Thomson Reuters a dépensé environ 40 millions de dollars sur plus de deux ans pour construire Thomson, un modèle de langage interne destiné aux travaux d’information juridiques et professionnels. La décision de l’entreprise marque une rupture avec une dépendance totale à la capacité louée auprès de fournisseurs de modèles de pointe tels qu’OpenAI et Anthropic.

Le modèle est basé sur Qwen d’Alibaba et est introduit d’abord dans CoCounsel Legal pour des tâches centrées sur les documents. Thomson Reuters indique que cet investissement vise à améliorer l’économie, à protéger le contrôle de son contenu propriétaire et à permettre à l’entreprise d’entraîner des modèles au sein de ses propres outils logiciels. Les meilleurs résultats de performance rapportés jusqu’à présent apparaissent toutefois lorsque Thomson peut accéder au contenu et aux flux de travail de Thomson Reuters plutôt que de fonctionner comme un modèle généraliste.

Thomson est conçu pour des flux de travail juridiques contrôlés

Selon les informations rapportées par The Decoder, Thomson Reuters a développé le modèle à l’aide de données de l’entreprise et d’experts du domaine, le modèle ayant été entraîné et évalué dans des environnements reliés à des produits tels que Westlaw, Practical Law, Checkpoint et Reuters. L’entreprise affirme que moins de 10 % de son contenu disponible a été utilisé pour l’entraînement jusqu’à présent.

Le processus de développement a commencé avec Qwen comme base de modèle ouvert. Thomson Reuters a travaillé avec Imperial College sur une version intermédiaire appelée Snowdon, qui a été réentraînée pour la sécurité, l’éthique et la neutralité politique, a rapporté The Decoder. L’entreprise a ensuite ajouté du pré-entraînement sur ses propres matériaux, du post-entraînement dirigé par des experts et de l’apprentissage par renforcement dans des environnements d’outils internes.

Thomson n’est pas présenté comme un remplacement de tous les modèles externes. Au lancement, il prend en charge la fonctionnalité Tabular Analysis dans CoCounsel Legal, où un modèle plus petit et moins coûteux peut gérer une tâche définie à grande échelle. Les administrateurs peuvent toujours changer de modèle, et le produit reste multimodèle. Thomson Reuters affirme également que les données des clients ne sont pas utilisées pour l’entraînement.

Une version plus petite de Thomson devrait être publiée sur Hugging Face sous licence non commerciale. L’entreprise prévoit de publier un rapport technique et de créer un portail pour développeurs, tandis que les premières discussions sur des licences directes avec des cabinets d’avocats sont décrites comme non contraignantes.

L’avantage sur les benchmarks dépend de l’accès propriétaire

Les éléments fournis par The Decoder suggèrent que l’avantage concurrentiel de Thomson est plus étroit qu’une affirmation de supériorité générale sur les modèles de pointe. Sur Stanford LegalBench, Thomson aurait obtenu 0,823, derrière Gemini 3.1 Pro et GPT-5.5. Sur le Harvey Legal Agent Benchmark, il était juste derrière Opus 4.8, tout en étant en tête pour le suivi d’instructions et la difficile évaluation PrBench Legal.

Le modèle aurait été moins performant en raisonnement général et en codage. Les comparaisons sont également influencées par les méthodes d’évaluation : Thomson a utilisé un test-time scaling, tandis que GPT-5.5 a été testé sans mode de raisonnement. L’évaluation Deep Research de l’entreprise a produit une qualification similaire. Avec un accès au Web seul, Thomson a obtenu 0,53 en précision factuelle, contre 0,65 pour GPT-5.4. Lorsque du contenu Thomson Reuters a été ajouté, Thomson a atteint 0,83, dépassant de peu GPT-5.4 à 0,82.

Ces résultats sont des benchmarks rapportés par l’entreprise et présentés via The Decoder, et non une validation indépendante. Ils montrent également que l’accès propriétaire fait peut-être au moins autant de travail que la spécialisation du modèle. Le même contenu a donné à GPT-5.4 une amélioration substantielle, ce qui signifie que l’avantage ne peut pas encore être attribué uniquement à l’entraînement ou à l’architecture de Thomson.

Andrew Bean, responsable de l’évaluation chez Thomson Reuters, a reconnu que le modèle n’était pas encore en tête lorsqu’il était limité à l’accès Web. Les résultats pourraient s’améliorer à mesure que l’entreprise utilise davantage de son contenu ou passe à une variante plus récente de Qwen, mais cela reste des possibilités futures plutôt que des résultats démontrés.

Pourquoi Thomson Reuters veut posséder toute la pile

L’argument de l’entreprise repose sur trois enjeux liés : le coût, le contrôle des données et l’expertise accumulée. Thomson Reuters affirme que le réglage fin d’un modèle de pointe externe peut réduire les capacités générales, tandis que l’usage continu expose l’acheteur aux prix d’inférence et à la feuille de route du fournisseur.

Un modèle contrôlé en interne peut être plus petit et moins cher pour des tâches répétitives comme la revue de documents ou la vérification des citations. Cela compte davantage lorsqu’un modèle est déployé dans des flux de travail à fort volume que lorsqu’il est utilisé occasionnellement pour des recherches ouvertes. La comparaison pertinente n’est donc pas simplement de savoir si Thomson est plus intelligent que GPT-5.4 ou un autre système de pointe, mais s’il peut offrir une qualité acceptable à un coût d’exploitation plus faible à l’intérieur d’un produit défini.

