Thomson Reuters bouwt eigen AI-model voor $40 miljoen
$40 miljoen voor een eigen AI-model. Thomson Reuters kiest daarmee niet voor de duurste route in de AI-race, maar voor meer controle over data, kosten en professioneel werk.
Het nieuwe model heet Thomson. Het begint bij een bestaand open-weight model en wordt daarna verder getraind met materiaal uit Westlaw, Practical Law, Checkpoint en Reuters.
Dat is de echte inzet.
Thomson Reuters wil niet ieder AI-probleem blijven doorsturen naar OpenAI, Anthropic of Google.
Thomson Reuters bouwt eigen intelligentielaag
Thomson Reuters lanceerde Thomson op 24 augustus.
Het is het eerste eigen grote taalmodel van het bedrijf.
Thomson Reuters bouwde niet vanaf nul. Volgens een technische toelichting begint Thomson momenteel bij Snowdon, een open-weight model van Imperial College London.
Dat model werd ontwikkeld door het FAIR Lab van Imperial, dat samen met Thomson Reuters werd opgezet.
Daarbovenop komt het eigen werk.
Thomson Reuters gebruikt mid-training en post-training om het model sterker te maken op juridische, fiscale en andere professionele taken.
$40 miljoen gaat niet alleen naar rekenkracht
Het bedrijf zegt ongeveer $40 miljoen in Thomson te hebben gestoken.
Dat bedrag bestaat niet alleen uit computerkosten.
Ook het personeel dat aan training, evaluatie en modelontwikkeling werkte, zit erin.
Dat maakt vergelijkingen met bedragen van frontierlabs lastig. Bij grote AI-modellen worden trainingskosten, onderzoek, chips en datacenters lang niet altijd op dezelfde manier opgeteld.
De boodschap van Thomson Reuters is wel duidelijk.
Het bedrijf denkt dat een gespecialiseerd model niet miljarden hoeft te kosten wanneer het kan beginnen bij sterke open weights.
Eigen data is hier het echte wapen
De bijzondere positie van Thomson Reuters zit niet alleen in het model.
Het bedrijf bezit informatie die algemene AI-aanbieders niet zomaar kunnen kopiëren.
Daaronder vallen juridische data uit Westlaw en Practical Law, belastinginformatie uit Checkpoint en nieuws uit Reuters.
Volgens de technische uitleg van Thomson Reuters is tot nu toe minder dan 10% van de beschikbare eigen content gebruikt voor continued pre-training.
Dat percentage klinkt spectaculair, maar verdient een nuance.
Meer data maakt een model niet automatisch beter.
Thomson Reuters zegt zelf dat materiaal eerst op rechten, kwaliteit en meetbare invloed moet worden beoordeeld. Daarna moet het worden opgeschoond, gestructureerd en ontdubbeld.
Het voordeel zit dus niet in een zo groot mogelijke databerg.
Het zit in bruikbare data waar experts van weten wat goed en fout is.
Honderden experts sturen het model
Daar probeert Thomson Reuters een tweede voordeel uit te halen.
Honderden vakspecialisten waren betrokken bij trainingsdoelen en evaluaties.
Het bedrijf heeft daarnaast ongeveer 1.500 attorney-editors in dienst. Dat zijn juridische redacteuren die dagelijks professionele informatie beoordelen en schrijven.
Die menselijke kennis wordt niet alleen als tekst aan het model gevoerd.
Experts stellen ook beoordelingsregels op, vergelijken antwoorden en zoeken gericht naar fouten.
Dat is belangrijk voor juridisch werk.
Een antwoord dat voor 90% goed klinkt, kan alsnog waardeloos zijn wanneer juist die laatste 10% een verkeerde rechtsbron bevat.
Thomson Reuters claimt prestaties bij frontiermodellen
Het bedrijf zet stevig in op de prestaties.
Eigen tests zetten Thomson tegenover onder meer GPT-5.5, Claude Opus 4.8 en Gemini 3.1 Pro.
Op Stanford LegalBench scoorde Thomson bijvoorbeeld 0,823. Gemini 3.1 Pro kwam in dezelfde vergelijking op 0,843.
Op PrBench Legal Hard kwam Thomson volgens Thomson Reuters juist als beste uit de test met 0,352.
Ook bij instruction following en sommige lange-documenttests scoorde het model sterk.
Maar hier moet de rem erop.
De cijfers zijn gepubliceerd door Thomson Reuters zelf.
Onafhankelijke bevestiging loopt nog
Thomson Reuters zegt dat academici het model inmiddels rechtstreeks testen.
Onderzoekers van onder meer Queen's University, Cornell en Washington University kregen toegang.
Dat is nuttig, maar het is nog niet hetzelfde als een grote onafhankelijke evaluatie die alle claims bevestigt.
Het bedrijf zegt op zijn Thomson-pagina zelf dat onafhankelijke academische benchmarking nog loopt.
Ook zijn sommige gepubliceerde evaluaties intern ontworpen.
Daarmee zijn de eerste resultaten interessant.
Ze bewijzen nog niet dat Thomson algemeen beter is dan modellen van OpenAI, Anthropic of Google.
Eerste klanten krijgen Thomson in documentanalyse
Thomson verschijnt ook niet direct als losse chatbot.
De eerste inzet zit in Tabular Analysis binnen CoCounsel Legal.
Die functie kan volgens Thomson Reuters tot 10.000 documenten tegelijk beoordelen aan de hand van maximaal 100 vragen.
Thomson wordt daar het standaardmodel.
Dat is een logische eerste test.
Bij documentanalyse kan het bedrijf vrij precies meten of antwoorden correct zijn en naar de juiste bron verwijzen.
