Thomson Reuters entwickelt eigenes KI-Modell, während der Umsatz beschleunigt wächst

Thomson Reuters integriert sein erstes produktionsreifes hauseigenes KI-Modell in CoCounsel, nachdem der Quartalsumsatz um 9 Prozent gestiegen ist. Der Zeitpunkt schafft einen schärferen Konflikt, als die über Google News verbreitete Schlagzeile vermuten lässt. Das Unternehmen fügt nicht einfach eine weitere KI-Funktion hinzu. Es prüft, ob maßgebliche professionelle Inhalte seine Abhängigkeit von Modellen führender KI-Labore verringern können.

Das Modell mit dem Namen Thomson wird zunächst Tabular Analysis antreiben, eine Funktion zur massenhaften Dokumentenprüfung innerhalb von CoCounsel Legal. Thomson Reuters erwartet, dass diese Migration im August 2026 beginnt. Nach Angaben des Managements bietet das Modell geringere Latenzzeiten und Betriebskosten als Drittanbieter-Alternativen, auch wenn seine vergleichbaren Ergebnisse nicht unabhängig validiert wurden.

Damit schlägt Thomson Reuters einen anderen Weg ein als Softwareanbieter, die OpenAI, Anthropic, Google oder einen anderen Modellanbieter als dauerhafte Grundlage betrachten. Das Unternehmen nutzt weiterhin externe Modelle, und CoCounsel bleibt ein Multi-Modell-Produkt. Thomson bietet jedoch eine eigene Alternative für ausgewählte Aufgaben, bei denen juristisches Wissen, vorhersehbare Kosten und Kundenkontrolle wichtiger sind als eine breite allgemeine Konversationsfähigkeit.

Was Thomson Reuters tatsächlich verändert hat

Thomson Reuters hat sein proprietäres Modell von einem Forschungsprojekt zu Produktionsinfrastruktur weiterentwickelt.

Das Unternehmen stellte die erste produktionsreife Version von Thomson fertig, nachdem es Teams von Thomson Reuters Labs und Safe Sign Technologies zusammengeführt hatte. Thomson Reuters übernahm Safe Sign, einen Entwickler rechtsspezifischer Sprachmodelle, im Jahr 2024. Die Übernahme brachte Fachwissen zur Anpassung von Open-Source-Modellgrundlagen für professionelle juristische Arbeit.

Thomson ist ein domänenspezifisches Large Language Model, dessen Training und Bewertung sich auf ein abgegrenztes Fachgebiet statt auf jede denkbare Verbraucheraufgabe konzentrieren. Das Unternehmen gibt an, hierfür von Experten kuratierte Materialien aus Westlaw, Practical Law und Reuters sowie Beiträge von anwaltlichen Redakteuren und Praxisexperten genutzt zu haben.

Thomson Reuters investierte rund 40 Millionen US-Dollar in das Modell und trainierte es mit weniger als 10 Prozent seiner juristischen Inhalte. Chief Executive Steve Hasker erklärte Investoren, interne Benchmarks hätten Thomson bei breit gefassten allgemeinen Aufgaben in die Nähe führender Frontier-Modelle gerückt. Zudem habe es bei juristischen Bewertungen starke Ergebnisse erzielt.

Diese Angaben verdienen eine sorgfältige Zuschreibung. Das Unternehmen hat nicht genügend Informationen veröffentlicht, damit Außenstehende den vollständigen Vergleich reproduzieren können. Es hat weder jedes zugrunde liegende Modell noch Testdatensätze, Bewertungsmethoden oder die einbezogenen Produktionsbeschränkungen offengelegt.

Die wesentliche Veränderung ist daher nicht ein behaupteter Sieg bei Benchmarks. Es ist die Entscheidung, Thomson in einem realen Kunden-Workflow einzusetzen. Laut dem Earnings-Transcript wird Tabular Analysis der erste bedeutende Produktionstest sein.

Tabular Analysis prüft Informationen über Gruppen von Dokumenten hinweg und organisiert die Ergebnisse in strukturierter Form. Anwälte können diese Funktion nutzen, wenn sie Vertragsbedingungen vergleichen, Beweismittel prüfen oder wiederkehrende Klauseln in einer Dokumentensammlung auffinden.

