Harvey lascia il noleggio: i modelli open weights vincono

Il margine di Harvey crolla a meno 50% in sei mesi

Il 21 settembre 2026 Bloomberg^[1] ha riportato la cifra che ridefinisce il conto economico dei vendor AI-native: il margine lordo di Harvey è sceso da circa il 50% di inizio anno a meno 50% entro giugno. La causa sta nel costo dei modelli presi a noleggio.

Harvey vende agenti legali alle grandi firm ed è valutata 15,6 miliardi di dollari. Dopo un aggiornamento degli agenti a marzo, l'uso da parte dei clienti è esploso. Il consumo di token è cresciuto venti volte nel corso dell'anno, secondo la società, come ha ricostruito The Next Web^[2].

Ogni punto di adozione in più bruciava margine.

Ad agosto la società ha rilasciato il primo modello interno, post-addestrato su Kimi K3, il modello open weights del laboratorio cinese Moonshot. I margini sono tornati positivi dopo quel lancio e dopo altri interventi sull'uso dell'AI, riferiscono persone vicine al progetto. Harvey ha evitato commenti sui numeri specifici.

Cosa significa davvero un modello proprio

Il linguaggio dei comunicati confonde le idee. Harvey ha preso pesi aperti già addestrati e li ha specializzati sul proprio dominio, un'operazione lontana dalla costruzione di un modello di frontiera da zero.

La differenza pesa sul bilancio. Il pre-training resta un investimento da centinaia di milioni di dollari, mentre il post-training su pesi aperti si misura in settimane di lavoro e in una bolletta di compute nota in anticipo. Il primo è capex da laboratorio, il secondo è una scelta di ingegneria di prodotto.

Anthropic ha letto la mossa e l'ha mostrata ai propri investitori. In un forum nei suoi uffici ha presentato una slide dedicata alle startup che costruiscono modelli interni, con un promemoria preciso: per i compiti più difficili Harvey continua a usare Opus.

L'assetto reale è ibrido: modello interno sul volume, frontier tier sulla punta. Questa architettura di acquisto vale più di qualunque dichiarazione di indipendenza.

Il contagio ai vendor verticali

Harvey apre la strada, e il settore la sta già percorrendo.

• Abridge costruisce un modello clinico sui pesi aperti di Nvidia.
• Decagon instrada l'80% delle richieste dei clienti su modelli propri.
• Ramp, dopo una raccolta da 750 milioni di dollari a giugno, valuta l'addestramento per la prima volta.

I tre casi raccontano scale diverse dello stesso movimento. Decagon gestisce con tecnologia propria quattro richieste su cinque, una quota che tocca il cuore del costo variabile. Ramp arriva con 750 milioni di dollari freschi in cassa e apre il dossier addestramento per la prima volta nella sua storia.

Il co-amministratore delegato di Ramp, Karim Atiyeh, ha sintetizzato la svolta in due battute: un anno fa la scelta aveva pochissimo senso, adesso inizia ad averne molto. Sequoia Capital e General Catalyst finanziano questo spostamento.

Il segnale di mercato: il venture capital premia chi internalizza l'inferenza. Il capitale segue il margine lordo, e il margine lordo dipende ormai dal costo per token.

Questo ha implicazioni dirette su OpenAI, su Anthropic e su ogni laboratorio che vende capacità a consumo. I loro clienti più grandi diventano concorrenti sul layer di inferenza e restano clienti soltanto sulla fascia alta.

La pressione sui prezzi arriva sul listino frontier

OpenAI e Anthropic fanno pagare alle aziende l'uso dei modelli in aggiunta all'abbonamento base. Per un vendor con consumo in crescita esponenziale questa struttura trasforma il successo commerciale in perdita operativa.

Questo desk sostiene da mesi una tesi semplice: il modello è una commodity, e il listino lo dimostra. Il prezzo del frontier tier scende a ogni release, mentre la voce in crescita resta il compute. I pesi aperti accelerano la stessa curva, perché spostano valore dalla capacità generica alla specializzazione di dominio.

