Thomson Reuters Membangun Model AI Hukum. Apa yang Dibuktikannya?

Thomson Reuters telah meluncurkan Thomson, keluarga language model yang dilatih untuk pekerjaan hukum, pajak, akuntansi, dan pekerjaan profesional lainnya. Penggunaan produksi pertamanya bersifat sempit: Thomson akan menjalankan Tabular Analysis, fitur peninjauan dokumen terstruktur di CoCounsel Legal, sementara CoCounsel terus merutekan pekerjaan lain ke model eksternal.

Perusahaan juga telah merilis bobot Thomson-1.0-Small. Hal ini mengubah bukti yang tersedia bagi pembeli dan peneliti karena satu anggota keluarga model tersebut kini dapat diperiksa dan diuji di luar Thomson Reuters. Itu tidak memvalidasi model proprietary yang lebih besar secara independen, membuktikan bahwa salah satu model memberikan jawaban hukum yang andal, atau menunjukkan bahwa kepemilikan data pelatihan sudah cukup untuk membuat sistem aman bagi penggunaan profesional.

Ada dua model Thomson dalam bukti yang tersedia

Pengumuman peluncuran 24 Agustus menggambarkan Thomson sebagai large language model pertama yang dikembangkan secara internal oleh perusahaan. Thomson Reuters mengatakan mereka memulai dengan fondasi open yang kuat, menginvestasikan $40 juta untuk talenta dan komputasi, melatih model dengan kurang dari 10% kontennya, serta mempertahankan kendali atas model dan operasinya. Itu adalah pengungkapan perusahaan, bukan temuan biaya atau performa yang telah diaudit.

Sistem produksi bukan sekadar “Thomson menggantikan semua model eksternal.” Thomson Reuters mengatakan Tabular Analysis akan menjadi fitur CoCounsel Legal pertama yang menggunakan Thomson dan produk tersebut tetap multi-model berdasarkan desain. SiliconANGLE melaporkan bahwa administrator dapat memilih model lain dan Thomson Reuters terus menggunakan sistem pihak ketiga ketika sistem itu lebih sesuai. The New Stack juga melaporkan bahwa CoCounsel masih menggunakan teknologi Anthropic dan Thomson Reuters tidak mengklaim bahwa setiap pernyataan yang dihasilkan dapat ditelusuri baris demi baris ke undang-undang atau putusan.

Perusahaan juga menerbitkan Thomson-1.0-Small di Hugging Face. Model card-nya menjelaskan model mixture-of-experts dengan total 35 miliar parameter dan 3 miliar parameter aktif, context window native 262.144 token, serta bobot BF16. Model mixture-of-experts merutekan setiap input hanya melalui sebagian dari seluruh set parameternya, sehingga angka 35 miliar dan 3 miliar menjelaskan bagian yang berbeda dari arsitektur yang sama, bukan dua ukuran model.

Model kecil ini berbasis Qwen3.6-35B-A3B melalui checkpoint Snowdon-1.1-Small. Bobotnya dipublikasikan di bawah lisensi PolyForm Strict 1.0.0. Karena itu, “open weight” berarti peneliti dapat mengunduh dan memeriksa parameter; istilah ini tidak boleh diperluas begitu saja menjadi klaim bahwa setiap penggunaan diizinkan atau bobot model produksi terbuka untuk publik.

Lapisan bukti	Yang saat ini tersedia untuk publik	Yang tidak ditetapkan
Model produksi Thomson	Cakupan peluncuran, hasil benchmark model besar yang dipilih, pengungkapan pelatihan dan biaya perusahaan, serta penempatan CoCounsel yang direncanakan	Akurasi independen, tingkat kegagalan produksi, perlindungan privilege, atau kesetaraan pada pekerjaan pembeli
Thomson-1.0-Small	Bobot yang dapat diunduh, arsitektur, ringkasan pelatihan, tabel benchmark, pengaturan perbandingan, dan laporan teknis	Perilaku model produksi yang lebih besar atau sistem CoCounsel secara lengkap
Produk CoCounsel	Penggunaan pertama yang direncanakan di Tabular Analysis dan strategi routing multi-model yang diungkapkan	Model yang menangani setiap tugas, kualitas setiap sitasi, atau penggunaan hukum tanpa pengawasan yang aman

Pemisahan itu penting karena benchmark model, checkpoint open-weight, dan workflow produk adalah tiga objek yang berbeda. Bukti tentang salah satunya tidak otomatis berlaku pada dua lainnya.

Data proprietary mengubah proses pelatihan, bukan beban pembuktian

Penjelasan Thomson Reuters tentang proses pengembangan menggambarkan tiga tahap besar. Pertama, tim menyelaraskan kembali fondasi open dengan kerangka nilai yang dipublikasikan. Kemudian, continued pre-training digunakan untuk menambahkan materi terpilih dari Westlaw, Practical Law, Checkpoint, dan Reuters sambil memutar ulang data umum untuk mengurangi catastrophic forgetting—hilangnya kapabilitas umum yang berguna selama spesialisasi. Post-training menggunakan preferensi ahli, rubric domain, dan reinforcement learning untuk membentuk perilaku serta penggunaan tool.

