Thomson Reuters 24 августа 2026 года представила модель ИИ Thomson Reuters для юридических, налоговых и комплаенс-задач и раскрыла редкую для рынка цифру: на обучение и связанную с этим инфраструктуру компания потратила около $40 млн. Самое интересное не в самом запуске, а в том, что после выхода собственной модели корпорация не отказалась от Anthropic и продолжает использовать внешние модели в своих продуктах. Для IT-бизнеса это важный сигнал: даже крупный владелец уникальных данных не спешит играть в полную автономию.
Как пишет The New Stack, Thomson Reuters построила Thomson не с нуля, а поверх open-source-основы, а основные вложения пришлись не на базовое предобучение, а на дообучение на собственном профессиональном контенте и на проверку качества силами экспертов. Это принципиальный момент. Компания, владеющая Westlaw, Practical Law, Checkpoint и массивами контента Reuters, делает ставку не на гонку за самым большим универсальным LLM, а на настройку модели под конкретные сценарии, где цена ошибки выше, чем в обычном чат-боте: правовой анализ, налоговая экспертиза, регуляторная проверка, работа с документами.
По данным самой Thomson Reuters, для обучения использовались десятилетия проприетарных материалов, а в оценке результатов участвовали сотни профильных специалистов, которые искали провалы модели и проверяли, насколько ее ответы соответствуют профессиональной логике предметной области. Компания отдельно подчеркивает, что пока задействовала меньше 10% доступного ей контента. Это почти образцовый пример того, как владельцы закрытых отраслевых данных пытаются превратить архивы, лицензии и редакционную экспертизу в технологический ров вокруг продукта. Не просто «у нас тоже есть LLM», а «у нас есть данные, которых у чужих моделей нет».
Но дальше начинается самая взрослая часть истории. Собственная модель не стала поводом сжечь мосты с Anthropic. Напротив, Thomson Reuters сохраняет мультимодельный подход. The New Stack отмечает, что новый CoCounsel Legal построен на Claude Agent SDK от Anthropic, а сама Thomson рассматривается как один из слоев внутри продуктового стека, а не как универсальная замена всем внешним поставщикам. Для рынка это выглядит куда честнее модного нарратива про «полный контроль над ИИ». На практике даже компании с серьезным бюджетом и сильной доменной экспертизой предпочитают собирать архитектуру из нескольких компонентов: где-то выгоднее свой движок, где-то лучше работает внешний агентный контур, где-то решает цена инференса, а где-то скорость вывода функции в прод.
Почему это важно разработчикам и продактам? Потому что кейс Thomson Reuters неплохо приземляет ожидания от корпоративных LLM. Если у компании есть уникальные данные, сильная предметная экспертиза и понятный high-stakes workflow, свой доменный ИИ имеет смысл. Но даже в такой конфигурации он не обязательно вытеснит модели Anthropic, OpenAI или Google. Скорее наоборот: внутренняя модель будет отвечать за участки, где критичны воспроизводимость, аудит, контроль над обучением и экономикой, а внешние модели останутся там, где важны скорость внедрения, агентные сценарии или доступ к уже зрелой экосистеме инструментов.
Для CIO и CTO здесь есть еще один неприятный, но полезный вывод. Стратегия «либо полностью свое, либо полностью чужое» все хуже описывает реальность. Появляется промежуточная зона: взять open-source-базу, наложить на нее собственные данные, собрать внутренний evaluation-контур, обеспечить governance и при этом оставить интеграции с фронтирными моделями там, где они дают лучший time-to-market. И это уже не эксперимент стартапов, а рабочая схема для публичной компании с жесткими требованиями к качеству и ответственности результата. Собственно, поэтому в истории Thomson Reuters важен не только ценник в $40 млн, но и сама форма расхода: деньги ушли не на громкий бренд модели, а на данные, экспертов и проверку.
Есть и еще один слой контекста. За последние два года многие вендоры корпоративного софта рассказывали, что построят «своего ассистента» и постепенно уменьшат зависимость от внешних LLM-провайдеров. На деле чаще выходило иначе: компании запускали собственные модели для узких задач, но не отказывались от партнерств с лидерами рынка. Причина прозаичная. Один стек редко оказывается оптимален сразу по точности, стоимости, скорости, безопасности и удобству разработки. Особенно если продукт работает в регулируемой среде, а клиент хочет одновременно и новые функции, и объяснимость, и предсказуемое поведение модели.
Для российского IT-рынка эта история тоже читается без перевода. Если у вас нет уникального корпуса данных и армии предметных экспертов, идея «сделаем свою модель и перестанем зависеть от внешних поставщиков» быстро упирается в экономику и качество. А если данные есть, следующий вопрос уже не в том, нужна ли собственная модель, а в том, где именно она даст выигрыш по unit-экономике и рискам. Thomson Reuters показывает довольно трезвый вариант ответа: строить свое там, где данные и экспертиза действительно создают преимущество, и не стесняться использовать Anthropic там, где внешний инструмент решает задачу быстрее.
На этом фоне главный вопрос для корпоративного ИИ звучит уже не «кто обучит свой LLM», а кто сумеет встроить его в продукт так, чтобы модель приносила не красивый пресс-релиз, а измеримую пользу. Thomson Reuters, похоже, делает ставку именно на это: не на символическую независимость от Anthropic, а на право выбирать лучший движок под конкретную задачу. И, возможно, именно такой гибридный подход окажется для enterprise-рынка куда практичнее, чем громкие обещания полного суверенитета над всем ИИ-стеком.