Resumen ejecutivo
Thomson Reuters ha lanzado Thomson 1.0, el primer gran modelo de lenguaje construido desde cero por un editor jurídico global. El anuncio, difundido el 24 de agosto de 2026, marca un giro estratégico frente a la práctica habitual del sector: licenciar modelos de OpenAI, Anthropic o Google y adaptarlos mediante técnicas de fine-tuning o RAG. Thomson Reuters ha optado por construir su propia capa cognitiva.
El modelo parte de una base open-source. El director de tecnología de la compañía, Joel Hron, confirmó a Business Insider que Thomson Reuters partió de Qwen, el modelo de código abierto de Alibaba, y lo sometió a un proceso de realineamiento a través de Snowdon, un modelo intermedio desarrollado junto al Imperial College de Londres. Sobre esa base se aplicó un entrenamiento continuo con el contenido propietario de Westlaw, Practical Law, Checkpoint y Reuters, un acervo que supera las 40.000 bases de datos y 150 años de curación editorial.
El proyecto tiene su origen en la adquisición de Safe Sign Technologies en agosto de 2024, la primera compra de una empresa sin ingresos en la historia de Thomson Reuters. El equipo de quince personas de Safe Sign se convirtió en el núcleo de un grupo de investigación de cincuenta profesionales. La inversión total ronda los 40 millones de dólares en dos años, una cifra que la compañía presenta como una fracción de lo que gastan los laboratorios de frontera para entrenar modelos comparables.
Thomson Reuters ha involucrado a cientos de expertos legales, fiscales y periodísticos en el diseño y la evaluación del modelo, y afirma que Thomson 1.0 se ha entrenado hasta ahora con menos del 10% del contenido total disponible. La compañía subraya, además, que no utiliza datos de clientes para entrenar el sistema, una salvaguarda que enmarca dentro de su propuesta de "IA soberana".
Los resultados publicados sitúan a Thomson por delante de Gemini 3.1 Pro, Claude Opus 4.8 y GPT-5.5 en tres de siete categorías evaluadas: PrBench Legal Hard, seguimiento de instrucciones y contexto largo. En razonamiento general y programación queda por detrás de los modelos de frontera. Evaluaciones académicas preliminares, como las de Jonathan H. Choi (Washington University) y Samuel Dahan (Queen's University), destacan la calidad de las citas del modelo, aunque un estudio de Stanford y Yale recuerda que las herramientas jurídicas de IA, incluso con RAG, siguen produciendo información errónea en una proporción significativa.
Thomson 1.0 no sustituye a los modelos externos en CoCounsel. Se integra en una arquitectura multi-LLM donde Claude, de Anthropic, sigue siendo el modelo principal, y el despliegue inicial de Thomson se limita al Análisis Tabular. La estrategia comercial contempla tres vías: ajuste del modelo para grandes bufetes bajo la etiqueta de IA soberana, un portal de desarrolladores todavía sin lanzar, y la liberación de una versión reducida, Thomson-1.0-Small, en Hugging Face para uso académico.
El movimiento contrasta con la estrategia de LexisNexis, que sigue integrando modelos externos mediante RAG en Lexis+ AI. El precedente plantea preguntas abiertas sobre propiedad intelectual de los outputs, secreto comercial del contenido de entrenamiento y la clasificación de Thomson bajo el Reglamento europeo de IA, cuestiones que este análisis examina en detalle junto a los datos técnicos, comerciales y regulatorios disponibles hasta la fecha.
El fin de la dependencia: Thomson Reuters y la construcción de un modelo de lenguaje propio para el sector legal
Subtítulo
Análisis de las implicaciones jurídicas, técnicas y estratégicas del lanzamiento de Thomson 1.0, el primer gran modelo de lenguaje de desarrollo propio de una editorial jurídica global
Índice
Sección 1. Introducción: el contexto de la IA generativa en el sector legal
Sección 2. Thomson 1.0: arquitectura, proceso de entrenamiento y fuentes de datos
Sección 3. Estrategia empresarial y posicionamiento competitivo
Sección 4. Propiedad intelectual y gobernanza de datos
Sección 5. Evaluación del rendimiento y credibilidad académica
Sección 6. Implicaciones para la práctica legal y el mercado
Sección 7. Desafíos regulatorios y éticos
Sección 1. Introducción: el contexto de la IA generativa en el sector legal
1.1. La irrupción de los grandes modelos de lenguaje en el ámbito jurídico
Los grandes modelos de lenguaje (LLM) de propósito general han transformado los servicios jurídicos desde su presentación pública. Estas herramientas procesan lenguaje natural, resumen documentos extensos y generan respuestas fundamentadas en bases de conocimiento. Despachos de abogados, departamentos legales corporativos y proveedores de información legal han explorado su integración en los flujos de trabajo profesionales. Pero la adopción generalizada de modelos de OpenAI, Anthropic o Google ha creado un problema estructural para los editores jurídicos tradicionales: ceden el control tecnológico a proveedores externos y corren el riesgo de que su contenido especializado se convierta en una mercancía más. (1)
Las editoriales jurídicas han ensayado distintas estrategias. Algunas licencian modelos externos y los adaptan mediante técnicas de fine-tuning o retrieval-augmented generation (RAG). Mantienen la interfaz, pero subcontratan la capa cognitiva. Otras se han limitado a agregar contenido, sin desarrollar algoritmos propios. El caso que analizamos introduce una novedad: la construcción de un modelo fundacional propio, no como experimento, sino como producto comercial integrado en el ecosistema existente de la compañía. (2)
1.2. El dilema de las editoriales jurídicas: integración frente a dependencia
Thomson Reuters no tomó esta decisión en el vacío. La tensión estratégica que define el mercado de información legal es clara. Por un lado, integrar modelos de IA de vanguardia en las plataformas de investigación jurídica ofrece funcionalidades que hace pocos años parecían ciencia ficción: análisis predictivo de litigios, extracción automatizada de cláusulas contractuales, asistencia en la redacción de escritos procesales. Por otro, esa integración genera dependencia crítica de proveedores tecnológicos que no están sujetos a las mismas obligaciones de confidencialidad, exactitud y responsabilidad profesional que rigen en el ámbito legal. (3)
Esta dependencia tiene varias caras. La económica: los costes de licencia de los modelos de frontera crecen de forma exponencial, sujetos a las políticas de precios de unos pocos actores globales. La técnica: sin acceso al núcleo del modelo, las editoriales no pueden optimizar la IA para tareas jurídicas específicas, como interpretar fuentes normativas con sistemas de citas propios o distinguir entre holding y obiter dicta en la jurisprudencia. La reputacional: cuando un modelo de IA da una respuesta errónea en un contexto legal, la responsabilidad recae sobre el profesional que la usa, y sobre el proveedor de la herramienta. El fabricante del modelo no asume obligación directa frente al cliente final. (4)
Thomson Reuters ha identificado la capacidad de influir en el comportamiento del modelo hasta el nivel más profundo como una ventaja competitiva decisiva. Construir un LLM propio reduce costes a largo plazo y permite alinear el razonamiento algorítmico con las convenciones, la terminología y los estándares de calidad del sistema jurídico anglosajón, su mercado principal. (5)
1.3. Objeto y alcance del análisis
Este trabajo examina el lanzamiento de Thomson 1.0 por parte de Thomson Reuters desde una perspectiva multidisciplinar: jurídica, tecnológica y estratégica. La noticia de LawNext del 26 de agosto de 2026 es el punto de partida, pero el análisis se extiende a las fuentes primarias: comunicados oficiales, publicaciones técnicas internas, entrevistas con los responsables del proyecto, reacciones del mercado y de la comunidad académica. (1)
El estudio se organiza en cinco ejes. Primero, la arquitectura técnica del modelo y el proceso de entrenamiento: la composición del conjunto de datos y la intervención de expertos humanos. Segundo, la estrategia empresarial: la adquisición de Safe Sign Technologies y el modelo de comercialización para bufetes y desarrolladores externos. Tercero, las implicaciones en propiedad intelectual y gobernanza de los datos: el valor del modelo reside en el contenido propietario acumulado durante décadas. Cuarto, el rendimiento del modelo en pruebas internas e independientes, y la metodología de evaluación. Quinto, las consecuencias para la competencia en el sector de la información legal y los desafíos regulatorios que plantea la concentración de datos y capacidades algorítmicas en un solo operador. (2)
El análisis cubre la información disponible hasta el 26 de agosto de 2026 y los documentos publicados por Thomson Reuters y los medios especializados en esa fecha. No formula hipótesis sobre desarrollos futuros no anunciados ni atribuye a la compañía intenciones no declaradas. Cuando un extremo no puede verificarse documentalmente, lo indicamos.
