Harvey: quem fica com o conhecimento quando a IA aprende?

Eu vejo a Harvey como uma empresa de inteligência artificial que ajuda equipes jurídicas a pesquisar, analisar documentos e preparar trabalho para revisão. O caso ensina uma decisão de compra: além do tempo economizado, eu avaliaria quanto do conhecimento produzido continua utilizável pela empresa se ela trocar de fornecedor.

A rodada anunciada em setembro de 2026 torna essa discussão atual. A Harvey quer ajudar organizações a construir inteligência própria. Gosto da ambição. Mas eu levaria uma pergunta bem concreta para a demonstração: depois de corrigirmos cem documentos, o que aprendemos e o que conseguimos levar conosco?

Três pontos orientam minha leitura:

• Especialização envolve conhecer a tarefa, os documentos e o jeito de trabalhar do cliente.
• A entrega só libera tempo quando passa pela revisão necessária.
• A contratação precisa esclarecer como orientações, registros e correções podem ser preservados.

Em uma frase: o que a Harvey faz?

A Harvey oferece software de IA para escritórios de advocacia, departamentos jurídicos e serviços profissionais. Sua plataforma reúne agentes para executar tarefas, análise de conjuntos de documentos no Vault, pesquisa no Knowledge e colaboração no Spaces.

O uso cotidiano é fácil de entender. Uma equipe recebe uma pasta com contratos e precisa localizar obrigações diferentes em cada versão. A IA ajuda a percorrer o material e organizar uma primeira entrega. O profissional confere a interpretação e decide o que fazer com ela.

Na página do produto, a empresa apresenta resultados preparados para revisão e acompanhados de citações. Também mostra integrações com ferramentas como Word, Outlook e iManage. Eu não testei essas integrações; aqui estou analisando o que está documentado publicamente.

Essa separação importa. Uma função anunciada precisa funcionar com os documentos, permissões e rotinas da sua equipe.

Como a empresa começou e quem são os fundadores?

A Sequoia registra a fundação em 2022. Winston Weinberg e Gabe Pereyra reuniram experiências complementares: Weinberg vinha do trabalho jurídico com litígios; Pereyra, da pesquisa em inteligência artificial. No comunicado da rodada de março de 2026, citado adiante, Weinberg aparece como CEO e cofundador.

No anúncio do investimento de abril de 2023, a Sequoia descrevia a proposta de levar modelos de linguagem ao trabalho com segurança empresarial e separação de dados. O texto citava Allen & Overy como cliente anunciado em fevereiro e PwC em março daquele ano.

Minha leitura é que a combinação dos fundadores ajudou a escolher um problema delimitado. O advogado conhece a diferença entre um texto convincente e um documento que consegue usar. O pesquisador entende como aproximar o modelo dessa exigência.

Isso também oferece uma pista sobre distribuição. Clientes empresariais de referência ajudam a abrir conversas, mas cada implantação ainda exige confiança e adaptação. A reputação abre a porta; a rotina do usuário decide se o software permanece.

O que mudou entre o assistente inicial e o negócio atual?

A evolução que me interessa é a passagem de perguntas isoladas para trabalho organizado dentro de uma plataforma. Em vez de pedir apenas um resumo, o cliente passa a combinar documentos, orientações e etapas de uma tarefa.

Em 20 de agosto de 2026, a Harvey apresentou a prévia de pesquisa do Tenet, um modelo adaptado a partir do Kimi K3 em colaboração com a Fireworks. O anúncio descreve treinamento adicional para trabalho jurídico e ganhos nos testes conduzidos pela equipe.

Eu trato esses resultados como pesquisa divulgada pela própria empresa. O anúncio também distingue capacidades de pesquisa de recursos que seriam incorporados ao produto ao longo do tempo. Seria errado ler o texto e concluir que qualquer cliente já recebe tudo aquilo.

Há uma escolha estratégica por trás: aproximar o modelo das tarefas especializadas pode dar mais controle sobre qualidade e custo. Em compensação, aumenta a responsabilidade por manter treinamento, avaliação e produto funcionando juntos.

Como a Harvey ganha dinheiro e o que a rodada prova?

A Harvey vende software para organizações. Seus termos públicos de suporte, atualizados em março de 2026, mencionam custo por usuário definido no pedido comercial. Nas páginas consultadas, não encontrei uma tabela pública suficiente para calcular o preço de uma implantação. Eu pediria uma proposta com acesso, consumo, suporte e integração discriminados.

Em 9 de setembro de 2026, a empresa anunciou US$ 550 milhões de investimento, com avaliação de US$ 15,5 bilhões, em rodada coliderada por Diffusion e Lightspeed. A Lightspeed confirmou sua participação e apresentou a tese de conhecimento próprio das organizações.

São fontes primárias com interesse no negócio. O valuation é a avaliação de uma companhia privada naquela transação. Não representa dinheiro faturado nem retorno garantido para quem contrata o produto.

O histórico também precisa de data: em março de 2026, a Harvey já declarava mais de US$ 1 bilhão captado. Prefiro manter esse marco e a rodada posterior separados a apresentar uma soma como se fosse um total financeiro auditado.

Quem concorre com a Harvey e como eu compararia?

Eu começaria pelas tarefas que a equipe precisa entregar. Uma marca mais conhecida não resolve automaticamente a combinação certa de conteúdo, idioma e processo.

