Harvey, legaltech de US$15.600M, migra a Moonshot (IA china)

Por qué los costos de OpenAI y Anthropic ya son insostenibles para las startups

Cuando una legaltech de US$15.600 millones ve cómo su margen bruto cae de 50% a -50% en cuestión de meses, hay un problema de fondo. Eso le pasó a Harvey, la startup de IA para abogados: tras actualizar sus agentes en marzo de 2026, el uso por parte de clientes se disparó y los números se derrumbaron (fuente original).

El detonante fue un aumento de veinte veces en el consumo de tokens de IA durante el año. Como cofundador de Harvey, Gabe Pereyra, lo resumió así: ese nivel de uso no era sostenible si seguían dependiendo de los modelos más caros de OpenAI y Anthropic. Mientras tanto, ambas compañías dejaron de cobrar solo suscripciones: ahora también facturan por uso, en un esquema que penaliza a quienes incentivan a sus equipos a "maximizar tokens". Uber, por ejemplo, agotó su presupuesto anual de IA en abril después de animar a sus ingenieros a usar Claude sin tope.

El cálculo para cualquier founder es directo: si tu coste variable de IA crece más rápido que tu ingreso, tu unit economics se rompe. Lo que Harvey hizo a continuación marca un antes y un después.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué hizo Harvey para dejar de depender de OpenAI y Anthropic

En agosto de 2026, Harvey lanzó Tenet, su primer modelo propio, entrenado sobre Kimi K3, el modelo de código abierto de la china Moonshot AI. El post-entrenamiento lo hizo con Fireworks AI y un equipo de abogados contratados (vía Mercor y Snorkel) que fabricó disputas y expedientes simulados para enseñar al modelo a razonar como un litigante (The Next Web).

Pereyra, ex Google DeepMind, dice que Harvey sigue ruteando cada tarea al modelo que mejor le conviene y que aún necesita Claude Opus de Anthropic para los trabajos más complejos. Pero el grueso del tráfico —el que estaba destrozando los márgenes— ya corre sobre Tenet. Tras el cambio, el margen bruto volvió a terreno positivo.

Lo más incómodo para OpenAI: es inversionista de Harvey, junto a Sequoia y Andreessen Horowitz. Una empresa de US$15.500M en cap table construyó su producto estrella sobre una base china para dejar de pagarle a su propio.backer. Esa contradicción es la foto del momento.

Por qué los modelos chinos de IA ya compiten con los de Silicon Valley

Kimi K3 se lanzó en julio de 2026 y rápidamente fue descrito como un "momento DeepSeek": 2,8 billones de parámetros, contexto de 1 millón de tokens, y resultados en benchmarks que igualan o superan a los rivales estadounidenses en pruebas como Program Bench (77,8 vs 76,8 de Fable 5) y BrowseComp (91,2) (Digital Trends). El propio Moonshot admite que la experiencia global de uso aún va por detrás de Anthropic y OpenAI, pero la distancia técnica se acortó a meses, no a años.

En precio, el dato clave:

Claude Sonnet 4.6 (Anthropic): US$3 / US$15 por millón de tokens de entrada/salida.
GPT-5.5 (OpenAI): US$5 / US$30 por millón.
Kimi K3: US$3 por entrada sin caché y US$15 por salida —similar a Anthropic, pero con pesos abiertos que se pueden descargar y ajustar (TechRepublic).

La diferencia relevante no es el precio de lista, que es parecido: es que un modelo open-weight te permite convertir coste variable en coste fijo. Es la lógica de alquilar vs comprar que su CTO, Joel Hron, usó para defender el movimiento equivalente en Thomson Reuters con Thomson-1 (sobre Qwen de Alibaba).

Y la señal institucional es fuerte: el 18 de septiembre de 2026, AWS hizo a Kimi K3 generalmente disponible en Amazon Bedrock, con inferencia cross-region, caché de prompts para reducir latencia y costes en contextos largos, y conexión a controles de cifrado y auditoría de AWS. Al mismo tiempo, Microsoft, Amazon y Google negocian acuerdos con Moonshot para alojar K3 en sus nubes, con revenue-share de hasta el 30%. Moonshot presentó en confidencial una salida a bolsa en Hong Kong valorada en torno a US$50.000 millones (Yahoo Finance).