Sección 2. Thomson 1.0: arquitectura, proceso de entrenamiento y fuentes de datos
2.1. La base tecnológica: del modelo open-source a la especialización
Thomson 1.0 no parte de cero. Thomson Reuters tomó como punto de partida un modelo de base de código abierto (open-weight) y lo sometió a un proceso de especialización intensivo. El anuncio oficial describe esa base como "una base open-source sólida" (a strong open-source foundation) (6), sin identificar al proveedor en el comunicado de prensa. (7) Pero el director de tecnología de Thomson Reuters, Joel Hron, confirmó a Business Insider que la base es Qwen, el modelo de lenguaje de código abierto de Alibaba. (7) La versión concreta es Qwen3.5-397B (1), aunque la documentación técnica de Hugging Face indica que la arquitectura del modelo liberado, Thomson-1.0-Small, corresponde a Qwen3.6-35B-A3B. (12)
La elección de un modelo open-source responde a razones económicas y estratégicas. Los laboratorios de frontera han invertido miles de millones en infraestructura y computación. (6) Thomson Reuters ha optado por construir sobre una base existente y especializarla para el derecho, la fiscalidad y el periodismo. (6) Hron lo ha formulado en términos de propiedad: licenciar modelos de proveedores externos es como ser "un inquilino perpetuo" (se obtiene lo que se necesita, pero nunca se genera capital); poseer el modelo permite a Thomson Reuters "capitalizar el valor de su propiedad intelectual a lo largo del tiempo". (9)
El modelo intermedio se llama Snowdon. Lo desarrolló un equipo conjunto de Thomson Reuters y el Imperial College de Londres, que adaptó Qwen durante varios meses para garantizar que el modelo resultante fuera "ética y políticamente neutral y seguro para su uso". (1) Este "realineamiento" (realigning) no es un simple fine-tuning, sino una reconfiguración más profunda para alinear el comportamiento del modelo con los estándares de seguridad, ética y neutralidad política de un proveedor de información profesional global. (7) Hron ha señalado que "no hay nada que nos ate necesariamente a Qwen" (7), lo que sugiere que la arquitectura podría ser reemplazable en el futuro.
La versión comercial completa, Thomson 1.0, se obtiene aplicando sobre Snowdon un proceso de mid-training (entrenamiento intermedio) y post-training (entrenamiento posterior) con el contenido propietario de la compañía. (6) La documentación técnica de Hugging Face describe el modelo como un "modelo de lenguaje causal" (Causal Language Model) con arquitectura Mixture-of-Experts (MoE), que combina eficiencia computacional con capacidad de especialización. (12) La versión pequeña, Thomson-1.0-Small, tiene 35.000 millones de parámetros en total y 3.000 millones activados por consulta, con una longitud de contexto nativa de 262.144 tokens. (12)
2.2. El conjunto de datos de entrenamiento: Westlaw, Practical Law, Checkpoint y Reuters
El valor diferencial de Thomson no está en su arquitectura, sino en los datos con los que ha sido entrenado. La compañía ha utilizado su propio acervo de contenido profesional acumulado durante décadas, procedente de cuatro fuentes: Westlaw (la base de datos jurisprudencial y normativa del sistema anglosajón), Practical Law (guías prácticas y formularios para profesionales del derecho), Checkpoint (plataforma de investigación fiscal y contable) y Reuters (la agencia de noticias). (6) Ningún modelo de propósito general puede igualar esta base de conocimiento jurídico, normativo, fiscal y periodístico: ese contenido no es de acceso público ni ha sido utilizado por otros laboratorios de IA. (6)
La magnitud del acervo documental de Thomson Reuters es difícilmente comparable. Westlaw, por sí sola, abarca más de 40.000 bases de datos individuales y más de 150 años de publicación jurídica y curación editorial. (11) No es un conjunto de datos estático, sino un corpus en actualización continua, alimentado por la actividad de miles de profesionales y editores que trabajan a diario en la identificación, clasificación y sistematización de la información jurídica. Este componente de curación editorial es probablemente el activo más difícil de replicar para cualquier competidor.
El proceso de entrenamiento no ha agotado el potencial del contenido disponible. Thomson Reuters ha declarado que el modelo ha sido entrenado, hasta la fecha, con menos del 10% de su contenido total. (6) Esta afirmación, repetida en múltiples fuentes (4), tiene implicaciones estratégicas de primer orden: el margen de mejora es muy amplio, y la compañía no necesita depender de fuentes externas para seguir especializando su IA. Pero la propia compañía matiza que el desarrollo futuro no consiste simplemente en "alimentar al modelo con más datos", sino en "un descubrimiento continuo de nuevos tipos de especialización y comprensión". (6) El valor no está solo en la cantidad de datos, sino en la capacidad de convertir ese contenido en señales de entrenamiento de alta calidad. (12)
Un extremo que debe señalarse con claridad, por su relevancia jurídica y ética: Thomson Reuters no utiliza datos de clientes para el entrenamiento del modelo. La compañía lo ha afirmado explícitamente. (11) Esta salvaguarda, que presenta como parte de su propuesta de "IA soberana" (sovereign AI), busca disipar las preocupaciones de los despachos y departamentos legales sobre la confidencialidad de la información que manejan.
2.3. El factor humano: la participación de expertos en el diseño y la evaluación
Un rasgo destacado del proceso de construcción de Thomson es la intervención masiva de expertos en la materia (subject-matter experts) en todas las fases del desarrollo. La compañía ha involucrado a cientos de expertos (abogados, fiscales, contables y periodistas) que han participado desde el diseño de los objetivos de entrenamiento hasta la evaluación final de los resultados. (6) Su labor no se ha limitado a la validación pasiva, sino que ha incluido la creación de ejemplos de preguntas legales y la evaluación ciega de las respuestas del modelo en comparación con otros sistemas. (11) Este enfoque combina la escala de los datos con el juicio humano especializado para superar las limitaciones de los modelos entrenados exclusivamente con datos brutos, que aprenden patrones superficiales pero carecen de la capacidad de razonar según los estándares de la profesión legal.