Diese Aufgabe bietet Thomson Reuters einen klar abgegrenzten Einstiegspunkt. Ergebnisse lassen sich anhand der Quelldokumente überprüfen, während Geschwindigkeit und Inferenzkosten mit bestehenden Systemen verglichen werden können. Ein Fehlschlag wäre zudem leichter zu diagnostizieren als ein Fehler in einem breit angelegten, offenen juristischen Assistenten.

Das Management erklärt, das Unternehmen werde nach der Bewertung dieser ersten Einführung erwägen, weitere CoCounsel-Funktionen auf Thomson zu migrieren. Ein sofortiger Ersatz sämtlicher externer Modelle ist nicht geplant. Hasker räumte ein, dass CoCounsel bereits gut funktioniere, und sagte, das Unternehmen wolle unnötige Störungen vermeiden.

Dieser schrittweise Rollout ist wichtig. Die Geschichte verbreitete sich über Google News weithin als Start eines hauseigenen Modells, doch die operative Realität ist enger gefasst. Thomson Reuters beginnt mit einer gestuften Übertragung ausgewählter Workloads; eine breitere Einführung hängt von tatsächlichen Produktionsergebnissen ab.

Der Einsatz schafft auch eine neue Option für große Kanzleien. Hasker sagte, Thomson Reuters diskutiere Umgebungen, in denen Kanzleien eine Version von Thomson neben ihren eigenen geschützten Informationen betreiben könnten. CoCounsel könnte dann über dieser kombinierten Wissensschicht arbeiten.

Eine solche Vereinbarung wird manchmal als souveräne KI bezeichnet. In diesem Kontext bedeutet der Begriff, dass eine Kanzlei mehr Kontrolle über ihre Daten, die Modellumgebung und Betriebsrichtlinien behält. Er bedeutet nicht, dass das System ohne externe Software, Infrastruktur oder fortlaufenden Anbietersupport funktioniert.

Steigende Umsätze geben der KI-Strategie Spielraum

Das Unternehmen finanziert seine Modellstrategie aus einem wachsenden Abonnementgeschäft, nicht aus einem isolierten Experimentierbudget.

Thomson Reuters meldete für das zweite Quartal einen Umsatz von 1,954 Milliarden US-Dollar, nach 1,785 Milliarden US-Dollar ein Jahr zuvor. Der Gesamtumsatz stieg um 9 Prozent, während der organische Umsatz um 8 Prozent zulegte. Wiederkehrende Umsätze wuchsen ebenfalls um 9 Prozent und machten 82 Prozent des Quartalsumsatzes aus.

Die Bereiche Legal Professionals, Corporates sowie Tax, Audit and Accounting Professionals bilden das, was das Unternehmen seine Big 3 nennt. Diese Segmente erzielten im Quartal einen Umsatz von 1,62 Milliarden US-Dollar und standen für 83 Prozent des Gesamtumsatzes.

Der organische Umsatz der Big 3 stieg um 10 Prozent. Legal Professionals erzielte 772 Millionen US-Dollar, ein Plus von 10 Prozent sowohl auf berichteter als auch auf organischer Basis. Thomson Reuters nannte Westlaw und CoCounsel als wesentliche Treiber des Wachstums wiederkehrender juristischer Umsätze.

Der Umsatz im Bereich Corporates erreichte 537 Millionen US-Dollar, während Tax, Audit and Accounting Professionals 311 Millionen US-Dollar beisteuerte. Die Quartalsergebnisse zeigen Wachstum in allen drei Segmenten, auch wenn sich ihre jeweiligen Umsatzmixe und saisonalen Muster unterscheiden.

Der operative Gewinn stieg um 28 Prozent auf 558 Millionen US-Dollar. Das bereinigte EBITDA erhöhte sich um 10 Prozent auf 745 Millionen US-Dollar, während die bereinigte EBITDA-Marge von 37,8 Prozent auf 38,1 Prozent stieg. Der freie Cashflow nahm um 29 Prozent auf 727 Millionen US-Dollar zu.

Diese Zahlen belegen nicht, dass generative KI das Gesamtwachstum des Quartals verursacht hat. Auch Westlaw, Transaktionsprodukte, Übernahmen, internationale Geschäftsbereiche, Steuersoftware und andere etablierte Dienste trugen dazu bei. Thomson Reuters veröffentlicht nicht genügend produktbezogene Umsatzdaten, um den exakten Effekt von CoCounsel zu isolieren.

