Por Canuto  

Thomson Reuters destinó alrededor de USD $40 millones y más de dos años a desarrollar un modelo propio de inteligencia artificial sobre Qwen. La empresa busca controlar costos, datos y evolución tecnológica, aunque las pruebas muestran que su ventaja aparece principalmente cuando Thomson accede a contenido y herramientas legales exclusivos.
***

  • Thomson Reuters desarrolló Thomson sobre el modelo abierto Qwen de Alibaba, con datos propios y expertos legales.
  • El modelo no supera de forma general a los sistemas más avanzados, pero mejora cuando utiliza información exclusiva de la empresa.
  • Su primer uso será la revisión documental de alto volumen, mientras una versión pequeña llegará a Hugging Face bajo una licencia no comercial.

Thomson Reuters decidió invertir alrededor de USD $40 millones en la construcción de un modelo de inteligencia artificial propio para el trabajo legal, en lugar de depender exclusivamente de servicios alquilados a OpenAI o Anthropic. El proyecto, desarrollado durante más de dos años, combina capacidad de cómputo, personal especializado, décadas de contenido profesional y el trabajo de cientos de expertos de dominio. La empresa presentó el sistema bajo el nombre Thomson y lo utilizará inicialmente en tareas de revisión documental de alto volumen.

La apuesta refleja una discusión cada vez más relevante entre las compañías que incorporan IA a sus operaciones: pagar por modelos externos y adaptar sus herramientas, o asumir el costo de desarrollar una infraestructura tecnológica propia. Thomson Reuters sostiene que controlar el modelo puede reducir los costos de inferencia y preservar el valor de las revisiones realizadas por sus especialistas. Sin embargo, las comparativas divulgadas por la compañía muestran que Thomson no supera de manera uniforme a los modelos de frontera y que su ventaja depende, en buena medida, del acceso a datos exclusivos.

Una inversión mayor que el costo del entrenamiento final

Según Thomson Reuters, los aproximadamente USD $40 millones cubren el personal y la capacidad de cómputo utilizados durante más de dos años de trabajo. La cifra de USD $450.000 difundida para el entrenamiento de la versión actual solo corresponde a la última ejecución, por lo que no representa el costo total del programa. Además, ese cálculo no incorpora plenamente el valor de décadas de contenidos acumulados en Westlaw, Practical Law, Checkpoint y Reuters.

La compañía también considera parte esencial de la inversión las horas de trabajo de cientos de expertos de dominio que participaron en el proceso. Esos especialistas aportaron conocimiento legal y ayudaron a evaluar el comportamiento del sistema dentro de tareas profesionales concretas. En consecuencia, el proyecto no se limita a comprar servidores o seleccionar una arquitectura, sino que convierte activos editoriales y experiencia humana en componentes de una fábrica de modelos.

La base tecnológica de Thomson es Qwen, la familia de modelos abiertos de Alibaba, y el desarrollo más reciente utiliza Qwen3.5-397B. Thomson Reuters trabajó con Imperial College para reentrenar primero una versión orientada a seguridad, ética y neutralidad política, identificada internamente como Snowdon, en referencia al monte ubicado en Inglaterra. Después, el equipo continuó con etapas de preentrenamiento sobre el contenido propio y entrenamiento con expertos de dominio.

El proceso incluyó además aprendizaje por refuerzo agéntico dentro de los entornos de herramientas de la compañía. Hasta ahora, menos del 10% del contenido disponible de Thomson Reuters ha ingresado al entrenamiento, un dato que deja abierta la posibilidad de futuras mejoras si se incorporan más fuentes internas. El director de tecnología Joel Hron afirmó que la empresa ha cambiado el punto de partida de código abierto cerca de media docena de veces.

El responsable de investigación Jonathan Schwartz resumió el principal aprendizaje con una conclusión que desplaza el foco desde el modelo individual hacia la infraestructura que permite desarrollarlo y perfeccionarlo. A su juicio, el activo más importante no es necesariamente Thomson como versión concreta, sino la fábrica de modelos construida alrededor de datos, expertos, herramientas y métodos de evaluación. Esa capacidad puede reutilizarse para crear sistemas más pequeños o especializados según las necesidades de cada producto.

