Thomson Reuters tworzy własny model AI, gdy przychody przyspieszają

Thomson Reuters przenosi swój pierwszy gotowy do produkcyjnego użycia wewnętrzny model AI do CoCounsel po tym, jak kwartalne przychody wzrosły o 9 procent. Moment ten tworzy wyraźniejszy konflikt, niż sugeruje nagłówek krążący w Google News. Firma nie dodaje po prostu kolejnej funkcji AI. Sprawdza, czy autorytatywne treści profesjonalne mogą ograniczyć jej zależność od modeli dostarczanych przez laboratoria tworzące zaawansowaną AI.

Model o nazwie Thomson będzie początkowo napędzać Tabular Analysis — funkcję masowego przeglądu dokumentów w CoCounsel Legal. Thomson Reuters oczekuje, że migracja rozpocznie się w sierpniu 2026 roku. Kierownictwo twierdzi, że model oferuje niższe opóźnienia i koszty operacyjne niż rozwiązania zewnętrzne, choć wyniki porównawcze nie zostały niezależnie zweryfikowane.

Stawia to Thomson Reuters na innej ścieżce niż dostawców oprogramowania, którzy traktują OpenAI, Anthropic, Google lub innego dostawcę modeli jako trwały fundament. Firma nadal korzysta z modeli zewnętrznych, a CoCounsel pozostaje produktem wielomodelowym. Thomson daje jej jednak własną alternatywę dla wybranych zadań, w których wiedza prawnicza, przewidywalne koszty i kontrola klienta są ważniejsze niż szeroki zakres możliwości konwersacyjnych.

Co właściwie zmienił Thomson Reuters

Thomson Reuters przekształcił swój własny model z projektu badawczego w infrastrukturę produkcyjną.

Firma ukończyła pierwszą gotową do produkcji wersję Thomson po połączeniu zespołów Thomson Reuters Labs i Safe Sign Technologies. Thomson Reuters przejął Safe Sign, twórcę modeli językowych przeznaczonych dla branży prawniczej, w 2024 roku. Przejęcie to zapewniło kompetencje potrzebne do dostosowania fundamentów modeli open source do profesjonalnej pracy prawniczej.

Thomson to branżowy duży model językowy, co oznacza, że jego szkolenie i ocena koncentrują się na określonej dziedzinie, a nie na każdym możliwym zadaniu konsumenckim. Firma podaje, że wykorzystała materiały starannie dobrane przez ekspertów z Westlaw, Practical Law i Reuters, a także wkład redaktorów prawników oraz specjalistów praktyki.

Thomson Reuters zainwestował w model około 40 mln USD i wyszkolił go na mniej niż 10 procentach swoich treści prawnych. Dyrektor generalny Steve Hasker powiedział inwestorom, że wewnętrzne benchmarki plasowały Thomson blisko czołowych modeli frontier w szerokim zakresie zadań ogólnych. Dodał też, że model osiągał dobre wyniki w ocenach prawniczych.

Twierdzenia te wymagają ostrożnego przypisania. Firma nie opublikowała wystarczających informacji, aby osoby z zewnątrz mogły odtworzyć pełne porównanie. Nie ujawniła wszystkich bazowych modeli, zestawów testowych, metod punktacji ani ograniczeń produkcyjnych uwzględnionych w analizie.

Istotną zmianą nie jest więc deklarowane zwycięstwo w benchmarkach. Jest nią decyzja o wdrożeniu Thomson w rzeczywistym procesie pracy klienta. Zgodnie z transkrypcją wyników finansowych, Tabular Analysis będzie pierwszym znaczącym testem produkcyjnym.

Tabular Analysis analizuje informacje w grupach dokumentów i porządkuje ustalenia w ustrukturyzowanej formie. Prawnicy mogą korzystać z tej funkcji przy porównywaniu warunków umów, przeglądzie dowodów lub wyszukiwaniu powtarzających się postanowień w zbiorze dokumentów.

