Harvey vs Everlaw 2026: сравнение AI для юристов, оценки, что выбрать

Партнёр M&A-практики просит купить «тот же Harvey, но подешевле» и приносит демо Everlaw. Через пять минут разговора выясняется, что Everlaw не делает и половины того, что нужно для сделки — он про судебные процессы, а не про контракты.

Harvey и Everlaw технически оба относятся к категории legal-ai, но живут в разных мирах юридического рынка. Harvey — платформа для транзакционной практики и general-purpose юридической работы в крупных фирмах: M&A due diligence, contract drafting и redlining, fund formation, antitrust screening, loan review. Флагманский клиент — A&O Shearman, одна из крупнейших юридических фирм мира, использует Harvey для production-workflows на реальных клиентах. По данным самой Harvey, платформой пользуется 1 300+ организаций, включая большинство AmLaw 100 и 500+ in-house-команд.

Everlaw живёт в другой подкатегории — AI-powered eDiscovery и litigation support. Здесь задача не составить договор, а обработать корпус из миллионов документов, найти релевантные для судебного разбирательства, извлечь ключевые факты и построить хронологию для trial. Ядро продукта — не language model, а полноценная eDiscovery-платформа с ingestion, processing, review и production; AI-слой (Deep Dive, Review Assistant, Writing Assistant в Story Builder, Deposition Analyzer) сидит поверх этого ядра.

Практический вывод: если вы работаете в контракте — сравнение по большинству подтем ниже будет в пользу Harvey просто потому, что Everlaw в contract drafting не играет. Если вы работаете в litigation с большими объёмами discovery — Harvey теряет смысл, у него нет eDiscovery-платформы под капотом.

На графике ниже — простой тест применимости: какие задачи каждый сервис вообще берёт в работу. Everlaw теряет весь левый столбец, Harvey — весь правый; пересечение узкое и ограничено общими операциями с документами.

Партнёр даёт спорный пункт в SPA и спрашивает: «в чью пользу это интерпретируется, если arbitrage-панель не британская, а сингапурская, при английском governing law?» Один инструмент рассуждает и строит аргумент. Второй ищет в корпусе документов, что уже говорили по этому вопросу стороны.

По качеству юридического reasoning Harvey и Everlaw подходят к задаче с разных сторон. Harvey — это multi-model платформа: под капотом OpenAI (GPT-4.x/5.x), Anthropic Claude, Google Gemini, поверх которых сидят собственные fine-tuned модели на юридических корпусах. Пользователь может выбрать модель под задачу через Model Selector, а фирма — задать дефолт. Harvey строит рассуждение: анализирует конструкцию, ставит вопросы, предлагает интерпретацию, ссылается на релевантные документы из Vault. Это ближе к тому, как думает младший юрист, которому дали задачу.

Everlaw в лице Deep Dive работает иначе: он не рассуждает «в вакууме», он отвечает на вопрос строго внутри загруженного корпуса документов. Если вы спросили «был ли предмет обсуждения между сторонами такой-то договорённости», Deep Dive ищет доказательства в переписке, показаниях и приложениях, возвращает ранжированный список фактов и ссылки на конкретные документы. Ответы поддерживаются confidence-level, а не рождаются из «глобального знания» модели. Это принципиальная архитектурная позиция: Everlaw смотрит только в corpus, не в интернет и не в pre-trained знания.

Из-за этой разницы прямое сравнение по «reasoning» некорректно. Harvey сильнее там, где нужно построить аргумент, оценить риск, предложить формулировку. Everlaw сильнее там, где нужно доказательно ответить на фактологический вопрос по конкретному корпусу без риска сочинить ссылку. Ни один открытый бенчмарк не публикуется ни Harvey, ни Everlaw — обе компании не раскрывают hallucination rates или accuracy scores для своих моделей.

Отсюда следует пара следствий, которые важны при выборе. Первое: если ваша задача — интерпретация клаузы или редактирование договора, Everlaw просто нечем ответить, у него нет режима «объясни мне право». Второе: если ваша задача — построить хронологию событий по 400 000 email-переписок и найти, кто что кому обещал, Harvey превратится в дорогой чат, потому что 400 000 писем в его Vault ни один разумный workflow не примет.