Voor ander werk blijft CoCounsel meerdere modellen gebruiken.
Anthropic verdwijnt dus niet uit CoCounsel
Dat punt is belangrijk.
Thomson Reuters kiest niet voor een alles-of-nietsstrategie.
De nieuwe generatie CoCounsel Legal is bijvoorbeeld gebouwd met Anthropic's Claude Agent SDK. Voor andere taken kunnen ook externe modellen gebruikt blijven worden.
Thomson Reuters noemt dit zelf een multi-modelstrategie.
De software kiest dus niet automatisch altijd Thomson.
Het doel is het juiste model voor het juiste werk te gebruiken.
Voor gespecialiseerde documentanalyse kan Thomson winnen. Voor een andere taak kan een frontiermodel sterker zijn.
Dat is economisch veel interessanter dan één model overal doorheen drukken.
Eigen model geeft Thomson Reuters meer macht over kosten
Hier zit waarschijnlijk een van de belangrijkste redenen voor de investering.
Wie volledig afhankelijk is van externe AI-API's, accepteert ook de prijzen en technische keuzes van die leverancier.
Dat kan duur worden wanneer miljoenen professionele opdrachten dagelijks door hetzelfde externe model lopen.
Met Thomson krijgt Thomson Reuters meer controle over waar het model draait, hoe het wordt aangepast en hoeveel verwerking kost.
Het bedrijf zegt expliciet dat het daarmee de zware inferencekosten van typische frontiermodellen kan vermijden.
Dat betekent niet dat externe modellen verdwijnen.
Het betekent dat Thomson Reuters een sterkere onderhandelingspositie krijgt.
Klanten kunnen Thomson nog niet zelf kopen
Er zit ook een duidelijke beperking aan de lancering.
Thomson is momenteel geen los AI-model dat klanten rechtstreeks kunnen afnemen.
Thomson Reuters zegt dat het model niet apart wordt verkocht of geprijsd.
Klanten ontmoeten Thomson via producten zoals CoCounsel.
Dat maakt deze stap anders dan de lancering van bijvoorbeeld een algemene API voor ontwikkelaars.
Het model is vooral een motor onder eigen software.
Kleinere versie moet wel worden opengesteld
Thomson Reuters wil daarnaast een kleinere versie van Thomson met open weights beschikbaar maken via Hugging Face.
Die versie is bedoeld voor academisch en niet-commercieel gebruik.
Dat moet onderzoekers meer mogelijkheden geven om de prestaties buiten de eigen testomgeving van Thomson Reuters te beoordelen.
Voor het bedrijf is dat ook een test van vertrouwen.
Wie sterke benchmarkclaims doet, krijgt uiteindelijk meer geloofwaardigheid wanneer buitenstaanders het model zelf kunnen onderzoeken.
Modelbezit wordt strategischer
Het interessantste aan Thomson is uiteindelijk niet het prijskaartje.
Het is de keuze om een deel van de AI-laag zelf te bezitten.
Thomson Reuters beschrijft AI-soevereiniteit daarbij niet als volledig afscheid nemen van frontierlabs.
Het bedrijf wil vooral zelf controleren wat voor zijn eigen producten onderscheidend is.
Daar horen data, training en specialistische modellen bij.
Voor bedrijven met unieke databanken kan die rekensom aantrekkelijk worden.
Waarom iedere vraag tegen het duurste externe model aanhouden wanneer een kleiner eigen model op een afgebakende taak goedkoper of beter kan werken?
Ook voor crypto zit daar een herkenbare machtsstrijd
Thomson is geen cryptoproduct.
Toch zit er een bredere les in voor bedrijven die rond AI en blockchain bouwen.
De waarde verschuift niet automatisch naar degene met het grootste basismodel.
Data, distributie, verificatie en toegang tot gebruikers kunnen minstens zoveel waard zijn.
Dat zie je ook bij financiële AI-agenten.
Een algemeen model kan de intelligentie leveren. Een gespecialiseerd bedrijf bezit de handelsdata, klanten, beveiligingsregels en processen waar de echte toepassing plaatsvindt.
Wie die lagen controleert, hoeft de grootste AI-aanbieder ter wereld niet te zijn.
$40 miljoen koopt vooral onafhankelijkheid
Thomson Reuters gaat OpenAI, Anthropic en Google niet vervangen.
Dat probeert het bedrijf ook niet.
Het blijft hun modellen gebruiken waar die sterker zijn. Tegelijk bouwt het een eigen alternatief voor taken waar zijn data en experts een voorsprong kunnen geven.
Dat maakt de $40 miljoen interessanter dan het model zelf.
Thomson Reuters koopt daarmee niet alleen rekenkracht.
Het koopt de mogelijkheid om vaker zelf te beslissen welk model wordt gebruikt, hoeveel dat kost en welke kennis rechtstreeks in die intelligentielaag terechtkomt.
Als meer grote databedrijven dezelfde rekensom maken, wordt de volgende AI-strijd minder simpel.
Dan gaat het niet meer alleen om wie het grootste model bouwt.
Het gaat om wie genoeg eigen data, klanten en specialistische kennis bezit om een deel van de AI-stack niet langer te hoeven huren.
Stop met te veel betalen voor je crypto. Bij de Amsterdamse exchange Finst handel je tegen de laagste tarieven van Nederland, zonder verborgen kosten.
👀 Bekijk Finst nu ›Let op: Beleggen in crypto brengt risico’s met zich mee. Handel alleen met geld dat u kunt missen.
Ga verder met lezen
Dit vind je misschien ook leuk
Laat mensen jouw mening weten
Lees ook
Populair Nieuws
Loading