To zadanie daje Thomson Reuters ograniczony punkt wyjścia. Wyniki można sprawdzać względem dokumentów źródłowych, a szybkość i koszty inferencji można mierzyć względem istniejących systemów. Ewentualną porażkę łatwiej byłoby również zdiagnozować niż błąd w szerokim, otwartym asystencie prawnym.

Kierownictwo twierdzi, że po ocenie pierwszego wdrożenia firma rozważy przeniesienie dodatkowych funkcji CoCounsel do Thomson. Nie planuje natychmiastowego zastąpienia każdego modelu zewnętrznego. Hasker przyznał, że CoCounsel już działa dobrze, i powiedział, że firma chce uniknąć niepotrzebnego zakłócania jego działania.

To stopniowe wdrożenie ma znaczenie. Historia szeroko pojawiła się w Google News jako premiera wewnętrznego modelu, lecz rzeczywistość operacyjna jest węższa. Thomson Reuters rozpoczyna etapowe przenoszenie wybranych obciążeń, a szersze zastosowanie będzie zależeć od rzeczywistych wyników produkcyjnych.

Wdrożenie tworzy też nową opcję dla dużych kancelarii prawnych. Hasker powiedział, że Thomson Reuters rozmawia o środowiskach, w których kancelarie mogłyby uruchamiać wersję Thomson obok własnych chronionych informacji. CoCounsel mógłby wtedy działać ponad tą połączoną warstwą wiedzy.

Takie rozwiązanie bywa określane jako sovereign AI. W tym kontekście termin oznacza, że kancelaria zachowuje większą kontrolę nad swoimi danymi, środowiskiem modelowym i zasadami działania. Nie oznacza to, że system funkcjonuje bez zewnętrznego oprogramowania, infrastruktury lub stałego wsparcia dostawcy.

Rosnące przychody dają strategii AI przestrzeń do działania

Firma finansuje swoją strategię modelową z rosnącego biznesu subskrypcyjnego, a nie z odizolowanego budżetu eksperymentalnego.

Thomson Reuters podał, że przychody za drugi kwartał wyniosły 1,954 mld USD, wobec 1,785 mld USD rok wcześniej. Łączne przychody wzrosły o 9 procent, a przychody organiczne o 8 procent. Przychody powtarzalne również wzrosły o 9 procent i stanowiły 82 procent kwartalnych przychodów.

Działy Legal Professionals, Corporates oraz Tax, Audit and Accounting Professionals tworzą to, co firma nazywa Big 3. Segmenty te wygenerowały w kwartale 1,62 mld USD przychodów i odpowiadały za 83 procent łącznych przychodów firmy.

Organiczne przychody Big 3 wzrosły o 10 procent. Legal Professionals wygenerował 772 mln USD, co oznacza wzrost o 10 procent zarówno w ujęciu raportowanym, jak i organicznym. Thomson Reuters wskazał Westlaw i CoCounsel jako główne czynniki wzrostu powtarzalnych przychodów prawnych.

Przychody Corporates osiągnęły 537 mln USD, natomiast Tax, Audit and Accounting Professionals wniósł 311 mln USD. Wyniki kwartalne pokazują wzrost we wszystkich trzech segmentach, choć ich indywidualna struktura przychodów i wzorce sezonowe się różnią.

Zysk operacyjny wzrósł o 28 procent do 558 mln USD. Skorygowana EBITDA wzrosła o 10 procent do 745 mln USD, a skorygowana marża EBITDA zwiększyła się z 37,8 procent do 38,1 procent. Wolne przepływy pieniężne wzrosły o 29 procent do 727 mln USD.

Dane te nie dowodzą, że generatywna AI spowodowała ogólny wzrost w kwartale. Westlaw, produkty transakcyjne, przejęcia, działalność międzynarodowa, oprogramowanie podatkowe i inne ugruntowane usługi również miały swój wkład. Thomson Reuters nie publikuje wystarczających informacji o przychodach na poziomie produktów, by wyodrębnić dokładny wpływ CoCounsel.

