Thomson entrenó su modelo por 40 millones: empieza en tareas legales
Thomson Reuters anunció el 24 de agosto de 2026 el lanzamiento de Thomson, su primer gran modelo de lenguaje propietario desarrollado internamente. El anuncio de Thomson Reuters cifra en 40 millones de dólares la inversión en talento y cómputo para especializar una base abierta y sitúa su primer uso en Tabular Analysis de CoCounsel Legal, dentro de una próxima versión.
Ese anuncio del 24 de agosto no equivale a una disponibilidad general del modelo. Thomson empezará en una tarea jurídica delimitada y CoCounsel Legal continuará utilizando modelos de distintos proveedores; entretanto, las evaluaciones publicadas describen resultados competitivos, pero aún ofrecen una validación externa limitada.
Los 40 millones cubren el programa, no una sola ejecución
La cifra central del lanzamiento corresponde al desarrollo acumulado, no al coste de una ejecución aislada ni al precio de servir cada respuesta. Incluye personal y capacidad de cómputo empleados para adaptar un modelo existente; no permite deducir por sí sola el coste futuro de inferencia bajo diferentes volúmenes, configuraciones o contratos de infraestructura.
La distinción resulta especialmente importante porque las cantidades publicadas tienen perímetros diferentes. La reconstrucción de SiliconANGLE sitúa el proyecto en unos dos años y atribuye aproximadamente 450.000 dólares a la ejecución final de entrenamiento, frente a los 40 millones destinados a personas y cómputo durante el programa.
Las dos cifras, por tanto, no se contradicen. Los 450.000 dólares describen una fase informática final después de construir datos, métodos, evaluaciones e infraestructura; los 40 millones representan una inversión mucho más amplia. Ninguna de ellas constituye una tarifa publicada de operación del modelo en CoCounsel.
El aprendizaje continuo concentró la inversión en especialización
Thomson Reuters evitó preentrenar desde cero un modelo fundacional. Partió de pesos abiertos y aplicó entrenamiento intermedio y posterior para modificar sus capacidades, su comportamiento y su manejo de tareas profesionales, en lugar de limitarse a añadir documentos mediante búsqueda o a mantener congelado el modelo base.
El informe técnico del 27 de agosto presenta este proceso como aprendizaje continuo: una sucesión de intervenciones sobre los parámetros con salvaguardas para incorporar especialización sin borrar las capacidades generales. Sus autores sostienen que Thomson mejoró en tareas de agentes, seguridad, derecho, fiscalidad, multilingüismo e investigación extensa, incluso en algunas capacidades que no eran objetivos directos.
Este planteamiento explica el sentido de la denominada SovereignAI en el proyecto: Thomson Reuters controla los pesos resultantes, las decisiones de entrenamiento, sus herramientas y el despliegue. No significa independencia completa, porque el sistema continúa dependiendo de un modelo base abierto, aceleradores, servicios de nube y componentes externos.
La propia compañía afirma que hasta ahora utilizó menos del 10% de su contenido. Ese dato apunta a posibles ampliaciones, pero no demuestra que incorporar más material vaya a producir mejoras proporcionales: cada nueva etapa requerirá selección de datos, entrenamiento y evaluaciones adicionales.
Las pruebas muestran competitividad, no superioridad general
Las evaluaciones disponibles mezclan pruebas del modelo con comparaciones de sistemas completos. El informe técnico atribuye a Thomson un rendimiento competitivo en varias familias de tareas y mejoras amplias sobre la base abierta, pero la mayor parte de la evidencia fue diseñada, ejecutada o publicada por equipos vinculados a Thomson Reuters.
El análisis de Forbes recoge que Thomson-1.0-Large superó en el agregado publicado a GPT-5.4 y Claude Sonnet 5, quedó por detrás de Claude Opus 4.8 y mostró debilidades relativas en programación, matemáticas, razonamiento abstracto y algunas pruebas de robustez. Es una comparación útil para situar el modelo, no una demostración de superioridad universal.
La misma cautela se aplica a la evaluación ciega con 35 abogados editores y más de 3.000 comparaciones. Los participantes tendieron a preferir el sistema de Thomson, especialmente en trabajo jurídico, pero Thomson podía consultar Westlaw, Practical Law y Reuters mientras que los sistemas rivales disponían de búsqueda web. El resultado mide la combinación de modelo, herramientas y contenido, no solamente los pesos de Thomson.
Thomson Reuters ha comenzado a facilitar el modelo a especialistas jurídicos y académicos, y ha anunciado una versión pequeña con pesos abiertos para fines académicos y no comerciales. Son vías para ampliar la comprobación externa, pero no sustituyen todavía una reproducción independiente extensa de los resultados publicados.
La primera integración será una revisión jurídica acotada
El destino inicial anunciado es Tabular Analysis, una función de CoCounsel Legal para revisar grandes volúmenes de documentos y organizar respuestas en tablas estructuradas. Thomson será el modelo predeterminado para esa función, aunque los administradores podrán seleccionar alternativas.
CoCounsel Legal seguirá siendo multimodelo: recurrirá a Thomson cuando su especialización resulte apropiada y mantendrá modelos de terceros para otros trabajos. El anuncio no implica que Thomson haya sustituido a todos los proveedores del producto ni que se ofrezca como asistente independiente para cualquier usuario.
La situación confirmada es, por tanto, más limitada que un despliegue general: el modelo fue anunciado el 24 de agosto, su informe técnico se publicó el 27 y su estreno comercial está ligado a una próxima versión de Tabular Analysis para despachos y departamentos jurídicos. Aún faltan el calendario preciso, métricas con tráfico real, costes de inferencia comparables y evaluaciones externas reproducibles.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.