Para una startup, eso significa que el "modelo chino" ya no es un experimento de nicho: es infraestructura con hyperscalers detrás.

Quiénes más están siguiendo la misma estrategia

No es solo Harvey. Bloomberg Línea y Bloomberg original documentan un patrón que se acelera:

Decagon (atención al cliente por IA) ya gestiona el 80% de las consultas con modelos propios.
Abridge (salud) entrena un modelo fundacional para entornos clínicos sobre modelos abiertos de Nvidia.
Ramp recaudó US$750 millones en junio y ahora evalúa entrenar el suyo: su codirector ejecutivo, Karim Atiyeh, dijo que "hace un año no tenía sentido; ahora empieza a tenerlo mucho".
Rogo (fintech) está en conversaciones con clientes que son reticentes a usar modelos chinos —lo cual habla tanto del avance como de la fricción regulatoria.
Canva se mueve hacia modelos pequeños y open-source como parte de su recorte de costes.
Thomson Reuters lanzó Thomson-1 sobre Qwen de Alibaba, en paralelo a su alianza con Anthropic para CoCounsel.
En programación, Cursor (ahora bajo SpaceX) y Cognition (valorada en US$48.000M) fueron pioneras en lanzar modelos a medida.

El capital está alineado: Sequoia y General Catalyst respaldan activamente el giro, y OpenAI perdió a Cursor una semana después de que SpaceX cerrara la adquisición, citando incumplimientos previos de términos de servicio. Es decir: el riesgo de lock-in ya no es teórico.

Los riesgos que tienes que mapear antes de moverte

El sentido inverso también existe. Matt Kraning, socio de Menlo Ventures (que respaldó a Anthropic), fue directo: para la mayoría de empresas, entrenar tu propio modelo es "mucho cosplay" —un gesto de marketing más que una decisión técnica. Otros casos confirmados:

Salespeak abandonó su proyecto de modelo propio tras meses de ensayo y error; su CEO, Omer Gotlieb, no vio ventajas frente a los LLMs ya disponibles.
Elorian (IA visual) descubrió que descargar y operar un modelo open-weight puede ser más caro que pagar por uso cuando el tráfico es bajo. El CTO, Andrew Dai, lo explicó claramente.
El talento escasea y es caro: ingenieros especializados en post-entrenamiento pueden cobrar salarios de un millón de dólares y ser captados por los mismos laboratorios a los que intentas reemplazar.
Riesgo de datos y regulación: agencias estadounidenses y los propios laboratorios acusan a Moonshot y DeepSeek de destilar los modelos de frontera. Las restricciones a modelos open-weight están en debate en el Congreso de EE.UU.
Personalización limitada: Harvey no puede entrenar con los datos jurídicos confidenciales de sus clientes y tuvo que pagar a Mercor por expertise humana.

Qué significa esto para tu startup

Tres acciones concretas si tu coste de IA pesa más del 10% de tu OPEX:

Mide tu coste por tarea, no por token. Si un agente está gastando US$0,80 por ticket de soporte cuando tu ARPU es de US$15, ya estás en números rojos aunque los ingresos crezcan. Haz el ejercicio que hizo Harvey: trazar el P&L por caso de uso, no por suscripción agregada.
Separa cargas "top-tier" de cargas "commoditizables". Resúmenes, clasificación, traducción y búsqueda interna son candidatas claras a un modelo open-weight barato (Kimi K3 sobre AWS Bedrock, Qwen, DeepSeek). Reserva Claude Opus o GPT-5.5 para las tareas donde un 2% de precisión adicional justifica el Premium. Este enrutamiento selectivo es el patrón que TechRepublic y los propios founders citan como viable hoy.
Hazte la pregunta del lock-in antes de que te la hagan. Si tu proveedor pudiera cortarte el acceso mañana (como hizo OpenAI con Cursor una semana después de la adquisición de SpaceX), ¿tu producto seguiría vivo? Audita qué porcentaje de tu pila depende de un modelo al que solo accedes vía API, y deja un plan B de 30 días con un modelo open-weight ya evaluado.

El mensaje de fondo para founders no es "abandona a OpenAI o Anthropic". Es: tu proveedor de inferencia pasó de ser un socio estratégico a ser un commodity con margen a la baja. El diferencial competitivo se está moviendo a la capa de datos propios, post-entrenamiento y producto final —precisamente donde Harvey, Decagon y Abridge están ganando.