Mimo to wyniki osłabiają jedną z obaw dotyczących transformacji AI w firmie. Thomson Reuters nie próbuje przebudować fundamentów produktów w czasie, gdy jego kluczowe biznesy profesjonalne się kurczą. Wzrost przychodów i powtarzalne subskrypcje dają firmie czas na testowanie nowej architektury bez uzależnienia od natychmiastowej samodzielnej sprzedaży modeli.

Kierownictwo podniosło całoroczną prognozę do około 8 procent wzrostu przychodów ogółem i organicznie. Podniosło również oczekiwany wzrost organiczny Big 3 do przedziału od 9,5 procent do 10 procent.

Zmiany w portfelu firmy wzmacniają ten priorytet. Thomson Reuters zgodził się sprzedać 51-procentowy udział w swojej działalności Global Print spółce joint venture kontrolowanej wspólnie z funduszami doradzanymi przez KKR. Po zamknięciu transakcji firma oczekuje około 500 mln USD wpływów brutto.

Przychody Global Print spadły w kwartale o 3 procent, podczas gdy segmenty profesjonalnego oprogramowania się rozwijały. Przeniesienie kontroli nad drukiem do joint venture pozwala Thomson Reuters skoncentrować uwagę kierownictwa i inwestycje na oprogramowaniu opartym na treści oraz AI.

To kluczowe odwrócenie w historii wyników finansowych. Początkowo wydawców i dostawców informacji postrzegano jako prawdopodobne ofiary generatywnej AI. Modele mogły streszczać ich materiały, osłabiać tradycyjny ruch z wyszukiwarek i umieszczać interfejs konwersacyjny między właścicielami informacji a klientami.

Thomson Reuters próbuje zamiast tego uczynić zgromadzone treści wyróżniającym wkładem do modelu. Te same zbiory prawne, które wspierały subskrypcyjne produkty badawcze, mogłyby stać się zasobami szkoleniowymi, uziemiającymi i ewaluacyjnymi dla systemów AI.

Firma nie porzuca swoich ugruntowanych produktów. Próbuje przenieść ich autorytet do nowych interfejsów, zanim asystenci ogólnego przeznaczenia przejmą profesjonalny proces pracy.

Dla nabywców korporacyjnych kontekst przychodów ma większe znaczenie niż wyeksponowany nagłówek w Google News. Sugeruje, że Thomson jest częścią trwającej transformacji produktu wspieranej przez powtarzalne dochody, a nie tymczasową demonstracją stworzoną dla rozgłosu.

Thomson AI kwestionuje zależność od modeli frontier

Główna rywalizacja nie dotyczy Thomson kontra jedno laboratorium AI. Dotyczy własnej infrastruktury branżowej kontra trwałe poleganie na zewnętrznych modelach frontier.

Większość produktów AI dla przedsiębiorstw zaczęła od praktycznego skrótu. Dostawcy łączyli wydajny model ogólnego przeznaczenia z zastrzeżonymi danymi za pomocą retrieval-augmented generation, czyli RAG. RAG wyszukuje istotne materiały źródłowe w chwili zadania pytania i przekazuje je modelowi przed wygenerowaniem odpowiedzi.

To podejście pozostaje użyteczne. Pozwala dostawcy oprogramowania korzystać z ulepszeń wprowadzanych przez duże laboratoria modeli bez finansowania pełnego programu szkoleniowego. Może również zachować cytowania i ograniczać odpowiedzi do zatwierdzonych informacji.

Zależność od modeli zewnętrznych wprowadza jednak ograniczenia strategiczne. Dostawca nie kontroluje w pełni zmian modeli, cen inferencji, dostępności, opóźnień ani przyszłych warunków dostępu. Musi też wyróżnić swój produkt, gdy konkurenci mogą kupić dostęp do podobnej bazowej inteligencji.