Клиент в пятницу вечером присылает SPA на 180 страниц и просит к утру понедельника внести стандартный playbook фирмы: representations & warranties, indemnity caps, MAC-клауза, arbitration. Один сервис берёт задачу в работу за минуты. Второй не берёт вообще — он не про это.

Составление и редактирование договоров — та подтема, где сравнение Harvey и Everlaw превращается в одностороннее. Harvey создан для транзакционной работы: contract drafting «с нуля», redlining входящих проектов, генерация клаузул с учётом внутренних стандартов фирмы. В связке с Vault юрист загружает precedent-документы, playbook фирмы и типовые клаузулы — Harvey использует это как контекст при генерации новой редакции. Есть Microsoft Word add-in для редактирования в привычном интерфейсе, что для транзакционщиков критично: они живут в Word, а не в браузере.

Everlaw — не drafting-tool. В досье прямо зафиксировано: нет Microsoft Word add-in, нет режима составления договоров, нет редактирования клаузул. Writing Assistant в Story Builder — это инструмент для написания процессуальных документов на основе фактов из discovery-корпуса, а не для контрактной работы. Это принципиальная позиция продукта: Everlaw живёт в подкатегории litigation, где основная задача — обработать чужие документы, а не создать новые с нуля.

Harvey также поддерживает работу с нестандартными условиями через кастомизацию. Через Agent Builder (запущен в марте 2026) фирма может собрать собственного агента для redlining: задать playbook, guardrails, output format — и получать редлайны в единообразном стиле поверх сотен договоров. По данным Harvey, к апрелю 2026 пользователями построено 25 000+ таких кастомных агентов; часть из них — именно про контрактные workflows.

На инфографике выше видно, что единственная пересекающаяся строка — Writing Assistant, но и она про разное: у Harvey это составление любого юридического текста внутри сделки, у Everlaw — только процессуальный документ на базе фактов из corpus. Для контрактной практики их даже не сравнить.

Сделка на $400M закрывается через три недели. В data room 84 000 документов — контракты, IP-регистры, employment records, litigation history. Один сервис проглотит всё это в Vault и построит отчёт. Второй проглотит и покажет каждую фактологическую отсылку с confidence-scoring.

Due diligence — та подтема, где Harvey и Everlaw неожиданно оказываются в частично пересекающейся зоне, хотя приходят в неё с разных сторон. Harvey работает через Vault: юрист загружает корпус документов сделки, задаёт вопросы (найди change-of-control клаузы, оцени риск IP-обременений, извлеки все параметры аренды по 32 договорам), Harvey возвращает ответы с cross-document synthesis. Есть встроенная поддержка Excel/CSV — критично для финансовых данных сделки. Deep Analysis Harvey к апрелю 2026 сгенерировал 445 000+ отчётов — это production-scale, а не пилот.

Everlaw в due diligence приходит из litigation-корня, но технически может обработать M&A-корпус. Predictive Coding ранжирует миллионы документов по релевантности: юрист размечает 100 документов, ML применяет ту же логику к оставшимся сотням тысяч. Deep Dive возвращает ответы на вопросы «есть ли в корпусе упоминание X», ранжированные по confidence, со ссылками на конкретные документы и отметкой «insufficient evidence», если доказательств мало. Для due diligence, где важна не рекомендация «стоит ли покупать», а сбор фактов о состоянии актива, evidence-first подход даёт преимущество.

Ключевое различие — целевой объём. Everlaw изначально сделан под миллионы документов: cloud-native архитектура, горизонтальное масштабирование, ingestion из корпоративных источников (email, мессенджеры, cloud storage). Harvey уверенно работает с большими корпусами, но фактическая производительность на 500 000+ документов не публикуется. По масштабу нагрузки — 400 000+ agentic queries в день на Harvey — это про количество задач, не про размер одного корпуса.