• Harvey: eu avaliaria o conjunto de agentes, documentos e colaboração, com atenção à adaptação ao trabalho do cliente e ao custo de implantação.
• CoCounsel Legal, da Thomson Reuters: a página oficial destaca pesquisa, análise e redação com conteúdo Westlaw e Practical Law. Eu verificaria a cobertura efetiva das fontes necessárias à equipe.
• Processo atual com automações menores: é o substituto que colocaria na comparação. Busca, modelos padronizados e extração de campos podem resolver uma parte do problema com menos mudança operacional.

Essa é uma comparação de critérios, não um ranking de desempenho. Não rodei um teste entre os produtos. Para uma empresa brasileira, idioma e cobertura das fontes relevantes precisam aparecer na demonstração com exemplos reais autorizados; logotipo internacional não responde a essas perguntas.

Quais desafios podem limitar o crescimento?

O primeiro é a revisão. A própria Harvey criou o Legal Agent Benchmark, ou LAB, apresentado em maio de 2026 com mais de 1.200 tarefas em 24 áreas de prática. A estrutura combina instrução, materiais do caso e entrega para revisão. Isso ajuda a avaliar trabalho mais extenso do que uma resposta isolada.

Um teste organizado pela fornecedora é uma evidência útil, mas não substitui a avaliação no contexto do comprador. Eu observaria se o revisor encontra rapidamente a origem de uma afirmação e quanto tempo leva para corrigir o resultado.

O segundo desafio é econômico. Treinamento especializado, infraestrutura e apoio à implantação custam dinheiro. Sem dados públicos suficientes de margem e retenção nas fontes consultadas, eu não concluiria que a escala anunciada já resolveu essa conta.

O terceiro é a dependência. Uma equipe pode acostumar sua operação a documentos e orientações guardados em um único ambiente. Quanto mais útil o produto fica, mais importante esclarecer a saída antes de precisar dela. É a mesma preocupação prática que discuto sobre controle de agentes de IA na empresa.

Minha análise: o conhecimento melhora mesmo depois da troca?

Eu separaria dois ganhos. Um é terminar a tarefa de hoje mais cedo. O outro é conseguir repetir amanhã o que a equipe aprendeu ao revisar a tarefa de hoje.

Considere um exemplo hipotético: uma empresa tem uma orientação interna sobre como sinalizar determinada cláusula. A IA erra, a pessoa corrige e o documento segue. Se a orientação continua só na cabeça do revisor, a próxima tarefa pode repetir o mesmo erro.

O ganho fica mais durável quando a equipe registra o critério, identifica em quais situações ele vale e consegue reutilizá-lo com autorização. Essa aprendizagem pode estar em instruções, exemplos ou documentos; não exige necessariamente treinar um modelo novo. Explico uma parte dessa lógica no texto sobre RAG, a busca de contexto antes da resposta.

A promessa de inteligência própria me interessa justamente aí. Eu quero saber quais partes pertencem ao cliente, como são atualizadas e em que formato saem do sistema. Não estou afirmando que a Harvey impede essa saída. Estou dizendo que a resposta precisa estar demonstrada e contratada.

O que eu faria antes de contratar?

Eu desenharia um piloto com duas entregas e uma única classe de documentos. Nos primeiros sete dias, definiria a amostra autorizada, o responsável pela revisão e os critérios de aceitação. A execução dependeria do acesso ao produto e das integrações necessárias.

A primeira entrega seria o trabalho revisado. Mediria o tempo desde a solicitação até a aprovação, anotando correções relevantes. Se a primeira versão sai rápido, mas exige uma tarde de conferência, a economia precisa refletir isso.

A segunda seria um pacote que a empresa consegue guardar: orientações usadas, referências permitidas e correções transformadas em critérios reutilizáveis, respeitando as regras de acesso. Pediria ao fornecedor que mostrasse como exportar esse material e como outro profissional conseguiria entendê-lo.

Eu avançaria se a equipe entregasse melhor dentro de um custo aceitável e conseguisse preservar o que aprendeu. É uma exigência pequena para uma demonstração e grande para o futuro da operação.

Perguntas rápidas

O que é a Harvey?

É uma empresa de inteligência artificial voltada a trabalho jurídico e serviços profissionais. Sua plataforma reúne pesquisa, análise documental, agentes e colaboração para equipes.

Quem fundou a Harvey?

Winston Weinberg e Gabe Pereyra fundaram a empresa em 2022. A combinação reúne experiência jurídica e pesquisa em IA.

Quanto custa usar a Harvey?

O preço final depende da proposta comercial. Os termos públicos consultados mencionam custo por usuário, mas não permitem estimar sozinhos o custo completo de uma implantação.

O valuation de US$ 15,5 bilhões prova que o produto funciona?

Não. Esse valor foi anunciado para uma rodada privada em setembro de 2026. O comprador precisa testar qualidade, custo e adequação às próprias tarefas.

Fontes e data de corte

Dados consultados em 21 de setembro de 2026. As fontes estão vinculadas às afirmações ao longo do texto: documentação e anúncios da Harvey, histórico da Sequoia, tese da Lightspeed e descrição oficial do CoCounsel. Investidores e fornecedores têm interesse comercial nos casos apresentados. As propostas de piloto e de preservação do conhecimento são minha análise, sem alegação de teste realizado.

Eu levaria essa discussão para a próxima escolha de software da equipe: medir a entrega revisada e pedir uma prova de exportação do conhecimento produzido. Para aprofundar decisões como essa no seu evento, conheça minhas palestras sobre inteligência artificial. Para acompanhar minhas análises, assine a newsletter no Substack.