Thomson Reuters bringt eigenes Sprachmodell in CoCounsel Legal

Thomson Reuters verankert eigenes Fachwissen tiefer im Modell statt nur im Retrieval. Der Schritt erhöht die Kontrolle, beweist aber noch keine bessere Rechtsarbeit im Alltag.

Im ArtikelInhaltsverzeichnis 4 Kapitel

Der erste Einsatz ist eng umrissen

Thomson Reuters hat am 24. August 2026 Thomson angekündigt, das erste proprietäre große Sprachmodell des Unternehmens. Der Einstieg erfolgt nicht über einen frei zugänglichen Chatbot, sondern über Tabular Analysis in CoCounsel Legal. Die Funktion prüft nach Angaben des Anbieters bis zu 10.000 Dokumente anhand von bis zu 100 definierten Fragen und führt Antworten auf ihre Quellen zurück. Die Ankündigung vom 24. August 2026↗ nennt Kanzleien und Rechtsabteilungen als erste Zielgruppen.

Damit ist die Neuigkeit konkreter und kleiner, als der Begriff „Frontier-Modell“ vermuten lässt. Thomson ersetzt weder CoCounsel noch alle Modelle unter dessen Oberfläche. CoCounsel bleibt eine Multi-Modell-Umgebung und soll Thomson nur dort einsetzen, wo die juristische Spezialisierung einen Vorteil verspricht.

Beim Stand der Einführung sind die offiziellen Seiten noch nicht vollständig synchron. Ein Unternehmensbeitrag vom 1. September 2026↗ bezeichnet die erste Implementierung als gestartet. Die Modellseite spricht dagegen weiterhin von einer baldigen Verfügbarkeit. Belegt ist damit der Einsatzort, nicht der vollständige Rollout an alle Kunden.

Das Eigentum liegt in der Spezialisierung

Thomson ist kein von Grund auf neu trainiertes Grundlagenmodell. Der am 27. August veröffentlichte technische Bericht zu Thomson↗ nennt Qwen3.5-397B und Qwen3.6-35B als Ausgangspunkte der großen und kleinen Variante. Darauf folgen mehrere Stufen des Mid- und Post-Trainings, darunter Präferenzoptimierung und Reinforcement Learning.

Thomson Reuters bezeichnet diesen Ansatz als Continual Learning. Gemeint ist mehr als ein enges Fine-Tuning für eine einzelne Aufgabe: Das Modell soll Fachwissen und neue Verhaltensweisen aufnehmen, ohne seine allgemeinen Fähigkeiten weitgehend zu verlieren. Inhalte aus Westlaw, Practical Law, Checkpoint und Reuters flossen dafür in kuratierte Trainingsdaten, Aufgaben und Bewertungssignale ein. Wie Modelle nach dem Vortraining systematisch weiterlernen, ordnet auch der Beitrag Der zweite Lernschritt ein.

Die Kostenangaben brauchen eine klare Zuordnung. Laut technischem Bericht wird die gesamte Entwicklung einschließlich Personal, Infrastruktur, Fachexpertise und Partnerschaften auf rund 40 Millionen US-Dollar geschätzt. Der abschließende, dreiwöchige Trainingslauf der großen Variante soll weniger als 450.000 US-Dollar an GPU-Kosten verursacht haben. Das sind Angaben des Projektteams, keine übertragbare Kostenformel für spezialisierte Sprachmodelle.

Sovereign AI bleibt eine Frage des Grades

Die strategische Veränderung liegt in der zusätzlichen Kontrolle über die Modellschicht. Thomson Reuters kann Trainingsziele, Aktualisierungsrhythmus, Bereitstellung und Teile der Kostenstruktur stärker selbst bestimmen. Das eigene Archiv dient nicht mehr nur als Quelle, in der ein fremdes Modell nachschlägt. Es wird in Trainings- und Evaluationssignale übersetzt, die das Verhalten des Modells verändern sollen.

Vollständige technologische Souveränität folgt daraus nicht. Die Ausgangsmodelle stammen aus dem Open-Weight-Ökosystem, und bei Beschleuniger-Hardware bleibt Thomson Reuters von externen Anbietern abhängig. Auch die Trainingsdaten der ursprünglichen Qwen-Modelle kontrolliert das Unternehmen nicht. Der technische Bericht beschreibt Sovereign AI deshalb selbst als Spektrum: Thomson Reuters hat sich entlang dieses Spektrums bewegt, nicht sämtliche Abhängigkeiten beseitigt.