El proceso de entrenamiento supervisado por expertos se articula en varias etapas. Primero, el modelo base (Snowdon) es sometido a un realineamiento de valores (value re-alignment) para garantizar que sus respuestas se ajustan a los estándares éticos y profesionales de Thomson Reuters. (12) Después, se aplica un entrenamiento continuo (continual pre-training) con el contenido propietario de la compañía, seguido de un post-entrenamiento (post-training) guiado por profesionales y de un aprendizaje por refuerzo (reinforcement learning) que enseña al modelo a trabajar con las herramientas propias de Thomson Reuters, como Westlaw y Practical Law. (11)
Jonathan Schwartz, responsable de investigación fundamental en Thomson Reuters, ha señalado que la especialización puede dañar las capacidades generales de un modelo si se maneja incorrectamente. (11) Para evitarlo, el equipo ha priorizado el aprendizaje continuo (continual learning), un enfoque que permite añadir competencias específicas de dominio sin borrar las capacidades preexistentes del modelo. (12) El resultado, según Schwartz, es que el modelo no solo es más competente en tareas legales y fiscales, sino que mantiene sus capacidades generales: "Si simplemente tomas el modelo open-source sin ninguno de estos pasos adicionales, no sabrá tanto. No necesariamente estarás alineado con tus valores, y no será tan bueno utilizando las herramientas que has construido después". (11)
2.4. El proceso de construcción: inversión, plazos y recursos
La inversión total en el proyecto Thomson asciende a aproximadamente 40 millones de dólares. (2) La prensa especializada ha difundido ampliamente esta cifra, que incluye tanto el coste del talento humano como el de la infraestructura de computación necesaria para el entrenamiento. (6) La compañía ha subrayado que esta cantidad es una fracción de los miles de millones que los laboratorios de frontera han gastado para alcanzar modelos de capacidad comparable. (2) El proyecto se ha desarrollado a lo largo de dos años, lo que sitúa el inicio de los trabajos aproximadamente en el segundo semestre de 2024, coincidiendo con la adquisición de Safe Sign Technologies. (8)
Un dato que ha llamado la atención en los medios es el coste de la ejecución final de entrenamiento (final training run), que Hron cifró en aproximadamente 450.000 dólares. (2) No es el coste total del modelo, sino el coste de la última iteración de entrenamiento, una vez que la infraestructura, los datos y los métodos ya estaban desarrollados y probados. (2) El coste total de 40 millones incluye dos años de salarios de investigadores, ingenieros y expertos, así como el coste de los miles de horas de computación en GPU necesarias para las iteraciones previas. La documentación técnica de Hugging Face revela que el entrenamiento completo consumió 1,63 × 10²³ FLOP (operaciones de coma flotante) distribuidos en 35.207 horas de GPU B200. (12)
El equipo humano que ha hecho posible Thomson tiene su origen en la adquisición de Safe Sign Technologies, una empresa británica fundada en 2022 y especializada en modelos de lenguaje para el ámbito legal. (8) Thomson Reuters adquirió Safe Sign en agosto de 2024 (8), en lo que constituyó la primera adquisición de una empresa en fase previa a la generación de ingresos por parte de la compañía. (8) El equipo de Safe Sign, compuesto por 15 personas, se convirtió en el núcleo de un grupo de investigación fundamental (Foundational Research group) de 50 personas dentro de Thomson Reuters. (8) Los líderes de este equipo son Alexander Kardos-Nyheim y Jonathan Schwarz, cofundadores de Safe Sign y autores de la aproximación técnica que subyace a Thomson. (8) Kardos-Nyheim ha explicado que la razón de ser de Safe Sign era la convicción de que la capacidad general de los modelos se volvería ampliamente accesible, mientras que el rendimiento fiable en el derecho y otros campos regulados dependería del entrenamiento especializado, la evaluación y el material propietario. (8) Thomson confirma esta tesis.
La compañía ha anunciado la publicación de un informe técnico detallado sobre la arquitectura y el proceso de entrenamiento. (8) Ese informe, titulado "Thomson: Continual Learning of Frontier Models for Sovereign AI", está disponible en Hugging Face. (12) Thomson Reuters también ha liberado una versión reducida del modelo (Thomson-1.0-Small) como modelo de pesos abiertos (open-weight) en Hugging Face, para evaluación académica y no comercial. (5) Esta decisión, insólita en un sector donde los modelos propietarios suelen mantenerse en secreto, sugiere que la compañía quiere someter su creación al escrutinio de la comunidad académica y consolidar su posicionamiento como líder en IA jurídica.
Sección 3. Estrategia empresarial y posicionamiento competitivo
3.1. La adquisición de Safe Sign Technologies como antecedente
El lanzamiento de Thomson 1.0 no es un hecho aislado, sino el fruto de una estrategia de adquisición y consolidación de talento que se remonta a agosto de 2024. En esa fecha, Thomson Reuters adquirió Safe Sign Technologies, una empresa británica fundada en 2022 y especializada en grandes modelos de lenguaje para aplicaciones jurídicas. (5) Esta operación tiene una importancia estratégica excepcional: fue la primera adquisición por parte de Thomson Reuters de una empresa sin ingresos (pre-revenue) en la historia de la compañía. (5) El movimiento refleja una apuesta decidida por la tecnología de IA como eje vertebrador del futuro negocio, incluso cuando esta aún no generaba flujos de caja propios.
El equipo original de Safe Sign estaba compuesto por quince personas. (8) Su integración en Thomson Reuters ha dado lugar a un grupo de investigación fundamental (Foundational Research group) de cincuenta profesionales, que constituye el núcleo técnico del proyecto Thomson. (8) Los cofundadores de Safe Sign, Alexander Kardos-Nyheim y Jonathan Schwarz, han asumido roles de liderazgo en este equipo y son los autores de la aproximación técnica que subyace al modelo. (8) Kardos-Nyheim ha explicado que la tesis fundacional de Safe Sign era doble: la capacidad general de los modelos se volvería ampliamente accesible (commoditizada); el rendimiento fiable y especializado en el derecho y otros campos regulados requeriría entrenamiento profundo, evaluación rigurosa y acceso a material propietario. (5) Thomson confirma esta tesis.
La adquisición aportó talento y una metodología de trabajo que integra el desarrollo de modelos de frontera con la evaluación jurídica continua. Thomson Reuters ha señalado que el equipo de Safe Sign aportó "capacidades de investigación fundamentales" que la compañía no poseía internamente, en particular en el ámbito del aprendizaje continuo (continual learning) y la adaptación de modelos open-source a dominios especializados. (6) Esta integración ha permitido a la compañía pasar, en aproximadamente veinte meses, de no contar con un modelo propio a disponer de un LLM de frontera comparable a los ofrecidos por los principales laboratorios de IA. (5)
3.2. El modelo multi-LLM de CoCounsel: convivencia con proveedores externos
Un aspecto que la cobertura mediática ha malinterpretado con frecuencia es la relación entre Thomson 1.0 y la plataforma CoCounsel, el asistente jurídico de IA que Thomson Reuters lanzó inicialmente integrando modelos de Anthropic. Thomson 1.0 no sustituye a los modelos externos en CoCounsel, sino que se incorpora como uno más de los modelos disponibles, en una arquitectura que la compañía denomina multi-LLM. (1)
El director de tecnología, Joel Hron, ha sido enfático: el objetivo no es "un modelo para gobernarlos a todos" (one model to rule them all), sino ofrecer al usuario final la mejor respuesta posible para cada tarea, utilizando el modelo que mejor se adapte. (3) En este ecosistema, Claude, de Anthropic, sigue siendo el modelo principal para la mayoría de las funcionalidades de CoCounsel. (9) El despliegue inicial de Thomson 1.0 se limita a una función concreta: el Análisis Tabular (Tabular Analysis), una herramienta diseñada para extraer y estructurar datos de documentos legales complejos. (1)
Mantener un enfoque multi-LLM responde a razones técnicas y comerciales. Técnicamente, diferentes modelos ofrecen diferentes fortalezas; Claude destaca en razonamiento general, mientras que Thomson está optimizado para la investigación jurídica basada en las fuentes propias de la compañía. (6) Comercialmente, una dependencia exclusiva de un modelo propio podría generar recelos entre los clientes que confían en herramientas de terceros, y limitaría la flexibilidad para incorporar futuras innovaciones de otros laboratorios. (3) Pero Thomson Reuters ha dejado claro que, en los casos en que Thomson demuestre un rendimiento superior (en tareas de investigación jurídica), el modelo propio irá ganando protagonismo. (1)
3.3. El modelo de negocio: ajuste para bufetes y portal para desarrolladores
Thomson Reuters no concibe Thomson 1.0 solo como un modelo interno para sus aplicaciones. La compañía ha anunciado una estrategia de comercialización en varias capas.