Thomson Reuters już współpracuje z modelami zewnętrznymi i nie przedstawia Thomson jako natychmiastowego uniwersalnego substytutu. Firma twierdzi, że jej przewaga wynika z wyboru fundamentów open source i dostosowywania ich za pomocą starannie dobranych materiałów profesjonalnych.

Kierownictwo argumentuje, że jakość danych może zrekompensować mniejszy budżet szkoleniowy. Hasker powiedział, że firma osiągnęła konkurencyjne wyniki wewnętrzne przy inwestycji około 40 mln USD i wykorzystaniu mniej niż jednej dziesiątej swoich treści prawnych.

To twierdzenie jest wiarygodne jako strategia, lecz nie zostało jeszcze potwierdzone jako ogólna zasada. Model wyspecjalizowany nie musi odpowiadać na każde pytanie lepiej niż model frontier. Musi wystarczająco dokładnie, szybko i tanio wykonywać wybrane zadania profesjonalne, aby ulepszać całą aplikację.

W przypadku Thomson Reuters aplikacja ta obejmuje autorytatywne wyszukiwanie, logikę procesów pracy, cytowania prawnicze, uprawnienia użytkowników, obsługę dokumentów i audytowalność. Model jest tylko jedną warstwą.

W tym miejscu pozycja firmy różni się od pozycji nowego startupu legal AI. Thomson Reuters już kontroluje Westlaw, Practical Law oraz dużą sieć redaktorów i specjalistów dziedzinowych. Ma również dystrybucję poprzez produkty osadzone w kancelariach prawnych, działach prawnych przedsiębiorstw, zespołach podatkowych i praktykach księgowych.

Nie czyni to firmy odporną na konkurencję. Ekspansja Anthropic w Claude for Legal pokazuje, że twórcy modeli frontier mogą zbliżać się do profesjonalnych klientów. Firmy legal AI, takie jak Harvey i Legora, również tworzą interfejsy, procesy pracy i integracje z kancelariami wokół modeli zewnętrznych.

LexisNexis ma własne treści prawne, profesjonalną dystrybucję i produkty AI. Duże kancelarie prawne mogą także budować systemy wewnętrzne, które łączą modele komercyjne z prywatnym dorobkiem pracy.

Zagrożenie nadchodzi więc z kilku stron, ale wszystkie wywierają tę samą presję. Thomson Reuters musi pokazać, że posiadanie większej części warstwy modelowej daje przewagę, którą klienci mogą odczuć. Niższe koszty wewnętrzne same w sobie nie przekonają prawnika do zmiany narzędzi.

Firma oczekuje, że Thomson skróci opóźnienia, czyli czas między zapytaniem a odpowiedzią. Ta korzyść ma znaczenie, gdy agent wykonuje wiele operacji sekwencyjnie. Niewielkie opóźnienie powtarzające się przez 20 lub 30 kroków może sprawić, że przepływ pracy stanie się frustrujący.

Kontrola nad kosztami wnioskowania może również zyskać na znaczeniu wraz ze wzrostem wykorzystania. Asystent AI używany sporadycznie do badań ma inny profil kosztowy niż agent analizujący tysiące dokumentów lub wykonujący powtarzalne zadania związane ze zgodnością.

Według Thomson Reuters CoCounsel przekroczył już milion użytkowników. Kierownictwo twierdzi, że liczba interakcji i długość sesji nadal rosną, choć firma nie ujawniła wskaźników aktywnych użytkowników ani ekonomiki na poziomie modeli.

Wyższe zaangażowanie sprawia, że koszt modelu staje się kwestią strategiczną. Każde dodatkowe zadanie generuje koszt obliczeniowy. Własny model, który realizuje odpowiednie zadania po niższym koszcie, mógłby chronić marże, jednocześnie umożliwiając szersze wykorzystanie.

Kompromisem jest utrzymanie. Thomson Reuters musi nadal ulepszać model, oceniać nowe fundamenty open source, zabezpieczać potoki danych i reagować na szybkie postępy w innych miejscach. Własność modelu zamienia jedną formę zależności na stałe zobowiązanie inżynieryjne.

