Harvey च्या ताज्या $550 दशलक्ष निधी उभारणीमुळे तिचे मूल्यांकन $15.5 अब्जपर्यंत पोहोचले आहे – जे कंपनीच्या वार्षिक आवर्ती महसुलाच्या (ARR) ३९ पट आहे. ARR आता $400 दशलक्षच्या वर असून आणि मार्चपासून ग्राहक आधार दुप्पटाहून अधिक झाला असल्याने, गुंतवणूकदार कायदेशीर विभागांमधील AI-आधारित वर्कफ्लो ऑटोमेशनवर मोठी पैज लावत आहेत.

निधी उभारणी फेरीचा तपशील

या फेरीचे नेतृत्व नवीन आणि विद्यमान गुंतवणूकदारांच्या मिश्रणाद्वारे करण्यात आले. Lightspeed, Diffusion, Sapphire Ventures आणि Whale Rock यांनी यात सहभाग घेतला, तर Sequoia, Kleiner Perkins आणि a16z यांनी त्यांच्या आधीच्या हिश्श्यांमध्ये अधिक गुंतवणूक केली. २०२२ मध्ये स्थापनेपासून, Harvey ने $1.5 अब्जाहून अधिक निधी जमा केला आहे, जे दर्शवते की बाजार AI-केंद्रित लीगल टेकला किती वेगाने आर्थिक पाठबळ देण्यास तयार आहे.

OpenAI पासून स्वतःच्या (proprietary) मॉडेल्सपर्यंत

आतापर्यंत Harvey ने आपल्या बहुतांश सेवांसाठी OpenAI च्या मोठ्या प्रमाणावरील मॉडेल्सवर अवलंबून राहिला आहे. नवीन भांडवलाचा वापर स्वतःचे मॉडेल वेट्स (model weights) आणि एक 'रूटिंग लेअर' (routing layer) विकसित करण्यासाठी केला जाईल, जे कार्य सर्वात कार्यक्षम इंजिनकडे सोपवू शकेल. मुख्य मॉडेल स्टॅक स्वतःच्या मालकीचा असल्याने Harvey ला बाह्य प्रदात्याच्या किंमत किंवा रोडमॅपवर अवलंबून न राहता कामगिरी, खर्च आणि डेटा-गोपनीयता नियंत्रणांमध्ये सुधारणा (fine-tune) करणे शक्य होईल.

टॅलेंट-फर्स्ट अधिग्रहण धोरण

२०२६ मध्ये कंपनीने Guardrails AI चे अधिग्रहण करून आपली चौथी खरेदी पूर्ण केली. हे अधिग्रहण उत्पादनांच्या ओव्हरलॅपपेक्षा टॅलेंटसाठी (कौशल्य) अधिक महत्त्वाचे आहे. Guardrails सोबत असे इंजिनिअर्स आले आहेत जे AI एजंट्सना दीर्घकाळ कडक धोरणात्मक मर्यादांमध्ये (policy boundaries) कार्यक्षम ठेवण्यात तज्ञ आहेत – ही क्षमता कॉन्ट्रॅक्ट रिव्ह्यू, कंप्लायन्स चेक आणि इतर उच्च-जोखीम असलेल्या कायदेशीर कामांचे ऑटोमेशन करताना अत्यंत महत्त्वाची ठरते.

पैसा कुठे वाहत आहे

लॉ फर्म्स पारंपारिकपणे तासाप्रमाणे शुल्क आकारतात, त्यामुळे वकील दैनंदिन कामासाठी जो वेळ खर्च करतात, तो कमी करणारे साधन महसुलावर सकारात्मक परिणाम करू शकते. याउलट, कॉर्पोरेट कायदेशीर विभागांवर खर्च कमी करण्याचा दबाव असतो. त्या विभागासाठी Harvey चा प्रस्ताव खर्च टाळणे आणि जलद सेवा यावर भर देतो, आणि आकडेवारीनुसार हा दृष्टिकोन यशस्वी होत असल्याचे दिसते: कंपनी आता ३,००० हून अधिक संस्थांना सेवा देते, जी मार्चमध्ये १,३०० होती, आणि Am Law 100 मधील ८० टक्के संस्था त्यांचे प्लॅटफॉर्म वापरतात असा दावा करते. Microsoft आणि Latham & Watkins सारख्या मोठ्या ग्राहकांमुळे याला अधिक विश्वासार्हता प्राप्त झाली आहे.

