Thomson Reuters entrena Thomson sobre Qwen: 40 millones para tener otra factura que enseñar

Thomson Reuters se fabrica un modelo propio para no depender de un solo API

Thomson Reuters no ha plantado a Anthropic. El 24 de agosto de 2026 ha hecho algo más seco: ha puesto un modelo propio sobre la mesa y ha señalado la factura de la inferencia en modelos frontier como detonante.

El comunicado oficial presenta Thomson como su "frontier model", entrenado con 40 millones de dólares en talento y compute, y se apoya en "175 years of Thomson Reuters knowledge". Un frontier model, en el bar, es el modelo de cabeza de un lab: el más capaz, el que pelea la liga cara. Que TR use esa etiqueta en una nota de prensa no lo convierte en el primo de Claude. Las evaluaciones, como veremos, cuentan otra historia.

Qwen → Snowdon → Thomson: una cadena, no dos piezas

La nota de prensa y la documentación técnica hablan de "Snowdon", no de Qwen. Pero en el briefing de prensa, según el abogado tecnológico Bob Schwarz que lo cubrió para LawSites y recoge también The Decoder, la cadena es esta: la base es Qwen3.5-397B de Alibaba; sobre ella, Thomson Reuters trabajó con el Imperial College para reentrenarla en seguridad, ética y neutralidad política, lo que dio lugar a Snowdon; sobre Snowdon hicieron pre-entrenamiento con su propio contenido, post-entrenamiento con expertos de dominio y aprendizaje por refuerzo agéntico en sus entornos de herramientas. El resultado es Thomson. No es el mismo modelo en dos versiones: es una cadena de producción.

El CTO Joel Hron añadió en ese briefing, según The Logic, que han cambiado el punto de partida open-source "probablemente cerca de media docena de veces" y que podrían saltar a otro modelo base si sale algo mejor. Eso lo dice todo sobre la estrategia: lo que protegen no es el checkpoint de Qwen sino la tubería de especialización y el corpus que le meten dentro.

La ironía de suministro se sostiene igual: TR llama "propio" a un modelo montado sobre una base ajena. Pero lo relevante no es el origen del modelo base (que puede cambiar) sino lo que se le inyecta encima. Eso es cadena de suministro, no laboratorio.

CoCounsel sigue en Claude

En mayo de 2026 Thomson Reuters amplió su asociación con Anthropic para CoCounsel, el asistente legal. CoCounsel es "multi-model by design" y usa Thomson donde da la ventaja más clara; hoy, eso significa la función Tabular Analysis. Thomson no sustituye al proveedor: es una línea más del router, activa donde tiene sentido económico.

Hay una versión "small" de pesos abiertos en Hugging Face, para uso académico y no comercial. Menos del 10% del contenido disponible de Thomson Reuters se ha empleado en el entrenamiento hasta ahora. Planean seguir especializándolo.

El legal tech ya no quiere un solo API

El 19 de agosto de 2026, Bloomberg Law documentó que las principales firmas de legal tech están prometiendo alejarse de Anthropic y de OpenAI. Thomson Reuters no inaugura nada. Harvey también ha desarrollado su propio modelo.

Patrick DiDomenico, asesor legal citado en esa pieza, va al bolsillo: si Harvey y Thomson Reuters dirigen más consultas a modelos propios en lugar de pagar respuestas de Anthropic o de OpenAI, pueden subir rentabilidad. Brenda Leong, de ZwillGen, cobra la contrapartida en el mismo artículo. Quien se fabrica el modelo asume desarrollo, mantenimiento y seguridad. Lo que antes cubría el proveedor ahora lo firmas tú.

Eso es el lock-in, quedarte atado a un proveedor porque cambiar duele más que aguantar la factura, mudándose de sitio. Dejas de ser rehén del token. Empiezas a serlo de mantener el modelo en producción.

El foso es el archivo

El comunicado contrapone sus 40 millones a los "billions of dollars" de los frontier labs. Como no concreta cuántos billones, el rango honesto, 1.000 a 10.000 millones de dólares, deja a Thomson entre 25 y 250 veces más barato: del 4% al 0,4% de esa factura. Sale barato porque no están comprando inteligencia general. Están cocinando un modelo encima de un archivo que ningún lab rastrea en internet.

Los benchmarks que presentó la propia empresa muestran dónde está eso: en Stanford LegalBench, Thomson (0.823) queda por detrás de Gemini y GPT-5.5; en Deep Research con solo acceso web, Thomson saca 0.53 en precisión factual frente al 0.65 de GPT 5.4. Cuando le das acceso a Westlaw y Practical Law, sube a 0.83 frente a 0.82. El jefe de evaluación Andrew Bean lo admitió: con acceso web, Thomson "está dentro del alcance de los otros modelos, pero ciertamente no es el líder todavía". Hay otro matiz que no aparece en el titular: esa comparativa de factualidad daba a Thomson acceso a Westlaw y Practical Law y a los rivales solo web abierta, según MLQ. Así que tampoco da para coronar a nadie en sentido contrario.