Czego nie pokazują benchmarki Thomson Reuters

Wyniki wewnętrznych ocen są zachęcającym dowodem, ale nie zastępują przejrzystych pomiarów z produkcji.

Thomson Reuters twierdzi, że Thomson osiąga wyniki porównywalne z czołowymi modelami granicznymi w szerokim zestawie ogólnych zadań. Firma raportuje również wysoką skuteczność w zastosowaniach prawnych, niższe opóźnienia i istotnie niższe koszty.

Firma opublikowała wnioski o charakterze kierunkowym, lecz czytelnicy powinni rozdzielić trzy pytania. Jak Thomson wypadł w kontrolowanych ocenach? Jak niezawodnie działa w CoCounsel? Czy klienci otrzymują lepsze rezultaty niż z konkurencyjnych systemów?

Tylko na pierwsze pytanie firma udzieliła wstępnej odpowiedzi. Drugie jest testowane za pośrednictwem Tabular Analysis. Trzecie będzie wymagało z czasem porównawczych dowodów dotyczących użycia, retencji, dokładności i zakupów.

Benchmarking AI dla branży prawniczej jest szczególnie trudny, ponieważ typowe testy publiczne rzadko odtwarzają profesjonalną pracę. Model może poprawnie wskazać zasadę prawną, lecz nie uwzględnić jurysdykcji, etapu postępowania, wyjątku albo późniejszego orzecznictwa.

Długie dokumenty tworzą kolejny problem. Model może przyjąć dużą ilość tekstu, a mimo to przeoczyć rozstrzygające sformułowanie ukryte w jego wnętrzu. Thomson Reuters wcześniej omawiał wyzwanie związane z oceną wydajności w długim kontekście, zwłaszcza gdy praca prawnicza obejmuje obszerne akta.

Własne testy firmy mogą lepiej odzwierciedlać rzeczywistą pracę niż publiczne benchmarki. Jednak własna ocena ogranicza też zewnętrzną kontrolę. Klienci nie mogą niezależnie ustalić, czy wybrane testy faworyzują dane treningowe lub projekt produktu Thomson.

Trenowanie na treściach Thomson Reuters rodzi dalsze pytania. Firma dysponuje ogromnymi zbiorami prawniczymi i profesjonalnymi, ale większa ilość treści nie przekłada się automatycznie na proporcjonalną poprawę. Dane muszą zostać oczyszczone, ustrukturyzowane, odpowiednio ważone, aktualizowane i połączone z metadanymi specyficznymi dla jurysdykcji.

Thomson Reuters współpracował z DatologyAI nad adaptacją do domeny prawnej i zgłosił poprawę w zakresie rozumowania prawniczego, wyszukiwania oraz zadań dalszego etapu. Opis partnera dotyczący kuracji danych przedstawia lepsze wyniki przy ograniczonym budżecie danych i mocy obliczeniowej. Jednak ta relacja również pochodzi od firm zaangażowanych w projekt.

Wykorzystanie produkcyjne ujawni trudniejsze przypadki. Prawnicy mogą przesyłać niespójne umowy, niekompletne akta, zeskanowane dokumenty lub prywatne szablony. System musi odróżniać autorytatywne prawo od materiałów klienta i jasno wskazywać, które źródło wspiera każdy wniosek.

Przebudowany agentowy interfejs CoCounsel ma pokazywać sposób działania. Agentowa AI odnosi się do oprogramowania, które planuje i wykonuje sekwencję działań w kierunku celu, zamiast zwracać jedną odpowiedź na jeden prompt.

Hasker powiedział, że użytkownicy mogą sprawdzać kroki, cytowania i odniesienia powstające podczas zadania CoCounsel. Ta przejrzystość jest cenna, ponieważ profesjonalista może zakwestionować pośrednią decyzję przed poleganiem na wyniku końcowym.