Dennoch mindern die Ergebnisse eine Sorge rund um den KI-Übergang des Unternehmens. Thomson Reuters versucht nicht, seine Produktbasis neu aufzubauen, während seine zentralen professionellen Geschäftsbereiche schrumpfen. Umsatzwachstum und wiederkehrende Abonnements verschaffen dem Unternehmen Zeit, neue Architektur zu erproben, ohne auf sofortige eigenständige Modellverkäufe angewiesen zu sein.

Das Management erhöhte seine Prognose für das Gesamtjahr auf rund 8 Prozent Gesamt- und organisches Umsatzwachstum. Zudem hob es die erwartete organische Wachstumsrate der Big 3 auf eine Spanne von 9,5 bis 10 Prozent an.

Die Veränderungen im Portfolio unterstreichen diese Priorität. Thomson Reuters vereinbarte, eine 51-prozentige Beteiligung an seinem Global-Print-Geschäft an ein Joint Venture zu veräußern, das gemeinsam mit von KKR beratenen Fonds kontrolliert wird. Bei Abschluss der Transaktion erwartet das Unternehmen Bruttoerlöse von rund 500 Millionen US-Dollar.

Der Umsatz von Global Print sank im Quartal um 3 Prozent, während die professionellen Softwaresegmente expandierten. Die Verlagerung der Kontrolle über das Printgeschäft in ein Joint Venture ermöglicht es Thomson Reuters, Managementaufmerksamkeit und Investitionen auf inhaltsbasierte Software und KI zu konzentrieren.

Dies ist die zentrale Umkehrung in der Ergebnisgeschichte. Verlage und Informationsanbieter galten zunächst als wahrscheinliche Opfer generativer KI. Modelle könnten ihre Inhalte zusammenfassen, den traditionellen Suchverkehr schwächen und eine Konversationsschnittstelle zwischen Informationsinhaber und Kunden schieben.

Thomson Reuters versucht stattdessen, seine angesammelten Inhalte zum differenzierenden Input des Modells zu machen. Dieselben juristischen Sammlungen, die Abonnementprodukte für Recherche stützten, könnten zu Trainings-, Grounding- und Bewertungsressourcen für KI-Systeme werden.

Das Unternehmen gibt seine etablierten Produkte nicht auf. Es versucht, deren Autorität in neue Schnittstellen zu übertragen, bevor allgemeine Assistenten den professionellen Workflow erobern.

Für Unternehmenskäufer ist der Umsatzkontext wichtiger als eine prominente Schlagzeile bei Google News. Er legt nahe, dass Thomson Teil eines fortlaufenden, durch wiederkehrende Einnahmen gestützten Produktübergangs ist – und nicht bloß eine zeitlich begrenzte, auf Aufmerksamkeit ausgerichtete Demonstration.

Thomson AI stellt die Abhängigkeit von Frontier-Modellen infrage

Der zentrale Wettbewerb lautet nicht Thomson gegen ein einzelnes KI-Labor. Es geht um eigene Domäneninfrastruktur gegenüber dauerhafter Abhängigkeit von externen Frontier-Modellen.

Die meisten Enterprise-KI-Produkte begannen mit einer praktischen Abkürzung. Anbieter verbanden ein leistungsfähiges General-Purpose-Modell über Retrieval-Augmented Generation, kurz RAG, mit proprietären Daten. RAG findet zum Zeitpunkt einer Anfrage relevante Quellen und stellt sie dem Modell bereit, bevor eine Antwort erzeugt wird.

Dieser Ansatz bleibt nützlich. Er ermöglicht einem Softwareanbieter, von Verbesserungen großer Modelllabore zu profitieren, ohne ein vollständiges Trainingsprogramm finanzieren zu müssen. Er kann zudem Quellenangaben bewahren und Antworten auf genehmigte Informationen beschränken.

Die Abhängigkeit von Drittanbieter-Modellen bringt jedoch strategische Grenzen mit sich. Ein Anbieter kontrolliert Modelländerungen, Inferenzpreise, Verfügbarkeit, Latenz oder künftige Zugangsbedingungen nicht vollständig. Außerdem muss er sein Produkt differenzieren, wenn Wettbewerber Zugang zu ähnlicher zugrunde liegender Intelligenz erwerben können.

