--- title: "Thomson Reuters lança modelo próprio de IA treinado com dados jurídicos e tributários" author: "Gabriela P. Torres" date: "2026-08-25 06:00:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/25/thomson-reuters-lanca-modelo-proprio-de-ia-treinado-com-dados-juridicos-e-tributarios/md" --- ## Resumo - A Thomson Reuters anunciou o Thomson em 24 de agosto de 2026, seu primeiro LLM proprietário desenvolvido internamente. - O projeto recebeu US$ 40 milhões em investimento ao longo de dois anos, com custo de cerca de US$ 450 mil na rodada final de treinamento. - O modelo foi construído sobre uma base de código aberto e refinado com décadas de conteúdo da Westlaw, Practical Law, Checkpoint e Reuters. - A implementação inicial ocorrerá no CoCounsel Legal, como padrão da função Tabular Analysis. - O CoCounsel permanece multi-modelo, permitindo que administradores escolham outras inteligências artificiais. - A empresa afirma que o Thomson teve desempenho competitivo com o Claude Opus 4.8 e superou outros modelos em testes internos. - Uma versão menor com pesos abertos deverá ser disponibilizada no Hugging Face para validação acadêmica. --- O **bug** desta notícia está na distância entre o anúncio de uma inteligência artificial própria e o que, de fato, foi construído, treinado e colocado em uso. Em **24 de agosto de 2026**, a **Thomson Reuters** anunciou o Thomson, seu primeiro modelo de linguagem de grande porte desenvolvido internamente, depois de investir **US$ 40 milhões** na iniciativa. A empresa não está apenas trocando o nome de uma ferramenta: afirma ter refinado uma base de código aberto com décadas de conteúdo jurídico, tributário e jornalístico e começou a levar o modelo para o CoCounsel Legal. A promessa é entregar uma IA mais controlável e eficiente para tarefas profissionais, mas a pergunta desbugada é outra: quais partes dessa promessa já foram demonstradas e quais ainda dependem da implementação? É isso que a análise a seguir separa peça por peça. ## O que a Thomson Reuters realmente lançou O Thomson é apresentado pela **Thomson Reuters** como seu primeiro modelo de linguagem de grande porte proprietário, ou LLM, sigla em inglês para um sistema treinado para compreender e produzir linguagem em larga escala. A diferença prática em relação a uma simples ferramenta de atendimento é que o modelo funciona como uma camada de inteligência capaz de executar tarefas dentro de produtos profissionais. A companhia afirma que o desenvolvimento ocorreu internamente, com investimento total de **US$ 40 milhões**, e não como uma mera integração de um serviço pronto de outro fornecedor. Se o argumento corporativo é controle sobre a tecnologia, então o ponto verificável é esse: a empresa passou a manter um modelo próprio ao mesmo tempo em que continua trabalhando com alternativas externas. A arquitetura, porém, não nasceu do zero. O **Thomson** foi desenvolvido a partir de uma base de código aberto, expressão que descreve software cujo código pode ser estudado e, conforme sua licença, modificado ou reutilizado. Sobre essa base, a empresa aplicou treinamento e pós-treinamento, etapa posterior usada para ajustar o comportamento do modelo a tarefas e padrões específicos. O material empregado veio de décadas de conteúdo da **Westlaw**, da Practical Law, da Checkpoint e da Reuters, reunindo informação jurídica, tributária e jornalística. A empresa também afirma que o trabalho contou com supervisão de especialistas, o que ajuda a explicar por que o foco não está em conversas genéricas, mas em atividades que exigem linguagem profissional e conhecimento documental. ## Por que os dados próprios são o centro da estratégia O valor anunciado pela Thomson Reuters não está apenas na palavra “próprio”, mas na combinação entre uma base aberta e um acervo que a companhia controla. O modelo foi refinado com material da **Westlaw**, da Practical Law, da Checkpoint e da Reuters, fontes que cobrem áreas diferentes dentro dos produtos e conteúdos da empresa. Em termos simples, o treinamento tenta aproximar a IA dos documentos, conceitos e tarefas que seus clientes já utilizam, em vez de depender somente de conhecimento geral. Isso não permite concluir automaticamente que cada resposta será correta, porque as fontes fornecidas não apresentam uma taxa