Harvey AI — 심층 분석

Harvey AI 로고는 전통적인 법률적 엄격함과 차세대 생성형 AI (Generative AI)의 융합을 상징합니다.

기업 개요
Counsel AI Corporation이 개발한 Harvey AI는 수직 계열화된 법률 AI (Legal AI) 분야에서 논란의 여지 없는 시장 리더로 자리 잡고 있습니다. 2022년 Winston Weinberg (O’Melveny & Myers의 전직 주니어 변호사)와 Gabe Pereyra (Google DeepMind의 전직 연구 과학자)에 의해 설립된 Harvey는 단순하지만 심오한 관찰에서 탄생했습니다. 즉, 기하급수적인 데이터 성장 시대에 수동적인 문서 검토 및 초안 작성에 의존하는 법률 산업의 방식은 비효율적인 병목 현상이라는 점이었습니다. TV 시리즈 Suits의 캐릭터인 Harvey Specter의 이름을 딴 이 회사는 주니어 어소시에이트 (Junior Associates)의 단순 반복 업무를 처리할 수 있는 "슈퍼 변호사" 어시스턴트를 만드는 것을 목표로 했습니다.

오늘날 Harvey는 단순한 도구가 아니라 현대 법률 실무를 위한 운영 체제 (Operating System)입니다. 이 회사는 단순한 채팅 기반 문서 검토 도구에서 포괄적인 에이전트 플랫폼 (Agentic Platform)으로 진화했습니다. 2026년 초 기준으로, Harvey는 60개국의 1,500개 로펌 및 기업 법무 부서에서 142,000명 이상의 전문가가 플랫폼을 사용하고 있다고 자랑합니다. 특히 O’Melveny, A&O Shearman, Latham & Watkins, Comcast, Verizon과 같은 거물급 기업을 포함하여 AmLaw 100 로펌 중 65개 이상의 기업에서 활용되고 있습니다.

회사의 재무적 궤적 또한 놀랍습니다. 2025년 12월에 기업 가치를 80억 달러로 두 배 높이기 위해 1억 6,000만 달러를 조달한 후, Harvey는 2026년 3월 25일에 2억 달러 규모의 대규모 시리즈 C (Series C) 라운드를 마감했습니다. 국부 펀드인 GIC와 Sequoia Capital이 공동 주도한 이 라운드를 통해 회사의 가치는 110억 달러로 평가되었습니다. 총 조달 자본이 현재 12억 달러를 초과함에 따라, Harvey는 최근 보고서에서 인용된 특정 지표에 따라 연간 반복 매출 (ARR, Annual Recurring Revenue)이 약 1억 달러에서 1억 9,000만 달러 사이의 실행 속도 (Run-rate)를 달성했습니다. 이들의 미션은 변호사들이 저가치·고물량 업무를 안전하고 독점적인 AI 에이전트 (AI Agents)에게 위임함으로써 자신의 전문성을 발전시킬 수 있도록 돕는 데 집중되어 있습니다.

최신 뉴스 및 발표

법률 AI (Legal AI) 환경은 급격히 변화하고 있으며, Harvey는 혁신과 치열한 경쟁의 중심에 서 있습니다. 지난 90일 동안의 주요 발전 사항은 다음과 같습니다:

에이전트 폭발 및 사용 지표: Business Insider와의 주요 독점 인터뷰(2026년 5월 5일)에서 CEO Winston Weinberg는 Harvey가 소프트웨어 내에 500개의 서로 다른 AI 에이전트 (AI Agents)를 실시간으로 배포했다고 밝혔습니다. 이 에이전트들은 실사 (Due Diligence)부터 소송 지원 (Litigation Support)에 이르기까지 주요 전문 분야 전반의 워크플로 (Workflows)를 다룹니다. 채택률은 "폭발적"이며, 사용자들이 하루에 700,000개 이상의 에이전트 기반 작업을 수행하고 있습니다. 또한, 에이전트 도입에 힘입어 사용자당 Harvey 플랫폼 체류 시간이 지난 4개월 동안 75% 증가했습니다. 출처