Thomson Reuters arbeitet bereits mit externen Modellen und präsentiert Thomson nicht als sofortigen universellen Ersatz. Nach Angaben des Unternehmens liegt sein Vorteil in der Auswahl von Open-Source-Grundlagen und deren Anpassung mit sorgfältig kuratierten professionellen Materialien.

Das Management argumentiert, dass Datenqualität ein kleineres Trainingsbudget ausgleichen könne. Hasker sagte, das Unternehmen habe mit rund 40 Millionen US-Dollar an Investitionen und weniger als einem Zehntel seiner juristischen Inhalte wettbewerbsfähige interne Ergebnisse erzielt.

Diese Behauptung ist als Strategie plausibel, aber noch nicht als allgemeine Regel belegt. Ein spezialisiertes Modell muss nicht jede Frage besser beantworten als ein Frontier-Modell. Es muss ausgewählte professionelle Aufgaben präzise genug, schnell genug und kostengünstig genug erledigen, um die gesamte Anwendung zu verbessern.

Bei Thomson Reuters umfasst diese Anwendung maßgebliche Informationsbeschaffung, Workflow-Logik, juristische Zitate, Nutzerberechtigungen, Dokumentenverarbeitung und Auditierbarkeit. Das Modell ist nur eine Ebene.

Hier unterscheidet sich die Position des Unternehmens von der eines neuen Legal-AI-Startups. Thomson Reuters kontrolliert bereits Westlaw, Practical Law und ein großes Netzwerk aus Redakteuren und Fachspezialisten. Zudem verfügt es über Vertrieb durch Produkte, die in Kanzleien, Rechtsabteilungen von Unternehmen, Steuerteams und Wirtschaftsprüfungspraxen eingebettet sind.

Das macht das Unternehmen nicht immun gegen Wettbewerb. Die Expansion von Anthropic in Claude for Legal zeigt, dass Entwickler von Frontier-Modellen professionellen Kunden näherkommen können. Legal-AI-Unternehmen wie Harvey und Legora bauen ebenfalls Schnittstellen, Workflows und Kanzleiintegrationen rund um externe Modelle auf.

LexisNexis verfügt über eigene juristische Inhalte, professionelle Distribution und KI-Produkte. Große Kanzleien können zudem interne Systeme zusammenstellen, die kommerzielle Modelle mit privaten Arbeitsergebnissen verbinden.

Die Bedrohung kommt somit aus mehreren Richtungen, doch sie erzeugen alle denselben Druck. Thomson Reuters muss zeigen, dass der Besitz eines größeren Teils der Modellschicht einen für Kunden spürbaren Vorteil bringt. Niedrigere interne Kosten allein werden keinen Anwalt dazu bewegen, die Tools zu wechseln.

Das Unternehmen erwartet, dass Thomson die Latenz reduziert – also die Verzögerung zwischen einer Anfrage und einer Antwort. Dieser Vorteil ist wichtig, wenn ein Agent viele aufeinanderfolgende Vorgänge ausführt. Eine kleine Verzögerung, die sich über 20 oder 30 Schritte wiederholt, kann einen Workflow frustrierend machen.

Die Kontrolle über Inferenzkosten könnte ebenfalls an Bedeutung gewinnen, wenn die Nutzung steigt. Ein KI-Assistent, der gelegentlich für Recherchen eingesetzt wird, weist ein anderes Kostenprofil auf als ein Agent, der Tausende Dokumente prüft oder wiederkehrende Compliance-Aufgaben erledigt.

CoCounsel hat laut Thomson Reuters bereits eine Million Nutzer überschritten. Das Management erklärt, dass Interaktionen und Sitzungsdauer weiter steigen, hat jedoch weder aktive Nutzerraten noch die Ökonomie auf Modellebene offengelegt.

Höheres Engagement macht Modellkosten zu einem strategischen Thema. Jede zusätzliche Aufgabe verursacht Rechenkosten. Ein eigenes Modell, das geeignete Aufgaben günstiger erledigt, könnte Margen schützen und zugleich eine breitere Nutzung ermöglichen.