Le deuxième facteur est l’accès aux données. L’entraînement et les tests au sein de Westlaw et des outils associés permettent à Thomson Reuters d’optimiser des tâches que des fournisseurs externes ne peuvent pas entièrement reproduire sans accès au matériel protégé de l’entreprise et à la télémétrie des flux de travail. L’entreprise dit que cet avantage est au cœur de sa décision de ne pas dépendre exclusivement de modèles tiers.

Le troisième facteur est l’accumulation des connaissances de développement. Les dirigeants de Thomson Reuters, Joel Hron et Jonathan Schwartz, ont présenté l’investissement de l’entreprise comme la construction d’une capacité de développement de modèles plutôt que l’achat d’un seul modèle fini. Chaque examen par des experts, évaluation de produit et amélioration de flux de travail peut potentiellement éclairer les versions ultérieures. Cette affirmation relève du raisonnement stratégique des dirigeants de l’entreprise, et non d’un retour sur investissement mesuré.

Ce que la décision signifie pour les créateurs et acheteurs d’IA

Pour les entreprises, l’annonce offre un cas plus précis en faveur d’une propriété sélective des modèles. Thomson Reuters dispose d’actifs informationnels exclusifs, de centaines d’experts du domaine et de flux de travail dont les résultats peuvent être évalués selon des normes professionnelles. Ces conditions rendent un modèle spécialisé plus défendable qu’un projet interne construit sans données propriétaires ni tests fiables.

La nouvelle est moins convaincante pour les entreprises qui n’ont pas ces ingrédients. Entraîner un modèle sur des documents d’entreprise génériques ne crée pas automatiquement un avantage durable, surtout si l’organisation dépend encore d’une infrastructure externe, ne peut pas mesurer la qualité à grande échelle ou dispose de trop peu d’exemples pour améliorer le système. Dans ces cas, la personnalisation du modèle, les systèmes de récupération d’information ou une stratégie produit multimodèle peuvent offrir plus de flexibilité que la possession d’un pipeline d’entraînement complet.

Le déploiement illustre aussi pourquoi le choix du modèle devient une décision de gestion produit plutôt qu’une décision technique ponctuelle. CoCounsel Legal conserve plusieurs modèles disponibles et attribue à Thomson une charge de travail plus étroite. Cette configuration permet à Thomson Reuters d’utiliser des systèmes de pointe lorsque leur raisonnement plus large est utile, tout en réservant son propre modèle aux tâches où le coût, l’accès aux données et la répétabilité comptent davantage.

Pour les agents IA et les équipes de logiciels d’entreprise, la leçon importante est que l’accès aux outils et les environnements d’évaluation peuvent compter autant que le modèle de base. Un modèle entraîné pour fonctionner dans les propres applications d’une entreprise peut surpasser un modèle général plus puissant sur un flux de travail limité, mais seulement si l’organisation peut maintenir les outils, les autorisations d’accès aux données et les contrôles de qualité autour de lui.

Ce qu’il faut surveiller ensuite

Le premier signal sera la performance réelle et le coût dans CoCounsel Legal, en particulier pour Tabular Analysis et d’autres tâches de revue documentaire. Thomson Reuters n’a pas fourni, dans les informations fournies, de preuve indépendante que le modèle produit une réduction de coût définie ou une amélioration mesurable de la qualité pour les clients en production.

La publication de la version plus petite sur Hugging Face et de son rapport technique devrait fournir davantage d’informations sur l’architecture, les méthodes d’entraînement, les licences et la reproductibilité. Elle montrera aussi si des développeurs externes peuvent utiliser Thomson au-delà des propres environnements contrôlés de Thomson Reuters.

Les discussions de licence avec les cabinets d’avocats constituent un autre signal, même si The Decoder les a qualifiées de précoces et non contraignantes. Une adoption par des organisations juridiques externes offrirait un test plus solide pour savoir si Thomson est un actif produit plutôt qu’une simple optimisation interne.

Enfin, les évaluations futures devraient comparer Thomson avec les modèles de pointe actuels dans des configurations de raisonnement équivalentes et avec des conditions clairement séparées entre accès Web seul, contenu propriétaire et usage d’outils. Il serait alors plus facile de déterminer quelle part de l’avantage rapporté provient du modèle lui-même.

Point de vue Creati.ai

L’investissement de Thomson Reuters ne prouve pas que chaque entreprise devrait entraîner son propre modèle de langage. Il montre qu’une propriété peut avoir du sens lorsqu’une entreprise contrôle des données rares, dispose de spécialistes capables de superviser le système et opère des flux de travail répétitifs où l’économie de l’inférence est mesurable.

Le mouvement stratégique le plus important est peut-être la combinaison du développement de modèles internes avec l’utilisation continue de modèles externes. Thomson Reuters n’abandonne pas le marché de pointe ; l’entreprise essaie de posséder la partie de la pile où le contenu propriétaire et les tâches juridiques à grand volume créent un effet de levier. Pour les créateurs et les acheteurs en entreprise, c’est une stratégie de modèle plus crédible que de considérer l’entraînement interne complet comme une fin en soi.