En primer lugar, Thomson Reuters está en conversaciones con grandes bufetes de abogados para ofrecerles la posibilidad de ajustar (fine-tune) el modelo con sus propios datos. (1) Esta opción, que la compañía denomina "IA soberana" (sovereign AI) para los despachos, permitiría a los profesionales disponer de un modelo especializado no solo en el contenido general de Westlaw y Practical Law, sino también en la doctrina, los precedentes y los formularios internos de su propia firma. (3) Esta modalidad tiene un paralelismo con los modelos de "BYOC" (Bring Your Own Cloud) o de despliegue privado, pero con el valor añadido de que la base del modelo ya contiene el conocimiento jurídico general más amplio posible.
En segundo lugar, la compañía ha anunciado la creación de un portal para desarrolladores, que permitirá a terceros (proveedores de tecnología legal y bufetes con capacidad de desarrollo interna) acceder a las capacidades de Thomson a través de interfaces de programación de aplicaciones (APIs). (5) Este portal, aunque todavía no se ha lanzado formalmente, forma parte de la estrategia de la compañía para posicionarse como plataforma y capturar valor en el ecosistema de la tecnología legal.
En tercer lugar, y de manera excepcional en el sector, Thomson Reuters ha liberado una versión reducida del modelo (Thomson-1.0-Small) en Hugging Face con licencia para uso académico y no comercial. (5) Esta decisión permite a investigadores y universidades evaluar el modelo de forma independiente. Tiene un doble propósito: someter el modelo al escrutinio de la comunidad académica para validar sus afirmaciones de rendimiento; consolidar su posición como referente en IA jurídica y atraer talento investigador para futuras iteraciones. (12) La licencia limita el uso comercial, de modo que los competidores no pueden aprovechar el modelo para desarrollar productos rivales. (12)
3.4. Comparativa con otras iniciativas de modelos verticales en el sector legal
Thomson 1.0 es el primer gran modelo de lenguaje de desarrollo propio lanzado por un editor jurídico global, pero no es la única iniciativa en este espacio. Varios actores han explorado caminos análogos con distintos grados de ambición.
LexisNexis, el principal competidor de Thomson Reuters en el mercado de información jurídica anglosajona, ha optado hasta la fecha por una estrategia diferente. En lugar de desarrollar un modelo fundacional propio, LexisNexis ha integrado en sus plataformas (Lexis+ AI) modelos de proveedores externos (OpenAI y Anthropic), a los que ha aplicado técnicas de RAG con su propio contenido. (8) Este enfoque, menos costoso y más rápido de implementar, le ha permitido ofrecer funcionalidades de IA sin asumir los riesgos y los costes de desarrollo de un modelo fundacional. Pero no le proporciona el mismo grado de control sobre el comportamiento del modelo ni la misma capacidad de especialización profunda.
Harvey, una startup de IA legal financiada por OpenAI, ha desarrollado modelos especializados para el ámbito jurídico partiendo de la base de OpenAI. Harvey no es un editor de contenido jurídico, sino un proveedor de soluciones de IA que se integra con los flujos de trabajo de los despachos. Su modelo de negocio no incluye la propiedad de un corpus documental propio, sino el acceso a las bases de datos de los clientes mediante integraciones. Esta diferencia es sustancial: Harvey no controla el contenido de entrenamiento; su especialización depende de los datos que los clientes le proporcionan o de los contratos de licencia con bases de datos externas.
Casetext, adquirida por Thomson Reuters en 2023, fue pionera en la aplicación de modelos de lenguaje a la investigación jurídica, pero su tecnología se basaba en modelos de OpenAI, no en desarrollo propio. La integración de Casetext ha sido uno de los antecedentes inmediatos de CoCounsel, y la tecnología de Casetext, combinada con el equipo de Safe Sign, ha contribuido al desarrollo de Thomson 1.0. (9)
Otros editores jurídicos de menor tamaño han optado por alianzas con proveedores de IA: Wolters Kluwer (con Microsoft) o The Bureau of National Affairs (Bloomberg Law), sin que hasta la fecha hayan anunciado planes para desarrollar sus propios modelos fundacionales. Ritu Jyoti, analista de IDC, ha señalado que el movimiento de Thomson Reuters podría desencadenar una "carrera" entre los proveedores de SaaS verticales por controlar su propia pila de IA, pero la barrera de entrada es altísima: se necesita contenido propio de alta calidad y un equipo de investigación fundamental capaz de iterar sobre modelos open-source y mantenerlos actualizados. (8)
Thomson 1.0 es un experimento de integración vertical sin precedentes en el sector de la información legal. Su éxito o fracaso determinará si otros editores con grandes repositorios de contenido (en el ámbito médico, financiero o técnico) siguen la misma senda de "modelos soberanos" o si la externalización de la capa de IA a proveedores generalistas se consolida como modelo dominante. (8)
Sección 4. Propiedad intelectual y gobernanza de datos
4.1. El valor jurídico de los datos propios como activo estratégico
El lanzamiento de Thomson 1.0 es, en su dimensión jurídico-patrimonial, una operación de valorización de activos intangibles. Thomson Reuters no ha construido un modelo de lenguaje a partir de datos de dominio público o conjuntos genéricos, sino que ha utilizado su propio acervo documental acumulado durante décadas: Westlaw, Practical Law, Checkpoint y Reuters. (11) Este contenido no es meramente informativo; es el resultado de un proceso de curación editorial, sistematización jerárquica y anotación jurídica que confiere a los datos un valor añadido que trasciende el mero texto en bruto. Westlaw, por sí sola, abarca más de 40.000 bases de datos individuales y más de 150 años de publicación jurídica y curación editorial. (4)
La estrategia de Thomson Reuters se fundamenta en una tesis clara: el valor de un modelo de IA especializado no reside tanto en su arquitectura como en los datos con los que ha sido entrenado y en la metodología de entrenamiento aplicada. Joel Hron lo ha formulado con una analogía inmobiliaria: licenciar modelos de proveedores externos es como ser "un inquilino perpetuo" (se obtiene lo que se necesita, pero nunca se genera capital); poseer el modelo permite a Thomson Reuters "capitalizar el valor de su propiedad intelectual a lo largo del tiempo". (12) Esta declaración revela una concepción de la propiedad intelectual como un activo que se revaloriza mediante su integración en el modelo, y no como un stock de documentos que se licencia pasivamente.
