Pourquoi une entreprise de 11 milliards de dollars a échangé l'IA louée contre un modèle ouvert et des données propriétaires

Harvey a construit une entreprise de logiciels juridiques évaluée à 11 milliards de dollars en utilisant les modèles d'intelligence artificielle d'autres entreprises. Le 18 août 2026, elle a annoncé avoir entraîné le sien.

Le nom est Tenet. Et le choix de la base est ce qui rend l'affaire intéressante : il n'a pas été construit à partir de zéro, ni appuyé sur le modèle le plus puissant du marché. Il a été entraîné sur la base de Kimi K3, le modèle à poids ouverts et à faible coût de la société chinoise Moonshot AI — avec des données juridiques produites par Harvey elle-même, à partir de litiges simulés et de dossiers d'affaires élaborés par des avocats engagés à cette fin.

Le résultat que l'entreprise affirme avoir atteint : une performance comparable à celle des modèles généralistes les plus puissants, pour un coût de modèle ouvert.

Pourquoi c'est contre-intuitif

La logique dominante ces dernières années a été simple : celui qui accède au modèle le plus puissant gagne. Les entreprises se disputaient l'usage de la version la plus récente du modèle le plus cher.

Ce que Harvey a fait renverse ce calcul. Elle a pris une base plus faible en capacité générale et l'a rendue meilleure là où cela compte pour elle — en utilisant ce qu'aucun laboratoire de pointe ne possède : le patrimoine de connaissances et le jugement propres à un domaine spécifique.

Un modèle généraliste connaît un peu de tout, y compris le droit. Un modèle entraîné avec les documents d'une entreprise qui vit du droit le connaît de la manière dont ce travail l'exige. Pour la tâche spécifique, le second l'emporte — et coûte une fraction du prix.

Ce qui change quand le coût par tâche s'effondre

C'est la partie qui passe souvent inaperçue, et c'est la plus importante. Harvey affirme que le faible coût rend possible de faire tourner des agents en continu sur tous les dossiers.

Observez le changement de nature. Quand chaque requête est coûteuse, l'IA est utilisée aux moments importants, sous décision humaine : quelqu'un décide de poser la question. Quand le coût baisse suffisamment, elle se met à tourner en permanence, sur tout — révisant chaque dossier, vérifiant chaque document, signalant ce que personne n'avait demandé de vérifier.

Ce n'est pas le même outil utilisé plus fréquemment. C'est une autre façon de travailler, qui n'existe qu'en dessous d'un certain seuil de prix.

Et pour ceux qui ne vont entraîner aucun modèle ?

Il faut être direct : entraîner un modèle, même sur une base ouverte, exige une échelle, des données et une équipe que l'immense majorité des entreprises ne possèdent pas — et Harvey vaut 11 milliards de dollars. Si la lecture de ce cas est « je vais entraîner le mien », le résultat se retournera contre vous.

Ce qu'il faut retenir, c'est le principe, et il s'applique à toute échelle :

1. Le facteur différenciant n'est pas le modèle, ce sont les données que vous seul possédez. Vos contrats, vos rapports, votre historique de service client, vos propositions conclues et celles qui ne l'ont pas été. Tout le monde loue le même modèle ; personne n'a votre patrimoine de données.
2. Organiser ce patrimoine est l'investissement qui survit au changement de modèle. Le modèle que vous utilisez aujourd'hui sera remplacé dans quelques mois. Les données bien organisées de votre activité continuent d'avoir de la valeur — et améliorent le résultat de n'importe quel modèle qui viendra ensuite.
3. Il existe une voie intermédiaire. Entre « utiliser ChatGPT comme tout le monde » et « entraîner son propre modèle » se trouve la zone où presque toutes les entreprises devraient se situer : alimenter le modèle avec votre base de connaissances au moment de la question, plutôt que d'attendre qu'il devine comment votre entreprise fonctionne.
4. Demandez-vous combien coûte la tâche, pas combien coûte le modèle. C'est la baisse du coût par tâche qui a changé ce que Harvey peut faire. C'est le repère utile, pas le prix de l'abonnement.

Il convient de noter le contraste avec l'autre face de la même médaille : faire tourner un modèle ouvert sur sa propre infrastructure a un coût réel que les gros titres ont tendance à masquer. Le cas de Harvey ne contredit pas cela — il montre où l'investissement est rentable : non pas dans l'hébergement du modèle, mais dans sa spécialisation avec ce que vous savez déjà.

Le résumé honnête

Deux réserves. Tenet n'est pas encore intégré au produit de Harvey et aucune date de lancement n'a été annoncée — la performance décrite est celle rapportée par l'entreprise, pas quelque chose que des clients utilisent déjà. Et les chiffres de comparaison proviennent de Harvey elle-même, sans vérification indépendante.

Ce qui est déjà clair, indépendamment de ce qu'il adviendra de Tenet : l'entreprise qui avait le plus de raisons de continuer à louer le modèle des autres — parce qu'elle a construit 11 milliards de dollars de valeur en faisant exactement cela — a conclu que cela valait la peine d'avoir le sien, bâti sur une base ouverte et peu coûteuse, avec des données qu'elle seule possède.

Faits vérifiés à partir de l'annonce de Harvey du 18 août 2026, de la couverture de Business Insider et de l'actualité technologique d'août 2026. La performance de Tenet est rapportée par l'entreprise elle-même.