Resultados competitivos, pero con una ventaja condicionada

La publicación de Thomson Reuters presenta a Thomson como uno de los modelos con mejores resultados del mundo para el trabajo profesional. Los propios datos divulgados por la empresa, no obstante, describen un desempeño desigual entre las distintas pruebas. En el benchmark legal de Stanford, Thomson obtuvo 0,823 y quedó por detrás de Gemini 3.1 Pro y GPT-5.5, mientras que en Harvey Legal Agent Benchmark terminó justo detrás de Opus 4.8.

El modelo sí lideró las pruebas de cumplimiento de instrucciones y el exigente benchmark PrBench Legal. Su rendimiento descendió de forma notable en razonamiento general y, especialmente, en programación, áreas que no constituyen el objetivo principal del sistema. Esa combinación sugiere que Thomson fue diseñado para resolver subtareas legales específicas, no para competir en todos los dominios con los modelos generalistas más grandes.

La comparación también tiene limitaciones metodológicas. Thomson compitió con una técnica de búsqueda o exploración durante el tiempo de prueba, mientras GPT-5.5 se ejecutó sin su modo de razonamiento, por lo que los resultados no constituyen una comparación completamente simétrica. La empresa, además, no probó modelos más recientes, una omisión que dificulta medir con precisión el tamaño de su ventaja frente a toda la oferta disponible.

El benchmark interno Deep Research de Thomson Reuters ofrece un contraste todavía más claro. Con acceso únicamente al contexto web, Thomson alcanzó una exactitud factual de 0,53, frente a 0,65 de GPT-5.4; cuando el sistema pudo consultar los datos propios de la compañía, su resultado subió a 0,83 y superó ligeramente el 0,82 de GPT-5.4. El salto apunta a que el acceso a información y herramientas especializadas explica buena parte del desempeño observado.

Andrew Bean, responsable de evaluación, describió el resultado como una gran mejora derivada de entrenar y practicar con las herramientas propias. Esa ventaja no desaparece por completo al utilizar un modelo externo, ya que GPT-5.4 también mejoró hasta un nivel similar al recibir acceso al contenido exclusivo. Por ello, la evidencia respalda el valor de los datos y del flujo de trabajo especializado, pero no demuestra que Thomson sea superior al modelo externo en términos absolutos.

Por qué la empresa prefiere controlar el modelo

Thomson Reuters plantea tres razones principales para construir un modelo interno en lugar de ajustar mediante fine-tuning uno de frontera perteneciente a OpenAI o Anthropic. La primera es económica, especialmente en tareas de gran volumen como la revisión documental, donde un modelo más pequeño y barato puede resultar más rentable. La compañía también advierte que ciertas técnicas de adaptación pueden degradar demasiado las capacidades generales del sistema.

Jonathan Schwartz señaló que los métodos estándar tienden a producir una degradación excesiva de la capacidad general. Desde la perspectiva de Thomson Reuters, adaptar un servicio externo mantiene a la empresa vinculada al proveedor para los costos de inferencia y para la evolución de su plan tecnológico. Un modelo propio permite decidir qué capacidades conservar, qué tamaño utilizar y cómo optimizarlo para cada flujo de trabajo.

La segunda razón está relacionada con los datos. El entrenamiento dentro de herramientas como Westlaw produce mejoras porque el sistema aprende a operar en el contexto real donde debe entregar resultados, y Thomson Reuters no tiene previsto conceder ese acceso a un tercero. La diferencia no radica únicamente en suministrar documentos durante una consulta, sino en permitir que el modelo practique con las herramientas, las restricciones y los criterios de calidad de la plataforma.

La tercera razón es el efecto compuesto de cada actualización. Hron comparó la estrategia con alquilar una casa frente a comprarla: cada revisión de un experto que mejora el producto puede convertirse, con un modelo propio, en un nuevo dato de entrenamiento. Si la empresa utiliza sistemas de terceros, ese valor acumulado puede terminar fortaleciendo al proveedor en lugar de ampliar una capacidad interna.