Model card kecil tersebut menambahkan skala yang berguna. Thomson Reuters mengatakan korpus mid-training-nya berisi 200 miliar token yang dikurasi dari kumpulan lebih dari 19 triliun token, dengan pembagian kira-kira antara dokumen proprietary, penulisan ulang sintetis dokumen tersebut, dan data replay untuk kapabilitas umum. Perusahaan melaporkan 35.207 jam-GPU Nvidia B200 dan sekitar 1,63 × 10²³ operasi floating point untuk pipeline pengembangan.

Detail ini mendukung kesimpulan spesifik: Thomson Reuters melakukan lebih dari sekadar menambahkan search tool ke model umum yang dibekukan. Perusahaan mengubah bobot model menggunakan konten domain dan sinyal pelatihan yang dibuat ahli, lalu menerbitkan checkpoint yang lebih kecil dalam jumlah cukup untuk memungkinkan pengujian pihak ketiga.

Detail tersebut tidak menunjukkan bahwa konten proprietary otomatis menjadi data pelatihan berkualitas tinggi. Hak, kebaruan, yurisdiksi, duplikasi, konsistensi anotasi, dan hubungan antara contoh pelatihan dengan tugas profesional tetap memengaruhi hasil. Kepemilikan model juga tidak dengan sendirinya membuktikan kerahasiaan. Data yang dikirim saat inferensi, log, sistem retrieval, kontrol akses, retensi, respons insiden, dan kontrak tetap merupakan kontrol tingkat produk.

Tabel benchmark informatif—dan tetap merupakan bukti vendor

Thomson Reuters telah mengungkap lebih dari satu skor utama. Tulisan benchmark Juli membandingkan Thomson-1-Large dengan Gemini 3.1 Pro, Claude Opus 4.8, dan GPT-5.5 dalam tujuh kategori hukum dan umum. Thomson memimpin tiga baris dalam tabel yang dipublikasikan, sementara model lain memimpin empat baris sisanya. Tulisan itu juga mengatakan perbandingan deep research dengan 53 query menggunakan harness agent internal, sumber Thomson Reuters untuk Thomson, pencarian open web untuk model eksternal, dan judge large language model yang dikalibrasi terhadap subject-matter expert.

Itu lebih mudah ditafsirkan daripada klaim bahwa satu model adalah yang “terbaik,” tetapi setup tersebut menggabungkan perilaku model, akses retrieval, korpus proprietary, harness agent, dan pipeline penilaian. Perbandingan ini dapat mendukung klaim sistem produk dalam kondisi tersebut. Namun, perbandingan ini tidak dapat mengisolasi berapa banyak hasil yang berasal dari base model, continued training, akses sumber, prompting, tool, atau grading.

Model kecil yang dirilis menyediakan hasil vendor-run kedua. Model card-nya melaporkan rata-rata tidak berbobot 74,6 di seluruh benchmark yang tercantum, dibandingkan 71,7 untuk Snowdon-1.1-Small dan base Qwen3.6. Hasil per baris beragam: Thomson-1.0-Small meningkat cukup besar dibandingkan base-nya pada metrik “Human Queries” dan deep research di model card, tetapi Gemma 4-31B memimpin beberapa tes hukum yang tercantum, termasuk Stanford LegalBench dan contract understanding. Pada benchmark umum, base Thomson atau comparator juga menang di beberapa baris.

Hasil yang beragam bukan sesuatu yang memalukan untuk disembunyikan. Hasil itu merupakan bukti bahwa spesialisasi memiliki bentuk tertentu. Pertanyaan yang berguna adalah tugas mana yang membaik di bawah harness mana, bukan apakah satu rata-rata mengubah model domain menjadi pengacara yang secara universal lebih aman.

Klaim vendor	Bukti yang tersedia	Bukti yang masih diperlukan untuk keputusan deployment
Thomson kompetitif dengan model frontier	Model pembanding yang disebutkan, hasil per baris, sebagian pengaturan reasoning, dan pendekatan judging yang dijelaskan	Rerun independen, interval kepercayaan, analisis kontaminasi, prompt lengkap, biaya dan latensi dalam kondisi yang setara
Pelatihan domain meningkatkan pekerjaan profesional	Perbandingan model kecil dengan base-nya ditambah pengujian deep research dan expert-query perusahaan	Perkara pembeli yang representatif, cakupan yurisdiksi, penilaian profesional buta, taksonomi kegagalan, dan hasil tingkat tugas yang dapat direproduksi
Sitasi membuat output lebih andal	Metrik factuality perusahaan memeriksa apakah sumber yang dikutip mendukung klaim yang diekstrak	Uji otoritas yang hilang, klaim yang salah tetapi didukung sumber, kelengkapan sitasi, kebaruan sumber, dan waktu verifikasi manusia
Kepemilikan meningkatkan kontrol dan ekonomi	Kepemilikan model yang diungkapkan, investasi program $40 juta, bobot kecil yang dipublikasikan, dan routing produk multi-model	Total cost of ownership, pengukuran serving, bukti change control, dokumentasi aliran data, dan jaminan kontraktual

Penjelasan evaluasi AI AI News yang tersedia memberikan baseline yang berguna: kenali tugas, data, judge, dan kecocokannya dengan kondisi operasi nyata sebelum menganggap skor sebagai kesimpulan produk.

