Winston Weinberg

Harvey CEO Winston Weinberg 所说的性能平台期只存在于消费端。 他说，消费场景的模型性能可能已经进入平台期，但这本身就是误称，因为“4已经够好了，我们不需要更多”；消费者需要的是上下文——连接日历和应用，而不是更强的推理能力。企业端仍会持续进步，代码生成的“斜率只会继续上升”，未来12个月不会平台期，而是“以极快速度变得好得多”。

如果 Anthropic 报价350、OpenAI报价800，他会“以两倍价格把两家都买下来”。 不过，在看到OpenAI进一步押注消费端之前，他未必愿意以1.6买入；OpenAI在科技圈外的品牌“强得难以置信”。企业端会有多个赢家，消费端则是OpenAI对Google。AI能力的过剩程度“远高于任何人的讨论”：两家实验室“现在立刻停止开发”，AI对经济的渗透仍会“继续飙升”。

企业要再等3-5年，才会迎来大规模生产率提升。 相关能力“两年前就已经存在”，但平均工作流需要从17个系统提取数据（“17个可能还是低估，有时像50个”），而让Agent跨越漫长尾部、端到端完成任务，难度极高。

Harvey的ARR从7增至55，再增至190；Weinberg今年的目标“远高于”Harry Stebbings估算的约400-500。 按8B美元估值计算，年末预期收入的20-25倍“基本合理”，100倍则“有点悬”。他把团队拿来对标约30亿美元收入的Anthropic，而不是法律AI同行；成功取决于市场拉力，而不只是执行力，“未来几年就会决定赢家和输家”。

GRR的清算终将到来：投资人盯着净新增ARR，对流失睁一只眼闭一只眼；AI应用公司则约90%招聘前端工程师，用缺乏基础设施支撑的vibe-coded Demo获客。 “等他们越过1亿美元ARR之后，这会成为一场巨大的清算。”Harvey的应对是：EPD团队约40%如今是资深基础设施工程师，去年处理了约5亿份文件。

“B2B SaaS的价值即将变得天文数字般庞大”。 关键不是Alex Rampell所说的“人质”，而是Palantir式的ROI绑定：年付约100万美元的律所，曾凭定制化Harvey方案拿下价值2000万美元的并购委托。预算已经从每年“数十亿美元”的专业服务支出中转移，而不是从技术预算中转移；今天付100万美元的客户，未来完全可能付1亿美元。

做交易有两条规则：多听少说，以及知道什么时候不要谈判。 “很多做交易的人以为推动就是行动……其实所有交易都只是人在阅读”；当你比所有人更理解一件事的价值时，就应把原则性谈判放到一边，只拿到那一个关键点。融资时同理：优化合作伙伴，而不是价格；早期用小额支票换取信息权，完成明确里程碑，融资“12小时内就能完成”。

所谓“造王”大多是神话。 绝大多数Harvey客户甚至不知道Sequoia或a16z是谁；对律师而言，EQT的品牌影响力可能高于硅谷。资本本身不会带来胜利——“1000亿美元如果投错地方，照样归零”；真正有效的渠道只有招聘，但被Logo吸引来的人“通常并不太在乎使命”。

🔗 原始收听与视频来源： Harvey CEO Winston Weinberg：如何做成超级大单｜Rabois、Halligan 与 Grady 的经验

Harvey诞生于一次看似意外、实则极具说服力的 GPT-3 测试：100个房东—租客问题中，有86个答案通过了3名律师的盲测，达到“无需修改即可发送”的标准。 团队当时通过暴力扩展上下文，并使用早期的思维链提示；随后他们冷邮件联系了 OpenAI 总法律顾问，对方回复：“我完全没想到这些模型在法律领域这么强。” Weinberg 真正押注的是进步曲线——更好的模型，加上更好的上下文、评估和应用工程——而不是 GPT-3 已经能够一次性解决复杂法律问题。

在商业层面，Harvey称其已拥有超过250家客户、5000万美元ARR，并在融资超过5亿美元后继续扩张；但比规模数字更重要的是它对分销路径的判断。 它没有从初创公司或中端市场客户切入，而是先争取 A&O Sherman、PwC 等高要求机构，再与参与该轮融资的 Lexis 合作，把后者在行业中的声誉、信任和产品与 Harvey 的 AI 结合起来。“最好的办法，就是先去争取最难搞定的客户”：顶级设计合作伙伴能够定义工作流、建立合法性，并打开其余这个高度保守的市场。

产品策略是先拓展狭窄、高质量的工作流，再把它们收束成一个简单界面。 Harvey正在构建30—50个可复用的“AI模式”，覆盖从案例法研究等通用生产力工具，到端到端专业工具；随后通过编排，让用户上传一份股份购买协议后，系统自动触发7项相关操作，而不是把“1万条工作流”暴露给用户。它的目标是端到端完成一份 S-4 文件；另一个例子是评估72个国家的反垄断申报要求。

可靠性不是单一门槛：通用工具的胜负在于让不完美的工作变得易于核验，而专业工具需要更高的最低质量，但也更容易递归式评估。 对前者，Harvey通过初级律师到合伙人的审阅金字塔展示工作过程，提供解释和行内引用——“展示你的工作”。对后者，每个限定步骤都可以单独测试；这也是 Weinberg 称通用基准“对我们完全没用”的原因，并促使公司聘请资深律师设计任务、评判输出。

Weinberg预计，AI将取代法律工作中的任务、压缩学徒期，并重塑律所经济学，而不只是简单消灭律师或计时收费。 那些让律师在5到10年内接触不到战略工作的重复劳动，可能转为固定费用、律师参与审核的交付；稀缺的资深建议则会继续按小时收费，甚至更贵——他在不确定的情况下提出，资深专家的费率或许应是初级律师的10倍，而不是3倍。律所还可以把自己的业务能力编码进 Harvey，作为软件出售，从而把目前作为争取大型交易的折价或亏损引流业务，变成有利可图的产品。

推理能力的提升会把 Harvey 的工作流边界向外推，而推理成本下降，则让它能够在所有用户群体上提升质量，而不是一味优化成本。 推理模型可以把反垄断分析从判断应在哪些国家申报，推进到准备申报文件；价格下降则让 Harvey 能够投入更多算力换取质量。由于法律和税务尽调都在做同一件事——“把所有这些规则应用到这些文件上”——相同的模式可以迁移到税务、审计、交易及其他专业服务领域。

更广义的应用层逻辑，是瞄准“每个 token 的价格”足够高的工作，再从从业者那里学习真实工作流，而不是在科技圈内部空想。 Weinberg建议创始人去观察硅谷之外的行业，并预测编程、医疗等领域将出现专业工作完成能力的突破，让专家感受到类似 ChatGPT 初次出现时的冲击。他对采用情况的判断同样重要：专业人士会拒绝抽象的“Skynet取代人类”叙事，但“当人们看见这些工具并真正用起来，他们就会想要它”。

🔗 原始收听与视频来源： Harvey AI如何改变法律行业：Winston Weinberg