[{"data":1,"prerenderedAt":30},["ShallowReactive",2],{"nr-de-thomson-reuters-40-millionen-eigenes-sprachmodell":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":22,"trackerLabel":23,"headlineStat":24,"image":25,"ogImage":26,"imageAlt":5,"csv":10,"minutes":27,"words":28,"html":29},"thomson-reuters-40-millionen-eigenes-sprachmodell","Thomson Reuters investiert 40 Millionen Dollar in eigenes KI-Modell – Flucht aus der OpenAI-Abhängigkeit","Der Fachinformationskonzern bringt sein Sprachmodell 'Thomson' auf Basis von Alibabas Qwen auf den Markt. Die Strategie: Unabhängigkeit statt Abhängigkeit von externen KI-Anbietern.","2026-08-24","15:22","2026-08-24T15:22:00+02:00","","24. August 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"KI-Modelle","Unternehmens-KI","Alibaba Qwen","Strategische Unabhängigkeit","Legal Tech","\u002Fstand-der-ki","KI-Fortschritt","40 Millionen Dollar","\u002Fnewsroom\u002Fimg\u002Fthomson-reuters-40-millionen-eigenes-sprachmodell.webp","\u002Fog-nr\u002Fthomson-reuters-40-millionen-eigenes-sprachmodell.de.png",3,523,"\u003Cp>Thomson Reuters hat ein eigenes Sprachmodell entwickelt und will damit die teure Abhängigkeit von OpenAI und Anthropic durchbrechen. Das Modell "Thomson" basiert auf Alibabas \u003Cstrong>Qwen\u003C\u002Fstrong> und wurde speziell für juristische Fachanwendungen trainiert – mit einem Investitionsvolumen von \u003Cstrong>40 Millionen US-Dollar über zwei Jahre\u003C\u002Fstrong> für Personal und Rechenleistung.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>Thomson Reuters entwickelt mit \u003Cstrong>"Thomson"\u003C\u002Fstrong> ein eigenes Sprachmodell auf Basis von Alibabas \u003Cstrong>Qwen\u003C\u002Fstrong> (laut Unternehmen zuletzt Qwen3.5-397B)\u003C\u002Fli>\n\u003Cli>Investition: \u003Cstrong>40 Millionen US-Dollar\u003C\u002Fstrong> über zwei Jahre (davon nur \u003Cstrong>450.000 Dollar\u003C\u002Fstrong> für den finalen Trainingslauf)\u003C\u002Fli>\n\u003Cli>Benchmarks zeigen Spitzenwerte nur mit Zugriff auf \u003Cstrong>konzerneigene Inhalte\u003C\u002Fstrong> wie Westlaw und Practical Law\u003C\u002Fli>\n\u003Cli>Erste Anwendung: \u003Cstrong>Dokumentenprüfung\u003C\u002Fstrong>; eine kleinere Version wird nichtkommerziell veröffentlicht\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Das Modell und sein Training\u003C\u002Fh2>\n\u003Cp>Als Basis nutzt Thomson Reuters das offene Qwen-Modell von Alibaba. Zusammen mit dem \u003Cstrong>Imperial College\u003C\u002Fstrong> wurde das chinesische Modell zunächst auf Sicherheit, Ethik und politische Neutralität trainiert – diese Zwischenstufe heißt \u003Cstrong>"Snowdon"\u003C\u002Fstrong>, benannt nach dem Berg in Wales. Danach folgte Pre-Training auf eigenen Inhalten, Post-Training mit Fachexperten und agentisches Reinforcement Learning in den konzerneigenen Tool-Umgebungen.\u003C\u002Fp>\n\u003Cp>Bemerkenswert: Bisher flossen weniger als zehn Prozent der verfügbaren Inhalte ins Training. CTO \u003Cstrong>Joel Hron\u003C\u002Fstrong> betont, dass das Unternehmen den Startpunkt bereits ein halbes Dutzend Mal gewechselt habe. Die eigentliche Errungenschaft sei nicht das einzelne Modell, sondern die wiederverwendbare \u003Cstrong>"Modellfabrik"\u003C\u002Fstrong>, sagt Forschungschef \u003Cstrong>Jonathan Schwartz\u003C\u002Fstrong>.