Thomson Reuters 自建 AI 模型，营收增长加速

在季度营收增长 9% 后，Thomson Reuters 正将其首个可投入生产的内部 AI 模型引入 CoCounsel。这个时间点带来的冲突，比 Google News 上流传的标题所暗示的更为鲜明。该公司并非只是增加另一项 AI 功能，而是在检验权威的专业内容能否降低其对前沿 AI 实验室所提供模型的依赖。

这款名为 Thomson 的模型，最初将为 CoCounsel Legal 内的批量文档审查功能 Tabular Analysis 提供支持。Thomson Reuters 预计将于 2026 年 8 月开始迁移。管理层称，该模型的延迟和运营成本均低于第三方替代方案，但其对比结果尚未获得独立验证。

这让 Thomson Reuters 走上了与另一类软件供应商不同的道路：后者将 OpenAI、Anthropic、Google 或其他模型提供商视为永久性基础。该公司仍在使用外部模型，CoCounsel 也依然是一款多模型产品。不过，Thomson 为其提供了一种自有替代方案，适用于那些法律知识、可预测成本和客户控制权比通用对话能力更重要的特定工作。

Thomson Reuters 实际改变了什么

Thomson Reuters 已将其专有模型从研究项目转变为生产基础设施。

该公司整合 Thomson Reuters Labs 与 Safe Sign Technologies 的团队后，完成了 Thomson 的首个生产就绪版本。Thomson Reuters 于 2024 年收购了专注于法律语言模型开发的 Safe Sign。这项收购为其将开源模型基础适配至专业法律工作提供了相关专长。

Thomson 是一款领域专用的大语言模型，这意味着其训练和评估聚焦于明确的领域，而非所有可能的消费级任务。该公司表示，它使用了来自 Westlaw、Practical Law 和 Reuters 的专家精选材料，并结合律师编辑和执业专家的意见。

Thomson Reuters 向该模型投资约 4,000 万美元，并使用其不足 10% 的法律内容进行训练。首席执行官 Steve Hasker 向投资者表示，内部基准测试显示，Thomson 在广泛的通用任务上接近领先的前沿模型。他还称，该模型在法律评估中表现强劲。

这些说法值得谨慎归因。该公司尚未公布足够信息，使外部人士能够复现完整比较。它没有披露所涉及的全部基础模型、测试集、评分方法或生产约束条件。

因此，重要的变化并不是所谓的基准测试胜利，而是决定将 Thomson 部署到真实的客户工作流程中。据该公司的财报电话会议记录，Tabular Analysis 将成为首个有实质意义的生产测试。

Tabular Analysis 会审阅一组文档中的信息，并将发现内容整理为结构化形式。律师可在比较合同条款、审查证据，或在文档集合中定位反复出现的条款时使用这一功能。

这项任务为 Thomson Reuters 提供了一个受控的起点。输出结果可对照源文档进行核查，速度和推理成本也可与现有系统比较。与广泛、开放式法律助手中的错误相比，失败也更容易诊断。

管理层表示，在评估首次部署后，公司将考虑把更多 CoCounsel 功能迁移至 Thomson。它并不计划立即替换所有外部模型。Hasker 承认 CoCounsel 当前已经运行良好，并表示公司希望避免不必要地扰乱它。

这种审慎的推进方式很重要。该消息作为内部模型发布在 Google News 上广泛传播，但实际运营情况更为有限。Thomson Reuters 正开始分阶段转移选定工作负载，更广泛的采用将取决于实际生产结果。

此次部署也为大型律师事务所创造了新选择。Hasker 表示，Thomson Reuters 正讨论一种环境，让律所能够将某个版本的 Thomson 与其自身受保护的信息一同运行。届时，CoCounsel 可在这一整合的知识层之上运行。

这种安排有时被称为主权 AI。在这里，这一术语意味着律所可以对其数据、模型环境和运营政策保留更大的控制权。它并不意味着系统无需外部软件、基础设施或持续的供应商支持即可运行。

营收增长为 AI 战略提供了施展空间

该公司正以不断增长的订阅业务为模型战略提供资金，而非依赖一笔孤立的实验预算。

Thomson Reuters 报告称，第二季度营收为 19.54 亿美元，上年同期为 17.85 亿美元。总营收增长 9%，有机营收增长 8%。经常性营收也增长 9%，占季度营收的 82%。

