Trzeci wpis o tej samej warstwie
25 sierpnia opisaliśmy dwóch wydawców, którzy tego samego dnia wykonali przeciwne ruchy wokół warstwy modelu. 26 sierpnia Google pokazał Gemini Enterprise for Legal i dołożył czwartą warstwę, czyli dostęp. W obu tych historiach kupującym był dostawca technologii, a kancelaria stała na końcu łańcucha jako klient.
Teraz łańcuch się skraca. Latham nie kupuje dostępu do modelu ani licencji na narzędzie. Kupuje maszyny, na których model będzie stał, i bierze na siebie dostrajanie wag. To pierwszy raz w tej serii, kiedy właścicielem warstwy zostaje ten, kto ma akta.
Co wiadomo, a czego nie
Trzy z sześciu kart to niewiadome. To nie jest zarzut wobec FT, tylko granica, za którą kończy się doniesienie, a zaczyna domysł. Dopóki nie znamy skali wydatku, nie wolno z tej historii wyprowadzać wniosku o progu wejścia. Wiadomo, że wielką kancelarię stać było na własny sprzęt. Nie wiadomo, ile ten sprzęt kosztował, a to dwie różne informacje.
Trenowanie to nie uruchamianie
Tu rozjeżdża się większość dyskusji, którą widzieliśmy pod tym doniesieniem. Kupno maszyn pod trenowanie modelu i uruchomienie gotowego modelu u siebie to dwie różne pozycje w budżecie, mylone dlatego, że opisuje je jedno słowo.
Trenowanie znaczy dostrajanie wag na własnych zadaniach i wymaga klastra kart graficznych na tygodnie. Uruchamianie znaczy postawienie pobranego modelu za własną zaporą i wymaga jednej maszyny. Kancelaria, która chce, żeby akta nie opuszczały budynku, potrzebuje drugiego, nie pierwszego.
Najciekawsza liczba pochodzi od dostawcy
20 sierpnia Harvey opublikował opis badań nad modelem Harvey Tenet, dostrojonym na otwartych wagach Kimi K3 wspólnie z Fireworks. W tym samym materiale, w części o wiedzy kancelarii, stoi wynik ważniejszy dla polskiego odbiorcy niż sam Tenet.
Harvey wraz z Engram dostroił model Qwen3.8-27B do wyszukiwania po wiedzy kancelarii. Wynik na zadaniu LAB Firm Knowledge: ponad 15 procent wyższa zdawalność kryteriów, blisko 10 procent wyższa ukończalność zadań, o 58 procent mniej tokenów w ukończonych przebiegach i koszt zapytania niższy o 90 procent. W mierze inteligencji na token model osiąga 190,8 punktu wobec 129,3 dla najlepszej konfiguracji modelu czołowego.
Zakres tego pomiaru trzeba trzymać w ryzach. To jedno zadanie, wyszukiwanie precedensów po około 100 milionach tokenów syntetycznych spraw, a nie całe prawo. Wniosek brzmi więc wąsko i właśnie dlatego jest użyteczny: na czynności, która w kancelarii wraca codziennie, model o 27 miliardach parametrów bije konfiguracje czołowe przy dziesięciokrotnie niższym koszcie zapytania. Model tej wielkości mieści się na jednej porządnej stacji roboczej.
Dwa zdania z tego samego materiału warto zapamiętać osobno. Pierwsze: Harvey pisze wprost, że do dostrajania nie użył danych klientów. Drugie: jako drugi cel badań podaje umożliwienie kancelariom budowania własnych modeli. Dostawca, którego kupuje się po to, żeby samemu nie budować, opisuje właśnie, jak budować.
Trzy pytania zamiast jednego
To pytanie rozstrzyga, czy rozmawiamy o klastrze kart graficznych, czy o jednej maszynie. Różnica jest rzędu wielkości, nie procentów.
Sprzęt jest jednym ze sposobów postawienia granicy. Bywa najdroższym i nie zawsze najszczelniejszym, bo granicę trzeba jeszcze utrzymać.
To pytanie zadaje się pierwsze, a odpowiada na nie prawnik. Architektura jest jego konsekwencją, nie odwrotnie.
Co to znaczy dla polskiej kancelarii
Trzy wnioski praktyczne.
Po pierwsze, zacznij od jednego procesu, nie od strategii na trzy lata. Jedna powtarzalna czynność z aktami, zmierzona przed i po, powie o gotowości kancelarii więcej niż roczny audyt.
Po drugie, porównuj modele na swoich dokumentach. Otwarte wagi pobierzesz bez faktury, a jeden klucz u pośrednika takiego jak OpenRouter daje dostęp do kilkudziesięciu modeli naraz. Benchmark dostawcy mierzy zadania dostawcy, nie Twoje.
Po trzecie, rozstrzygnij podział akt, zanim rozstrzygniesz architekturę. Co zostaje w kancelarii, a co może pójść na zewnątrz, to decyzja prawnicza. Sprzęt jest jej konsekwencją.
Co MateMatic wnosi do tego tematu
Rozdzielanie trenowania od uruchamiania to u nas pierwszy ruch w każdej rozmowie o własnym modelu, bo od niego zależy rząd wielkości całego przedsięwzięcia. W PATRONie granica jest twarda także w drugą stronę: odpowiedź niesie odesłanie do dokumentu źródłowego albo agent melduje, że go nie ma. Własny sprzęt nie czyni odpowiedzi prawdziwą. Czyni ją tylko swoją.
Zero data retention jest obietnicą w umowie, a własna maszyna faktem fizycznym. Przy aktach objętych tajemnicą zawodową ta różnica przestaje być akademicka i to ona, a nie moda na suwerenność, jest powodem, dla którego o tym piszemy. Interpretacje w tym materiale są stanowiskiem MateMatic i nie zastępują doradztwa prawnego.