По скорости обработки в досье данные разного порядка. Everlaw Deep Dive отвечает на комплексный вопрос за секунды или минуты в зависимости от корпуса; Predictive Coding проходит миллионы документов за часы. Harvey публикует агрегированную метрику 400 000+ agentic queries/day; конкретных TTFT-бенчмарков по due diligence-задачам нет. Ни та, ни другая сторона не публикует точность extraction на публичных бенчмарках.

Ассоциат за час до брифа проверяет позицию по antitrust-делу и просит найти три релевантных прецедента с shepardization. Один сервис ответит «у нас нет прямого доступа к Westlaw/Lexis+, но можем поработать с корпусом». Второй скажет: «legal research не входит в мою функциональность».

Legal research — та зона, где обе платформы честно признают ограничения, но по-разному. Harvey не интегрирован ни с Westlaw, ни с Lexis+ — двумя основными юридическими базами данных в США. Это одно из явных ограничений, прямо перечисленное в досье как слабая сторона Harvey. Для research по case law нужен отдельный подписной инструмент; у Harvey зона силы — работа с внутренним корпусом фирмы и general-purpose reasoning, но не поиск с verified citations по официальным репозиториям решений.

Everlaw в legal research вообще не играет. В досье прямо зафиксировано: нет интеграции с Westlaw или Lexis+, Everlaw — не research-инструмент. Deep Dive умеет искать ответы только внутри загруженного corpus, а не в глобальной базе прецедентов. Если у вас в corpus есть 30 предыдущих судебных решений по теме — Deep Dive прекрасно найдёт релевантные факты. Если нужно найти прецеденты, которых у вас в corpus нет, — Everlaw просто не сможет.

При этом контекст важен: конкуренты Harvey в подгруппе платформ для law firms — Thomson Reuters CoCounsel (embedded в Westlaw) и LexisNexis Protégé (embedded в Lexis+) — как раз строят своё позиционирование вокруг verified research. По этому параметру Harvey проигрывает им, а Everlaw даже не в игре. Для чистого legal research задача решается покупкой Westlaw AI или Lexis+ AI отдельно, а Harvey или Everlaw используется параллельно для других задач.

По оценкам это выглядит так: Harvey получает 6/10 — есть какое-то reasoning по праву, но без прямого доступа к verified базам. Everlaw — 3/10, потому что это не его функция.

Managing partner хочет автоматизировать antitrust screening для 240 новых сделок в год. Не «дайте мне чат-бота», а «пусть сам берёт сделку, прогоняет через 12 фильтров, проверяет по внутренним стандартам и возвращает готовое заключение на подпись». Один сервис даёт no-code конструктор под это. Второй умеет только отвечать на вопросы, задаваемые человеком.

По агентной функциональности Harvey в этой паре — явный лидер. Agent Builder, запущенный в марте 2026, — no-code конструктор кастомных агентов: фирма сама задаёт цель агента, источники данных из Vault, guardrails, output format. Агент выполняет задачу автономно, с встроенными Human-in-the-Loop checkpoints, где нужно подтверждение перед критическими шагами. По данным Harvey, к апрелю 2026 пользователями построено 25 000+ таких кастомных агентов; сюда же входят pre-built Workflow Agents для типовых задач: due diligence, антитраст, compliance.

Реальный пример из досье — A&O Shearman, использующая Harvey agents для antitrust screening, cybersecurity compliance, fund formation, loan review. Это production workflows на реальных клиентах, не пилот. Масштаб платформы — 400 000+ agentic queries в день, 700 000+ ежедневных AI-задач в целом. Это уровень нагрузки, соответствующий крупному внедрению в BigLaw, а не лабораторной демонстрации.

Everlaw в агентной парадигме выглядит скромнее. Deep Dive — самая близкая к агентному режиму функция: система принимает вопрос и автономно проходит по корпусу, ранжирует факты, возвращает структурированный ответ. Но это скорее multi-step reasoning над одной задачей, чем полноценный агент с кастомизируемой целью, guardrails и custom output. Story Builder и Deposition Analyzer автоматизируют части litigation-workflow, но пользователь по-прежнему задаёт каждый шаг вручную. В досье не упоминается no-code конструктор кастомных агентов.