其 Legal Professionals、Corporates 以及 Tax, Audit and Accounting Professionals 部门构成了公司所谓的 Big 3。这些业务板块本季度实现营收 16.2 亿美元，占公司总营收的 83%。

Big 3 的有机营收增长 10%。Legal Professionals 实现营收 7.72 亿美元，按报告口径和有机口径均增长 10%。Thomson Reuters 将 Westlaw 和 CoCounsel 列为经常性法律业务营收增长的主要贡献者。

Corporates 营收达到 5.37 亿美元，Tax, Audit and Accounting Professionals 贡献了 3.11 亿美元。该公司的季度业绩显示，三个业务板块均实现增长，尽管各自的营收结构和季节性模式不同。

营业利润增长 28%，至 5.58 亿美元。调整后 EBITDA 增长 10%，至 7.45 亿美元；调整后 EBITDA 利润率从 37.8% 升至 38.1%。自由现金流增长 29%，至 7.27 亿美元。

这些数字并不能证明生成式 AI 导致了本季度整体增长。Westlaw、交易类产品、收购项目、国际业务、税务软件和其他成熟服务同样作出了贡献。Thomson Reuters 没有公布足够的产品层面营收信息，无法单独确定 CoCounsel 的确切影响。

尽管如此，这些结果削弱了围绕该公司 AI 转型的一项担忧。Thomson Reuters 并非在核心专业业务萎缩之际，试图重建产品基础。营收增长和经常性订阅收入为其测试新架构提供了时间，无需依赖即时、独立的模型销售。

管理层将全年总营收和有机营收增长预期上调至约 8%。同时，它将 Big 3 的预期有机增长上调至 9.5% 至 10% 的区间。

公司投资组合的变化进一步强化了这一重点。Thomson Reuters 同意将其 Global Print 业务 51% 的权益出售给一家由 KKR 顾问基金共同控制的合资企业。该交易完成后，公司预计将获得约 5 亿美元的总收益。

Global Print 营收本季度下降 3%，而其专业软件业务板块则实现扩张。将印刷业务的控制权转入合资企业，使 Thomson Reuters 能够将管理层注意力和投资集中于基于内容的软件和 AI。

这是财报故事中的核心逆转。出版商和信息提供商最初被视为生成式 AI 的潜在受害者。模型可能会概括其材料、削弱传统搜索流量，并在信息所有者与客户之间插入一个对话式界面。

相反，Thomson Reuters 正试图让其长期积累的内容成为模型的差异化输入。此前支撑订阅研究产品的同一批法律资料库，可能成为 AI 系统的训练、检索增强和评估资产。

该公司并未放弃既有产品。它正试图在通用助手占据专业工作流程之前，将这些产品的权威性迁移至新界面中。

对于企业买家而言，营收背景比 Google News 上醒目的标题更重要。这表明 Thomson 是由经常性收入支持、持续产品转型的一部分，而不是为博取关注而打造的临时展示。

Thomson AI 挑战对前沿模型的依赖

主要竞争并非 Thomson 与某一家 AI 实验室之间的较量，而是自有领域基础设施与永久依赖外部前沿模型之间的竞争。

大多数企业 AI 产品起步时都采用了一条务实的捷径。供应商通过检索增强生成（RAG），将能力强大的通用模型连接到专有数据。RAG 会在查询时查找相关源材料，并在生成回答前将其提供给模型。

这种方法依然有用。它让软件提供商能够受益于大型模型实验室的改进，而无需资助完整的训练计划。它还可以保留引用，并将回答限制在获准的信息范围内。

然而，对第三方模型的依赖会带来战略限制。供应商无法完全控制模型变更、推理价格、可用性、延迟或未来的访问条件。当竞争对手也能购买类似底层智能的访问权限时，它还必须让自身产品形成差异化。

Thomson Reuters 已经与外部模型合作，并未将 Thomson 描述为即时的通用替代品。该公司表示，其优势来自于选择开源基础模型，并利用精心筛选的专业材料对其进行适配。

管理层认为，数据质量能够弥补较小的训练预算。Hasker 表示，公司以约 4,000 万美元的投入和不足十分之一的法律内容，取得了具有竞争力的内部结果。

这一说法作为战略具有合理性，但尚未被确立为普遍规律。专用模型不需要在每一个问题上都优于前沿模型。它需要在特定专业任务上足够准确、足够快速且足够经济，从而改善整个应用。

