En marzo de 2026, Harvey levantó 200 millones de dólares con una valoración de 11 000 millones. Les vende IA a los abogados: la mayoría de los despachos de la lista AmLaw 100, más de 500 asesorías jurídicas internas y, según sus propias cuentas, 100 000 abogados en 1300 organizaciones de 60 países. Cada uno de esos abogados ya tenía un asistente generalista en el móvil, y la mayoría lo tenía gratis.
La explicación obvia: Harvey ha construido un modelo que entiende el derecho mejor que los generalistas. No lo ha hecho. Harvey funciona con modelos de Anthropic, Google DeepMind y OpenAI: los mismos modelos de vanguardia disponibles para cualquiera que tenga una clave de API y una tarjeta de crédito. En marzo, la empresa publicó un texto al respecto titulado «Why Harvey is Multi-Model by Design».
Es decir, el jugador especializado gana con el motor del generalista. De eso depende que el consejo «apuesta por lo vertical» sea algo aplicable a tu escala o solo una historia sobre rondas de capital riesgo que nunca vas a levantar.
El foso que todos imaginan y el foso que de verdad existe
Lee la publicación de arquitectura de la propia Harvey: en ninguna parte afirma tener un modelo legal propio. Nombra tres razones para trabajar con varios proveedores: calidad, fiabilidad y elección. Calidad, porque ningún modelo es el mejor en todo, así que el equipo de investigación dirige cada tarea al modelo que muestra los mejores resultados en ella. Fiabilidad, porque cuando un proveedor choca con sus límites de capacidad o se cae, el trabajo se redirige sin que el abogado lo note; y también porque la disponibilidad de los modelos varía según la región, y eso pesa cuando tu cliente está en Australia y sus datos tienen que quedarse allí. Elección, porque Harvey le exige a cada proveedor las mismas condiciones: cero retención de datos, ninguna revisión humana de los datos del cliente y ningún entrenamiento con los datos que introduce el cliente.
Según el propio blog de Harvey: «GPT-5.4, Now Live in Harvey», 5 de marzo; «Opus 4.8, Now Live in Harvey», 28 de mayo. Una empresa que presenta la nueva versión de un proveedor como el lanzamiento de un producto propio muestra con bastante precisión dónde no está su valor.
El panorama no es uniforme. Ambience Healthcare, que les vende a los hospitales IA para llevar la documentación clínica en segundo plano, afirma en el comunicado de su ronda Serie C (julio de 2025) que su plataforma está construida sobre modelos de razonamiento propios, creados específicamente para el sector sanitario. Es decir, la IA vertical no es una sola arquitectura: algunos construyen modelos y otros los alquilan. En lo que coinciden es en otra cosa: en todo lo que envuelve al modelo. Esa envoltura es justo lo que un asistente generalista no alcanza.
Cuatro capas a las que un asistente generalista no llega
Capa | Cómo es en la práctica | Por qué un asistente generalista no puede tenerlo |
|---|---|---|
Evaluación de dominio | Harvey ejecuta BigLaw Bench y pruebas de preferencia de expertos con su propio equipo de Applied Legal Research | El laboratorio no tiene acceso ni a tus jueces expertos ni a tu definición de «correcto» |
Lugar en el flujo de trabajo | Harvey dentro de iManage, Box, Ironclad, Docusign, Microsoft 365; Ambience dentro de Epic, Oracle Cerner, athenahealth | La ventana de chat obliga al usuario a ir hacia ella, y el trabajo se queda donde ya vive |
Perímetro de cumplimiento | Certificación ISO 42001 de Harvey, procesamiento de datos localizado en EE. UU., la UE y Australia | La gobernanza del cumplimiento la definen el sector y la jurisdicción; no es una función del producto |
Personas en la implantación | Equipos integrados de legal engineering de Harvey; más de 25 000 agentes propios que los clientes han montado en la plataforma a fecha de marzo de 2026 | El software de autoservicio no tiene a nadie dentro de tu edificio |
La formulación de Ambience sobre la segunda fila es más afilada que todo lo que suelen admitir las presentaciones de proveedores: la plataforma se adapta al entorno de atención y a la especialidad concretos sin rediseñar los flujos de trabajo y sin volver a formar al personal. Las herramientas generalistas le pasan esa carga al usuario y después llaman al resultado un problema de adopción.