Der Zielkonflikt liegt in der Wartung. Thomson Reuters muss das Modell weiter verbessern, neue Open-Source-Grundmodelle bewerten, Datenpipelines absichern und auf schnelle Fortschritte an anderer Stelle reagieren. Modelleigentum tauscht eine Form der Abhängigkeit gegen eine fortlaufende Engineering-Verpflichtung.

Was die Thomson-Reuters-Benchmarks nicht zeigen

Interne Evaluierungsergebnisse sind ermutigende Hinweise, aber kein Ersatz für transparente Messungen im Produktionseinsatz.

Thomson Reuters erklärt, Thomson erreiche bei einem breiten Spektrum allgemeiner Aufgaben ein Niveau vergleichbar mit führenden Frontier-Modellen. Das Unternehmen berichtet zudem über starke Leistungen im Rechtsbereich, geringere Latenz und deutlich niedrigere Kosten.

Das Unternehmen hat richtungsweisende Ergebnisse veröffentlicht, doch Leser sollten drei Fragen trennen. Wie schnitt Thomson in kontrollierten Evaluierungen ab? Wie zuverlässig arbeitet es innerhalb von CoCounsel? Erzielen Kunden bessere Ergebnisse als mit konkurrierenden Systemen?

Nur auf die erste Frage gibt es eine vorläufige Antwort des Unternehmens. Die zweite wird über Tabular Analysis getestet. Die dritte wird im Zeitverlauf vergleichende Belege zu Nutzung, Bindung, Genauigkeit und Kaufentscheidungen erfordern.

Das Benchmarking von Rechts-KI ist besonders schwierig, weil gängige öffentliche Tests professionelle Arbeit selten realistisch abbilden. Ein Modell kann eine Rechtsregel korrekt identifizieren, aber Zuständigkeit, Verfahrenslage, eine Ausnahme oder eine spätere Entscheidung unberücksichtigt lassen.

Lange Dokumente schaffen ein weiteres Problem. Ein Modell kann große Textmengen aufnehmen und dennoch entscheidende, darin verborgene Formulierungen übersehen. Thomson Reuters hat zuvor die Herausforderung bei der Bewertung der Long-Context-Leistung erörtert, insbesondere wenn juristische Arbeit umfangreiche Akten umfasst.

Die proprietären Tests des Unternehmens könnten die reale Arbeit besser abbilden als öffentliche Benchmarks. Proprietäre Evaluierungen begrenzen jedoch auch die externe Kontrolle. Kunden können nicht unabhängig feststellen, ob die ausgewählten Tests Thomsons Trainingsdaten oder Produktdesign begünstigen.

Das Training auf Inhalten von Thomson Reuters wirft weitere Fragen auf. Das Unternehmen verfügt über enorme juristische und professionelle Sammlungen, doch mehr Inhalte führen nicht automatisch zu einer proportionalen Verbesserung. Daten müssen bereinigt, strukturiert, gewichtet, aktualisiert und mit zuständigkeitsspezifischen Metadaten verknüpft werden.

Thomson Reuters arbeitete mit DatologyAI an der Anpassung an die juristische Domäne und berichtete über Verbesserungen beim juristischen Schlussfolgern, der Recherche und nachgelagerten Aufgaben. Der Fall zur Datenkuratierung des Partners beschreibt bessere Ergebnisse mit einem begrenzten Daten- und Rechenbudget. Dieser Bericht stammt jedoch ebenfalls von Unternehmen, die an dem Projekt beteiligt waren.

Der Produktionseinsatz wird schwierigere Fälle offenlegen. Anwälte können inkonsistente Vereinbarungen, unvollständige Akten, gescannte Dokumente oder private Vorlagen hochladen. Ein System muss verbindliches Recht von Mandantenmaterial unterscheiden und klar offenlegen, welche Quelle jede Schlussfolgerung stützt.

Die überarbeitete agentische Benutzeroberfläche von CoCounsel soll ihre Arbeitsschritte sichtbar machen. Agentische KI bezeichnet Software, die eine Abfolge von Handlungen zur Erreichung eines Ziels plant und ausführt, statt auf einen Prompt lediglich eine Antwort zu geben.

Hasker sagte, Nutzer könnten die während einer CoCounsel-Aufgabe erzeugten Schritte, Zitate und Verweise prüfen. Diese Transparenz ist wertvoll, weil ein Fachanwender eine Zwischenentscheidung hinterfragen kann, bevor er sich auf das Endergebnis verlässt.