Mimo to widoczne kroki rozumowania nie gwarantują poprawności. Dobrze zorganizowany łańcuch może zawierać wczesny błąd klasyfikacji, który kształtuje wszystko, co następuje później. Cytowania mogą być prawdziwe, a jednocześnie nie wspierać twierdzenia, do którego zostały przypisane.

Weryfikacja przez człowieka pozostaje więc częścią propozycji wartości produktu. Thomson Reuters określa swoje podejście jako „AI klasy powierniczej”, czyli zdefiniowany przez firmę standard podkreślający autorytet, audytowalność, bezpieczeństwo i odpowiedzialne profesjonalne wykorzystanie.

Nie należy mylić tej etykiety z niezależną certyfikacją. Nabywcy potrzebują dowodów powiązanych z własnymi wymogami ryzyka, w tym wskaźników błędów, pokrycia źródeł, kontroli dostępu, rejestrowania, praktyk retencji i procedur eskalacji.

Firmy rozważające te systemy potrzebują również trwałej warstwy wiedzy. Akta spraw, wewnętrzne wytyczne i wcześniejsze prace muszą pozostać uporządkowane, zanim jakikolwiek model będzie mógł je niezawodnie wyszukiwać. Przeszukiwalna baza wiedzy może zmniejszyć lukę między imponującymi demonstracjami modeli a niezawodną codzienną pracą.

Sceptyczna ocena jest więc prosta. Thomson Reuters posiada wyjątkowo wartościowe dane i zgłosił obiecujące wyniki. Nadal musi udowodnić, że te zasoby przekładają się na powtarzalne rezultaty dla klientów poza testami zaprojektowanymi przez samą firmę.

Dlaczego kancelarie prawne i nabywcy korporacyjni powinni się tym zainteresować

Thomson tworzy nowe opcje zakupowe, ale jednocześnie czyni architekturę AI ważniejszą częścią oceny dostawców.

Profesjonalni nabywcy kiedyś porównywali zakres materiałów badawczych, funkcje oprogramowania, wsparcie i warunki umów. Teraz muszą pytać, które modele wykonują poszczególne zadania, gdzie działają, jak przetwarzane są dane klientów oraz co dzieje się, gdy dostawca zmienia bazową architekturę.

Thomson Reuters może zaoferować odpowiedź hybrydową. CoCounsel może kierować wybrane zadania do Thomson, nadal wykorzystując inne modele tam, gdzie osiągają lepsze wyniki. Może to uczynić aplikację bardziej elastyczną niż system oparty na jednym modelu.

Hybrydowa konstrukcja może również utrudniać ocenę. Klient może widzieć jeden interfejs produktu, nie wiedząc, który model wygenerował konkretny wynik. Nabywcy powinni żądać jasnej dokumentacji obejmującej kierowanie zadań do modeli, istotne aktualizacje, standardy testowania i reagowanie na incydenty.

Duże kancelarie mają inną możliwość. Hasker powiedział, że niektóre firmy są zainteresowane połączeniem Thomson z chronionymi informacjami wewnętrznymi w kontrolowanym środowisku. Taki układ mógłby zapewnić kancelarii większą kontrolę nad danymi i wdrożeniem, przy zachowaniu dostępu do treści Thomson Reuters i przepływów pracy CoCounsel.

Atrakcyjność tego rozwiązania jest zrozumiała. Kancelarie przechowują poufne akta klientów, historię negocjacji, wewnętrzne precedensy i efekty pracy prawników. Przesyłanie każdego zadania przez szeroko współdzieloną usługę zewnętrzną może rodzić obawy dotyczące zarządzania, nawet gdy istnieją zabezpieczenia umowne.

Odizolowane lub dedykowane środowisko nie rozwiązuje każdego problemu. Kancelarie nadal potrzebują kontroli dostępu, klasyfikacji danych, zasad retencji, przeglądów bezpieczeństwa i jasnego podziału odpowiedzialności między dostawcą a klientem.