El hecho de que el modelo haya sido entrenado con menos del 10% del contenido total disponible (11) refuerza esta lógica: el margen de mejora y especialización futura es muy amplio, y la compañía no necesita depender de fuentes externas para seguir desarrollando su IA. Esta circunstancia convierte a Thomson Reuters en un caso paradigmático de integración vertical de datos y algoritmos: la empresa controla la materia prima (el contenido) y el medio de transformación (el modelo de IA), lo que le permite extraer el máximo valor de su propiedad intelectual sin intermediarios. (8)
No sabemos si Thomson Reuters ha realizado una valoración específica de los derechos de propiedad intelectual sobre los outputs del modelo (si las respuestas, resúmenes o análisis son obras derivadas de los contenidos originales o creaciones autónomas), ni si la compañía ha adoptado una posición formal sobre la titularidad de esos outputs en sus relaciones con los clientes. Tampoco sabemos si el modelo, al haber sido entrenado con contenidos protegidos por derechos de autor, podría generar outputs que reproduzcan fragmentos sustanciales de esos contenidos, lo que plantearía cuestiones no resueltas sobre la infracción de derechos de autor en la generación automática de texto.
4.2. La exclusión de datos de clientes del entrenamiento
Thomson Reuters ha enfatizado con insistencia la exclusión de los datos de los clientes del proceso de entrenamiento. La compañía ha declarado que los datos de sus clientes no serán utilizados para entrenar el modelo sin un consentimiento expreso. (7) Esta política se enmarca en el estándar emergente de "Fiduciary-Grade AI" (IA de grado fiduciario) que la compañía ha definido para profesionales con deberes de cuidado y responsabilidad. (9)
Esta salvaguarda responde a una preocupación central de los despachos de abogados y departamentos legales corporativos: la confidencialidad de los contratos, expedientes litigiosos y documentos empresariales que manejan. (7) Si la información confidencial de un cliente quedara incorporada al modelo y, eventualmente, se reflejara en respuestas a otros usuarios, se vulnerarían los deberes de confidencialidad y secreto profesional. Thomson Reuters ha abordado esta preocupación posicionando la exclusión de datos de clientes como un elemento central de su propuesta de "soberanía de IA" (AI sovereignty), que abarca no solo los datos de entrenamiento, sino también el comportamiento del modelo, su ubicación de despliegue y el tratamiento de la información del cliente. (7)
No se sabe con qué grado de detalle se ha implementado esta política en la práctica. No se especifica: si la exclusión se aplica a todos los clientes por igual o si existen categorías diferenciadas; si Thomson Reuters ha adoptado mecanismos técnicos (anonimización o agregación) para usar datos de clientes sin comprometer la confidencialidad; si la política se extiende a los metadatos generados por el uso del modelo (patrones de consulta, correcciones de usuarios, etc.); si Thomson Reuters se ha sometido a auditorías externas para verificar el cumplimiento efectivo.
Tampoco sabemos si esta política es compatible con las exigencias del Reglamento General de Protección de Datos (RGPD) de la Unión Europea o con otras normativas de protección de datos. La afirmación de que los datos de clientes no se utilizan para entrenamiento sin consentimiento explícito parece alinearse con el principio de limitación de la finalidad del RGPD, pero no sabemos si Thomson Reuters ha realizado una evaluación de impacto en protección de datos o ha consultado a las autoridades de control competentes.
4.3. La liberación de una versión reducida en Hugging Face: límites y condiciones
Thomson Reuters ha adoptado una decisión insólita en el sector de los modelos propietarios: liberar una versión reducida del modelo (Thomson-1.0-Small) en Hugging Face como modelo de pesos abiertos (open-weight) para uso académico y no comercial. (9) Esta decisión permite a investigadores y universidades descargar, ejecutar y evaluar el modelo de forma independiente. Es un experimento de transparencia controlada.
Thomson-1.0-Small es un modelo de lenguaje causal con arquitectura Mixture-of-Experts (MoE), con 35.000 millones de parámetros en total y 3.000 millones activados por consulta, y una longitud de contexto nativa de 262.144 tokens. (10) Se basa en el checkpoint Qwen3.6-35B-A3B y ha sido sometido al mismo proceso de re-alineación de valores, pre-entrenamiento continuo y post-entrenamiento que la versión completa. (10) El entrenamiento completo consumió aproximadamente 1,63 × 10²³ FLOP en 35.207 horas de GPU B200. (10)
La licencia de Thomson-1.0-Small es restrictiva: autoriza su uso para investigación académica y fines no comerciales. (9) Esta limitación tiene un doble propósito. Permite a Thomson Reuters someter el modelo al escrutinio de la comunidad académica, validando sus afirmaciones de rendimiento. También impide que los competidores comerciales (LexisNexis, Harvey u otros proveedores de tecnología legal) aprovechen el modelo como base para desarrollar productos rivales. La licencia no es una cesión al dominio público, sino una apertura vigilada que preserva el valor comercial del modelo completo.
No conocemos los términos exactos de la licencia (más allá de la calificación genérica de "uso académico y no comercial") ni si Thomson Reuters ha establecido mecanismos de control para verificar el cumplimiento. Tampoco sabemos si la versión liberada incluye el conjunto de datos de entrenamiento o solo los pesos del modelo, lo que afectaría a la reproducibilidad de los resultados y a la evaluación de sesgos. El hecho de que Thomson Reuters haya publicado un informe técnico en Hugging Face (10) sugiere un esfuerzo por proporcionar a la comunidad académica los elementos necesarios para una evaluación informada, pero no sabemos si ese informe contiene toda la metodología requerida para una replicación independiente.
4.4. Implicaciones en materia de secretos comerciales y derechos de autor
La decisión de Thomson Reuters de construir un modelo propio plantea interrogantes relevantes en el ámbito de los secretos comerciales (trade secrets) y los derechos de autor (copyright). Estos interrogantes se articulan en dos planos: el de los inputs (los datos utilizados para el entrenamiento) y el de los outputs (el conocimiento incorporado al modelo).
En el plano de los inputs, el contenido de Westlaw, Practical Law, Checkpoint y Reuters constituye un secreto comercial en la medida en que no es de acceso público y su valor reside en su exclusividad. Thomson Reuters ha construido su negocio durante décadas sobre la base de la curación, sistematización y anotación de fuentes jurídicas y normativas, un proceso que genera valor añadido más allá del mero texto original de las leyes y sentencias (que son, en su mayoría, de dominio público). Este valor añadido (headnotes, resúmenes, clasificaciones sistemáticas, referencias cruzadas) es el auténtico activo protegible. Al entrenar Thomson con este contenido, Thomson Reuters está codificando su secreto comercial en forma de pesos neuronales, lo que plantea la cuestión de si esa codificación constituye una forma de protección reforzada o, por el contrario, una exposición del secreto a riesgos de extracción mediante técnicas de model inversion o membership inference. (11)
No sabemos si Thomson Reuters ha adoptado medidas técnicas específicas para proteger el modelo contra la extracción de datos de entrenamiento (por ejemplo, mediante técnicas de differential privacy), ni si ha evaluado el riesgo de que competidores o terceros, mediante consultas repetidas al modelo, reconstruyan parcialmente el contenido de Westlaw. Este riesgo es particularmente relevante en el caso de la versión liberada en Hugging Face, cuyos pesos son accesibles y podrían ser analizados para extraer información sobre el conjunto de datos de entrenamiento. Los avances recientes en model inversion han demostrado que, incluso con modelos de gran tamaño, es posible reconstruir información de los datos de entrenamiento mediante ataques cuidadosamente diseñados.