Ansarada와의 전략적 파트너십: 2026년 4월 28일, Harvey는 AI 기반 가상 데이터룸 (Virtual Data Rooms, VDR)의 선두주자인 Ansarada와의 심층 통합을 발표했습니다. 이 파트너십은 "AI 보안 VDR 링크"를 생성하여, 변호사들이 M&A 거래에 필요한 엔터프라이즈급 보안 표준을 유지하면서 Harvey 인터페이스 내에서 직접 실사를 수행할 수 있도록 합니다. 출처

Series C 펀딩 및 110억 달러 기업 가치: 2026년 3월 25일에 확정된 바와 같이, Harvey는 110억 달러의 기업 가치로 2억 달러 규모의 Series C 라운드를 마감했습니다. 이번 거래는 법률 AI의 지속 가능성에 대한 GIC 및 Sequoia와 같은 최상위 투자자들의 신뢰를 보여줍니다. 출처

Fast Company 선정: 2026년 3월, Fast Company는 Harvey가 유용한 도구에서 전 세계 엘리트 로펌의 절반 이상에게 없어서는 안 될 일상적인 습관으로 전환되었다는 점을 언급하며 Harvey를 "가장 혁신적인 기업 (Most Innovative Companies)" 중 하나로 선정했습니다. 출처

Legora의 경쟁 압력: 경쟁 구도가 가열되고 있습니다. 경쟁 스타트업인 Legora는 Nvidia Ventures의 지원을 받은 후 2026년 4월에 56억 달러의 기업 가치를 달성했습니다. Legora는 2026년 5월 자체적인 에이전트 기반 "법률 운영 체제 (Legal Operating System, Legora aOS)"를 출시했으며, 역량을 강화하기 위해 캐나다 스타트업인 Walter AI를 인수했습니다.

이는 맞불 광고 캠페인과 시장 점유율을 차지하기 위한 치열한 전투를 촉발했습니다. 출처 Anthropic의 참전: 2026년 5월 12일, Anthropic은 Claude를 위한 법률 실무 플러그인(legal practice plug-ins)을 발표하며 법률 기술 스택(legal tech stacks)에 직접 통합했습니다. Harvey의 독립형 플랫폼(standalone platform)에 대한 직접적인 경쟁자는 아니지만, 이러한 움직임은 파운데이션 모델(foundational model) 제공업체들이 법률 수직 시장(legal vertical)을 점점 더 겨냥하고 있음을 시사하며, 잠재적으로 개발자 생태계를 파편화할 수 있습니다. 출처 CEO의 주니어 변호사에 대한 비전: 자동화의 부상에도 불구하고, Weinberg는 로펌들이 주니어 변호사의 역할을 줄여서는 안 된다고 공개적으로 밝혀왔습니다. 대신 그는 에이전트(agents)가 '단순 반복 업무(grunt work)'를 맡게 됨으로써, 로펌이 사건당 투입하는 변호사 수는 줄이되 전체적인 사건 처리 수는 늘릴 수 있으며, 이를 통해 법률 서비스의 전체 시장 규모(total addressable market)를 성장시킬 수 있다고 주장합니다. 출처 제품 및 기술 심층 분석 Harvey의 플랫폼은 보안, 특수성, 그리고 에이전트 역량(agentic capability)을 기반으로 구축되었습니다. 범용 LLM(general-purpose LLMs)과 달리, Harvey는 법령, 규정, 글로벌 판례, 그리고 파트너 로펌들로부터 제공받은 수백만 개의 익명화된 법률 문서를 포함한 독점적인 법률 데이터로 미세 조정(fine-tuned)되었습니다. 아키텍처: 에이전트 계층(The Agentic Layer) Harvey의 현재 가치 제안의 핵심은 에이전트 워크플로우 엔진(Agentic Workflow Engine)입니다. 단순한 질의응답(Q&A)을 넘어, Harvey의 에이전트들은 인간의 감독 하에 다단계 작업(multi-step tasks)을 자율적으로 수행하도록 설계되었습니다. 작업 정의(Task Definition): 변호사가 목표를 정의합니다 (예: "이 500개의 NDA에서 표준에 벗어난 면책 조항을 검토하라"). 에이전트 실행(Agent Execution): 특화된 에이전트가 이를 데이터 수집(ingestion), 조항 추출(clause extraction), 리스크 점수 산정(risk scoring), 요약 생성(summary generation) 등의 하위 작업으로 분해합니다. 검증 루프(Verification Loop): Harvey는 기본 에이전트의 작업을 확인하는 "품질 관리 에이전트(quality-control agents)"를 운용합니다. Weinberg는 에이전트가 더 복잡한 작업을 처리함에 따라 인간의 감독이 줄어드는 것이 아니라 오히려 더 중요해지며, 이에 따라 강력한 검증 프로세스가 필요하다고 언급했습니다. 결과물 전달(Output Delivery): 최종 결과물(예: 수정 사항이 표시된 메모(redline memo) 또는 실사 보고서(diligence report))이 검토 및 서명을 위해 변호사에게 제공됩니다.

