Thomson Reuters gab 40 Millionen Dollar aus, um seine eigene KI zu besitzen
Ein 173 Jahre alter juristischer Verlag gab 40 Millionen Dollar aus, um seine eigene KI zu bauen -- und entdeckte, dass das Einzige, was sie intelligent macht, ihre eigenen Daten sind.
Thomson Reuters launchte "Thomson", sein erstes proprietäres Large Language Model, am 24. August. Das Modell basiert auf Alibabas Open-Weight-Architektur Qwen, nicht auf einem Frontier-Modell von OpenAI oder Anthropic. Die Begründung des Unternehmens ist einfach: Es ist besser, das Modell zu besitzen, als eines zu mieten -- selbst wenn das gemietete schlauer ist.
"Wir sehen den Besitz eines KI-Modells, das das Wissen und die Expertise von TR verkörpert, nicht als etwas, das nicht zu unserem Kerngeschäft gehört", sagte Joel Hron, globaler KI-Chef bei Thomson Reuters, gegenüber SiliconAngle. "KI ist ein neuer Mechanismus für die Bereitstellung von Expertise."
Die 40-Millionen-Dollar-Frage
Das Projekt kostete etwa 40 Millionen Dollar über zwei Jahre an Personal- und Rechenkosten. Der letzte Trainingslauf der aktuellen Version kostete nur etwa 450.000 Dollar -- ein Zeichen dafür, dass die KI-Infrastrukturkosten schneller fallen, als die Schlagzeilen vermuten lassen.
Doch das eigentliche Kapital ist unsichtbar: Jahrzehnte an Inhalten von Westlaw, Practical Law, Checkpoint und Reuters, plus die Arbeitszeit von Hunderten von Fachexperten, die dabei halfen, Trainingsziele zu definieren, Beispiel-Rechtsfragen zu erstellen und Antworten in Blindvergleichen zu bewerten.
Bislang wurden nur etwa 10 % des gesamten Informationsbestands des Unternehmens genutzt, so Andrew Bean, leitender Forschungswissenschaftler bei Thomson Reuters.
Das Qwen-Fundament
Thomson Reuters begann mit Alibabas Open-Weight-Modell Qwen, zuletzt Qwen3.5-397B. In Zusammenarbeit mit dem Imperial College London trainierte das Unternehmen das chinesische Modell zunächst auf Sicherheit, Ethik und politische Neutralität um. Diese Zwischenversion heißt "Snowdon", benannt nach dem Berg in Wales.
Es folgten Pre-Training auf den unternehmenseigenen Inhalten, Post-Training unter Anleitung von Juristen und agentisches Reinforcement Learning innerhalb der eigenen Tool-Umgebungen von Thomson Reuters -- Westlaw, Practical Law und dem gesamten CoCounsel-Ökosystem.
Das Unternehmen habe "den Open-Source-Startpunkt wahrscheinlich schon ein halbes Dutzend Mal gewechselt", so CTO Hron. Die wichtigere Erkenntnis, ergänzt Forschungsleiter Jonathan Schwartz, sei "weniger das einzelne Modell und mehr die Modellfabrik, die wir gebaut haben."
Benchmarks: Der Daten-Moat erzählt die Geschichte
Die Benchmark-Ergebnisse von Thomson sind aufschlussreich -- und nicht nur wegen der Spitzenwerte.
Mit reinem Webzugriff erreicht Thomson eine faktische Genauigkeit von 0,53 im unternehmenseigenen Deep-Research-Benchmark, während GPT-5.4 auf 0,65 kommt. Thomson liege "im Rahmen der anderen Modelle, aber sicherlich noch nicht an der Spitze", räumt Bean ein.
Wird Thomson an Westlaw-Inhalte angebunden, dreht sich das Bild: Thomson zieht mit 0,83 gegenüber 0,82 knapp an GPT-5.4 vorbei.
Im Stanford LegalBench erreicht Thomson 0,823 Punkte und liegt damit hinter Gemini 3.1 Pro und GPT-5.5. Im Harvey Legal Agent Benchmark liegt es knapp hinter Anthropics Opus 4.8. Es führt bei Instruction Following und PrBench Legal, fällt aber bei Reasoning und Coding deutlich ab.