Mniejsze organizacje stoją przed inną kalkulacją. Rzadziej będą prowadzić dedykowaną infrastrukturę AI lub utrzymywać rozbudowane zespoły oceniające. Potrzebują gotowej usługi z łatwymi do zrozumienia kontrolami i przewidywalnym działaniem.

Dla tych nabywców własność modelu ma znaczenie tylko wtedy, gdy poprawia produkt końcowy. Szybszy przegląd dokumentów, jaśniejsze cytowania, mniej niepopartych wniosków i stała dostępność są istotne. Nazwa modelu nie.

Pracownicy wiedzy powinni również oczekiwać zmiany interfejsu. Agent, który prowadzi badania, przegląda dokumenty i tworzy wynik, przesuwa rolę użytkownika od składania każdego kroku do nadzorowania procesu.

Może to oszczędzać czas, ale także koncentrować ryzyko. Użytkownik, który samodzielnie prowadzi badania, styka się z dowodami przez cały czas trwania zadania. Użytkownik nadzorujący agenta może widzieć tylko wybrane źródła i skrócony ślad działania.

Szkolenie powinno więc skupiać się na weryfikacji, a nie na sztuczkach z promptami. Profesjonaliści muszą wiedzieć, jak kwestionować zakres, sprawdzać autorytet, identyfikować brakujące dokumenty i analizować sekwencję działań systemu.

Próg miliona użytkowników sugeruje, że CoCounsel ma już znaczącą dystrybucję. Thomson Reuters nie ujawnił jednak, ilu z tych użytkowników jest aktywnych każdego dnia, jak aktywność różni się między zawodami ani jaka część korzysta z najnowszej wersji agentowej.

Adopcji w przedsiębiorstwach nie można mierzyć wyłącznie dostępem do konta. Trwała wartość pojawia się wtedy, gdy użytkownicy wracają, wykonują istotną pracę i odnawiają umowy bez tworzenia niedopuszczalnych obciążeń związanych z weryfikacją.

To rozróżnienie łatwo przeoczyć, śledząc historie o AI w Google News. Dostęp do produktu generuje ogłoszenie, podczas gdy niezawodna adopcja rozwija się powoli wewnątrz organizacji.

Kwartalne wyniki firmy oferują wczesny sygnał komercyjny, ponieważ Westlaw i CoCounsel przyczyniły się do wzrostu powtarzalnych przychodów w segmencie prawnym. Nie rozdzielają one jeszcze wzrostu wynikającego z ekspansji od cen, pakietowania, nowych klientów czy migracji między istniejącymi produktami.

Nabywcy powinni traktować Thomson jako istotną zmianę architektoniczną, a nie dowód na wyłonienie się jednoznacznego zwycięzcy. Daje on Thomson Reuters większą kontrolę nad kosztami i rozwojem produktu. Klienci muszą ustalić, czy ta kontrola poprawia ich własną pracę.

Trzy sygnały, które zdecydują, czy Thomson zadziała

Kolejna faza będzie oceniana na podstawie wydajności produkcyjnej, wdrożeń u klientów i mierzalnego wkładu finansowego.

Pierwszym sygnałem jest sierpniowa migracja Tabular Analysis. Thomson Reuters musi pokazać, że Thomson potrafi obsługiwać masowy przegląd dokumentów z akceptowalną dokładnością, szybkością i stabilnością przy rzeczywistych obciążeniach.

To wdrożenie przetestuje główny mechanizm firmy. Jeśli opóźnienia spadną, a użytkownicy będą wykonywać więcej zadań wymagających intensywnej pracy z dokumentami bez utraty niezawodności, argument za przeniesieniem dodatkowych funkcji CoCounsel stanie się silniejszy.

Ciche opóźnienie, ograniczone wdrożenie lub powrót do modeli zewnętrznych osłabiłyby ten argument. Podobnie jak brak szczegółowego raportowania wydajności po tym, jak kierownictwo podkreślało przewagi modelu pod względem kosztów i szybkości.