स्पर्धात्मक दबाव

Anthropic आणि OpenAI दोन्ही त्यांच्या अफाट लँग्वेज-मॉडेल तज्ञतेचा वापर करून कायदेशीर क्षेत्रासाठी विशेष सेवा आणत आहेत. Harvey चे वेगळेपण संपूर्ण वर्कफ्लो स्टॅकच्या मालकीमध्ये आहे – म्हणजेच डॉक्युमेंट इनजेशनपासून (document ingestion) मूल्यमापनापर्यंत आणि नको असलेले आउटपुट रोखणाऱ्या सेफ्टी लेयरपर्यंत. जर ते मोठ्या AI लॅब्सपेक्षा हा स्टॅक अधिक सक्षम ठेवू शकले, तर हे प्रीमियम मूल्यांकन योग्य ठरू शकते.

जोखीम आणि प्रतिवाद

मॉडेल-मालकीच्या धोरणामुळे काही प्रश्नही निर्माण होतात. स्वतःचे प्रोपायटरी वेट्स (proprietary weights) तयार करणे आणि ते राखणे यासाठी मोठ्या भांडवलाची आणि खोलवर कौशल्याची गरज असते, ज्या संसाधनांची उद्योगात आधीच कमतरता आहे. लॉ फर्म्स अशा साधनांना विरोध करू शकतात जे त्यांच्या बिलिंगच्या तासांवर परिणाम करतात, ज्यामुळे कायदेशीर-तंत्रज्ञान (legal-tech) वाढीसाठी ऐतिहासिकदृष्ट्या महत्त्वाच्या असलेल्या विभागात याचा वापर मर्यादित होऊ शकतो. जर एखाद्या मोठ्या AI लॅबने त्यांच्या सध्याच्या मॉडेल्समध्ये पूर्ण-स्टॅक कायदेशीर वर्कफ्लो समाविष्ट करण्याचा निर्णय घेतला, तर Harvey चे वर्चस्व (moat) मोठ्या प्रमाणात कमी होऊ शकते.

पुढे काय पाहावे

  • मॉडेलची कामगिरी विरुद्ध खर्च – सुरुवातीचे बेंचमार्क हे स्पष्ट करतील की Harvey चे इन-हाऊस मॉडेल्स OpenAI च्या सेवांच्या किंमत-कामगिरीशी (price-performance) स्पर्धा करू शकतात की नाही.
  • नियामक तपासणी (Regulatory scrutiny) – जसजसे AI सिस्टम अधिक गोपनीय कायदेशीर डेटा हाताळतील, तसतसे गोपनीयता नियामक नवीन अनुपालन (compliance) आवश्यकता लागू करू शकतात, ज्यामुळे अंमलबजावणीच्या वेगावर परिणाम होऊ शकतो.
  • पुढील अधिग्रहण – Guardrails चा व्यवहार टॅलेंट-फर्स्ट धोरण सुचवतो; अतिरिक्त भरतीमुळे उत्पादन लाँचचा वेग वाढू शकतो, परंतु यामुळे खर्चाचा दर (burn rate) देखील वाढू शकतो.
  • ग्राहक गळती (Customer churn) – कॉर्पोरेट कायदेशीर विभागांमधील ग्राहक टिकवून ठेवण्याचे प्रमाण (retention rates) हे खर्च बचतीचे आश्वासन दीर्घकालीन करारांमध्ये रूपांतरित होते की नाही, याचा मुख्य निर्देशक ठरेल.

जर Harvey इन-हाऊस कायदेशीर बाजारपेठेत आपले वर्चस्व निर्माण करू शकले, तर 39 × ARR हे मूल्यांकन एक फायदेशीर ठरलेला मोजलेला डाव (calculated gamble) म्हणून पाहिले जाऊ शकते. जर व्यापक AI प्लॅटफॉर्म्स तुलनीय वर्कफ्लो सोल्यूशन्स देऊ लागल्या, तर हे प्रीमियम मूल्य कमी होऊ शकते आणि कंपनीला केवळ मर्यादित स्पर्धात्मक फायद्यावर आधारित मूल्याचे संरक्षण करावे लागेल.