\u003C\u002Fp>\n\u003Ch2>Benchmarks mit Asterisk\u003C\u002Fh2>\n\u003Cp>Thomson Reuters bewirbt "Thomson" als eines der besten Modelle der Welt – doch die eigenen Zahlen zeichnen ein differenzierteres Bild:\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Benchmark\u003C\u002Fth>\n\u003Cth>Thomson\u003C\u002Fth>\n\u003Cth>Konkurrenz\u003C\u002Fth>\n\u003Cth>Anmerkung\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Stanford LegalBench\u003C\u002Ftd>\n\u003Ctd>0,823\u003C\u002Ftd>\n\u003Ctd>Gemini 3.1 Pro, GPT-5.5 (höher)\u003C\u002Ftd>\n\u003Ctd>Thomson hinter Konkurrenten\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Harvey Legal Agent\u003C\u002Ftd>\n\u003Ctd>knapp hinter Opus 4.8\u003C\u002Ftd>\n\u003Ctd>–\u003C\u002Ftd>\n\u003Ctd>–\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Deep-Research (nur Web)\u003C\u002Ftd>\n\u003Ctd>0,53\u003C\u002Ftd>\n\u003Ctd>GPT 5.4: 0,65\u003C\u002Ftd>\n\u003Ctd>Thomson deutlich schwächer\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Deep-Research (mit Konzerninhalten)\u003C\u002Ftd>\n\u003Ctd>0,83\u003C\u002Ftd>\n\u003Ctd>GPT 5.4: 0,82\u003C\u002Ftd>\n\u003Ctd>Thomson knapp vorn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Die methodische Vergleichbarkeit ist fragwürdig: Thomson tritt mit \u003Cstrong>Test-Time Scaling\u003C\u002Fstrong> an, während GPT-5.5 ohne Reasoning-Modus läuft. Noch wichtiger: Der Vorsprung entsteht hauptsächlich durch das Training auf eigenen Tools und Inhalten – ein Zugang, den externe Anbieter nicht haben. Evaluationsleiter \u003Cstrong>Andrew Bean\u003C\u002Fstrong> räumt ein, dass Thomson mit reinem Webzugriff \u003Cstrong>"sicher noch nicht führend"\u003C\u002Fstrong> sei.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>"Entscheidend ist nicht Intelligenz an sich, sondern zu wissen, welche Intelligenz man besitzen muss."\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>Diese Aussage von CTO Hron fasst die Strategie zusammen: Es geht nicht um das beste Universalmodell, sondern um Spezialisierung auf die eigenen Geschäftsprozesse.\u003C\u002Fp>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>Thomson Reuters' Weg zeigt ein Dilemma, das viele große Konzerne kennen: Die Abhängigkeit von OpenAI, Anthropic oder anderen US-Anbietern ist teuer und strategisch riskant. Die 40-Millionen-Dollar-Investition ist erheblich, aber für einen Konzern dieser Größe verkraftbar – und sie zahlt sich aus, wenn das Modell auf proprietäre Daten zugreifen kann. Deutsche Unternehmen mit ähnlichen Datenbeständen (Finanzdienstleister, Versicherer, Medienkonzerne) könnten ähnliche Überlegungen anstellen. Allerdings zeigt Thomson Reuters auch: Ohne spezialisierte Trainingsdaten und interne Tools ist das Modell nicht konkurrenzfähig. Die bloße Eigenentwicklung reicht nicht – es braucht den strategischen Datenvorteil.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.de\u002Fwarum-thomson-reuters-40-millionen-dollar-in-ein-eigenes-sprachmodell-investiert\u002F\">The Decoder (DE)\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.businessinsider.com\u002Fthomson-reuters-builds-ai-model-rely-less-on-anthropic-2026-8\">Business Insider\u003C\u002Fa>\u003C\u002Fli>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fthe-decoder.com\u002Fthomson-reuters-bets-40m-on-owning-its-ai-instead-of-renting-from-openai-or-anthropic\u002F\">The Decoder\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1787581012893]