo genera retroalimentación que mejora un modelo que tú controlas?
• Riesgo de propiedad del modelo: ¿puede el proveedor subir precios, cambiar términos o vender la misma capacidad a tu comprador?

La mayoría de los productos de IA tempranos deberían responder no a las dos primeras y sí a la última, de forma moderada. Alquila. En el momento en que el modelo se convierte en el flujo de trabajo, la pregunta cambia de costo a control.

Usa las respuestas para definir la postura. Si la centralidad del flujo de trabajo y el costo de cambio son bajos, sigue alquilando e invierte el ahorro en el flujo de trabajo del cliente. Si la exposición de margen y el riesgo de propiedad del modelo son altos, pero la ventaja de datos aún es escasa, añade una cobertura con un modelo post-entrenado. Si el modelo es el producto, el costo de cambio es alto y tu flujo de trabajo genera datos que solo tú puedes usar, comprométete con el entrenamiento interno.

La cobertura es opcionalidad, no supremacía

Harvey presentó Tenet, un modelo open-weight post-entrenado de desarrollo interno, y Harvey LAB, un benchmark para agentes de IA legal. Tenet es un producto afinado basado en la base open-weight Kimi K3 de Moonshot AI, un LLM de código abierto con 2.8 billones de parámetros. Harvey construyó uno de sus productos sobre un modelo open-weight chino porque era lo suficientemente capaz y más barato que una API de modelo frontier estadounidense. El modelo interno no necesita superar a cada modelo frontier. Necesita mantener el flujo de trabajo en funcionamiento si la capa alquilada se vuelve cara, lenta o políticamente inconveniente.

Harvey asigna cada tarea al modelo de menor costo que pueda ejecutarla adecuadamente, en lugar de depender de un solo modelo para todas las solicitudes. Ese enrutamiento es el verdadero producto. Convierte la elección de modelo en una decisión operativa, no en una prueba de lealtad de marca. Una empresa que puede cambiar de modelo por tarea puede mantener el modelo frontier caro para los pocos pasos donde la calidad importa, mientras usa modelos más baratos para los pasos rutinarios.

La tabla de enrutamiento cambia el cálculo de construir versus alquilar. Cuando una API frontier sube los precios, el fundador puede mover una tarea, absorber el cambio o sustituir por un modelo más barato. El cliente ve el mismo flujo de trabajo. El proveedor ve una participación menor de los ingresos. El alquiler se convierte en un costo variable, no en una dependencia fija. El fundador sigue pagando por el frontier, pero el producto no se rompe cuando cambia el precio.

Cuando el proveedor se convierte en competidor

La objeción más fuerte a construir es simple: las APIs frontier mejoran rápido y un equipo pequeño no puede igualarlas. Justo. El error es tratar la API como una utilidad permanente. Los proveedores de modelos de Harvey se están convirtiendo en competidores, ya que Anthropic lanzó complementos legales para Claude y OpenAI trabajó con bufetes para personalizar ChatGPT. Si tu comprador puede obtener una versión decente de tu flujo de trabajo del proveedor del modelo, tu ventaja tiene que ser el flujo de trabajo, los datos y la confianza.

El mismo proveedor que vende tokens puede vender el flujo de trabajo a tu comprador. La velocidad importa cuando la API es un componente. Importa menos cuando el flujo de trabajo, los datos y la confianza son el producto.

Winston Weinberg, director ejecutivo de Harvey, dijo que los modelos post-entrenados son parte del proceso por el cual las empresas de software se convierten en empresas de IA y que el entrenamiento de modelos es una capacidad competitiva. Harvey está expandiendo su equipo y gastará fuertemente en su harness y en su propio entrenamiento de modelos. Esa es la parte cara de la cobertura. También es la parte que hace que la cobertura sea real. Si las cinco preguntas apuntan al control, la cobertura vale la pena comprarla incluso cuando el modelo alquilado aún gana en calidad bruta.

Este artículo es información general, no asesoramiento de inversión ni legal.