Thomson Reuters stawia na własny model AI zamiast wynajmu

Rynek sztucznej inteligencji przechodzi istotną zmianę. Zamiast polegać na zewnętrznych dostawcach, takich jak OpenAI czy Anthropic, coraz więcej firm rozważa budowę własnych rozwiązań. Thomson Reuters, gigant branży informacji profesjonalnych, właśnie postawił na taką strategię. Firma zainwestowała około 40 milionów dolarów w stworzenie autorskiego modelu językowego o nazwie „Thomson”, który ma obsługiwać jej kluczowe produkty prawnicze.

Decyzja o budowie własnej infrastruktury zamiast korzystania z gotowych rozwiązań to nie tylko kwestia kosztów. To przede wszystkim strategiczny wybór dotyczący danych, kontroli nad technologią i długoterminowej przewagi konkurencyjnej. Przyjrzyjmy się, jak Thomson Reuters podeszło do tego wyzwania i co oznacza to dla innych firm rozważających podobne kroki.

Jak zbudowano model Thomson od podstaw

Proces tworzenia modelu trwał ponad dwa lata i wymagał zaangażowania setek specjalistów. Co istotne, kwota 40 milionów dolarów obejmuje wynagrodzenia i koszty obliczeniowe, ale nie uwzględnia najcenniejszego zasobu – wieloletnich zbiorów danych z systemów Westlaw, Practical Law czy Checkpoint. To właśnie te dane stanowią prawdziwą wartość całego przedsięwzięcia.

Fundamentem technologicznym jest otwarty model Qwen od firmy Alibaba, a konkretnie wersja Qwen3.5-397B. Zespół Thomson Reuters, współpracując z Imperial College London, przeszedł przez kilka etapów adaptacji. Najpierw dostosowano model pod kątem bezpieczeństwa, etyki i neutralności politycznej – ta pośrednia wersja otrzymała nazwę „Snowdon”. Następnie przeprowadzono trening na własnych treściach firmy oraz fine-tuning z udziałem ekspertów dziedzinowych.

Warto zaznaczyć, że do treningu wykorzystano dotychczas mniej niż 10 procent dostępnych zasobów treści. Joel Hron, dyrektor technologiczny firmy, przyznaje, że zespół już kilkakrotnie zmieniał punkt startowy w otwartym oprogramowaniu. Z kolei Jonathan Schwartz, szef działu badawczego, podkreśla, że kluczowym osiągnięciem jest nie tyle sam model, ile stworzona „fabryka modeli” – infrastruktura pozwalająca na szybkie iteracje i ulepszenia.

Wyniki testów pokazują realny obraz możliwości

Firma chwali się, że Thomson plasuje się wśród najlepszych modeli na świecie, jednak własne benchmarki malują bardziej zniuansowany obraz. Na teście Stanford LegalBench model uzyskał wynik 0.823, ustępując Gemini 3.1 Pro i GPT-5.5. W benchmarku Harvey Legal Agent plasuje się tuż za Opus 4.8. Najlepiej radzi sobie w podążaniu za instrukcjami oraz w wymagającym teście PrBench Legal.

Wyraźne słabości ujawniają się w zadaniach związanych z rozumowaniem i kodowaniem. Porównanie nie jest jednak w pełni miarodajne – Thomson korzysta z techniki test-time scaling, podczas gdy GPT-5.5 działa bez trybu rozumowania. W wewnętrznym teście Deep Research z dostępem wyłącznie do internetu, Thomson osiąga 0.53 dokładności faktograficznej, podczas gdy GPT 5.4 uzyskuje 0.65. Dopiero po dodaniu dostępu do firmowych treści Thomson wyprzedza konkurencję wynikiem 0.83 do 0.82.

Andrew Bean, odpowiedzialny za ocenę modelu, przyznaje wprost: z dostępem do internetu Thomson mieści się w zakresie innych modeli, ale na pewno nie jest liderem. Jednocześnie podkreśla, że ogromny wzrost wydajności wynika z możliwości trenowania na własnych narzędziach i praktykowania na nich – czego zewnętrzni dostawcy nie mogą zaoferować.