La cifra que solo un sistema acotado puede dar
El 17 de septiembre de 2025, Ardent Health —30 hospitales de agudos, unos 280 centros de atención y más de 1800 profesionales sanitarios afiliados en seis estados— anunció el despliegue de Ambience en toda su red ambulatoria. Antes del despliegue hubo un piloto que abarcó 17 especialidades y 7 idiomas; hasta el anuncio se habían documentado con Ambience más de 140 000 consultas de pacientes.
Los resultados declarados del piloto, tal como los publicó Ambience:
- 45% menos de tiempo de documentación, según datos de Epic User Action Log
- 5 horas a la semana ahorradas por médico
- El 90% de las consultas de los participantes del piloto se hizo con el sistema
- El 70% de los médicos del piloto declaró una menor carga cognitiva
- El 100% de los médicos del piloto dijo que mejoró su satisfacción laboral
Ordena esa lista según el origen de cada cifra. Las dos últimas son médicos que responden en un cuestionario cómo se sienten; eso vale algo, pero no es una prueba. El 45% salió del registro de auditoría de Epic, el mismo sistema con el que el hospital ya factura, planifica los turnos del personal y se defiende cuando un auditor pregunta qué pasó durante un turno.
Lo que hace posible la atribución es justamente lo acotado del alcance, y eso casi no tiene que ver con la inteligencia. «El tiempo de documentación en Epic» era una cifra antes de que apareciera la IA y lo seguirá siendo después de que la apaguen, así que el cambio se puede medir con una resta. «La ganancia de productividad de un asistente generalista» no es una cifra que exista en ningún sistema, y justo por eso cualquier discusión sobre ella en el consejo de administración termina en un intercambio de anécdotas.
Veeva: la versión lenta de la misma apuesta
Veeva Systems vende software sectorial en la nube para las ciencias de la vida: investigación clínica, asuntos regulatorios, farmacovigilancia y área comercial. En noviembre de 2015, la empresa comunicó unos ingresos trimestrales de 106,9 millones de dólares y más de 375 clientes. El 3 de junio de 2026 comunicó unos ingresos trimestrales de 882,9 millones de dólares, un crecimiento interanual del 16%, más de 1500 clientes y una previsión anual superior a 3600 millones de dólares. La meta de alcanzar un ritmo anual de ingresos de 6000 millones de dólares para 2030 la confirmó en sus resultados del ejercicio fiscal 2026, el 4 de marzo de 2026.
El CEO Peter Gassner describió la etapa actual como «el paso de ser una empresa de aplicaciones sectoriales a ser una empresa de aplicaciones sectoriales y agentes de IA».
Veeva no ganó las ciencias de la vida gracias a la IA. Durante más de diez años acumuló un modelo de datos sectorial, presencia en el contenido regulado y una base de clientes, y ahora lo monetiza con agentes montados encima. Vault CRM sumó 27 clientes solo en ese trimestre y superó la marca de 150 implantaciones en producción. Los agentes son nuevos. El foso, no.
El activo vertical se acumula despacio, y la IA lo convierte en dinero. Eso le da la vuelta a la pregunta de planificación: no «qué IA compramos este año», sino «qué activo especializado estamos acumulando para que, dentro de tres años, un agente pueda convertirlo en dinero».
Qué aspecto tiene esto sin mil millones de dólares
No le vas a ganar a un laboratorio de vanguardia en la capa del modelo, y nunca has estado en esa carrera. Tres de las cuatro capas de arriba no cuestan nada más que disciplina, y las cuatro están al alcance también de un equipo pequeño.