对 Thomson Reuters 而言，这一应用包括权威检索、工作流程逻辑、法律引文、用户权限、文档处理和可审计性。模型只是其中的一层。

这正是该公司的定位与新兴法律 AI 创业公司不同之处。Thomson Reuters 已经拥有 Westlaw、Practical Law，以及庞大的编辑和领域专家网络。它还通过嵌入律师事务所、企业法务部门、税务团队和会计师事务所的产品实现分发。

这并不意味着该公司可以免受竞争影响。Anthropic 向Claude for Legal的扩张表明，前沿模型开发商能够进一步接近专业客户。Harvey 和 Legora 等法律 AI 公司也在围绕外部模型构建界面、工作流程和律所集成。

LexisNexis 拥有自己的法律内容、专业分发能力和 AI 产品。大型律师事务所也可以组装内部系统，将商业模型与私有工作成果结合起来。

因此，威胁来自多个方向，但它们施加的是同一种压力。Thomson Reuters 必须证明，掌握更多模型层能力能够带来客户切实可感的优势。仅仅降低内部成本，不足以说服律师更换工具。

该公司预计 Thomson 将降低延迟，也就是请求与响应之间的等待时间。当一个智能体需要连续执行多项操作时，这一优势尤为重要。一个微小的延迟在 20 或 30 个步骤中反复出现，足以让整个工作流令人沮丧。

随着使用量增长，对推理成本的控制也可能变得重要。一款偶尔用于研究的 AI 助手，与一个审阅数千份文档或反复完成合规工作的智能体，其成本结构并不相同。

据 Thomson Reuters 称，CoCounsel 的用户数已经突破 100 万。管理层表示，互动次数和会话时长仍在上升，但尚未披露活跃用户比例或模型层面的经济数据。

更高的参与度使模型成本成为一项战略问题。每增加一项任务，都会产生计算成本。一个能够以更低成本完成合适工作的自有模型，既可保护利润率，也能支持更广泛的使用。

代价则是维护。Thomson Reuters 必须持续改进模型、评估新的开源基础模型、保障数据管道安全，并应对外部领域的快速进展。拥有模型，是以一种依赖关系换取持续的工程责任。

Thomson Reuters 基准测试未能说明什么

内部评估结果是令人鼓舞的证据，但不能替代透明的生产环境测量。

Thomson Reuters 表示，Thomson 在广泛的通用任务中与领先的前沿模型表现相当。该公司还报告了出色的法律任务表现、更低的延迟，以及显著更低的成本。

公司已发布方向性的发现，但读者应区分三个问题：Thomson 在受控评估中的得分如何？它在 CoCounsel 中的表现有多可靠？客户获得的结果是否优于竞争系统？

只有第一个问题得到了公司初步回答。第二个问题正在通过 Tabular Analysis 进行测试。第三个问题则需要长期的比较性使用、留存、准确率和采购证据。

法律 AI 的基准测试尤其困难，因为常见的公开测试很少能复现专业工作。模型可能能够正确识别一项法律规则，却未能考虑司法管辖区、程序阶段、例外情况或后续判例依据。

长文档带来了另一个问题。模型可能能够接收大量文本，却仍然忽略其中深埋的决定性表述。Thomson Reuters 此前曾讨论评估长上下文表现的挑战，尤其是在法律工作涉及大量记录时。

公司的专有测试或许比公开基准更能反映真实工作。然而，专有评估也限制了外部审查。客户无法独立判断，所选测试是否偏向 Thomson 的训练数据或产品设计。

基于 Thomson Reuters 内容进行训练也带来更多问题。该公司拥有庞大的法律和专业内容库，但更多内容并不会自动带来成比例的提升。数据必须经过清洗、结构化、加权、更新，并与特定司法管辖区的元数据关联。

Thomson Reuters 曾与 DatologyAI 合作开展法律领域适配，并报告称其在法律推理、检索和下游任务上有所改进。合作方的数据策展案例描述了在有限数据和计算预算下取得更好结果。不过，这一说法同样来自参与该项目的公司。