Sichtbare Begründungsschritte garantieren jedoch keine Richtigkeit. Eine gut organisierte Kette kann einen frühen Klassifizierungsfehler enthalten, der alles Folgende prägt. Zitate können echt sein, ohne die ihnen zugeordnete Aussage zu stützen.

Menschliche Prüfung bleibt daher Teil des Wertversprechens des Produkts. Thomson Reuters bezeichnet seinen Ansatz als „fiduciary-grade AI“, einen vom Unternehmen definierten Standard mit Schwerpunkt auf Autorität, Prüfbarkeit, Sicherheit und verantwortlicher professioneller Nutzung.

Dieses Label sollte nicht mit einer unabhängigen Zertifizierung verwechselt werden. Käufer benötigen Belege, die an ihre eigenen Risikoziele anknüpfen, darunter Fehlerquoten, Quellenabdeckung, Zugriffskontrollen, Protokollierung, Aufbewahrungspraktiken und Eskalationsverfahren.

Unternehmen, die diese Systeme erwägen, benötigen zudem eine belastbare Wissensschicht. Mandatsakten, interne Leitlinien und frühere Arbeiten müssen organisiert bleiben, bevor ein Modell sie zuverlässig abrufen kann. Eine durchsuchbare Wissensdatenbank kann die Lücke zwischen beeindruckenden Modelldemonstrationen und verlässlicher täglicher Arbeit verringern.

Der skeptische Einwand ist daher einfach. Thomson Reuters besitzt ungewöhnlich wertvolle Daten und hat vielversprechende Ergebnisse gemeldet. Das Unternehmen muss weiterhin beweisen, dass sich diese Ressourcen außerhalb von unternehmenseigenen Tests in wiederholbare Kundenergebnisse übersetzen lassen.

Warum Kanzleien und Unternehmenskäufer dies interessieren sollte

Thomson schafft neue Beschaffungsoptionen, macht die KI-Architektur aber auch zu einem wichtigeren Teil der Anbieterbewertung.

Professionelle Käufer verglichen früher Rechercheabdeckung, Softwarefunktionen, Support und Vertragsbedingungen. Heute müssen sie fragen, welche Modelle welche Aufgaben erledigen, wo diese Modelle laufen, wie Kundendaten behandelt werden und was geschieht, wenn ein Anbieter die zugrunde liegende Architektur verändert.

Thomson Reuters kann darauf eine hybride Antwort bieten. CoCounsel kann ausgewählte Aufgaben an Thomson leiten und weiterhin andere Modelle nutzen, wenn diese bessere Ergebnisse liefern. Dadurch kann die Anwendung anpassungsfähiger sein als ein Ein-Modell-System.

Ein hybrides Design kann die Bewertung jedoch auch erschweren. Ein Kunde kann eine einheitliche Produktoberfläche sehen, ohne zu wissen, welches Modell ein bestimmtes Ergebnis erzeugt hat. Käufer sollten klare Dokumentation zu Modellrouting, wesentlichen Aktualisierungen, Teststandards und Reaktion auf Vorfälle verlangen.

Große Kanzleien haben eine weitere Option. Hasker sagte, einige Kanzleien seien daran interessiert, Thomson mit ihren geschützten internen Informationen in einer kontrollierten Umgebung zu kombinieren. Eine solche Vereinbarung könnte einer Kanzlei mehr Kontrolle über Daten und Bereitstellung geben und zugleich den Zugriff auf Inhalte von Thomson Reuters und CoCounsel-Workflows erhalten.

Der Reiz ist nachvollziehbar. Kanzleien verwahren vertrauliche Mandantenakten, Verhandlungshistorien, interne Präzedenzfälle und Arbeitsergebnisse von Anwälten. Jede Aufgabe über einen breit geteilten externen Dienst zu senden, kann Governance-Bedenken auslösen, selbst wenn vertragliche Schutzmaßnahmen bestehen.

Eine isolierte oder dedizierte Umgebung löst nicht jedes Problem. Kanzleien benötigen weiterhin Zugriffskontrollen, Datenklassifizierung, Aufbewahrungsregeln, Sicherheitsprüfungen und eine klare Aufgabenverteilung zwischen Anbieter und Kunde.