Из-за этой разницы в позициях по агентам Harvey получает 9/10, Everlaw — 7/10. Не «Everlaw плох», а «Harvey сильнее спроектирован под agentic-workflows как основной сценарий использования».

В юриспруденции галлюцинация — это не смешная ошибка, а несуществующий прецедент, поданный в суд под подписью юриста. Профессиональная ответственность, штрафы, потеря лицензии. Два сервиса по-разному отвечают на этот риск.

Everlaw в этой подтеме — редкий пример архитектурного ответа на галлюцинации. Deep Dive построен вокруг принципа evidence-grounded reasoning: система ищет только внутри загруженного corpus, каждый ответ поддерживается списком фактов с referenceable документами, а когда доказательств недостаточно, Deep Dive прямо говорит «insufficient evidence» вместо того, чтобы придумать правдоподобный ответ. Это принципиальная позиция продукта, а не эвристика: если данных в corpus нет, юрист получает честный отказ, а не сочинённый факт.

Harvey к галлюцинациям подходит через комбинацию мер: multi-model архитектура позволяет выбирать более консервативную модель под чувствительные задачи, fine-tuning на юридических корпусах и guardrails снижают риск ошибки в юридическом контексте, Human-in-the-Loop checkpoints требуют подтверждения перед критическими шагами агента. Но полностью анти-галлюцинационной архитектуры уровня Deep Dive у Harvey нет — модель может генерировать ответ, даже если контекста в Vault недостаточно. В досье прямо отмечено: конкретных публичных citation benchmarks Harvey не публикует, независимо проверить hallucination rate сложно.

Ни одна из компаний не публикует hallucination rate в открытых данных — это data gap в обоих досье. Но архитектурный подход у Everlaw к проблеме галлюцинаций внутри corpus заметно жёстче, чем у Harvey. Для юриста, у которого галлюцинация превращается в дисциплинарную процедуру, эта разница имеет значение.

Разница в подходах логичная. Harvey работает в задачах, где юрист хочет получить рекомендацию с рассуждением — там честнее «показать ход мысли» и подсветить неуверенность, чем отказаться отвечать. Everlaw работает в discovery, где стандарт доказывания жёсткий, и «insufficient evidence» — правильный ответ, если корпус не содержит нужных фактов.

Antitrust на $2B, fund formation для нового PE-фонда, SEC investigation с 12 миллионами email — три разные задачи, три разных сервиса. Harvey и Everlaw в этой тройке накрывают крайние точки.

Harvey специализируется на транзакционной и general-purpose юридической работе в крупных фирмах. Основные зоны силы, зафиксированные в досье: M&A due diligence с cross-document synthesis, antitrust screening, fund formation docs, loan review, contract drafting и redlining, regulatory compliance. Реальный кейс — A&O Shearman, использующая Harvey именно на этих типах задач в production workflows. Специализация «M&A/antitrust/fund formation» — это то, что упомянуто и в досье, и в файле категории legal-ai как отраслевая ниша Harvey.

Everlaw в этой картине занимает противоположный конец шкалы. Основной фокус — litigation, конкретно eDiscovery как процессуальная процедура: обмен доказательствами перед судебным процессом, обработка миллионов документов, извлечение фактов для построения позиции. Type of cases: гражданские дела, регуляторные расследования (SEC, DOJ), внутренние investigations в корпорациях, класс-экшены, антимонопольные расследования на стадии discovery. Есть CJIS compliance — это позволяет работать с материалами уголовных дел. FedRAMP-статус в процессе на 2025 год, что важно для дел с федеральными агентствами США.

Отдельная оговорка: eDiscovery как правовая концепция специфична для US/UK/Australian litigation systems. В российском праве eDiscovery как процессуальной процедуры не существует — это отмечено в досье Everlaw. Для российского корпоративного юриста Everlaw становится инструментом для внутренних расследований, а не для процесса; для Harvey ограничение мягче — транзакционные задачи универсальнее.