生产环境的使用将暴露更棘手的案例。律师可能上传不一致的协议、不完整的记录、扫描文档或私有模板。系统必须区分权威法律与客户材料，并清楚说明每项结论由哪个来源支持。

CoCounsel 重建后的智能体界面旨在展示其工作过程。智能体 AI 是指能够围绕目标规划并执行一系列行动的软件，而不是针对单个提示仅返回一个回答。

Hasker 表示，用户可以查看 CoCounsel 任务过程中生成的步骤、引文和参考资料。这种透明度很有价值，因为专业人士可以在依赖最终输出前，对中间决策提出质疑。

不过，可见的推理步骤并不保证正确性。一条组织良好的链条，可能包含一个早期的分类错误，并由此影响后续的一切。引文可能真实存在，却无法支撑附加于其上的论点。

因此，人工审查仍是该产品价值主张的一部分。Thomson Reuters 将其方法称为“受托级 AI”，这是一个由公司自行定义的标准，强调权威性、可审计性、安全性和负责任的专业使用。

这一标签不应被误认为独立认证。买方需要与自身风险要求相关的证据，包括错误率、来源覆盖范围、访问控制、日志记录、保留做法和升级处理程序。

考虑采用这些系统的律所还需要一个持久的知识层。在任何模型能够可靠检索之前，案件记录、内部指引和既有工作成果都必须保持有序。一个可搜索的知识库可以缩小出色模型演示与可靠日常工作之间的差距。

因此，持怀疑态度的观点很直接。Thomson Reuters 拥有异常有价值的数据，并报告了颇具前景的结果。它仍须证明，这些资产能够在公司设计的测试之外，转化为可重复实现的客户成果。

为什么律所和企业买方应当关注

Thomson 带来了新的采购选择，但也让 AI 架构成为评估供应商时更重要的一环。

过去，专业买方会比较研究覆盖范围、软件功能、支持服务和合同条款。如今，他们还必须问：哪些模型执行哪些任务，这些模型在哪里运行，客户数据如何处理，以及供应商改变底层架构时会发生什么。

Thomson Reuters 可以提供一种混合式答案。CoCounsel 可将选定任务交给 Thomson，同时在其他模型表现更佳的场景继续使用它们。这可能使应用程序比单模型系统更具适应性。

混合设计也会让评估变得更难。客户可能看到同一个产品界面，却不知道某个具体结果由哪个模型生成。买方应要求提供清晰文档，涵盖模型路由、重大更新、测试标准和事件响应。

大型律所还有另一种选择。Hasker 表示，一些律所有兴趣在受控环境中，将 Thomson 与其受保护的内部信息结合使用。这种安排可让律所对数据和部署拥有更大控制权，同时保留对 Thomson Reuters 内容和 CoCounsel 工作流的访问。

这种吸引力不难理解。律所掌握保密的客户记录、谈判历史、内部先例和律师工作成果。即便存在合同保护措施，让每项任务都经过一个被广泛共享的外部服务，仍可能引发治理担忧。

隔离或专用环境并不能解决所有问题。律所仍需要访问控制、数据分类、保留规则、安全审查，以及供应商与客户之间清晰的责任划分。

较小型组织面临不同的考量。它们较不可能运营专用 AI 基础设施或维持庞大的评估团队。它们需要一项控制措施易于理解、行为可预测的打包服务。

对这些买方而言，模型所有权只有在改善最终产品时才重要。更快的文档审阅、更清晰的引文、更少缺乏依据的结论，以及稳定的可用性，才是有意义的。模型的名称并非如此。

知识工作者还应预期界面会发生变化。一个能够进行研究、审阅文档并起草输出的智能体，会将用户的角色从组装每个步骤转变为监督整个过程。

这可以节省时间，但也会集中风险。手动开展研究的用户，会在任务过程中不断接触证据。监督智能体的用户，可能只能看到经过筛选的来源和摘要化的轨迹。

因此，培训必须聚焦验证，而不是提示技巧。专业人士需要知道如何质疑范围、核查权威性、识别缺失文档，并审查系统的行动序列。

100 万用户这一里程碑表明，CoCounsel 已具备相当规模的分发能力。不过，Thomson Reuters 尚未披露这些用户中有多少每日活跃、不同职业的活跃度如何变化，或有多少人在使用最新的智能体版本。

