24 augustus 2026 — Informatiedienstaanbieder Thomson Reuters heeft maandag zijn eigen AI-model gelanceerd, dat volgens het bedrijf is getraind tegen minder dan de helft van de kosten van andere frontier-AI-modellen. De release laat zien wat mogelijk is voor SaaS-aanbieders zoals Thomson Reuters die willen inspelen op de AI-markt.

Het model, dat intern werd ontwikkeld en de naam Thomson draagt, is gebouwd op de eigen content van de aanbieder — met een focus op juridische informatie — evenals op de technologie en domeinexpertise van het bedrijf. Het vertrekt vanuit een basismodel met de naam Snowdon, ontwikkeld door het FAIR Lab van Imperial College London.

Thomson Reuters, gevestigd in Toronto, presenteert Thomson als vergelijkbaar met de sterkste frontier-modellen op de markt, waaronder Claude Opus 4.8, GPT 5.5 en Gemini 3.1 Pro. De lancering volgt nadat SaaS-aanbieders in de sector van juridische informatiediensten werden opgeschrikt door de release van Anthropic's Claude Cowork-plugins in februari — wat onderstreept hoe snel frontier-AI-producten tegenwoordig kunnen opduiken in de professionele workflows die deze aanbieders al lang bedienen.

Naast het recht richt Thomson Reuters het nieuwe model ook op professionals in onder andere de accountancy en andere compliance-gerichte gebieden — een vroeg signaal dat het bedrijf domeingetrainde AI verder ziet reiken dan de juridische kern.

Het bedrijf zei dat de oorsprong van het model ook teruggaat op de overname van Safe Sign Technologies in 2024. Safe Sign was een Britse AI-startup die specifiek juridische grote taalmodellen (LLM's) ontwikkelde, en het personeel van de startup werd het fundamentele onderzoeksteam van Thomson. De overname leverde Thomson Reuters in één slag een kant-en-klare onderzoeksgroep op — een route die andere SaaS-aanbieders die overwegen een eigen model te bouwen zouden kunnen bestuderen.

Een model dat anderen kan aansporen

"Dit kan een inspirerend model zijn voor andere instellingen die eveneens beschikken over enorme reserves aan intellectueel eigendom en kapitaal," aldus Michael G Bennett, associate vice chancellor voor datawetenschap en AI-strategie aan de University of Illinois Chicago.

Hij voegde eraan toe dat het voor aanbieders — zeker voor organisaties waarvan de data nog niet door makers van frontier-modellen is opgenomen — zinvol kan zijn een eigen model voor commercieel gebruik te ontwikkelen.

"Dit zal een eyeopener zijn voor tal van sectoren die al nadenken over hoe ze de technologie kunnen omarmen en tegelijkertijd gebruik kunnen maken van de intellectuele expertise en middelen die ze intern hebben om niet alleen een model te bouwen dat echt krachtig en nuttig is, maar ook onderscheidend ten opzichte van een frontier-model," vervolgde Bennett.

Een goedkope onderneming

Ook de route die Thomson Reuters gebruikte om zijn model te creëren is intrigerend, aldus Bennett. Door een open-weight-model als basis voor Thomson te gebruiken, hoefde Thomson Reuters slechts 40 miljoen dollar in de training te investeren — veel minder dan de kosten van het trainen van een geavanceerd LLM, die doorgaans kunnen oplopen tot meer dan 100 miljoen dollar. Voor de bredere software-industrie kan die rekenkunde net zo belangrijk zijn als het model zelf: het suggereert dat een concurrerend eigen model binnen handbereik ligt voor aanbieders die al over gespecialiseerde data en expertise beschikken, zonder de budgetten van een frontier-AI-lab.

"Hun uitgaven lagen vermoedelijk een tot twee ordes van grootte lager dan wat het zou kosten om een model volledig vanaf de basis te bouwen," aldus Bennett.

Hoe Thomsons model zich op de markt zal redden is onduidelijk, maar het LLM zou technisch goed moeten presteren, aldus Bennett. Voor bedrijven in kennisindustrieën kan het aantrekkelijk zijn om domeinspecifieke modellen te kunnen trainen zonder de gebruikelijke kosten van modelontwikkeling, en om met een goedkoop model te werken, voegde hij eraan toe.

Hoewel Thomson Reuters bij de bouw van het LLM organisatorische en technische hindernissen overwon, blijven er uitdagingen voor de aanbieder bestaan, waaronder het overtuigen van klanten dat het model vergelijkbaar is met andere frontier-modellen, aldus Bennett. Ondernemingen die een abonnement nemen op Thomson zullen ook zelf moeten ontdekken en vergelijken of een LLM als Thomson, met zijn domeinexpertise, kan wedijveren met die van frontier-AI-labs.

Voor de bredere industrie zijn de belangrijkste aandachtspunten voor de nabije toekomst of zakelijke klanten de claims op frontier-niveau van Thomson Reuters bevestigen in het dagelijkse professionele werk, en of andere aanbieders met diepgaande eigen content dezelfde weg van open-weight- en domeintraining volgen.

Bron: AI Business