Thomson Reuters cria modelo de IA próprio para o direito

A Thomson Reuters apresentou o “Thomson”, o seu primeiro grande modelo de linguagem (LLM) proprietário. Assenta no Qwen, o modelo aberto do grupo chinês Alibaba — a empresa afirma utilizar atualmente a versão Qwen3.5-397B. Segundo a Thomson Reuters, o projeto recebeu cerca de 40 milhões de dólares ao longo de dois anos, entre equipa e capacidade de computação, de acordo com uma reportagem do The Decoder.

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

Como um modelo aberto se tornou um modelo jurídico

Em parceria com o Imperial College London, a Thomson Reuters realinhou primeiro o modelo chinês aberto em segurança, ética e neutralidade política. Esta etapa intermédia tem o nome de código “Snowdon”, de uma montanha do País de Gales. Seguiram-se um pré-treino com conteúdos próprios da empresa, um pós-treino com especialistas do domínio jurídico e aprendizagem por reforço agêntico nos ambientes de ferramentas próprias da empresa, como a Westlaw. Segundo a empresa, menos de 10% dos conteúdos disponíveis foram usados no treino até agora.

O diretor de tecnologia Joel Hron contou ao The Decoder que o ponto de partida do projeto foi alterado “cerca de meia dúzia de vezes”. O responsável pela investigação, Jonathan Schwartz, acrescenta que o verdadeiro êxito não está num único modelo, mas numa “fábrica de modelos” reutilizável.

A Thomson tem de definir a fronteira da inteligência para o direito. É um trabalho diferente daquilo que, na minha opinião, muitos laboratórios de ponta andam a fazer.

Se simplesmente se pegar no modelo open source sem todas estas etapas adicionais, ele não vai saber tanto. Não estará necessariamente alinhado com os valores próprios, e não será tão bom como com as ferramentas que se constroem depois.

Resultados a ler com prudência

Nos seus próprios testes, 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 mesmo atrás do Claude Opus 4.8. O Thomson lidera no cumprimento de instruções e no exigente PrBench Legal, mas fica bastante atrás no raciocínio e, sobretudo, na 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 o seu modo de raciocínio.

No benchmark interno de investigação aprofundada, o Thomson obtém 0,53 de fidelidade factual apenas com acesso à web, contra 0,65 do GPT-5.4. Mas com acesso aos conteúdos próprios do grupo, a pontuação sobe para 0,83, ultrapassando por pouco o 0,82 do GPT-5.4. Andrew Bean, responsável pela avaliação, reconhece que, apenas com acesso à web, o modelo “certamente ainda não” está na liderança. Um dado notável: o GPT-5.4 também beneficia muito do acesso a conteúdos próprios — o acesso aos dados conta quase tanto como o próprio treino especializado. A SiliconANGLE nota que estes resultados internos ainda não receberam uma validação independente extensa; um relatório técnico com mais resultados deverá ser publicado mais tarde. A Thomson Reuters começou a partilhar o modelo com especialistas jurídicos e instituições académicas para testes.

Porquê construir em vez de ajustar um modelo de ponta

Porquê um modelo próprio em vez de um afinamento (fine-tuning) de um modelo de ponta da OpenAI ou da Anthropic? A empresa aponta três razões:

• Economia: o fine-tuning padrão degrada muitas vezes as capacidades gerais do modelo e deixa a empresa dependente dos custos de inferência e do roteiro do fornecedor; um modelo próprio mais pequeno é rentável para tarefas de grande volume, como a revisão de documentos.
• Dados: o treino em ambientes de ferramentas próprias como a Westlaw gera precisamente o salto de desempenho observado, um acesso que a empresa não quer conceder a terceiros.
• Efeito cumulativo: cada avaliação de especialistas feita nas atualizações do produto torna-se num dado de treino que se acumula como capital próprio com um modelo proprietário, em vez de beneficiar um fornecedor externo.

A empresa reconhece também limites a esta abordagem: só se generaliza a empresas que reúnam três ingredientes raros — bases de dados exclusivas, centenas de especialistas do domínio empregados internamente e fluxos de trabalho em que a qualidade se pode medir objetivamente. Para uma empresa com este perfil, a comunidade open source atrasa apenas alguns meses a chegada aos laboratórios de ponta, e 40 milhões de dólares podem bastar para um modelo especializado competitivo. Para uma empresa sem dados próprios nem infraestrutura de avaliação, um modelo proprietário custaria sobretudo em manutenção contínua.

Primeira utilização: dentro do CoCounsel

O Thomson está primeiro integrado na funcionalidade “Tabular Analysis” do CoCounsel Legal, o assistente de IA jurídica da Thomson Reuters, para a revisão de documentos em grande volume — um caso de uso em que um modelo mais pequeno e mais barato faz sentido económico. O CoCounsel continua a ser multimodelo: os administradores podem continuar a escolher outros modelos. O Thomson não se destina a orquestrar todo o sistema, mas a tratar de subtarefas como a verificação de citações. Segundo a empresa, os dados dos clientes não são usados no treino.

Uma versão mais pequena do modelo será lançada com pesos abertos no Hugging Face sob licença não comercial, acompanhada de um relatório técnico e de um portal para programadores. Estão também em curso conversas preliminares e não vinculativas com escritórios de advocacia sobre licenciamento direto.

A Thomson Reuters recorda o contexto: a 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 seu próprio modelo dá-lhe mais autoridade sobre a implementação, a governação e o desenvolvimento futuro — um argumento de “soberania de IA”. Já estão em curso conversas com grandes escritórios de advocacia e empresas sobre acesso direto ao modelo, incluindo a possibilidade de os clientes adaptarem o Thomson ao seu próprio conhecimento e fluxos de trabalho.

Para escritórios de advocacia e departamentos jurídicos portugueses, o caso mostra em que condições um modelo de linguagem próprio se torna verdadeiramente 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 rivalizar com os laboratórios de ponta. Para a maioria das empresas portuguesas, integrar modelos já existentes através de um sistema agêntico deverá continuar a ser o caminho mais pragmático, sobretudo para automatizar tarefas jurídicas e administrativas recorrentes.