Kleinere Organisationen stehen vor einer anderen Abwägung. Es ist weniger wahrscheinlich, dass sie dedizierte KI-Infrastruktur betreiben oder umfangreiche Evaluierungsteams unterhalten. Sie benötigen einen paketierten Dienst mit verständlichen Kontrollen und vorhersehbarem Verhalten.

Für diese Käufer ist Modelleigentum nur relevant, wenn es das Endprodukt verbessert. Schnellere Dokumentenprüfung, klarere Zitate, weniger unbelegte Schlussfolgerungen und konsistente Verfügbarkeit sind bedeutsam. Der Name des Modells ist es nicht.

Wissensarbeiter sollten zudem mit Veränderungen an der Benutzeroberfläche rechnen. Ein Agent, der recherchiert, Dokumente prüft und ein Ergebnis formuliert, verlagert die Rolle des Nutzers vom Zusammenstellen jedes einzelnen Schritts hin zur Überwachung eines Prozesses.

Das kann Zeit sparen, konzentriert aber auch Risiken. Ein Nutzer, der Recherchen manuell durchführt, begegnet den Belegen während der gesamten Aufgabe. Ein Nutzer, der einen Agenten überwacht, sieht möglicherweise nur ausgewählte Quellen und eine zusammengefasste Nachverfolgung.

Schulungen müssen sich daher auf Verifikation statt auf Prompt-Tricks konzentrieren. Fachleute müssen wissen, wie sie den Umfang hinterfragen, die Autorität prüfen, fehlende Dokumente erkennen und die Handlungsabfolge des Systems überprüfen.

Der Meilenstein von einer Million Nutzern deutet darauf hin, dass CoCounsel bereits eine bedeutende Verbreitung erreicht hat. Thomson Reuters hat jedoch nicht offengelegt, wie viele dieser Nutzer täglich aktiv sind, wie die Aktivität je nach Beruf variiert oder welcher Anteil die neueste agentische Version verwendet.

Die Akzeptanz in Unternehmen lässt sich nicht allein über Kontozugriff messen. Dauerhafter Wert zeigt sich, wenn Nutzer zurückkehren, substanzielle Arbeit erledigen und verlängern, ohne unvertretbare Prüfaufwände zu verursachen.

Diese Unterscheidung geht leicht verloren, wenn man KI-Geschichten über Google News verfolgt. Produktzugang erzeugt eine Ankündigung, während sich verlässliche Akzeptanz innerhalb von Organisationen langsam entwickelt.

Die Quartalsergebnisse des Unternehmens liefern ein frühes kommerzielles Signal, weil Westlaw und CoCounsel zum Wachstum der wiederkehrenden Umsätze im Rechtsbereich beitrugen. Sie trennen jedoch noch nicht zwischen Expansion durch Preisgestaltung, Bündelung, Neukunden oder Migration innerhalb bestehender Produkte.

Käufer sollten Thomson als bedeutende Veränderung der Architektur betrachten, nicht als Beweis für einen feststehenden Gewinner. Es verschafft Thomson Reuters mehr Kontrolle über Kosten und Produktentwicklung. Kunden müssen feststellen, ob diese Kontrolle ihre eigene Arbeit verbessert.

Drei Signale, die darüber entscheiden werden, ob Thomson funktioniert

Die nächste Phase wird an Leistung im Produktionseinsatz, Kundenimplementierungen und messbarem finanziellen Beitrag gemessen werden.

Das erste Signal ist die August-Migration von Tabular Analysis. Thomson Reuters muss zeigen, dass Thomson die Prüfung großer Dokumentenmengen unter realen Arbeitslasten mit akzeptabler Genauigkeit, Geschwindigkeit und Stabilität bewältigen kann.

Diese Bereitstellung wird den zentralen Mechanismus des Unternehmens testen. Wenn die Latenz sinkt und Nutzer mehr dokumentenintensive Aufgaben erledigen, ohne an Zuverlässigkeit einzubüßen, wird das Argument für die Verlagerung weiterer CoCounsel-Funktionen stärker.

Eine stille Verzögerung, ein begrenzter Rollout oder eine Rückkehr zu Drittanbieter-Modellen würden dieses Argument schwächen. Gleiches gilt für das Ausbleiben konkreter Leistungsberichte, nachdem das Management die Kosten- und Geschwindigkeitsvorteile des Modells hervorgehoben hatte.