주요 기능

Agent Builder: 변호사가 Python이나 TypeScript를 작성하지 않고도 자신만의 에이전트를 맞춤 설정할 수 있는 노코드 (no-code) 인터페이스입니다. 이는 로펌 내 자동화를 민주화하여, 파트너 변호사들이 특정 전문 분야(예: 지식재산권 (IP) 라이선싱, 노동법)를 위한 니치 (niche) 에이전트를 직접 구축할 수 있게 합니다.

보안 데이터룸 (Secure Data Room) 통합: 새로운 Ansarada 통합을 통해 민감한 M&A 데이터를 보안 가상 데이터룸 (VDR) 환경을 벗어나지 않고도 Harvey의 AI가 분석할 수 있도록 보장합니다. 이는 기업 법무팀의 가장 큰 진입 장벽인 데이터 프라이버시 문제를 해결합니다.

Microsoft Azure 인프라: Harvey는 Azure OpenAI Service 상에서 구동되며, o1-preview, o1-mini, GPT-4, GPT-4 Turbo와 같은 모델을 활용합니다. 이 인프라는 엄격한 컴플라이언스 표준 (SOC 2, ISO 27001)을 준수하면서 대규모 문서 처리에 필요한 컴퓨팅 파워를 제공합니다.

에코시스템 (Ecosystem) 통합: Harvey는 Word, Outlook, SharePoint에 직접 임베드 (embed)됩니다. 변호사들이 작업 맥락을 전환할 필요 없이, 이미 업무를 수행 중인 환경으로 AI를 가져다줍니다.

보안 및 컴플라이언스 (Security & Compliance)

65개 이상의 엔터프라이즈급 보안 통제 항목을 갖춘 Harvey는 업계 최고 수준의 표준을 충족합니다. 주요 기능은 다음과 같습니다:

• SAML SSO 통합
• 모든 AI 상호작용에 대한 감사 로그 (Audit logs)
• IP 허용 목록 (IP allow-listing)
• 포괄적인 데이터 생명주기 관리 (Data lifecycle management)

이러한 보안 태세 덕분에 Syngenta, Repsol, Adecco와 같은 Fortune 500 기업들이 가장 기밀인 법률 업무를 Harvey에 맡기고 있습니다.

GitHub 및 오픈 소스

Harvey 자체는 독점적인 SaaS 플랫폼이지만, 오픈 소스 이니셔티브와 커뮤니티 활동을 통해 투명성과 개발자 참여에 대한 의지를 명확히 보여주고 있습니다.

공식 리포지토리 (Official Repositories)

harveyai/harvey-labs: 이는 Harvey의 핵심적인 오픈 소스 기여입니다. 법률 업무 지원을 위한 에이전트 역량을 평가하고 개선하기 위해 특별히 구축된 벤치마크 스위트 (benchmark suite)입니다. 벤치마크를 오픈 소스로 공개함으로써, Harvey는 더 넓은 AI 커뮤니티가 다양한 모델이 법률 특화 작업에서 얼마나 잘 수행되는지 테스트할 수 있게 하며, AI의 "법률적 추론 (legal reasoning)"에 대한 표준을 육성합니다.

