Thomson Reuters ha lanzado Thomson, su primer modelo de lenguaje propio, entrenado con décadas de contenido jurídico propio y con 40 millones de dólares invertidos. La empresa dice que rinde a la altura de los modelos frontera recientes en varias tareas legales, habiendo usado menos del 10% de su archivo.
Puntos clave
- 40 millones de dólares en talento e infraestructura de cómputo.
- Base de código abierto más contenido propio: Westlaw, Practical Law, Checkpoint y Reuters.
- Ha entrenado con menos del 10% del contenido disponible de la casa.
- Evaluaciones académicas tempranas lo ponen a la par de modelos frontera recientes en varias tareas.
- Debuta en Tabular Analysis, dentro de CoCounsel Legal. Una versión pequeña sale en abierto en Hugging Face.
40 millones contra miles de millones
La cifra de inversión es la parte que hay que mirar dos veces. OpenAI, Anthropic y Google gastan miles de millones por generación de modelo. Thomson Reuters se ha construido uno útil para su sector con 40 millones.
La diferencia no es magia, es alcance. Thomson no tiene que saber de física cuántica, de recetas ni de programar en Rust. Tiene que responder bien sobre jurisprudencia, contratos y fiscalidad, y ahí la empresa tiene un archivo que no tiene nadie más.
Partir de una base de código abierto sólida y especializarla con datos propietarios es la receta que muchas empresas grandes llevan dos años probando sin resultados publicables. Este es de los primeros casos con números encima de la mesa y con evaluación externa.
El estándar con el que dicen haberlo entrenado, que llaman Fiduciary-Grade, apunta a lo que de verdad importa en derecho: que las citas sean reales y verificables. Un modelo generalista que inventa una sentencia es una anécdota. En un escrito judicial es una sanción.
Menos del 10% del archivo
Ese dato es el que marca el techo. Si con menos de una décima parte de su contenido consiguen paridad con modelos frontera en tareas legales, queda mucho margen.
Los académicos que lo han evaluado destacan la calidad de citación, competitiva incluso en cuestiones tan específicas como el derecho laboral canadiense. Ese es exactamente el tipo de nicho donde un modelo generalista se derrumba: hay poco material público, y lo que hay está mal indexado.
Thomson debuta en Tabular Analysis dentro de CoCounsel Legal, para revisión estructurada de documentos. Empezar por ahí y no por redacción libre es sensato. La revisión estructurada tiene resultado verificable, y eso permite medir errores en producción sin poner en riesgo un caso.
También sacan una versión pequeña en abierto en Hugging Face para uso académico no comercial. Es una jugada barata de reputación y de reclutamiento: los investigadores que la usen son los que luego se plantean trabajar allí.
Por qué importa
Este es el movimiento que más empresas medianas deberían estar mirando, y casi ninguna mira.
Durante dos años el debate ha sido usar ChatGPT o usar Claude. Thomson Reuters plantea otra cosa: si tienes un archivo propio de décadas en un dominio concreto, ese archivo puede convertirse en un producto, no solo en un coste de almacenamiento.
No hace falta ser Thomson Reuters ni gastar 40 millones. La pregunta que sí te puedes hacer hoy es más pequeña: ¿qué datos tienes acumulados que nadie más tiene? Histórico de presupuestos, incidencias técnicas, contratos con proveedores, informes de calidad de diez años.
Con un modelo abierto y una máquina alquilada, afinar sobre ese material está al alcance de una empresa de 50 personas. El coste real no es el cómputo, es tener los datos limpios, etiquetados y con permiso de uso.
Y ahí está el trabajo que se puede empezar sin esperar a nada. Ordena el archivo. La parte cara de esta historia no fueron los 40 millones de GPUs, fueron las décadas de Westlaw bien clasificado.
Relacionado