Co ciekawe, GPT 5.4 również znacząco zyskuje po otrzymaniu dostępu do tych samych treści. To sugeruje, że sama dostępność danych robi niemal tyle samo pracy, co specjalistyczny trening. Firma nie testowała jednak nowszych modeli konkurencji, więc przewaga Thomsona może być jeszcze mniejsza, niż wskazują obecne wyniki.

Dlaczego własny model zamiast fine-tuningu gotowych rozwiązań

Decyzja o budowie własnego modelu zamiast dostrajania rozwiązań od OpenAI czy Anthropic wynika z trzech kluczowych powodów. Po pierwsze, ekonomia – standardowe techniki fine-tuningu, zdaniem Schwartza, mają silną tendencję do degradacji ogólnych możliwości modelu. Dodatkowo firma pozostaje uzależniona od dostawcy w kwestii kosztów inferencji i rozwoju technologii. Mniejszy, wewnętrzny model sprawdza się szczególnie dobrze w zadaniach o dużej objętości, takich jak przegląd dokumentów.

Po drugie, dane – trening wewnątrz własnych narzędzi, takich jak Westlaw, przynosi największy wzrost wydajności. Potwierdzają to benchmarki, a firma nie zamierza udostępniać tego dostępu nikomu z zewnątrz. Po trzecie, efekt kumulacji, który Hron porównuje do wynajmu mieszkania zamiast jego zakupu. Każdy ekspercki przegląd podczas aktualizacji produktu staje się materiałem treningowym. Jak mówi Hron, budujesz kapitał w czymś, co posiadasz długoterminowo, a wartość ta rośnie z czasem. W przypadku modeli firm trzecich ta wartość przepada u dostawcy.

Dla Thomson Reuters to podejście działa, ponieważ firma łączy trzy rzadkie składniki: ekskluzywne zbiory danych, setki pełnoetatowych ekspertów dziedzinowych oraz procesy, w których jakość można obiektywnie zmierzyć. Społeczność open source pozostaje zaledwie kilka miesięcy za czołowymi laboratoriami, a 40 milionów dolarów może wystarczyć na zbudowanie konkurencyjnego specjalistycznego modelu. Hron przewiduje, że kolejna przewaga konkurencyjna w AI będzie wynikać z umiejętności orkiestracji oraz wiedzy o tym, które inteligencje warto posiadać na własność.

Pierwsze wdrożenie w analizie dokumentów

Model Thomson zadebiutuje w funkcji Tabular Analysis w produkcie CoCounsel Legal. Wybór padł na to miejsce celowo – mniejszy i tańszy model ma tutaj sens ekonomiczny. Produkt pozostaje wielomodelowy, a administratorzy mogą przełączać się między różnymi rozwiązaniami. Thomson nie ma pełnić roli orkiestratora, lecz obsługiwać podzadania, takie jak sprawdzanie cytowań.

Firma zapewnia, że dane klientów nie trafiają do treningu. Mniejsza wersja modelu pojawi się na Hugging Face jako otwarte wagi na licencji niekomercyjnej, a następnie udostępnione zostaną raport techniczny i portal dla deweloperów. Hron zdradza, że trwają wstępne, niezobowiązujące rozmowy z kancelariami prawnymi na temat bezpośredniego licencjonowania modelu.

Strategia Thomson Reuters pokazuje, że budowa własnego modelu AI może być opłacalna, ale tylko w określonych warunkach. Firmy, które nie posiadają ani własnych danych, ani sposobu na skalowalną ocenę wyników, kupują głównie koszty utrzymania, decydując się na taki krok. Dla pozostałych może to być jednak sposób na zbudowanie trwałej przewagi, której nie zapewni żaden zewnętrzny dostawca.

Źródło

Może Cię zainteresować