Thomson Reuters cria seu próprio modelo de IA jurídica

A Thomson Reuters apresentou o “Thomson”, seu primeiro grande modelo de linguagem (LLM) proprietário. Ele é baseado no Qwen, o modelo aberto do grupo chinês Alibaba — a empresa afirma usar atualmente a versão Qwen3.5-397B. Segundo a Thomson Reuters, o projeto recebeu cerca de US$ 40 milhões em investimento ao longo de dois anos em equipe e poder de computação, de acordo com reportagem do The Decoder.

O único treinamento final (“training run”) da versão atual teria custado cerca de US$ 450 mil — um número mais citado, mas que representa apenas uma fração do custo real. Mesmo os US$ 40 milhões não incluem o verdadeiro valor subjacente: décadas de conteúdo da Westlaw, Practical Law, Checkpoint e Reuters, além do tempo de trabalho de centenas de especialistas jurídicos dedicados ao projeto ao longo de anos.

Como um modelo aberto virou um modelo jurídico

Em parceria com o Imperial College London, a Thomson Reuters primeiro realinhou o modelo chinês aberto em segurança, ética e neutralidade política. Essa etapa intermediária recebeu o codinome “Snowdon”, em referência a uma montanha do País de Gales. Em seguida vieram um pré-treinamento com conteúdos proprietários da empresa, um pós-treinamento com especialistas do domínio jurídico e aprendizado por reforço agêntico nos ambientes de ferramentas proprietárias da empresa, como a Westlaw. Segundo a empresa, menos de 10% dos conteúdos disponíveis foram usados no treinamento até agora.

O CTO Joel Hron contou ao The Decoder que o ponto de partida do projeto foi alterado “umas seis vezes, mais ou menos”. O chefe de pesquisa Jonathan Schwartz acrescenta que a verdadeira conquista não é um modelo isolado, mas uma “fábrica de modelos” reutilizável.

A Thomson precisa definir a fronteira da inteligência para o setor jurídico. Esse é um trabalho diferente do que, na minha opinião, muitos laboratórios de ponta estão fazendo.

Se você simplesmente pegar o modelo open source sem todas essas etapas adicionais, ele não vai saber tanto. Você não estará necessariamente alinhado com os próprios valores, e ele não será tão bom quanto usar as ferramentas que você construiu depois.

Benchmarks que exigem cautela

Em testes próprios, o Thomson obtém 0,823 no benchmark Stanford LegalBench, atrás do Gemini 3.1 Pro e do GPT-5.5. No Harvey Legal Agent Benchmark, fica logo atrás do Claude Opus 4.8. O Thomson lidera em seguir instruções e no exigente PrBench Legal, mas fica bem atrás em raciocínio e, principalmente, em programação. A comparação é considerada metodologicamente enviesada: o Thomson é testado com escalonamento em tempo de teste, enquanto o GPT-5.5 é testado sem seu modo de raciocínio.

No benchmark interno de pesquisa aprofundada, o Thomson obtém 0,53 de fidelidade factual com acesso somente à web, contra 0,65 do GPT-5.4. Mas com acesso aos conteúdos proprietários do grupo, sua pontuação sobe para 0,83, superando por pouco o 0,82 do GPT-5.4. Andrew Bean, responsável pela avaliação, reconhece que, com acesso somente à web, o modelo “certamente ainda não” está na liderança. Um dado notável: o GPT-5.4 também se beneficia bastante do acesso a conteúdos proprietários — o acesso aos dados conta quase tanto quanto o próprio treinamento especializado. A SiliconANGLE observa que esses resultados internos ainda não receberam validação independente extensa; um relatório técnico com mais resultados de benchmarks deve ser publicado depois. A Thomson Reuters começou a compartilhar o modelo com especialistas jurídicos e instituições acadêmicas para testes.

Por que construir em vez de ajustar um modelo de ponta

Por que um modelo próprio em vez de um fine-tuning de um modelo de ponta da OpenAI ou da Anthropic? A empresa aponta três razões:

• Economia: o fine-tuning padrão costuma degradar as capacidades gerais do modelo e deixa a empresa dependente dos custos de inferência e do roteiro do fornecedor; um modelo próprio menor é rentável para tarefas de alto volume, como a revisão de documentos.
• Dados: o treinamento em ambientes de ferramentas proprietárias como a Westlaw gera exatamente o salto de desempenho observado, um acesso que a empresa não quer conceder a nenhum terceiro.
• Efeito cumulativo: cada avaliação de especialistas feita durante atualizações do produto vira dado de treinamento que se acumula como capital próprio com um modelo proprietário, em vez de beneficiar um fornecedor externo.

A empresa reconhece limites nessa abordagem: ela só se generaliza para empresas que reúnem três ingredientes raros — bases de dados exclusivas, centenas de especialistas do domínio empregados internamente e fluxos de trabalho em que a qualidade pode ser medida objetivamente. Para uma empresa com esse perfil, a comunidade open source atrasa em apenas alguns meses o alcance dos laboratórios de ponta, e US$ 40 milhões podem bastar para um modelo especializado competitivo. Para uma empresa sem dados próprios nem infraestrutura de avaliação, um modelo proprietário custaria principalmente em manutenção contínua.

Primeiro uso: dentro do CoCounsel

O Thomson é integrado primeiro à função “Tabular Analysis” do CoCounsel Legal, o assistente de IA jurídica da Thomson Reuters, para revisão de documentos em alto volume — um caso de uso em que um modelo menor e mais barato faz sentido econômico. O CoCounsel continua multimodelo: os administradores ainda podem escolher outros modelos. O Thomson não foi feito para orquestrar todo o sistema, mas para cuidar de subtarefas como a verificação de citações. Segundo a empresa, os dados dos clientes não são usados no treinamento.

Uma versão menor do modelo será lançada com pesos abertos no Hugging Face sob licença não comercial, acompanhada de um relatório técnico e um portal para desenvolvedores. Também há conversas preliminares e não vinculantes com escritórios de advocacia sobre licenciamento direto.

A Thomson Reuters lembra o contexto: sua plataforma principal, a Westlaw, reúne mais de 40 mil bases de dados individuais e mais de 150 anos de publicação e curadoria editorial jurídica. Segundo a empresa, controlar o próprio modelo lhe dá mais autoridade sobre implantação, governança e desenvolvimento futuro — um argumento de “soberania de IA”. Já há conversas em andamento com grandes escritórios de advocacia e empresas sobre acesso direto ao modelo, incluindo a possibilidade de clientes adaptarem o Thomson ao próprio conhecimento e fluxos de trabalho.

Para escritórios de advocacia e departamentos jurídicos brasileiros, o caso mostra em que condições um modelo de linguagem próprio se torna realmente vantajoso: só uma organização com bases de dados exclusivas construídas ao longo de décadas, especialistas internos do domínio e critérios de qualidade mensuráveis objetivamente consegue construir, com um orçamento relativamente modesto, um modelo especializado capaz de competir com os laboratórios de ponta. Para a maioria das empresas brasileiras, integrar modelos já existentes por meio de um sistema agêntico deve continuar sendo o caminho mais pragmático, especialmente para automatizar tarefas jurídicas e administrativas recorrentes.