independente de acerto, mas permite entender a lógica do projeto: dados especializados devem orientar o comportamento para trabalhos especializados. Essa escolha também ajuda a traduzir a expressão **Fiduciary-Grade™**, usada pela Thomson Reuters para classificar o modelo. Trata-se de uma denominação da própria empresa, não de uma certificação independente descrita nas fontes. A companhia associa o rótulo à possibilidade de oferecer uma IA profissional com controle sobre o modelo e custo de inferência reduzido; inferência é o momento em que o sistema processa uma solicitação e gera uma resposta. Se a inferência custa menos, então a empresa pode tentar executar mais tarefas dentro de seus produtos sem depender exclusivamente do preço cobrado por modelos externos. Senão, o investimento de US$ 40 milhões seria apenas uma vitrine tecnológica, e não uma peça operacional do negócio. ## O primeiro teste será dentro do CoCounsel Legal A primeira aplicação anunciada coloca o **Thomson** dentro do CoCounsel Legal, plataforma da Thomson Reuters voltada ao trabalho jurídico. O modelo será usado inicialmente na função **Tabular Analysis**, que analisa informações organizadas em tabelas. A ordem de implantação importa: a empresa não anunciou que substituirá todas as inteligências artificiais usadas pelo produto de uma só vez, mas escolheu uma função específica para começar a implementação. Para quem utiliza ferramentas jurídicas, a consequência imediata é mais limitada e mais concreta do que a manchete pode sugerir: a novidade começa em uma tarefa determinada, dentro de um produto existente, e não como um aplicativo independente aberto ao público. O desenho do CoCounsel continua sendo **multi-modelo**, isto é, o sistema pode trabalhar com mais de uma inteligência artificial. Segundo a cobertura do [SiliconANGLE](https://siliconangle.com/2026/08/24/thomson-reuters-launches-proprietary-ai-model-for-legal-work/), o Thomson será o padrão para a Tabular Analysis, mas os administradores ainda poderão selecionar outros modelos. Esse detalhe enfraquece uma leitura simplista de que a Thomson Reuters abandonou fornecedores externos para usar exclusivamente sua própria tecnologia. A estratégia descrita é mais calculada: usar o modelo interno onde ele fizer sentido e preservar alternativas para outras necessidades. Se a empresa consegue escolher o motor conforme a tarefa, então propriedade e flexibilidade convivem no mesmo produto. ## O que os números dizem sobre custo e desempenho O investimento de **US$ 40 milhões** precisa ser lido com uma segunda cifra ao lado. A empresa informou que a rodada final de treinamento custou cerca de **US$ 450 mil**, valor incluído no investimento total realizado ao longo de dois anos. Treinamento é a fase em que os parâmetros do modelo são ajustados com grandes volumes de exemplos; o custo dessa etapa específica não corresponde, portanto, ao preço completo de criar e operar o projeto. A diferença entre as duas cifras sugere que a conta divulgada inclui mais elementos do que uma única execução computacional, embora as fontes consolidadas não detalhem cada componente. A conclusão segura é mais modesta: o custo final do treinamento foi uma parcela do orçamento total de dois anos. Há ainda um dado que impede uma leitura apressada sobre a escala do treinamento: somente cerca de **10% da base de dados** da Thomson Reuters havia sido utilizada até o momento, segundo a cobertura do SiliconANGLE. A informação não permite dizer que os 90% restantes serão necessariamente empregados, nem que mais dados produziriam automaticamente um modelo melhor. Permite, porém, medir o estágio do projeto: o Thomson foi lançado com uma fração do acervo disponível, enquanto a empresa mantém margem para novas fases de treinamento ou seleção de conteúdo. Se o modelo já será usado na Tabular Analysis com apenas essa parcela processada, então o teste de valor passará a ocorrer no trabalho cotidiano do produto, e não apenas em uma apresentação técnica. O desempenho divulgado também exige uma distinção que costuma desaparecer nos comunicados corporativos. A Thomson Reuters afirma que realizou comparações internas e que o Thomson teve desempenho competitivo com o **Claude Opus 4.8**, além de superar, segundo a própria companhia, o GPT-5.5, o Claude Sonnet 5 e o