El caso de Thomson Reuters reúne condiciones que no están disponibles para la mayoría de las compañías. La empresa posee datos exclusivos, cientos de expertos de tiempo completo y flujos profesionales en los que la calidad puede medirse objetivamente, tres elementos que reducen el riesgo de construir sin saber si el resultado funciona. Para organizaciones sin información propia ni métodos de evaluación a escala, desarrollar un modelo interno podría generar costos de mantenimiento difíciles de justificar.

Hron sostuvo que la próxima ventaja competitiva en inteligencia artificial provendrá de saber cómo orquestar estas herramientas y de entender sobre qué conocimiento especializado vale la pena tener control. La observación desplaza la competencia desde el tamaño bruto del modelo hacia la integración con procesos, datos y criterios de evaluación. En esa lógica, la arquitectura abierta funciona como punto de partida, mientras que la diferenciación se produce en las capas que una empresa construye encima.

Causas de movimientos recientes

El movimiento descrito no corresponde a un activo financiero, por lo que no hay una variación de mercado que atribuir. El catalizador confirmado de la noticia es el lanzamiento de la nueva generación de CoCounsel Legal anunciado por Thomson Reuters, que incorpora su estrategia de IA especializada y nuevas herramientas para profesionales del derecho.

Primer despliegue y próximos pasos

Thomson debutará con el componente Tabular Analysis de CoCounsel Legal, donde un modelo más pequeño y económico puede encajar mejor en la estructura de costos. El producto continuará siendo multimodal y permitirá a los administradores cambiar entre modelos, una característica que evita convertir la nueva tecnología en la única opción disponible. Thomson tampoco está concebido como un orquestador general, sino como un sistema para subtareas concretas.

Entre esas funciones aparece la verificación de citas, una labor repetitiva en la que la precisión y el costo por operación tienen una importancia central. Al concentrarse en actividades específicas, la empresa puede medir el rendimiento con criterios relativamente claros y comparar el beneficio de ejecutar Thomson frente a utilizar modelos externos. La estrategia prioriza, por tanto, la eficiencia operacional antes que una demostración de superioridad general.

Thomson Reuters afirma que los datos de sus clientes no se utilizarán para entrenar el modelo. Esa separación busca proteger la información entregada por los usuarios y distinguirla del corpus propio utilizado durante el desarrollo. El anuncio no modifica el hecho de que la ventaja presentada por la compañía depende de sus contenidos internos, pero establece un límite sobre el uso de la información confidencial de quienes emplean sus productos.

La empresa también prepara una versión más pequeña para publicarla próximamente en Hugging Face bajo una licencia no comercial. A ese lanzamiento le seguirán un informe técnico y un portal para desarrolladores, con el objetivo de explicar el sistema y facilitar su evaluación externa. Hron añadió que existen acuerdos preliminares no vinculantes con despachos de abogados interesados en una licencia directa.

El lanzamiento permitirá observar si la ventaja obtenida en los entornos propios se mantiene cuando otros usuarios accedan a una versión más limitada y bajo condiciones distintas. También servirá para medir el interés de los desarrolladores por un modelo especializado que no compite únicamente por escala, sino por su ajuste a tareas legales. Para Thomson Reuters, el resultado financiero de la apuesta dependerá de convertir esa especialización en menores costos y mejores productos, sin perder flexibilidad frente a los modelos de frontera.

La experiencia deja una conclusión prudente para el mercado de inteligencia artificial: USD $40 millones pueden sostener un modelo competitivo cuando una empresa dispone de datos exclusivos, especialistas y evaluaciones confiables, pero el capital por sí solo no garantiza una ventaja. Thomson se impone a GPT-5.4 en la prueba más favorable solo después de acceder al contenido de Thomson Reuters, mientras que en otros escenarios queda por detrás. El verdadero activo parece ser la capacidad institucional para entrenar, probar y desplegar modelos de manera continua.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados