Thomson Reuters präsentiert eigenes KI-Modell zur Stärkung der Datenhoheit

In einer strategischen Weichenstellung im Bereich der Künstlichen Intelligenz hat Thomson Reuters, ein weltweit führendes Unternehmen für Informationsdienstleistungen, die Einführung eines eigenen proprietären Large Language Models (LLM) bekannt gegeben. Das Modell, intern "Thomson" genannt, repräsentiert eine Investition von rund 40 Millionen US-Dollar und markiert einen bewussten Schritt weg von einer vollständigen Abhängigkeit von externen KI-Anbietern wie OpenAI oder Anthropic.

Die Motivation hinter der Eigenentwicklung

Die Entscheidung von Thomson Reuters, ein eigenes KI-Modell zu entwickeln, ist vielschichtig begründet. Im Kern steht der Wunsch nach größerer Autonomie, Kosteneffizienz und der Sicherung der Datenhoheit. Externe LLMs, so die Analyse von Thomson Reuters, bergen Risiken in Bezug auf inferenzbasierte Kosten, die Abhängigkeit von externen Entwicklungsfahrplänen und potenzielle Einschränkungen bei der Nutzung proprietärer Daten.

Joel Hron, Chief Technology Officer bei Thomson Reuters, verdeutlichte die langfristige Perspektive dieser Strategie mit dem Vergleich zwischen dem Mieten und dem Kaufen eines Hauses. Während das Mieten sofortige Nutzung ermöglicht, schafft der Kauf langfristiges Eigentum und damit einhergehende Wertsteigerung und Kontrolle. Jede interne Überprüfung und Produktaktualisierung wird so zu einem Beitrag zur Verbesserung des eigenen Modells, was einen kumulativen Effekt auf die Leistungsfähigkeit und den Wert des Systems hat.

"Thomson": Ein spezialisiertes Modell auf offener Basis

Das entwickelte Modell "Thomson" ist kein von Grund auf neu entwickeltes LLM. Stattdessen basiert es auf dem Open-Source-Modell Qwen von Alibaba, genauer gesagt auf der Version Qwen3.5-397B. In Zusammenarbeit mit dem Imperial College wurde dieses Basissystem zunächst angepasst, um Aspekte wie Sicherheit, Ethik und politische Neutralität für den Einsatz in einem professionellen Kontext zu gewährleisten. Diese Zwischenversion erhielt den Namen "Snowdon".

Anschließend erfolgte ein umfangreiches Vortraining mit den jahrzehntelang gesammelten, proprietären Daten von Thomson Reuters, darunter Inhalte aus Westlaw, Practical Law und Checkpoint. Ergänzt wurde dies durch Post-Training mit Domänenexperten und agentisches Reinforcement Learning innerhalb der unternehmenseigenen Tool-Umgebungen. Bislang wurden weniger als 10 Prozent der verfügbaren Inhalte in das Training integriert, was auf ein erhebliches weiteres Optimierungspotenzial hindeutet.

Die Investition von 40 Millionen US-Dollar floss primär in Personal und Rechenleistung über einen Zeitraum von mehr als zwei Jahren. Diese Summe hebt sich von den Milliarden ab, die von führenden KI-Labs in die Entwicklung von Frontier-Modellen investiert werden, und unterstreicht den Ansatz von Thomson Reuters, durch gezielte Spezialisierung und Nutzung eigener Daten einen Wettbewerbsvorteil zu erzielen.

Herausforderungen und Benchmarking

Die Leistungsfähigkeit von "Thomson" wurde in verschiedenen Benchmarks evaluiert. Während die internen Vergleiche von Thomson Reuters das Modell in bestimmten Bereichen, insbesondere bei der Nutzung exklusiver Unternehmensdaten, als führend positionieren, zeigen externe Benchmarks ein nuancierteres Bild. Auf dem Stanford LegalBench liegt "Thomson" beispielsweise hinter Gemini 3.1 Pro und GPT-5.5, während es beim Harvey Legal Agent Benchmark knapp hinter Opus 4.8 rangiert. Das Modell zeigt jedoch Stärken bei der Befolgung von Anweisungen und in spezifischen juristischen Aufgabenstellungen.

Ein entscheidender Faktor für die Leistung von "Thomson" ist der Zugang zu den proprietären Daten und Tools von Thomson Reuters. Interne Tests zeigten, dass das Modell nur mit diesem exklusiven Datenzugriff eine leichte Überlegenheit gegenüber generischen Modellen wie GPT 5.4 erzielt. Dies unterstreicht die These, dass der Wert eines spezialisierten Modells maßgeblich von der Qualität und Relevanz der Trainingsdaten abhängt.

