Harvey e a EngramLab lançaram um conjunto de dados sintéticos de código aberto contendo mais de 100 milhões de tokens, criando essencialmente todo o corpo de trabalho de um escritório de advocacia fictício para que sistemas de IA reais possam aprender como firmas reais operam. O conjunto de dados abrange mais de 250 casos sintéticos de clientes em 46 clientes, com aproximadamente 10.000 arquivos individuais representando o tipo de conhecimento institucional que normalmente reside nas mentes de sócios com décadas de prática.
O que o conjunto de dados realmente contém
A contribuição da EngramLab centra-se em sua tecnologia de camada de memória, que a empresa afirma ser capaz de comprimir o contexto organizacional o suficiente para reduzir o uso de tokens em até 100x. Em termos práticos, isso significa que um sistema de IA poderia processar o equivalente ao conhecimento institucional de toda a carreira de um parceiro sem esgotar os orçamentos de computação.
Harvey, por sua vez, vem se preparando para este tipo de lançamento. No início de 2026, a empresa liberou o Legal Agent Benchmark, conhecido como LAB, que estabeleceu maneiras padronizadas de medir o desempenho de agentes de IA em tarefas jurídicas. O conjunto de dados sintético é um complemento natural, fornecendo aos pesquisadores e desenvolvedores materiais reais de treinamento para trabalhar juntamente com esses benchmarks.
As empresas por trás do lançamento
Harvey tornou-se um dos jogadores mais proeminentes na área de IA jurídica, atualmente avaliada em US$ 11 bilhões. A empresa posicionou-se como uma plataforma para escritórios de advocacia que desejam integrar IA em seus fluxos de trabalho sem abrir mão do controle de seu conhecimento proprietário.
A EngramLab arrecadou US$ 98 milhões em financiamento em 23 de junho de 2026, com uma avaliação de aproximadamente US$ 600 milhões. Sua tecnologia principal concentra-se em camadas de memória aprendida para sistemas de IA, reduzindo a sobrecarga computacional necessária para manter o contexto em interações prolongadas.
A parceria entre as duas empresas antecede o lançamento deste conjunto de dados. Sua colaboração concentrou-se em codificar processos de escritórios de advocacia por meio de IA, com o Legal Agent Benchmark servindo como uma saída pública inicial desse trabalho.
Por que o código aberto é importante aqui
Escritórios de advocacia são famosos por protegerem seus dados, e por boas razões. O privilégio advogado-cliente, a doutrina da produção de trabalho e o sigilo competitivo criam barreiras enormes para reunir o tipo de dados de treinamento que os sistemas de IA precisam. Dados sintéticos oferecem uma solução alternativa: toda a complexidade estrutural do trabalho jurídico real, sem nenhuma das preocupações de confidencialidade.
O que isso significa para o cenário jurídico de IA
A afirmação de compressão 100x da EngramLab, se se confirmar na prática, pode ser particularmente significativa. Uma única transação de M&A pode gerar dezenas de milhares de páginas de documentos. Qualquer tecnologia que consiga manter contexto significativo nesse volume sem aumentos proporcionais de custo resolve um dos gargalos fundamentais na implementação de IA em larga escala dentro de escritórios de advocacia.
Para a Harvey, a estratégia de código aberto reforça sua posição como uma camada de infraestrutura para IA jurídica, e não apenas mais uma solução pontual. Ao fornecer tanto o benchmark (LAB) quanto agora os dados de treinamento, a empresa está moldando os padrões que todo o setor utilizará como referência.