En el plano de los outputs, el modelo genera respuestas que pueden incorporar fragmentos de los textos originales o resúmenes de los mismos. Esto plantea la cuestión de si esas respuestas constituyen obras derivadas de los contenidos originales (y, por tanto, sujetas a los derechos de autor de Thomson Reuters) o creaciones autónomas generadas por el modelo. No sabemos si Thomson Reuters ha establecido políticas de atribución o de limitación de responsabilidad en relación con los outputs del modelo. Tampoco sabemos si la compañía ha considerado la posibilidad de que el modelo, al haber sido entrenado con contenidos de terceros (sentencias judiciales, que son de dominio público, o artículos de Reuters, que pueden estar sujetos a derechos de autor), genere outputs que infrinjan derechos de autor de esos terceros. (2)
Thomson Reuters ha sido parte activa en litigios sobre derechos de autor y entrenamiento de IA. En el caso Thomson Reuters contra ROSS Intelligence, un tribunal estadounidense concluyó que ROSS había infringido directamente los derechos de autor de Thomson Reuters sobre 2.243 headnotes de Westlaw, rechazando las defensas de ROSS basadas en la doctrina del fair use. (2) Este precedente, aunque no directamente aplicable al caso de Thomson (el uso del contenido es por parte del propio titular), ilustra la sensibilidad de Thomson Reuters ante la protección de sus contenidos frente a usos no autorizados por terceros y sugiere que la compañía es consciente de las implicaciones jurídicas de utilizar contenido propietario en el entrenamiento de modelos de IA.
No sabemos si Thomson Reuters ha considerado la posibilidad de licenciar el modelo a terceros (más allá del ajuste para bufetes que se ha anunciado) ni qué régimen de propiedad intelectual se aplicaría. Tampoco sabemos si la compañía ha evaluado el impacto de su modelo en el mercado de la información jurídica desde la perspectiva del derecho de la competencia, en particular en lo que respecta a posibles abusos de posición dominante derivados del control exclusivo sobre el contenido y el modelo.
Sección 5. Evaluación del rendimiento y credibilidad académica
5.1. Metodología de las pruebas internas: agentic harness y acceso a fuentes
La evaluación del rendimiento de Thomson 1.0 ha recibido una atención considerable, tanto por parte de Thomson Reuters como de la prensa especializada. La compañía publicó sus primeros resultados de evaluación comparativa (benchmarking) el 31 de julio de 2026, en una entrada del blog de innovación de Thomson Reuters Institute, firmada por el director de tecnología Joel Hron y el director de investigación en IA Jonathan Schwarz. (11) Estos resultados, aunque preliminares, son la base sobre la que Thomson Reuters ha construido sus afirmaciones de que el modelo "se encuentra entre los mejores del mundo". (8)
La metodología de las pruebas internas tiene características específicas. Thomson Reuters utilizó un "agentic harness" (un sistema que permite al modelo acceder y recuperar información de las bases de datos de la compañía) para las pruebas de Thomson. (1) Este mecanismo otorga a Thomson la capacidad de consultar directamente Westlaw, Practical Law y otras fuentes propietarias durante la generación de respuestas, lo que constituye una ventaja significativa frente a los modelos de propósito general que, en las pruebas comparativas, solo podían acceder a la web abierta a través de motores de búsqueda convencionales. (1) El propio Hron reconoció esta asimetría: Thomson, al tener acceso al contenido de Thomson Reuters, podía ofrecer respuestas más completas y con citas precisas a fuentes de confianza. (1)
Las condiciones de inferencia (inference settings) no fueron idénticas para todos los modelos comparados. Thomson se ejecutó con escalado en tiempo de prueba (test-time scaling), una técnica que permite al modelo dedicar más recursos computacionales a la generación de respuestas en momentos de alta exigencia. (9) Gemini 3.1 Pro y Claude Opus 4.8 utilizaron modos de razonamiento (reasoning modes), mientras que GPT-5.5 se ejecutó sin modo de razonamiento. (9) Esta disparidad introduce un factor de confusión que dificulta atribuir las diferencias de rendimiento exclusivamente a las capacidades intrínsecas de cada modelo. No sabemos si Thomson Reuters ha realizado pruebas de sensibilidad para evaluar la robustez de sus conclusiones ante variaciones en los parámetros de inferencia.
La prueba de contexto largo (long-context) de Thomson combinó un punto de referencia público con evaluaciones internas. (9) Esta circunstancia, señalada por la propia prensa especializada, introduce un elemento de opacidad metodológica: no se especifica en qué proporción se combinaron ambas fuentes ni si los criterios de evaluación internos eran comparables a los del punto de referencia público. (9) La ausencia de una metodología estandarizada y replicable limita la capacidad de la comunidad académica y profesional para verificar de forma independiente las afirmaciones de rendimiento.
La mayoría de las cifras de rendimiento disponibles son autoinformadas por Thomson Reuters. (2) En el momento del lanzamiento (agosto de 2026) no existía una evaluación externa completa del modelo ni un punto de control público que permitiera a terceros reproducir los resultados. (2) Thomson Reuters ha afirmado que la evaluación académica independiente está en curso (2), y la liberación de la versión reducida en Hugging Face tiene precisamente como finalidad facilitar ese escrutinio (5), pero no podemos concluir que esas evaluaciones se hayan completado en el momento de redactar este análisis.
5.2. Resultados comparativos frente a GPT 5.4, Claude Sonnet 5 y otros modelos
Los resultados de las pruebas comparativas publicadas por Thomson Reuters abarcan siete categorías, distribuidas entre el dominio legal y el dominio general. (8) La tabla compara Thomson-1-Large con Gemini 3.1 Pro, Claude Opus 4.8 y GPT-5.5 (8):
Dominio legal:
| Métrica | Thomson-1-Large | Gemini 3.1 Pro | Claude Opus 4.8 | GPT-5.5 |
|---|---|---|---|---|
| Stanford LegalBench | 0.823 | 0.843 | 0.818 | 0.832 |
| PrBench Legal Hard | 0.352 | 0.293 | 0.315 | 0.333 |
| Harvey Legal Agent Benchmark | 0.857 | 0.555 | 0.869 | 0.781 |
Dominio general:
| Métrica | Thomson-1-Large | Gemini 3.1 Pro | Claude Opus 4.8 | GPT-5.5 |
|---|---|---|---|---|
| Instruction Following | 0.914 | 0.848 | 0.861 | 0.885 |
| Reasoning | 0.684 | 0.748 | 0.737 | 0.589 |
| Coding | 0.399 | 0.500 | 0.598 | 0.414 |
| Long Context | 0.753 | 0.750 | 0.741 | 0.703 |
Fuente: Thomson Reuters Institute (8). Los valores en negrita indican la puntuación más alta en cada categoría.
Thomson obtuvo la mejor puntuación en tres de las siete categorías: PrBench Legal Hard, Instruction Following y Long Context. (8)(9) En PrBench Legal Hard, una prueba de razonamiento legal de alta dificultad, Thomson alcanzó 0.352, superando a GPT-5.5 (0.333), Claude Opus 4.8 (0.315) y Gemini 3.1 Pro (0.293). (8) En Instruction Following, Thomson obtuvo 0.914, muy por delante de GPT-5.5 (0.885), Claude Opus 4.8 (0.861) y Gemini 3.1 Pro (0.848). (8) En Long Context, Thomson logró 0.753, superando ligeramente a Gemini 3.1 Pro (0.750) y Claude Opus 4.8 (0.741), y con una ventaja más amplia sobre GPT-5.5 (0.703). (8)
En otras categorías Thomson quedó rezagado. En Stanford LegalBench, un referente para la evaluación de modelos en tareas legales, Thomson (0.823) se situó por detrás de Gemini 3.1 Pro (0.843) y GPT-5.5 (0.832), aunque superó a Claude Opus 4.8 (0.818). (8)(11) En el Harvey Legal Agent Benchmark, Thomson (0.857) quedó ligeramente por detrás de Claude Opus 4.8 (0.869), aunque superó a GPT-5.5 (0.781) y, con mucha diferencia, a Gemini 3.1 Pro (0.555). (8) En Reasoning y Coding, Thomson obtuvo puntuaciones inferiores a las de Gemini 3.1 Pro y Claude Opus 4.8. (8)
Thomson Reuters ha realizado pruebas internas adicionales no publicadas en la tabla. En una de ellas, los investigadores introdujeron 53 consultas de investigación jurídica del mundo real junto con contenido de Thomson Reuters. (10) Thomson produjo respuestas más completas y con mayor veracidad fáctica que los modelos de propósito general que dependían de la búsqueda web. (10) La precisión de las citas mejoró y la verificación de afirmaciones se reforzó. (10) La compañía atribuye estos resultados a la ventaja de entrenar con material profesional verificado. (10) Pero al tratarse de una prueba interna, no sabemos si los criterios de evaluación eran comparables a los de un estudio independiente.