Die Daten erzählen eine klare Geschichte: Der Wert des Modells ist untrennbar mit den Daten verbunden, auf denen es trainiert wurde. Bekommt GPT-5.4 dieselben Westlaw-Inhalte, verbessert es sich genauso stark. Der Moat ist der Inhalt, nicht die Architektur.
CoCounsel: Keine Monokultur
Thomson Reuters ersetzt nicht seinen bestehenden KI-Stack. CoCounsel, der KI-Assistent des Unternehmens für Juristen, bleibt ein Multimodell-Produkt. Thomson wird bei einigen Aufgaben der Standard sein -- beginnend mit Tabular Analysis, einer Funktion zur Massendokumentenprüfung -- , aber Administratoren können andere Modelle auswählen.
Dieser pragmatische Ansatz unterscheidet Thomson Reuters von Unternehmen, die auf eine einzige KI-Strategie setzen. Das Modell ist für juristische Arbeit optimiert, nicht für den Wettbewerb mit Frontier-Laboren in allen Bereichen.
"Thomson muss die Intelligenzgrenze für das Recht setzen", sagte Hron. "Das ist eine andere Aufgabe als das, was viele Frontier-Labore tun."
Lehren für Unternehmen
Der Fall Thomson Reuters bietet eine Vorlage für andere Unternehmen mit wertvollen proprietären Daten. Die Ökonomie verschiebt sich: Ein spezialisiertes Modell auf Open-Weight-Basis zu bauen, wird billiger als das Feintuning von Frontier-Modellen, von dem Forscher sagen, dass es "stark dazu neigt, die allgemeinen Fähigkeiten zu verschlechtern."
Thomson Reuters sieht im Besitz auch einen Governance-Vorteil. Kundendaten werden nicht für das Training des Modells verwendet, und die Kontrolle über das Modell gibt dem Unternehmen mehr Autorität über Einsatz und zukünftige Entwicklung.
Eine kleinere Open-Weight-Version von Thomson wird unter einer nicht-kommerziellen akademischen Lizenz auf Hugging Face veröffentlicht. Das Unternehmen entwickelt zudem ein Portal, über das externe Entwickler API-Schlüssel anfordern und das Modell direkt testen können.
Der Haken
Die Benchmark-Ergebnisse sind nicht unabhängig validiert. Thomson Reuters hat damit begonnen, das Modell mit Juristen und akademischen Einrichtungen zu testen, aber ein angekündigter technischer Bericht wurde noch nicht veröffentlicht.
Es gibt auch die Frage des Tempos. Frontier-Labore veröffentlichen alle paar Monate neue Modelle. Kann ein 173 Jahre alter juristischer Verlag mithalten? Hron argumentiert, dass Verbesserungen bei offenen Modellen Thomson Reuters für jede zukünftige Version stärkere Grundlagen liefern, während die Investition des Unternehmens auf die professionelle Arbeit konzentriert bleiben kann.
Die Frage ist, ob diese Konzentration ausreicht. Wenn der Wert von Thomson primär in den dahinterliegenden Daten besteht, ist das Modell nur so gut wie die Content-Strategie, die es füttert. Und wenn GPT-5.6 oder Gemini 4.0 Thomsons juristische Leistung einfach durch die Anbindung an dieselben Westlaw-Daten erreichen kann, sieht die 40-Millionen-Dollar-Wette weniger wie ein Moat und mehr wie ein Feature aus.
Aber für den Moment hat Thomson Reuters etwas getan, was nur wenige Unternehmen versucht haben: Es baute seine eigene KI, zu seinen eigenen Bedingungen, und bewies, dass Daten der wirkliche Unterschied sind -- nicht das Modell selbst.
Sources
- Thomson Reuters launches proprietary AI model for legal work -- SiliconAngle
- Thomson Reuters bets $40M on owning its AI instead of renting from OpenAI or Anthropic -- The Decoder
- Thomson Reuters goes via China to build its own AI model -- Computing UK
- Thomson Reuters CTO Joel Hron Debuts Thomson Legal AI Model -- AI Magazine