Thomson Reuters construit son propre modèle IA pour le droit

Thomson Reuters a dévoilé « Thomson », son premier grand modèle de langage (LLM) propriétaire. Il repose sur Qwen, le modèle ouvert du groupe chinois Alibaba — l'entreprise indique utiliser actuellement la version Qwen3.5-397B. Thomson Reuters affirme avoir investi environ 40 millions de dollars sur deux ans en personnel et en puissance de calcul pour ce projet, selon The Decoder.

Le seul entraînement final (« training run ») de la version actuelle aurait coûté environ 450 000 dollars — un chiffre plus souvent mis en avant, mais qui ne représente qu'une fraction du coût réel. Même les 40 millions de dollars n'incluent pas la vraie valeur sous-jacente : des décennies de contenus provenant de Westlaw, Practical Law, Checkpoint et Reuters, ainsi que le temps de travail de centaines d'experts du domaine juridique mobilisés sur plusieurs années.

Comment un modèle ouvert est devenu un modèle juridique

Avec l'Imperial College de Londres, Thomson Reuters a d'abord réaligné le modèle chinois ouvert sur la sécurité, l'éthique et la neutralité politique. Cette étape intermédiaire porte le nom de code « Snowdon », d'après une montagne du Pays de Galles. Elle a été suivie d'un pré-entraînement sur les contenus propriétaires de l'entreprise, d'un post-entraînement avec des experts du domaine juridique, puis d'un apprentissage par renforcement agentique dans les environnements d'outils propriétaires de l'entreprise, comme Westlaw. Selon l'entreprise, moins de 10 % des contenus disponibles ont été utilisés pour l'entraînement à ce jour.

Le CTO Joel Hron confie à The Decoder que le point de départ du projet a été changé « une demi-douzaine de fois environ ». Le responsable de la recherche Jonathan Schwartz ajoute que la vraie réussite n'est pas un modèle isolé, mais une « fabrique de modèles » réutilisable.

Thomson doit repousser la frontière de l'intelligence pour le droit. C'est un travail différent de ce que font, selon moi, beaucoup de laboratoires de pointe.

Si l'on se contente de prendre le modèle open source sans toutes ces étapes supplémentaires, il n'en saura pas autant. On ne sera pas nécessairement aligné avec ses propres valeurs, et il ne sera pas aussi bon qu'avec les outils que l'on a construits ensuite.

Des benchmarks à lire avec prudence

Dans ses propres tests, Thomson obtient un score de 0,823 sur le benchmark Stanford LegalBench, derrière Gemini 3.1 Pro et GPT-5.5. Sur le Harvey Legal Agent Benchmark, il se classe juste derrière Claude Opus 4.8. Thomson est en tête sur le respect des instructions et sur le difficile PrBench Legal, mais nettement en retrait sur le raisonnement et surtout sur le code. La comparaison est méthodologiquement biaisée : Thomson est testé avec mise à l'échelle au moment du test, tandis que GPT-5.5 est testé sans son mode de raisonnement.

Sur le benchmark interne de recherche approfondie, Thomson obtient un score de fidélité factuelle de 0,53 avec un accès web seul, contre 0,65 pour GPT-5.4. Mais avec accès aux contenus propriétaires du groupe, son score grimpe à 0,83, dépassant de peu GPT-5.4 et ses 0,82. Andrew Bean, responsable de l'évaluation, reconnaît qu'avec un accès web seul, le modèle n'est « certainement pas encore » en tête. Fait notable : GPT-5.4 profite lui aussi fortement de l'accès aux contenus propriétaires — l'accès aux données compte presque autant que l'entraînement spécialisé lui-même. SiliconANGLE précise que ces résultats internes n'ont pas encore reçu de validation indépendante extensive ; un rapport technique avec davantage de résultats doit être publié plus tard. Thomson Reuters a commencé à partager le modèle avec des experts juridiques et des institutions académiques pour test.

Pourquoi construire plutôt qu'ajuster un modèle de pointe

Pourquoi un modèle propriétaire plutôt qu'un ajustement fin d'un modèle de pointe d'OpenAI ou d'Anthropic ? L'entreprise avance trois raisons :

• L'économie : le fine-tuning standard dégrade souvent les capacités générales du modèle et laisse l'entreprise dépendante des coûts d'inférence et de la feuille de route du fournisseur ; un modèle propriétaire plus petit est rentable pour des tâches à haut volume comme la revue de documents.
• Les données : l'entraînement dans les environnements d'outils propriétaires comme Westlaw crée précisément le saut de performance observé, un accès que l'entreprise ne veut donner à aucun tiers.
• L'effet cumulatif : chaque évaluation d'expert lors des mises à jour produit devient une donnée d'entraînement qui s'accumule comme un capital propre avec un modèle propriétaire, plutôt que de profiter à un fournisseur externe.

L'entreprise reconnaît aussi les limites de l'approche : elle ne se généralise qu'à des entreprises réunissant trois ingrédients rares — des bases de données exclusives, des centaines d'experts du domaine employés en interne, et des flux de travail où la qualité se mesure objectivement. Pour une entreprise ayant ce profil, la communauté open source ne retarde le rattrapage des laboratoires de pointe que de quelques mois, et 40 millions de dollars peuvent suffire pour un modèle spécialisé compétitif. Pour une entreprise sans données propriétaires ni infrastructure d'évaluation, un modèle propriétaire coûterait surtout en maintenance continue.

Premier déploiement : dans CoCounsel

Thomson est d'abord intégré à la fonction « Tabular Analysis » de CoCounsel Legal, l'assistant IA juridique de Thomson Reuters, pour la revue de documents à haut volume — un cas d'usage où un modèle plus petit et moins cher est économiquement pertinent. CoCounsel reste multi-modèle : les administrateurs peuvent toujours choisir d'autres modèles. Thomson n'est pas destiné à orchestrer l'ensemble du système, mais à prendre en charge des sous-tâches comme la vérification de citations. Les données des clients ne sont pas utilisées pour l'entraînement, selon l'entreprise.

Une version plus petite du modèle sera publiée en poids ouverts sur Hugging Face sous licence non commerciale, avec un rapport technique et un portail développeur à venir. Des discussions préliminaires et non contraignantes sont par ailleurs en cours avec des cabinets d'avocats pour une licence directe du modèle.

Thomson Reuters rappelle le contexte : sa plateforme phare Westlaw comprend plus de 40 000 bases de données individuelles et plus de 150 ans de publication et de curation éditoriale juridique. Le contrôle de son propre modèle donnerait à l'entreprise, selon elle, davantage d'autorité sur le déploiement, la gouvernance et le développement futur — un argument de « souveraineté de l'IA ». Des discussions sont déjà en cours avec de grands cabinets d'avocats et entreprises sur un accès direct au modèle, avec la possibilité que les clients adaptent Thomson à leurs propres connaissances et flux de travail.

Pour les cabinets d'avocats et les directions juridiques françaises, ce cas montre à quelles conditions un modèle de langage maison devient réellement rentable : seule une organisation disposant de bases de données exclusives constituées sur des décennies, d'experts internes du domaine et de critères de qualité mesurables objectivement peut construire, avec un budget somme toute modeste, un modèle spécialisé capable de rivaliser avec les laboratoires de pointe. Pour la plupart des entreprises françaises, l'intégration de modèles existants via un système agentique devrait rester la voie la plus pragmatique, en particulier pour automatiser des tâches juridiques et administratives récurrentes.