En una prueba de búsqueda profunda (Deep Research), Thomson obtuvo una puntuación de 0.53 en precisión fáctica cuando solo se le permitió acceder a la web, frente al 0.65 de GPT-5.4. (8) Esta diferencia sugiere que, sin acceso a su contenido propietario, el rendimiento de Thomson se resiente, lo que subraya la importancia del contenido como factor diferencial.
5.3. La evaluación independiente: el test de la Universidad de Washington
Más allá de las pruebas internas, el modelo ha sido objeto de una evaluación independiente preliminar por parte de Jonathan H. Choi, catedrático James Carr de Derecho en la Washington University School of Law, especializado en derecho e inteligencia artificial, derecho fiscal e interpretación legal. (6) Choi comparó Thomson con ChatGPT y Claude utilizando preguntas de su curso de derecho fiscal corporativo. (6)(13) Los tres sistemas respondieron correctamente, pero Choi manifestó su preferencia por las respuestas de Thomson, especialmente porque incluían enlaces a tratados jurídicos. (6)(13)
Este aspecto (la inclusión de enlaces a fuentes autorizadas) es relevante por varias razones. Responde a una de las principales críticas a los modelos de lenguaje generalistas en el ámbito legal: la falta de transparencia en las fuentes y la dificultad para verificar la exactitud de las afirmaciones generadas. La capacidad de Thomson para proporcionar citas precisas a tratados y otras fuentes de Westlaw y Practical Law constituye, según Choi, un valor añadido significativo. (6) El entrenamiento del modelo con contenido curado y anotado (no con texto bruto) puede traducirse en una mayor capacidad para rastrear las afirmaciones hasta sus fuentes originales, un requisito esencial para la práctica legal. La preferencia de un académico especializado en IA y derecho por las respuestas de Thomson, aunque basada en un conjunto limitado de preguntas, proporciona un indicio (no concluyente, pero relevante) de que el modelo puede ofrecer ventajas cualitativas en tareas jurídicas específicas.
Samuel Dahan, director del Conflict Analytics Lab de la Queen's University, también ha evaluado Thomson en preguntas de derecho laboral canadiense y ha señalado que su calidad de citación es "generalmente competitiva con los principales modelos de frontera". (6) Esta evaluación, igualmente preliminar, refuerza la impresión de que Thomson no solo es competente en el sistema jurídico estadounidense, sino que puede extender sus capacidades a otros sistemas legales, al menos en la medida en que el contenido de Thomson Reuters lo abarque.
No sabemos si Choi o Dahan han realizado evaluaciones más exhaustivas (con conjuntos de datos estandarizados o comparando sistemáticamente las respuestas en cientos de consultas), ni si esas evaluaciones han sido sometidas a revisión por pares. Tampoco sabemos si los académicos han tenido acceso a la versión completa del modelo o solo a la versión reducida (Thomson-1.0-Small) liberada en Hugging Face. La ausencia de una evaluación externa completa en el momento del lanzamiento es una limitación que la propia Thomson Reuters ha reconocido. (2)
5.4. La publicación del informe técnico y la revisión por pares
Thomson Reuters ha adoptado una estrategia de transparencia controlada en relación con la documentación técnica. La compañía ha anunciado la publicación de un informe técnico detallado sobre la arquitectura y el proceso de entrenamiento. (8) Ese informe, titulado "Thomson: Continual Learning of Frontier Models for Sovereign AI", está alojado en Hugging Face, en el espacio de tri-fair-lab (Thomson Reuters–Imperial Frontier AI Research Lab). (7) El informe, según la compañía, establece un plan para la construcción de modelos de IA soberana mediante aprendizaje continuo (5), y se presenta como una contribución al debate académico sobre la especialización de modelos de lenguaje en dominios profesionales.
La decisión de liberar una versión reducida del modelo (Thomson-1.0-Small) como modelo de pesos abiertos en Hugging Face, con licencia para uso académico y no comercial, es un paso significativo en términos de revisión por pares abierta. (5)(7) Thomson-1.0-Small es un modelo de lenguaje causal con arquitectura Mixture-of-Experts (MoE), basado en el checkpoint Qwen3.6-35B-A3B, con 35.000 millones de parámetros totales y 3.000 millones activados por consulta, y una longitud de contexto nativa de 262.144 tokens. (7) El entrenamiento completo consumió aproximadamente 1,63 × 10²³ FLOP distribuidos en 35.207 horas de GPU B200. (7) La liberación permite a investigadores de todo el mundo descargar, ejecutar y evaluar el modelo de forma independiente, sin depender exclusivamente de las afirmaciones de Thomson Reuters. (7)
Pero hay limitaciones. La versión liberada es sustancialmente más pequeña que la versión completa (Thomson-1-Large), por lo que los resultados con Thomson-1.0-Small no son directamente extrapolables al modelo comercial. La licencia restringe el uso a fines académicos y no comerciales, lo que impide que competidores comerciales evalúen el modelo en condiciones comparables a las de un despliegue real. No sabemos si el conjunto de datos de entrenamiento se ha publicado junto con el modelo, lo que limita la reproducibilidad de los resultados. La evaluación académica independiente se encuentra todavía en curso (2)(7), por lo que no existen, a fecha de redacción, estudios revisados por pares que validen o refuten las afirmaciones de Thomson Reuters.
La comunidad académica ha recibido la iniciativa con interés, pero también con cautela. La dependencia de Thomson Reuters de Qwen, un modelo de código abierto de la empresa china Alibaba, ha suscitado preocupaciones en materia de seguridad y sobre la posibilidad de vulnerabilidades ocultas. (13) Estas preocupaciones, aunque no se refieren directamente al rendimiento del modelo, inciden en su credibilidad y aceptación en entornos profesionales y gubernamentales, especialmente en jurisdicciones con requisitos estrictos de seguridad nacional o de protección de datos.
No sabemos si Thomson Reuters ha solicitado o tiene previsto solicitar la certificación de su modelo por parte de organismos independientes (el National Institute of Standards and Technology (NIST) en Estados Unidos o el European Committee for Standardization (CEN) en Europa), ni si ha realizado evaluaciones de impacto algorítmico conforme al Reglamento de Inteligencia Artificial de la Unión Europea (AI Act). Tampoco sabemos si la compañía ha considerado someter el modelo a auditorías de terceros en materia de equidad, sesgo y no discriminación, aspectos particularmente relevantes en el ámbito jurídico.