Reliabilitas profesional berada pada keseluruhan sistem

Pekerjaan hukum meningkatkan biaya kesalahan yang tampaknya masuk akal, tetapi menambahkan teks hukum selama pelatihan tidak menghapus mode kesalahan tersebut. Sumber dapat mendukung satu pernyataan, sementara kesimpulan keseluruhan menghilangkan otoritas pengendali. Aturan yang benar dapat diterapkan pada yurisdiksi atau tanggal yang salah. Model peninjauan dokumen dapat mengekstrak teks secara akurat, sementara workflow di sekelilingnya mengekspos materi privilege kepada pengguna yang salah.

Thomson Reuters sendiri menarik batas ini. The New Stack melaporkan posisi perusahaan bahwa tidak ada model AI, termasuk Thomson, yang dijamin bebas kesalahan dan verifikasi akhir tetap menjadi tanggung jawab profesional. SiliconANGLE mengatakan hasil awal belum menerima validasi independen yang ekstensif. Kehati-hatian tersebut terasa tidak selaras—namun berguna—ketika ditempatkan di samping branding “Fiduciary-Grade” perusahaan: standar itu merupakan ambisi dan klaim produk, bukan sertifikasi yang diciptakan oleh tabel benchmark.

Bagi pembeli, paket penerimaan karena itu harus menghubungkan model yang tepat dengan workflow yang tepat:

1. Versi dan rute: catat revisi model, sumber retrieval, tool, prompt atau kebijakan agent, serta kondisi yang mengirim tugas ke Thomson atau model lain.
2. Pekerjaan representatif: uji perkara yang dibekukan atau kasus sintetis realistis di seluruh yurisdiksi, tipe dokumen, bahasa, dan tenggat yang benar-benar akan dihadapi sistem.
3. Pemeriksaan otoritas dan sitasi: ukur apakah setiap proposisi konsekuensial didukung, apakah otoritas yang berlawanan atau mengendalikan hilang, dan berapa lama peninjauan yang memenuhi syarat berlangsung.
4. Batas data: dokumentasikan ke mana prompt, dokumen yang diunggah, sumber yang diambil, log, dan feedback berpindah; siapa yang dapat mengaksesnya; berapa lama disimpan; dan apakah jalur apa pun digunakan untuk pelatihan.
5. Kegagalan dan pemulihan: catat abstention, jawaban tanpa dukungan, kegagalan tool, kesalahan routing, override peninjau, penanganan insiden, dan fallback yang telah diuji ketika rute pilihan tidak tersedia.
6. Peninjauan independen: minta orang yang memenuhi syarat, dengan bukti, waktu, dan kewenangan yang cukup, menolak output sebelum output memengaruhi klien atau perkara.

Kontrol terakhir membutuhkan lebih dari sekadar tombol persetujuan. Panduan AI News tentang tinjauan manusia yang bermakna (bahasa Indonesia) menunjukkan bagaimana akses ke bukti, kewenangan override, alasan yang dicatat, dan jalur banding mengubah peninjau nominal menjadi safeguard operasional. Artikel ini merupakan analisis teknis dan produk, bukan nasihat hukum; kewajiban profesional dan aturan privilege bergantung pada yurisdiksi dan penggunaan.

Open weights menciptakan pengujian nyata berikutnya

Thomson-1.0-Small memberikan sesuatu kepada peneliti eksternal yang tidak diberikan peluncuran: checkpoint yang dapat dijalankan dengan prompt, grader, bahasa, yurisdiksi, dan uji kegagalan baru. Lisensinya yang restriktif dan skalanya yang lebih kecil berarti model ini bukan proxy lengkap untuk model produksi, tetapi hasil independen kini dapat menguji apakah spesialisasi yang dilaporkan bertahan di luar harness perusahaan.

Pengungkapan berikutnya yang paling informatif akan menghubungkan rerun model kecil tersebut dengan sistem yang lebih besar: laporan teknis model produksi lengkap, biaya dan latensi yang dipadankan, ketidakpastian tingkat tugas, kegagalan cakupan sumber, penilaian profesional eksternal, dan bukti dari Tabular Analysis setelah dirilis. Sampai saat itu, Thomson adalah demonstrasi pengembangan model domain yang kredibel dan objek evaluasi yang menjanjikan—bukan bukti bahwa data proprietary telah menyelesaikan reliabilitas AI hukum.

Sumber

1. Thomson Reuters launch announcement for Thomson
2. Thomson-1.0-Small model card and benchmark disclosures
3. Thomson Reuters account of how Thomson was built
4. Thomson Reuters early benchmark disclosure for Thomson-1-Large
5. The New Stack reports on Thomson and continued Anthropic use
6. SiliconANGLE reports on Thomson deployment and validation limits