Najbardziej użyteczne ujawnienie porównałoby Thomson z poprzednią konfiguracją produkcyjną pod kątem realizacji zadań, liczby przeanalizowanych dokumentów, opóźnień, eskalacji błędów i kosztów obliczeniowych. Nawet częściowe dane operacyjne byłyby bardziej pouczające niż kolejne ogólne twierdzenie o benchmarkach.

Drugim sygnałem jest to, czy Thomson Reuters ogłosi suwerenne wdrożenie z dużą kancelarią prawną. Kierownictwo twierdzi, że rozmowy są w toku, ale nie ujawniono żadnej nazwanej umowy ani konfiguracji produkcyjnej.

Rzeczywiste wdrożenie u klienta rozszerzyłoby rolę Thomson poza wewnętrzny komponent CoCounsel. Wskazywałoby, że kancelarie dostrzegają wartość w łączeniu profesjonalnego modelu, treści Thomson Reuters i prywatnej wiedzy instytucjonalnej w kontrolowanym środowisku.

Szczegóły będą miały znaczenie. Pilotaż obejmujący wąską grupę praktyki wskazywałby na eksperymentowanie. Szersze wdrożenie obejmujące chronione materiały kancelarii i powtarzalne przepływy pracy potwierdziłoby twierdzenie firmy, że własność modelu tworzy trwałą szansę biznesową.

Trzeci sygnał ma charakter finansowy. Inwestorzy potrzebują wyraźniejszych dowodów, że CoCounsel i inne produkty AI zwiększają powtarzalne przychody, nie obniżając marż przez koszty obliczeń, rozwoju, sprzedaży i wsparcia.

Thomson Reuters odnotował silny wzrost ogółem oraz wyższą skorygowaną marżę EBITDA w drugim kwartale. Spółka podniosła również prognozę przychodów. Wyniki te dają przestrzeń do inwestycji, ale nie wyodrębniają ekonomiki Thomson.

Przyszłe telekonferencje wynikowe powinny pokazać, czy AI zwiększa wydatki klientów, przekierowuje istniejące budżety na oprogramowanie, czy przede wszystkim chroni dotychczasowe subskrypcje. Każdy z tych scenariuszy ma inne konsekwencje.

Nowe wydatki potwierdziłyby opis zarządu, według którego asystenci AI dla branży prawnej stanowią szansę na zagospodarowanie niezajętej przestrzeni rynkowej. Substytucja budżetów uczyniłaby Thomson bardziej defensywnym graczem, zachowując relacje z klientami, ale zmieniając bazową strukturę kosztów.

Na uwagę zasługuje również reakcja konkurencji. Laboratoria tworzące modele frontier będą nadal je ulepszać, a wyspecjalizowane produkty prawne dodadzą głębsze integracje. Duże kancelarie będą dalej eksperymentować z prywatnymi systemami i wieloma dostawcami.

Thomson Reuters nie potrzebuje, by Thomson pokonał każdą alternatywę. Model musi pozostać wystarczająco dobry dla określonych zadań profesjonalnych, jednocześnie zapewniając CoCounsel lepszą ekonomię, kontrolę i dostęp do zastrzeżonej wiedzy.

To wymagający cel, ale bardziej realistyczny niż konkurowanie z laboratoriami frontier w zakresie każdej funkcji. Firma może kierować inne zadania do modeli zewnętrznych, a Thomson zachować dla obszarów, w których jej treści zmieniają wynik.

Czytelnicy trafiający z Google News powinni zatem patrzeć dalej niż na pozorne uruchomienie modelu. Kluczowym wydarzeniem jest test produkcyjny tego, czy od dawna działający dostawca informacji potrafi przekształcić zaufane treści we własną infrastrukturę AI.

Najpierw warto obserwować migrację Tabular Analysis. Następnie — wdrożenie w nazwanej kancelarii oraz bardziej przejrzystą ekonomikę przychodów z AI. Te sygnały pokażą, czy Thomson stanie się realną przewagą platformową, czy pozostanie interesującą opcją w znacznie większym portfolio oprogramowania.