Managing partner считает бюджет на AI-подписки на следующий год. Один сервис — $14 400 за юриста в год при 20 seats минимум ($288 000/год). Второй — от $24 000 до $60 000 базовой подписки плюс $18–35 за каждый гигабайт хранимых данных.

Ценообразование у Harvey и Everlaw построено по принципиально разным моделям. Harvey — seat-based: от $1 200/lawyer/month с 12-месячным обязательством и минимумом около 20 seats. В годовом выражении базовая линия — $14 400/lawyer/year, минимальный чек — $288 000/год за 20 юристов. Enterprise-ценообразование кастомное, для крупных фирм и корпораций. По данным Sacra research (март 2026), медианный размер аккаунта удваивается в течение 12 месяцев после старта — то есть в реальности фирмы платят больше базовой линии, потому что расширяют seat count после первого года.

Everlaw — по модели «base fee + usage». Базовая подписка $2 000–$5 000/month ($24 000–$60 000/год), плюс $18–35/GB за хранимые данные. С октября 2025 Review Assistant, Writing Assistant в Story Builder, Deposition Analyzer включены в core rate без доплат — до этого AI-функции продавались отдельно. Coding Suggestions (реализация Predictive Coding) снижена в стоимости на 40% в октябре 2025 — это ответ на конкурентное давление со стороны Relativity. Deep Dive также в core rate по данным на апрель 2026.

Прямое сравнение годовой стоимости зависит от объёма. Для маленькой litigation-команды с базовой подпиской Everlaw и 500 GB данных: $36 000 base + $9 000–17 500 storage = $45 000–53 500/год. Для 20-местной фирмы на Harvey: $288 000/год без обязательств по хранению (base не включает per-user storage). Everlaw при небольших объёмах данных дешевле на порядок, но экспоненциально растёт с ростом storage; Harvey линеен по seats, но старт высокий.

Сравнивать «в лоб» по цене некорректно — сервисы решают разные задачи. Но полезно зафиксировать: Everlaw — это переменные расходы, растущие с данными, а Harvey — фиксированные расходы, растущие с командой. Для фирмы с постепенным ростом число мест на Harvey растёт медленно; для litigation-практики с крупным делом storage-расходы Everlaw могут скакнуть в разы за квартал.

Юристы живут в Microsoft Word, iManage и Outlook. Любой AI, который заставляет открывать ещё одно окно браузера ради каждой задачи, теряет пользователей в первый же месяц.

Harvey интегрируется с рабочей инфраструктурой law firm по нескольким осям. Microsoft Word add-in позволяет работать с договорами прямо в Word — критично для транзакционщиков. Outlook-интеграция подключает email-workflow. Из DMS в досье прямо подтверждены iManage и NetDocuments у enterprise-клиентов — это два стандартных document management-решения в BigLaw. API доступен для enterprise-интеграций в кастомные workflow. Мобильного приложения на апрель 2026 нет — это ограничение для мобильных сценариев.

Everlaw интегрируется в другую сторону — под impor documents из корпоративных источников. Cloud storage: Box, Dropbox, Google Drive, OneDrive. Email: O365, Gmail — что критично для litigation, где основной корпус discovery это email-переписка. Отдельно поддерживается импорт/экспорт с Relativity — исторический лидер eDiscovery и одновременно конкурент. Из DMS — iManage частично. API — для enterprise-интеграций. Чего явно нет: Microsoft Word add-in (не drafting-tool) и Westlaw/Lexis+ (не research-tool).

Основной вывод: интеграции покрывают разные фазы юридической работы. Harvey — фаза работы с документом (Word, email, DMS). Everlaw — фаза сбора и импорта корпуса (cloud storage, email, DMS, конкурентная платформа). Пересечения по iManage и корпоративным источникам email есть, но именно поэтому обе платформы могут сосуществовать в одной фирме без конфликтов инфраструктуры.

Corporate legal-депaртамент подписывает вендорский DPA. General Counsel спрашивает: «данные наших клиентов уходят на тренировку OpenAI? Мы можем это письменно подтвердить внешнему аудитору?» От ответа зависит подписание контракта.