Dos evaluaciones independientes añaden color anecdótico, igual que la de Samuel Dahan de Queen's University sobre calidad de citas: el profesor Yong-Sung (Joseph) Choi, de Washington University, probó Thomson contra ChatGPT y Claude; los tres acertaron, pero Choi prefirió Thomson por los enlaces directos a tratados. Una preferencia, no un veredicto.

Un lab puede alquilar GPUs. No puede alquilar 175 años de Westlaw.

Reuters se fundó en 1851. En 2026 la cuenta cierra: 175 años de jurisprudencia, documentos y doctrina. Forbes lo dejó en una frase en julio de 2026: "Trusted AI starts with data". Ahí se ve la diferencia con un gigante de cartera. Microsoft puede firmar cheques. No tiene ese corpus. El músculo financiero sin datos, y sin el talento que sepa cocinarlos, no compra el foso.

En un sistema bien montado el proveedor es una línea de configuración. El orquestador solo habla con un LLMClient. Un router mapea cada tier a un modelo y un generate_with_fallback degrada si el primero falla, se agota el timeout o se dispara el presupuesto diario. Thomson Reuters está haciendo la versión cara de esa idea: no enruta entre APIs ajenas, enruta hacia un modelo alimentado con lo que solo ellos pueden meterle.

A quién le duele

Si el legal, uno de los oficios que más paga por no inventarse una cita, empieza a quedarse consultas en casa, OpenAI y Anthropic pierden volumen de alto valor. No mañana. CoCounsel sigue en Claude y la alianza se amplió en mayo. Cambia la silla de negociación el día en que el cliente puede enseñar una alternativa interna.

El siguiente no es un laboratorio. Es cualquiera con un archivo que no está en la web pública: finanzas, medicina, farma. El lock-in se agrieta desde el cliente que tiene datos, no desde el que tiene GPUs. Encaja con lo que ya vimos cuando OpenAI recorta a Anthropic en empresas y cuando el peaje se instala en el router. Allí mueven ficha el proveedor o el intermediario. Aquí la mueve quien tiene el corpus.

Ya advertimos de no depender de un único proveedor de IA. Y sostenemos que Microsoft llega tarde a los modelos fundacionales porque el músculo financiero sin talento técnico no basta. Thomson Reuters clava el matiz que faltaba: sin datos propios, tampoco. No puja por chips ni por investigadores de lab. Puja con un archivo que no se compra. Claude sigue dentro. La diferencia es que ahora pueden enseñar otra factura.

Preguntas frecuentes

¿Thomson Reuters ha dejado de usar Claude?

No. CoCounsel sigue siendo multi-model y en mayo de 2026 Thomson Reuters amplió su asociación con Anthropic. Thomson se usa actualmente solo en la función Tabular Analysis de CoCounsel Legal, donde un modelo más pequeño y barato tiene sentido económico. Los administradores pueden cambiar la configuración.

¿Qué es Snowdon y en qué se diferencia de Thomson?

Snowdon es la versión intermedia del modelo: Qwen3.5-397B reentrenada con el Imperial College para eliminar sesgos políticos y reforzar la seguridad. Sobre Snowdon, Thomson Reuters hizo el pre-entrenamiento con su propio contenido legal, el post-entrenamiento con expertos de dominio y el aprendizaje por refuerzo agéntico. Snowdon es la materia prima; Thomson es el producto final.

¿Cómo rinde Thomson frente a ChatGPT o Claude en tareas legales?

Depende de la prueba y del acceso a datos. Con solo web abierta, Thomson saca 0.53 en precisión factual frente al 0.65 de GPT 5.4. Cuando accede a Westlaw y Practical Law, sube a 0.83 frente a 0.82. En Stanford LegalBench queda por detrás de Gemini y GPT-5.5. El propio jefe de evaluación de TR admite que con web abierta "no es el líder todavía".

¿Por qué cuesta solo 40 millones si otros modelos cuestan miles de millones?

Porque no es un modelo de propósito general. Thomson Reuters no entrenó un modelo desde cero para todo: partió de Qwen, lo especializó en derecho con su propio corpus y lo afinó con expertos. Los 40 millones cubren más de dos años de personal y compute. La cifra de 450.000 dólares que circula por ahí cubre solo la ejecución final del entrenamiento, no el proyecto completo.