A Harvey — apoiada pela OpenAI, unicórnio de IA jurídica avaliado em US$ 11 bilhões, atendendo mais de 1.300 instituições e 100.000 advogados — acaba de lançar seu primeiro modelo construído sobre uma base de pesos abertos. A base não vem da OpenAI, da Anthropic ou do Google. É o Kimi K3, o mais recente modelo de pesos abertos da Moonshot AI, da China.
A Harvey não é a exceção. É o padrão. Nos últimos seis meses, uma lista incomumente longa de produtos de IA americanos trocou silenciosamente seus fundamentos por modelos chineses de pesos abertos: o Composer 2 e 2.5, do Cursor, rodam no Kimi K2.5; o SWE-1.7, da Devin, é construído sobre o Kimi K2.7; a Cosine, de Londres, fez fine-tuning do Kimi K2.6 para criar o Lumen Outpost; e a Thinking Machines, de Mira Murati, estruturou o Inkling usando a arquitetura do DeepSeek V3 e dados sintéticos gerados pelo Kimi. Cada nova geração do Kimi agora parece gerar mais um modelo com marca americana.
“Made in America” está se tornando “pré-fabricado na China, montado na América”. Isso não é uma piada — é uma estrutura de cadeia de suprimentos. Veja o que está realmente acontecendo, por que isso importa e o que muda na forma como você deve construir.
Por que um unicórnio jurídico de US$ 11 bi preferiu o Kimi ao GPT
Comece pelo problema que a Harvey resolve. Os tribunais estão sendo queimados pela IA de uso geral: um assessor de juiz usou o Perplexity para redigir uma decisão, e a petição voltou com citações inventadas e nomes errados das partes; outro litigante escondeu texto branco dentro de um documento judicial instruindo qualquer IA que lesse o arquivo a decidir a seu favor. O trabalho jurídico expõe o que os modelos genéricos não conseguem fazer — a resposta não é o entregável, o fluxo de trabalho é.
Um advogado não recebe uma questão de múltipla escolha. Ele recebe a solicitação de um sócio e uma pilha de arquivos de clientes com verdades e armadilhas misturadas. O modelo precisa decidir por onde começar, buscar e ler continuamente, mapear riscos a citações e, então, produzir uma minuta com alterações em nível de cláusula ou um memorando que possa realmente ser entregue. Esse julgamento — quando buscar mais um documento, por que um entregável ainda está errado — vive em milhares de execuções reais, não em um prompt.
É por isso que a Harvey construiu o Tenet, seu primeiro modelo pós-treinado sobre pesos abertos, voltado para tarefas jurídicas de longo alcance com chamada de ferramentas. No próprio benchmark de agentes jurídicos da Harvey (LAB), o Tenet concluiu quase o dobro de tarefas em comparação ao seu modelo base. Os dados de treinamento, o scaffolding do fluxo de trabalho, a avaliação — isso é a propriedade intelectual da Harvey. O substrato bruto de raciocínio é o Kimi K3.
O revezamento: cada geração do Kimi vira um produto americano
A Harvey é a mais recente, não a primeira. Leia a lista como um bastão sendo passado:
- Cursor → Composer 2 / 2.5 (Kimi K2.5): a ferramenta de codificação com IA mais badalada do Vale, avaliada em dezenas de bilhões, construiu seu próprio modelo sobre os pesos abertos do Kimi após ser questionada sobre sua origem — e o Composer 2.5 manteve a mesma base.
- Devin → SWE-1.7 (Kimi K2.7): a famosa “primeira engenheira de software de IA” da Cognition agora usa abertamente o Kimi K2.7 como fundação para trabalho de codificação autônoma.
- Cosine → Lumen Outpost (Kimi K2.6): uma startup de Londres que mantém código legado de décadas para bancos e companhias aéreas fez fine-tuning do Kimi K2.6 para reduzir o “código lixo” alucinado e resolver problemas de forma proativa — uma empresa pequena que não pode gastar mais que a OpenAI, então comprou um modelo base.