企业采用情况不能仅通过账户访问量来衡量。持续价值体现在用户持续回归、完成实质性工作，并在不造成不可接受的审查负担的情况下续约。

在通过 Google News 追踪 AI 新闻时，很容易忽略这一区别。产品访问会带来一则公告，而可靠的采用则在组织内部缓慢发展。

公司的季度业绩提供了早期商业信号，因为 Westlaw 和 CoCounsel 推动了法律业务经常性收入增长。但这些业绩尚未区分增长究竟来自扩张、定价、捆绑销售、新客户，还是现有产品之间的迁移。

买方应将 Thomson 视为一项重要的架构变化，而不是某个胜者已尘埃落定的证明。它让 Thomson Reuters 对成本和产品开发拥有更大控制力。客户必须判断，这种控制是否能改善自己的工作。

决定 Thomson 是否奏效的三个信号

下一阶段将由生产环境表现、客户部署和可衡量的财务贡献来评判。

第一个信号是 Tabular Analysis 在 8 月的迁移。Thomson Reuters 必须证明，在真实工作负载下，Thomson 能以可接受的准确性、速度和稳定性处理批量文档审阅。

这次部署将检验该公司的核心机制。如果延迟下降，且用户能够在不牺牲可靠性的前提下完成更多文档密集型任务，那么将更多 CoCounsel 功能转向该模型的理由就会更充分。

悄然延期、有限范围推出，或重新使用第三方模型，都会削弱这一理由。如果管理层强调模型的成本和速度优势后，未提供具体的性能报告，也同样如此。

最有价值的披露，应将 Thomson 与此前的生产环境配置在任务完成率、已审阅文档量、延迟、错误升级和计算成本方面进行比较。即便只是部分运营数据，也会比又一次笼统的基准测试声明更具参考价值。

第二个信号是 Thomson Reuters 是否宣布与一家大型律所达成主权部署。管理层表示相关洽谈正在进行，但尚未披露具名协议或生产配置。

真实的客户部署将使 Thomson 不再只是 CoCounsel 的内部组件。这将表明，律所认为在受控环境中，将专业模型、Thomson Reuters 内容和私有机构知识结合起来具有价值。

细节至关重要。涉及狭窄业务组的试点将表明仍处于实验阶段。覆盖受保护律所材料和重复性工作流的更广泛部署，则将支持该公司的说法：模型所有权能够创造持久的商业机会。

第三个信号是财务表现。投资者需要更清晰的证据，证明 CoCounsel 及其他 AI 产品能够带来持续性收入，同时不会因算力、开发、销售和支持成本而侵蚀利润率。

Thomson Reuters 报告称，其第二季度整体增长强劲，调整后 EBITDA 利润率也有所提升，并上调了营收指引。这些结果为持续投资提供了空间，但并未单独揭示 Thomson 的经济效益。

未来的财报电话会议应当披露：AI 是否提升了客户支出、重新分配了既有软件预算，还是主要用于守住既有订阅收入。不同结果意味着不同影响。

新增支出将支持管理层将法律 AI 助手描述为“白地机会”的说法。预算替代则会使 Thomson 的防御属性更强：它能维系客户关系，但也会改变底层成本结构。

竞争态势同样值得关注。前沿实验室将持续改进模型，专业法律产品将加入更深入的集成。大型律师事务所也会继续试验私有系统和多供应商方案。

Thomson Reuters 并不需要 Thomson 击败所有替代方案。它需要的是，该模型在明确的专业任务上保持足够出色，同时为 CoCounsel 提供更好的经济效益、控制能力以及对专有知识的访问。

这是一个要求很高的目标，但比起在所有能力维度上与前沿实验室竞争，它更为现实。公司可以将其他工作路由至外部模型，并将 Thomson 保留给那些其内容能够改变结果的领域。

因此，从 Google News 进入本文的读者不应只关注表面上的模型发布。真正重要的事件，是对一家长期经营的信息提供商能否将可信内容转化为自有 AI 基础设施的一次生产环境测试。

首先关注 Tabular Analysis 的迁移。随后，留意是否出现具名律师事务所部署，以及更清晰的 AI 收入经济数据。这些信号将表明，Thomson 是否会成为真正的平台优势，还是仅仅是庞大软件产品组合中的一个有趣选项。