Per il direttore finanziario la voce da riaprire è chiara: il costo variabile per utente attivo. Un contratto AI con prezzo a consumo e adozione in salita diventa una passività che cresce insieme al prodotto.

Chi compra capacità AI generica compra un bene deflattivo, e paga il prezzo di oggi per una risorsa che costerà meno tra sei mesi. Il calcolo cambia per chi acquista specializzazione verticale.

Il rischio di fornitura è diventato bidirezionale

Arthur Mensch di Mistral ha passato luglio a ripetere che i modelli chiusi danno ai fornitori una leva enorme, e ha citato il caso Windsurf: Anthropic ha chiuso l'accesso mentre costruiva Claude Code. Settembre ha portato la prova.

OpenAI si è mossa per chiudere il contratto con Cursor dopo l'acquisto della società da parte di SpaceX, citando violazioni passate dei termini di servizio da parte delle aziende di Musk. Un fornitore di modelli può quindi revocare l'accesso per ragioni legate all'azionista del cliente, e la continuità del prodotto finisce in ostaggio di un'operazione societaria.

Qui si apre un buco contrattuale che i board europei devono esaminare subito. Il Data Act garantisce ai clienti il diritto di passare a un altro fornitore. Quella tutela copre il cliente che lascia il fornitore, e lascia scoperto il caso opposto: il fornitore che lascia il cliente.

Il rischio di concentrazione ha smesso di essere teorico.

Dal modello al deployment: lo spostamento competitivo

Il moat nell'AI enterprise sta nel deployment, e questa vicenda lo conferma. Harvey conserva il rapporto con gli studi legali, i dati di dominio e il workflow, e cambia il motore sotto il cofano.

Esiste una controtesi, ed è robusta. Matt Kraning di Menlo Ventures giudica mal posta la domanda sul modello interno e descrive gran parte di questi annunci come una recita. L'Europa gli offre un caso a sostegno: Legora, da Stoccolma, ha raggiunto 100 milioni di dollari di ricavi in diciotto mesi, serve oltre 1.200 studi e ha sempre taciuto sui modelli che usa.

Il silenzio di Legora rafforza la tesi centrale. Quando il cliente ignora quale modello gira sotto la superficie, il modello ha perso il ruolo di elemento distintivo e resta un componente di costo.

Il vendor con il deployment più profondo cattura ricavi più durevoli del vendor con il benchmark più alto.

Cosa decidere nei prossimi 90 giorni

Le decisioni sono quattro, tutte collocabili nel prossimo trimestre.

• Chief Strategy Officer: mappare la dipendenza da un unico laboratorio e aprire una gara per un secondo fornitore.
• CFO: riaprire i contratti a consumo e chiedere tetti di spesa per utente attivo.
• Chief Digital Officer: misurare quanta parte del traffico interno richiede davvero il frontier tier.
• Technology Investor: chiedere il margine lordo per coorte, prima e dopo l'arrivo degli agenti.

La prima verifica è tecnica di portafoglio, e resta rapida da fare. Gran parte dei carichi aziendali (classificazione, estrazione, riassunto, ricerca interna) gira bene su pesi aperti specializzati, e il costo per chiamata scende di un ordine di grandezza.

La seconda verifica riguarda i contratti in essere. Ogni nuovo accordo con un laboratorio dovrebbe includere una clausola di continuità in caso di cambio di controllo dell'acquirente, con preavviso minimo e diritto di esportare artefatti e configurazioni.

Il test per l'investitore vale anche fuori dal venture: chiedere il margine lordo per coorte di clienti, prima e dopo l'arrivo degli agenti. La risposta separa i prodotti con economia sana da quelli che rivendono compute altrui con un ricarico.

Harvey ha dimostrato una cosa concreta: un vendor da 15,6 miliardi di dollari può ricostruire il proprio margine cambiando fornitore di intelligenza, e il prodotto regge. Il mercato si è mosso.