- Thinking Machines → Inkling (arquitetura do DeepSeek V3 + dados sintéticos do Kimi K2.5): a startup de Murati, avaliada em mais de US$ 12 bi, referenciou a arquitetura do DeepSeek V3 para seu modelo de fundação e usou dados sintéticos gerados pelo Kimi K2.5 para iniciar o fine-tuning supervisionado.
Nenhuma dessas empresas está “apenas trocando a marca”. Elas investem dados reais, computação e experiência de domínio. Mas pararam de fingir que um modelo foi treinado do zero — porque a linhagem não importa quando o custo importa.
De dois caminhos para três: pesos abertos viram a montante
Por três anos, as startups de IA tinham duas opções. Treinar um modelo de fundação do zero — uma aposta bilionária que pouquíssimos podem pagar. Ou alugar uma API fechada (GPT, Claude) por token, o que significa que, quanto mais seu produto succeede, mais da sua margem flui para montante — e você nunca é dono do modelo.
Os lançamentos chineses de pesos abertos abriram um terceiro caminho: pegar uma base treinada, adicionar seus dados e seu conhecimento de processo, fazer o pós-treinamento para o seu negócio — e ser dono do resultado. O modelo de pesos abertos é a matéria-prima; a startup é a fábrica que o transforma em produto.
A analogia certa não é “software de código aberto” — é semicondutores. Design nos EUA, fabricação em Taiwan, montagem em todo lugar: uma indústria em camadas onde cada etapa vende para a seguinte. Os modelos chineses de pesos abertos estão se tornando os bens industriais de montante da IA — a camada de fundição. Você pode não gostar da geopolítica, mas a economia é estruturalmente familiar: a camada de commodities ganha margens mínimas, a camada de aplicação ganha a marca, e o cliente muitas vezes nunca sabe qual camada fez o silício. A maioria dos usuários desses produtos não sabe que o modelo base é chinês. Esse é precisamente o ponto — agora é infraestrutura.
O que isso significa para o mercado
Três consequências se seguem.
1. O fosso mudou de lugar. Para empresas de aplicação, a camada defensável não é mais “treinamos nosso próprio modelo” — são dados, fluxo de trabalho, avaliação e distribuição. O benchmark LAB da Harvey vale mais que os pesos do Tenet. Essa é uma mudança estrutural em onde o valor se acumula.
2. Os laboratórios fechados estão sendo comprimidos na margem. Cada tarefa que um fine-tune de pesos abertos resolve mais barato é uma tarefa removida do medidor por token de GPT/Claude. A fronteira os mantém relevantes, mas o meio do mercado está sendo commodity — uma empresa do próprio portfólio da OpenAI acabou de escolher uma base chinesa em vez da sua própria API.
3. Modelos chineses exportam influência via uso, não via vendas. Em vez de vender acesso a API, os lançamentos de pesos abertos se tornam padrões de fato adotados dentro de produtos ocidentais. O uso é o canal de distribuição; cada produto downstream lançado é uma implantação desse ecossistema.
O que fazer a respeito
- Faça benchmark da sua distribuição de tarefas, não do leaderboard. A Harvey não escolheu o Kimi por causa de um ranking — ela construiu o LAB para medir a conclusão de tarefas dentro do seu próprio fluxo de trabalho e descobriu que o modelo pós-treinado finalizava quase 2x mais. Rode esse experimento nos seus próprios dados antes de escolher uma base.
- Trate pesos abertos como padrão para tarefas restritas e de alta frequência. Para tarefas delimitadas — revisão de documentos jurídicos, código legado, setores regulados —, fine-tunes de domínio sobre bases abertas estão vencendo APIs de fronteira alugadas em custo e controle.
- Reserve APIs de fronteira para trabalho aberto. A camada de commodities cuida do repetível; a fronteira cuida do inédito. O híbrido é a arquitetura.
- Leia a licença, depois construa a avaliação. Pesos abertos não são gratuitos em todos os sentidos — verifique os termos comerciais e, então, construa primeiro seu harness de avaliação para poder trocar de base quando chegar uma melhor.
A conclusão: a pergunta não é mais “de quem é o melhor modelo?” — a camada de commodities resolve isso por preço. A pergunta é “o que você pode pós-treinar que eles não conseguem?”