활동: 계약 분석 및 실사 (due diligence)를 위한 평가 지표를 개선하기 위해 정기적인 업데이트가 이루어지며, 활발한 개발이 지속되고 있습니다.

커뮤니티 및 제3자 도구: GitHub에 있는

# 실제 시나리오에서는 파일 바이너리를 업로드하게 됩니다.
# 여기서는 Harvey가 기대하는 페이로드 (payload) 구조를 시뮬레이션합니다.
payload = {
    "document_type": "nda",
    "jurisdiction": "US-NY",
    "focus_areas": ["indemnification", "termination", "liability_cap"],
    "output_format": "markdown"
}

try:
    response = requests.post(HARVEY_API_URL, headers=HEADERS, json=payload)
    response.raise_for_status()
    result = response.json()

    print("=== Harvey AI Summary ===")
    print(f"Confidence Score: {result.get('confidence_score')}")
    print(f"Summary: \n{result.get('summary')}")

    risks = result.get('risks', [])
    if risks:
        print("\n⚠️ Identified Risks:")
        for risk in risks:
            print(f"- [{risk['severity']}] {risk['clause_text']}")

except requests.exceptions.HTTPError as err:
    print(f"HTTP Error: {err}")
except Exception as e:
    print(f"An error occurred: {e}")

# 사용법
if __name__ == "__main__":
    summarize_contract("contract_123.pdf")

예시 2: LangChain + Harvey 백엔드를 사용한 커스텀 에이전트(Custom Agent) 구축

개발자들은 복잡한 법률 워크플로우 (workflow)를 조율하기 위해 LangChain과 같은 프레임워크를 자주 사용합니다. 아래는 Harvey를 백엔드 엔진으로 사용하는 "실사 에이전트 (Due Diligence Agent)"를 정의하는 개념적 예시입니다.

// 가상의 @harvey/sdk 래퍼 (wrapper)를 사용한 TypeScript 예시

import { HarveyClient } from '@harvey/sdk';
import { Agent, Task, HumanInTheLoop } from 'langchain-agents';

const harvey = new HarveyClient({
    apiKey: process.env.HARVEY_API_KEY
});

// 태스크 (task) 정의: M&A 대상 문서 검토
const dueDiligenceTask: Task = {
    description: "제공된 데이터 룸 (data room) 문서를 분석하여 숨겨진 부채를 찾아내십시오.",
    expectedOutput: "심각도 순으로 정렬된 부채에 대한 구조화된 JSON 보고서."

, agentType : " legal-due-diligence-v2 " , // 특정 Harvey 에이전트 유형 }; // 에이전트 초기화 const ddAgent = new Agent ({ name : " M&A_Due_Diligence_Agent " , backend : harvey , task : dueDiligenceTask , verificationStep : true , // Harvey의 품질 관리 (quality-control) 에이전트 루프 활성화 }); async function runDiligence ( docIds : string []) { console . log ( " 자동화된 실사 (due diligence)를 시작합니다... " ); // 에이전트 실행 const result = await ddAgent . execute ({ inputs : { document_ids : docIds }, context : { firm_id : " omelveny_001 " } }); // 인간 참여형 (Human-in-the-loop) 검토 const reviewRequired = await HumanInTheLoop . requestReview ( result . report ); if ( reviewRequired . approved ) { console . log ( " ✅ 실사 보고서가 승인 및 서명되었습니다. " ); return result . finalOutput ; } else { console . log ( " ❌ 검토가 거부되었습니다. 피드백: " , reviewRequired . feedback ); // 피드백과 함께 재실행 트리거 return ddAgent . refine ( result , reviewRequired . feedback ); } } runDiligence ([ " doc_a " , " doc_b " , " doc_c " ]); 예시 3: Outlook에 Harvey 임베딩하기