По базовому набору сертификаций Harvey и Everlaw в паритете: у обоих SOC 2 Type 2, что для юридического enterprise-инструмента — минимальный порог входа. Harvey отдельно заявляет, что данные клиентов не используются для тренировки foundation models, а работа ведётся с учётом attorney-client privilege. Everlaw дополнительно имеет ISO 27001 (заявлено) и CJIS compliance для дел с уголовными материалами — это специфика litigation с criminal justice-данными. FedRAMP у Everlaw в процессе по данным на 2025 год — текущий статус на 2026 в досье как data gap.

По data residency оба сервиса — US-based. У Everlaw для крупных клиентов возможны regional options, но без конкретики в досье. У Harvey принципиальная возможность dedicated Private Cloud для крупных enterprise-клиентов — то есть выделенная инфраструктура под конкретную фирму. Это архитектурно ближе к on-prem, но всё же остаётся managed cloud-решением.

По шифрованию у Everlaw AES-256 at rest и TLS in transit прямо задокументированы. У Harvey политика безопасности описана в общих терминах через раздел security на сайте компании, конкретные протоколы шифрования в досье не выделены отдельным пунктом. Обе компании работают с данными с учётом confidentiality-требований юридической профессии.

Российский корпоративный юрист хочет тестировать Harvey или Everlaw для внутренних задач. Оба сервиса возвращают его к реальности за первые пять минут: гео-блокировка, отсутствие приёма российских карт, несоответствие 152-ФЗ.

Ни Harvey, ни Everlaw не работают из России без VPN. Оба сервиса блокируются по гео-IP при регистрации, оба не принимают российских карт (платёжная инфраструктура — US), оба не соответствуют требованиям 152-ФЗ о персональных данных российских граждан. Для практического использования из РФ единственный законный путь — через иностранное юрлицо, а не через российскую компанию.

У Harvey ограничения прописаны явно: регистрация без VPN невозможна, оплата российскими картами невозможна, enterprise-доступ только через иностранное юрлицо. Дополнительно оговорено, что договорные условия использования могут запрещать доступ из РФ даже через VPN — то есть технически VPN может дать вход, но это будет нарушением ToS. У Everlaw практическая применимость в РФ дополнительно ограничена самим предметом: eDiscovery как процессуальная процедура в российском процессуальном праве отсутствует, целевая аудитория — US/UK/AU litigation.

Для российского юриста, работающего с иностранными клиентами через британское или американское юрлицо, оба сервиса теоретически применимы через корпоративную подписку этого юрлица. Для чисто внутренних российских задач ни один из сервисов рассматривать не стоит — есть локальные альтернативы, соответствующие 152-ФЗ.

Юрист подписывает бриф со ссылкой на прецедент, который ИИ придумал. Судья проверяет, дела не находит. Дальше — sanctions, статья в Bloomberg Law, вызов в bar association. Кто отвечает — юрист, партнёр, фирма, вендор?

Регуляторная рамка вокруг AI в юриспруденции в 2025–2026 годах жёсткая: ответственность за ошибку ИИ несёт юрист, который его использовал, а не вендор. Bar associations в разных штатах США выпустили guidelines: «AI как инструмент, а не как консультант», обязательная верификация каждой ссылки, ответственность за результат — на юристе. Показательный кейс — FTC vs DoNotPay: штраф $193 000 в феврале 2025 года за преувеличение возможностей «AI lawyer» — это отдельный сервис из этой же категории, попавший под enforcement за маркетинг, не соответствующий реальности.

Everlaw в этот регуляторный контекст встроен архитектурой: Deep Dive явно говорит «insufficient evidence», когда данных недостаточно. Это защищает юриста от неверных выводов на слабых данных — если ИИ отказался отвечать, юрист не подставится на несуществующем факте. Каждый ответ поддерживается ссылками на конкретные документы, что упрощает верификацию перед подачей в суд. Для litigation-контекста, где стандарт доказывания жёсткий, это архитектурный ответ на регуляторные требования.