Gemini 3.1 Pro em tarefas jurídicas e gerais. O verbo “superar” não vem acompanhado, nas fontes disponíveis, de uma tabela independente, de metodologia completa ou de auditoria externa. Portanto, a formulação correta é: os resultados são uma alegação baseada em testes internos da empresa. Isso não torna os testes irrelevantes, mas define seu alcance; eles servem como sinal inicial de capacidade, não como veredito universal sobre qual modelo é melhor. ## O que muda para clientes, administradores e pesquisadores Para os clientes do **CoCounsel Legal**, a mudança mais concreta é a entrada gradual de um modelo treinado com conteúdo associado às áreas atendidas pela própria Thomson Reuters. O uso inicial na Tabular Analysis oferece um recorte verificável para observar velocidade, custo e adequação das respostas durante tarefas profissionais, embora as fontes não publiquem métricas de produção sobre esses pontos. Para os administradores, a permanência do formato multi-modelo preserva a possibilidade de selecionar outras IAs, em vez de impor uma dependência exclusiva do Thomson. Em linguagem direta, a novidade combina um padrão interno para uma função com a manutenção de escolhas alternativas, e essa combinação será tão importante quanto o modelo em si. Para a comunidade de pesquisa, o próximo passo anunciado é a disponibilização de uma versão menor com **pesos abertos** no Hugging Face. Pesos são os valores numéricos ajustados durante o treinamento e que determinam como o modelo responde; quando são abertos, pesquisadores podem examiná-los e realizar validações dentro das condições permitidas. A versão planejada não equivale à abertura integral de todo o sistema Thomson nem libera automaticamente o acervo usado no treinamento. O objetivo informado é permitir validação acadêmica, o que cria uma oportunidade de examinar o modelo em um formato menor, separado da implementação comercial principal. Assim, a abertura anunciada funciona como uma forma de escrutínio técnico, enquanto o uso empresarial começa dentro do CoCounsel. A decisão de abrir uma versão menor não contradiz a estratégia de propriedade. A liderança da **Thomson Reuters** descreve o lançamento como parte da evolução da companhia para uma empresa de tecnologia de inteligência artificial, mas também afirma que a colaboração com fornecedores de modelos de fronteira continuará. Modelos de fronteira são sistemas posicionados pela indústria entre os mais avançados disponíveis em determinado período, embora essa classificação possa mudar conforme novos lançamentos e medições. Se a empresa mantém parceiros externos e, ao mesmo tempo, consolida um ativo próprio, então o objetivo não parece ser escolher entre “fazer” ou “comprar” de maneira absoluta. É ter uma opção interna para tarefas específicas sem fechar a porta para outras inteligências artificiais. ## A leitura desbugada do anúncio O lançamento do **Thomson** tem três camadas que não devem ser misturadas. A primeira é tecnológica: a Thomson Reuters desenvolveu internamente um LLM sobre uma base de código aberto e o ajustou com décadas de conteúdo próprio. A segunda é operacional: o modelo começa como padrão da Tabular Analysis no CoCounsel Legal, enquanto o produto continua permitindo a escolha de outras IAs. A terceira é comercial e estratégica: a companhia pretende reduzir custos de inferência, controlar melhor uma parte da tecnologia e continuar colaborando com fornecedores externos. Já a camada de desempenho permanece condicionada aos testes internos divulgados pela empresa, e não a uma validação independente apresentada nas fontes. O próximo passo, portanto, não é uma promessa abstrata de dominar toda a inteligência artificial, mas acompanhar dois movimentos anunciados. De um lado, o **Thomson** será observado em sua aplicação inicial dentro do CoCounsel Legal, na função Tabular Analysis. De outro, uma versão menor com pesos abertos deverá chegar ao **Hugging Face** para validação acadêmica. Essa sequência permite separar propaganda de evidência: o investimento de US$ 40 milhões, a base especializada, a integração inicial e os benchmarks internos já foram apresentados; o desempenho sustentado no uso profissional e a avaliação por pesquisadores ainda são as etapas que podem confirmar, limitar ou revisar a narrativa corporativa.