Die nützlichste Offenlegung würde Thomson mit der vorherigen Produktionskonfiguration anhand von Aufgabenabschluss, Volumen geprüfter Dokumente, Latenz, Fehlereskalation und Rechenkosten vergleichen. Selbst teilweise Betriebsdaten wären informativer als eine weitere allgemeine Benchmark-Behauptung.

Das zweite Signal ist, ob Thomson Reuters eine souveräne Bereitstellung mit einer großen Kanzlei ankündigt. Das Management sagt, dass Gespräche laufen, hat jedoch keine namentlich genannte Vereinbarung oder Produktionskonfiguration offengelegt.

Eine tatsächliche Kundenimplementierung würde Thomson über eine interne CoCounsel-Komponente hinaus erweitern. Sie würde darauf hindeuten, dass Kanzleien darin einen Wert sehen, ein professionelles Modell, Inhalte von Thomson Reuters und privates institutionelles Wissen in einer kontrollierten Umgebung zu kombinieren.

Die Details werden entscheidend sein. Ein Pilotprojekt mit einer eng abgegrenzten Praxisgruppe würde auf Erprobung hindeuten. Eine breitere Bereitstellung, die geschütztes Kanzleimaterial und wiederkehrende Workflows umfasst, würde die Behauptung des Unternehmens stützen, dass Modelleigentum eine nachhaltige Geschäftschance schafft.

Das dritte Signal ist finanzieller Natur. Investoren benötigen klarere Belege dafür, dass CoCounsel und andere KI-Produkte wiederkehrende Umsätze schaffen, ohne die Margen durch Kosten für Rechenleistung, Entwicklung, Vertrieb und Support zu beeinträchtigen.

Thomson Reuters meldete im zweiten Quartal ein starkes Gesamtwachstum und eine höhere bereinigte EBITDA-Marge. Zudem hob das Unternehmen seinen Umsatzausblick an. Diese Ergebnisse schaffen Spielraum für Investitionen, lassen jedoch die Wirtschaftlichkeit von Thomson nicht isoliert erkennen.

Künftige Ergebnisgespräche sollten zeigen, ob KI die Ausgaben der Kunden erhöht, bestehende Softwarebudgets umleitet oder vor allem etablierte Abonnements schützt. Jedes dieser Szenarien hat unterschiedliche Auswirkungen.

Neue Ausgaben würden die Beschreibung des Managements stützen, wonach KI-Assistenten für Juristen eine White-Space-Chance darstellen. Eine Budgetsubstitution würde Thomson defensiver machen: Kundenbeziehungen blieben erhalten, während sich die zugrunde liegende Kostenbasis verändert.

Auch die Reaktion des Wettbewerbs verdient Aufmerksamkeit. Führende KI-Labore werden ihre Modelle weiter verbessern, und spezialisierte Legal-Tech-Produkte werden tiefere Integrationen hinzufügen. Große Kanzleien werden weiterhin mit privaten Systemen und mehreren Anbietern experimentieren.

Thomson Reuters muss mit Thomson nicht jede Alternative schlagen. Das Modell muss für klar definierte professionelle Aufgaben gut genug bleiben und CoCounsel zugleich bessere Wirtschaftlichkeit, Kontrolle und Zugang zu proprietärem Wissen bieten.

Das ist ein anspruchsvolles Ziel, aber realistischer als der Wettbewerb mit führenden KI-Laboren in jeder einzelnen Fähigkeit. Das Unternehmen kann andere Arbeiten an externe Modelle weiterleiten und Thomson Bereichen vorbehalten, in denen seine Inhalte das Ergebnis verändern.

Leser, die über Google News kommen, sollten daher über den scheinbaren Modellstart hinausblicken. Das entscheidende Ereignis ist ein Praxistest dafür, ob ein lange etablierter Informationsanbieter vertrauenswürdige Inhalte in eigene KI-Infrastruktur verwandeln kann.

Beobachten Sie zunächst die Migration der Tabular Analysis. Achten Sie anschließend auf einen namentlich genannten Einsatz in einer Kanzlei und klarere Aussagen zur KI-Umsatzwirtschaftlichkeit. Diese Signale werden zeigen, ob Thomson zu einem echten Plattformvorteil wird oder innerhalb eines wesentlich größeren Softwareportfolios eine interessante Option bleibt.