Für andere wissensintensive Organisationen ist das die relevante Beobachtung. Ein proprietäres Archiv allein erzeugt noch keinen Modellvorteil. Entscheidend ist, ob Fachleute daraus belastbare Daten, Präferenzsignale und Prüfverfahren entwickeln können. Das Modell ist damit nur eine Schicht des Arbeitssystems – wenn auch eine, die Thomson Reuters nun stärker kontrolliert.

Der Praxissieg ist noch nicht belegt

Die veröffentlichten Evaluationen zeigen ein spezialisiertes Profil statt eines universellen Sieges. Die große Variante verbessert sich in mehreren juristischen und allgemeinen Tests gegenüber ihrem Ausgangsmodell, bleibt beim Programmieren aber hinter führenden Systemen zurück. Selbst die behauptete Fähigkeitserhaltung ist nicht lückenlos: Der Bericht weist unter anderem Rückgänge bei Terminal-Aufgaben aus.

Hinzu kommt die Herkunft der Nachweise. Der technische Bericht stammt von Forschenden des Unternehmens und beteiligten Partnern. Praxisnahe Vergleiche nutzen teilweise interne Aufgaben, juristische Werkzeuge und lizenzierte Daten, die Konkurrenzsystemen nicht in gleicher Form zur Verfügung standen. Das kann den realen Produktwert abbilden, ist aber kein unabhängiger Modellvergleich unter identischen Bedingungen.

Externe akademische Prüfungen laufen nach Angaben von Thomson Reuters noch. Die kleine Variante steht als Open Weight für weitere Untersuchungen bereit; das große Produktionsmodell wird laut offizieller Modellseite↗ weder separat verkauft noch als eigenständiger Dienst angeboten.

Geändert hat sich damit vor allem die Eigentums- und Kontrollstruktur unter CoCounsel Legal. Noch offen ist, ob diese Verschiebung dauerhaft zu besserer juristischer Arbeit führt. Dafür braucht es unabhängige Evaluationen, nachvollziehbare Fehlerprofile und Ergebnisse aus dem regulären Einsatz – nicht nur weitere Benchmarks des Anbieters.

Einordnung

N.O.A.H. Insights

Zusätzliche Signale und Schlussfolgerungen aus dem Beitrag.

Redaktionelle EinordnungDie eigentliche Neuigkeit ist nicht ein weiteres juristisches Interface, sondern die Verlagerung von gemieteter Modellleistung zu einer stärker kontrollierten Spezialisierungsschicht.

Belastbare EinschränkungThomson erhöht die Kontrolle über Modell, Training und Betrieb, beseitigt aber weder die Abhängigkeit von offenen Ausgangsmodellen noch von externer Hardware.

Offener NachweisOb Thomson im regulären Kanzlei- und Unternehmensalltag verlässlich bessere Ergebnisse liefert, lässt sich aus den bislang überwiegend anbietergeführten Evaluationen nicht ableiten.

FAQ

Häufige Fragen

Kurze Antworten auf die wichtigsten Fragen zum Beitrag.

Ist Thomson ein vollständig neu trainiertes Grundlagenmodell?

Nein. Die große und die kleine Variante bauen auf offenen Modellen der Qwen-Familie auf. Thomson Reuters hat diese Gewichte durch mehrstufiges Continual Learning mit eigenen Daten, Aufgaben und Expertensignalen weiterentwickelt.

Kann Thomson als eigenständiges Modell genutzt werden?

Das große Produktionsmodell wird derzeit nicht separat verkauft oder als eigenständiger Dienst angeboten. Die kleinere Open-Weight-Variante ist für externe Untersuchungen verfügbar; ihre konkreten Lizenzbedingungen müssen vor einer Nutzung gesondert geprüft werden.

Ist Thomson vollständig souverän?

Nein. Thomson Reuters kontrolliert die spezialisierte Modellversion und große Teile der Trainings- und Betriebsumgebung. Die offenen Ausgangsmodelle und die benötigte Beschleuniger-Hardware bleiben jedoch externe Abhängigkeiten.

Zum Nachlesen