Anwendungsbereiche und zukünftige Integration

Der erste konkrete Einsatz von "Thomson" erfolgt in der "Tabular Analysis"-Funktion von CoCounsel Legal, einer KI-gestützten Plattform für Rechtsberufe. Hier soll das Modell hochvolumige Aufgaben wie die Analyse von bis zu 10.000 Dokumenten und die Beantwortung von bis zu 100 Fragen dazu übernehmen. Dieser Bereich ist prädestiniert für den Einsatz eines spezialisierten Modells, da er eine hohe Genauigkeit und spezifisches Domänenwissen erfordert.

Thomson Reuters betont, dass die CoCounsel-Plattform weiterhin ein Multi-Modell-Ansatz verfolgt und Administratoren zwischen verschiedenen Modellen wechseln können. "Thomson" ist dabei nicht als Orchestrator gedacht, sondern zur Bewältigung spezifischer Teilaufgaben, wie beispielsweise der Zitationsprüfung. Kundendaten werden dabei nicht für das Training des Modells verwendet.

Darüber hinaus wird eine kleinere Version von "Thomson" als Open-Weight-Modell unter einer nicht-kommerziellen Lizenz auf Hugging Face veröffentlicht, begleitet von einem technischen Bericht und einem Entwicklerportal. Dies könnte die Forschung und Entwicklung im Bereich spezialisierter LLMs weiter vorantreiben.

Langfristige Strategie und Marktpositionierung

Die Investition in "Thomson" ist ein klares Signal von Thomson Reuters, die Kontrolle über seine KI-Zukunft selbst in die Hand zu nehmen. Das Unternehmen positioniert sich damit als Akteur, der nicht nur Daten aggregiert, sondern auch die Intelligenz daraus selbst entwickelt und steuert. Diese Strategie ist besonders relevant in hochregulierten und datenintensiven Branchen wie dem Rechts- und Finanzwesen, wo Präzision, Verlässlichkeit und Datenhoheit von größter Bedeutung sind.

Trotz der Eigenentwicklung pflegt Thomson Reuters weiterhin Partnerschaften mit führenden KI-Unternehmen. Die CoCounsel-Plattform integriert beispielsweise weiterhin die Agent-SDKs von Anthropic für agentische Workflows, die komplexe Aufgaben planen, ausführen und über verschiedene Tools hinweg orchestrieren können. Dieser hybride Ansatz ermöglicht es Thomson Reuters, die Stärken beider Welten zu nutzen: die tiefe Spezialisierung und Kontrolle eines eigenen Modells kombiniert mit der breiten Funktionalität und den fortgeschrittenen Fähigkeiten führender generischer KI-Systeme.

Der Erfolg dieser Strategie wird sich in der Fähigkeit von Thomson Reuters zeigen, messbare Produktivitätssteigerungen und Risikominimierung für seine Kunden zu erzielen. Für den B2B-Sektor bietet dieser Ansatz eine Blaupause für Unternehmen mit umfangreichen proprietären Datensätzen und Domänenexpertise, die ihre eigene "Intelligenz" entwickeln möchten, um langfristige Wettbewerbsvorteile zu sichern.

Bibliografie

- The Decoder. (2026, August 24). Thomson Reuters bets $40M on owning its AI instead of renting from OpenAI or Anthropic. - Business Insider. (2026, August 24). Thomson Reuters Builds Thomson-1 AI Model to Rely Less on Anthropic. - The Logic. (2026, August 24). Thomson Reuters launches its own AI model to reduce reliance on big tech. - The Next Web. (2026, August 23). Thomson Reuters built its own model on a Chinese open base. - PR Newswire. (2026, August 24). Thomson Reuters Leverages its World-Class Data Assets to Launch Its Own Frontier Model. - LawSites. (2026, August 24). Thomson Reuters Launches Thomson, Its Own Proprietary LLM Trained on Westlaw and Practical Law Content. - WebProNews. (2026, August 24). Thomson Reuters Bets $40 Million on Its Own Legal AI to Curb Dependence on Anthropic. - The New Stack. (2026, August 24). Thomson Reuters trained its own AI model. Then it kept using Anthropic's anyway. - The Deep View. (2026, August 24). Why companies want to own their intelligence. - Intokened. (2026, August 24). Thomson Reuters built its own AI model on Qwen for $40M.