Harvey использует другой подход: Human-in-the-Loop checkpoints в agentic-workflows, guardrails на промптах, fine-tuning на юридических корпусах. Ответственность за верификацию каждой ссылки остаётся на юристе — это стандартная позиция для general-purpose reasoning-инструмента. По кейсам A&O Shearman и другим AmLaw-клиентам о случаях, повлёкших sanctions, в досье не упомянуто; но и hallucination benchmarks Harvey публично не публикует, что затрудняет независимую оценку риска.

Фирма подписывает трёхлетний контракт с AI-вендором. Через год вендор закрывается или меняет цены в разы. Данные, workflow, обученные custom-агенты — куда всё уходит?

Harvey по финансовым метрикам в 2026 году — один из лидеров категории. Раунд в марте 2026: $200M от GIC и Sequoia Capital при оценке $11B. Раунд в декабре 2025: $160M от Andreessen Horowitz при $8B. Итого привлечено $1B+. ARR $190M в январе 2026 (в августе 2025 было $100M — почти удвоение за полгода). Клиентская база: 1 300+ организаций, включая большинство AmLaw 100, 500+ in-house-команд, 50 asset management firms в 60 странах. Sacra research в марте 2026 отмечает, что медианный аккаунт удваивается по размеру за 12 месяцев после старта — это признак реального внедрения, а не пилотов.

Everlaw — частная компания без публичных данных о финансировании, ARR и точном числе клиентов. Основана в 2012 году, что делает её одной из более зрелых компаний категории (Harvey запустилась в 2022). Штаб-квартира в Окленде, Калифорния. Позиционируется как один из ведущих eDiscovery-сервисов в США — упоминается в списках «best eDiscovery software» рядом с Relativity и Disco. Отсутствие публичных финансовых данных — норма для частных SaaS-компаний, но затрудняет оценку финансовой устойчивости с точки зрения вендорского due diligence.

Пять типовых портретов юридической аудитории. У каждого — понятная рекомендация в пользу одного из двух сервисов и объяснение, почему альтернатива не подойдёт.

1. Партнёр M&A-практики в AmLaw 100 фирме. Регулярные сделки $100M+, работа в Word и iManage, playbook фирмы, кастомные redlining-стандарты. Рекомендация — Harvey. Причина: Word add-in, Vault под корпус сделки, Agent Builder под кастомный redlining, Deep Analysis для итогового отчёта. Everlaw для этой практики не годится — нет drafting.

2. Head of litigation в US-based фирме. Регулярные дела с миллионами документов discovery, депозиции, работа со свидетелями, подготовка к trial. Рекомендация — Everlaw. Причина: полная eDiscovery pipeline от ingestion до production, Deep Dive для evidence-based выводов, Deposition Analyzer, Story Builder для хронологий. Harvey не покрывает eDiscovery-задачи.

3. In-house General Counsel в публичной компании. Смешанные задачи: контрактная работа с вендорами, внутренние расследования, SEC-требования, редкие M&A. Рекомендация — Harvey как основной инструмент, Everlaw как дополнение для крупных investigations. Причина: 80% задач — транзакционные, критичный минус Everlaw для регулярной работы. Everlaw подключают под конкретное расследование, когда объём документов зашкаливает.

4. Транзакционный юрист в boutique-фирме до 15 человек. M&A средние сделки, fund formation для клиентов, contract work. Рекомендация — Harvey, если бюджет позволяет. Причина: сильная транзакционная функциональность. Ограничение: Harvey требует минимум ~20 seats, boutique-фирма может не набрать. В этом случае — смотреть Spellbook или другие сервисы в общем обзоре legal-ai, не в этой паре.

5. Corporate legal-департамент с CJIS-требованиями. Работа с материалами уголовных расследований, федеральные контракты, чувствительные данные. Рекомендация — Everlaw. Причина: CJIS compliance, FedRAMP в процессе, ISO 27001, evidence-grounded architecture. Harvey Private Cloud для enterprise теоретически подойдёт, но специализация Everlaw под regulatory-heavy сценарии заметно глубже.