Empieza por elegir un proceso de trabajo que ya tenga una cifra. Tiene que ocurrir todos los días o casi, y su métrica tiene que vivir en un sistema que sea tuyo: CRM, helpdesk, telefonía, contabilidad. Si nadie en la sala puede decir la cifra actual, todavía no tienes un proyecto: tienes una demo. Nuestro método para calcular el ROI empieza en ese mismo punto.
Después escribe la evaluación, antes de escribir el agente. Ese es el paso que todos se saltan, y es justo el que hace el trabajo. Toma de 30 a 50 casos reales del último mes. Pide a la persona más capaz de tu equipo que marque en cada uno cómo es un resultado correcto, con sus propias palabras, incluidos esos dos o tres en los que tuvo que pensárselo. Ese archivo es tu BigLaw Bench. Cuesta una tarde, nunca requiere un proveedor y es el único instrumento que te dirá si la actualización del modelo del próximo trimestre ha ayudado o ha roto algo en silencio; y, dado lo mucho que varían los resultados de una ejecución a otra, esa pregunta no se responde leyendo las release notes. Los equipos que se saltan este paso no se enteran de que estaban equivocados; simplemente pasan dos trimestres más discutiendo sobre sensaciones.
Pon al agente donde el trabajo ya ocurre: dentro de la ficha del CRM, en el ticket, en la llamada. Cada paso que una persona tiene que dar hacia la IA es adopción que estás gastando. Y encárgate de la capa aburrida: logs, permisos de acceso, escalado y una respuesta definida a la pregunta de qué hace el agente cuando se niega o no está seguro.
Nada de esto es una decisión tecnológica. Son cuatro elecciones: sobre alcance, medición, ubicación y responsabilidad. Las mismas cuatro que hicieron Harvey y Ambience, solo que a una escala en la que se pueden hacer en una tarde.
Cuándo lo especializado no gana
Este patrón se vende con demasiado entusiasmo, así que aquí es donde se rompe:
- Trabajo de baja frecuencia. Construir una evaluación cuesta más o menos lo mismo si el proceso ocurre 400 veces al mes o cuatro. Si son cuatro, no se amortiza nunca.
- No hay sistema de registro. Si el trabajo vive en la cabeza de la gente y en un hilo de WhatsApp, la cifra del «antes» no existe, y el proyecto termina en una discusión que nadie puede ganar.
- Reglas sin un responsable interno. La especificidad de dominio implica que alguien responde personalmente de lo que significa «correcto» y mantiene esa definición al día. Sin esa persona, lo que obtienes es una herramienta especializada que va a la deriva sobre supuestos obsoletos, y eso es peor que una generalista.
También está la verdadera cola larga. Cuando cada tarea es distinta, un asistente generalista es simplemente la mejor respuesta. Además, la elección nunca fue «o lo uno o lo otro»: los clientes de Harvey siguen usando Copilot y los médicos de Ardent siguen buscando en internet.
La pregunta que conviene llevar a la próxima reunión de planificación
No se trata de qué IA es la más inteligente. Nombra una sola cosa que tu equipo haga todos los días dentro de un sistema que ya la cuenta, y di en voz alta la cifra actual. Si esa frase sale fácil, has encontrado el proyecto. Si no, el siguiente paso honesto no es la IA, sino medir, y medir es barato. Eso es justo lo que nadie quiere oír en una reunión sobre IA.
Y si no sale, merece la pena enviar este texto a quien es responsable de ese sistema. La conversación es con esa persona, no con el presupuesto de IA.
La auditoría de IA gratuita de dos minutos está hecha justamente para pasar esa prueba contigo, y te dirá cuándo la respuesta es que todavía no necesitas un agente. Si el proceso sí da la talla, Grow2.ai construye el agente con un KPI fijado en el contrato y lanza el piloto en 14 días. El piloto se paga por adelantado; si en la revisión del día 30 el KPI acordado no se ha movido, devolvemos el importe íntegro.