Sección 6. Implicaciones para la práctica legal y el mercado
6.1. Impacto en la calidad y transparencia de la investigación jurídica
El lanzamiento de Thomson 1.0 introduce cambios sustanciales en la forma en que los profesionales del derecho acceden, procesan y verifican la información jurídica. La característica más relevante desde la práctica profesional es la capacidad del modelo para proporcionar citas precisas y verificables a las fuentes originales de Westlaw y Practical Law. (8)(10) Esta funcionalidad, destacada tanto por la compañía como por los primeros evaluadores independientes, responde a una de las principales críticas a los modelos de lenguaje generalistas en el ámbito legal: la falta de transparencia en las fuentes y la dificultad para verificar la exactitud de las afirmaciones generadas. (8)(3)
Jonathan H. Choi sometió a Thomson a una prueba con preguntas de su curso de derecho fiscal corporativo, comparándolo con ChatGPT y Claude. (12) Los tres sistemas respondieron correctamente, pero Choi manifestó su preferencia por las respuestas de Thomson porque incluían enlaces a tratados jurídicos. (12)(6)(13) Samuel Dahan evaluó Thomson en preguntas de derecho laboral canadiense y señaló que su calidad de citación es "generalmente competitiva con los principales modelos de frontera". (6) La capacidad de rastrear las afirmaciones hasta fuentes autorizadas es un valor añadido para la práctica legal, donde la verificabilidad de las fuentes es un requisito esencial. (8)
El impacto en la eficiencia profesional es igualmente relevante. Thomson Reuters ha documentado, a través de estudios de caso y encuestas a usuarios de CoCounsel, ganancias de eficiencia sustanciales. Un estudio de The Total Economic Impact™ de CoCounsel Legal, realizado por Forrester, reveló que el 76% de los encuestados de despachos pequeños coincidieron en que CoCounsel Legal mejoró la calidad de la investigación y la redacción. (5) Otro estudio indicó que el 60% de los encuestados de grandes despachos coincidieron en que CoCounsel Legal mejoró la satisfacción del cliente, y el 53% coincidió en que mejoró la retención de clientes. (5) Los profesionales legales reportan que tareas que antes requerían ocho o nueve horas ahora se completan en una o dos horas. (3) Un caso de estudio documentado por Thomson Reuters muestra que un bufete de derechos civiles logró reducir a la mitad el tiempo de descubrimiento y revisión de documentos. (5)
El despliegue inicial de Thomson en la función de Análisis Tabular (Tabular Analysis) de CoCounsel Legal es especialmente significativo. Esta funcionalidad está diseñada para procesar grandes volúmenes de documentos legales en formato estructurado, permitiendo a los profesionales extraer información de hasta 10.000 documentos y formular hasta 100 preguntas sobre ellos. (13) La especialización de Thomson en esta tarea (que requiere comprensión lingüística y capacidad para navegar por documentos complejos y extraer datos estructurados) ejemplifica el tipo de trabajo para el que un modelo de dominio específico puede ofrecer ventajas frente a los modelos de propósito general. (8)(9)
Pero hay limitaciones. Thomson aún no dispone de una habilidad de redacción de escritos litigiosos (litigation brief drafting skill). (5) Esta ausencia limita su utilidad en una de las tareas centrales de la práctica legal. El servicio Deep Research de CoCounsel, según ha reconocido internamente la compañía, no proporciona citas directas (direct quotes) porque las citas literales son "muy difíciles de obtener correctamente" para los grandes modelos de lenguaje. (5) Esta limitación sugiere que, a pesar de los avances en la calidad de las citaciones, la generación de texto jurídico completamente verificable sigue siendo un desafío técnico no resuelto. No sabemos si Thomson supera esta limitación general de los LLM o si la comparte.
6.2. Consecuencias para la competencia en el sector de la información legal
El lanzamiento de Thomson 1.0 altera el panorama competitivo del sector de la información legal en múltiples dimensiones. Hasta ahora, los principales editores jurídicos (Thomson Reuters, LexisNexis, Wolters Kluwer y Bloomberg Law) competían en el terreno del contenido: la exhaustividad, la precisión y la actualidad de sus bases de datos, y la calidad de sus sistemas de indexación y recuperación. Thomson introduce una nueva dimensión competitiva: el control sobre la capa de inteligencia que procesa ese contenido. (8)(11)
Thomson Reuters ha formulado esta ventaja en términos de soberanía de IA (AI sovereignty): controlar cómo se entrena el modelo, qué comportamientos y sesgos incorpora, dónde se ejecuta y cómo se protege la privacidad de la información. (9) Joel Hron ha sido explícito: "Queríamos más control sobre la inteligencia dentro de nuestros productos: hacerlos mejores, mejorar la economía, reducir nuestra dependencia de la hoja de ruta de otra persona y darnos una mayor soberanía sobre cómo se entrena y despliega esa tecnología". (8) Esta declaración revela una estrategia de integración vertical que busca reducir la dependencia de Thomson Reuters de los proveedores externos de IA y elevar la barrera de entrada para los competidores.
La competencia no se limita a los editores jurídicos tradicionales. El mercado de la IA legal ha visto proliferar startups (Harvey, Casetext (adquirida por Thomson Reuters en 2023) o ROSS Intelligence (desaparecida)) que han intentado capturar valor en la intersección entre la tecnología de IA y la práctica legal. (6) Estas startups carecen del acervo de contenido propietario que constituye el activo diferencial de Thomson Reuters. (8) Jonathan Schwartz ha señalado que la parte difícil no es el modelo open-source de partida, sino "los datos, la metodología de entrenamiento, la experiencia en el dominio, los datos de preferencia y la infraestructura de evaluación" necesarios para saber si el modelo está mejorando en el trabajo profesional. (8) La ventaja competitiva de Thomson Reuters no es fácilmente replicable.
La reacción del mercado ha sido mixta. Las acciones de Thomson Reuters cayeron casi un 10% tras el anuncio del lanzamiento. (1) Los analistas de CIBC señalaron en una nota de investigación que, aunque el modelo puede dar a la compañía un mayor poder de negociación con los proveedores, las inversiones en IA también reducirán los márgenes de beneficio, que ya son más ajustados de lo que los inversores esperaban. (1) Esta reacción refleja la incertidumbre de los mercados financieros ante una apuesta estratégica de gran envergadura cuyos resultados a largo plazo son inciertos.
La entrada de Google en el mercado de la IA jurídica con Gemini Enterprise, lanzada también en agosto de 2026, ha añadido un nuevo competidor de primer nivel. (2)(7) Google posee recursos tecnológicos y de datos, aunque su enfoque es el de un proveedor de plataforma generalista, no un editor de contenido jurídico especializado. La coincidencia temporal de ambos lanzamientos sugiere que el mercado de la IA legal está entrando en una fase de competencia acelerada, en la que los actores tradicionales y los tecnológicos se disputan el control de la inteligencia que procesa la información jurídica. (2) No sabemos cómo afectará esta competencia a los precios, la calidad o la diversidad de las ofertas.
6.3. Riesgos de concentración y barreras de entrada
El modelo de negocio subyacente a Thomson 1.0 plantea riesgos significativos desde la perspectiva de la concentración del mercado y el levantamiento de barreras de entrada. Estos riesgos se derivan de la combinación de tres factores: el control exclusivo sobre el contenido, la capacidad tecnológica para convertirlo en inteligencia y la posición dominante de Thomson Reuters en el mercado de la información jurídica. (4)
El contenido de Westlaw y Practical Law no es replicable. Thomson Reuters ha invertido más de 150 años en curación editorial y publicación jurídica. (10) Westlaw abarca más de 40.000 bases de datos individuales. (10) Este acervo no es un conjunto de textos legales, sino un corpus anotado, clasificado y sistematizado según los criterios de la profesión legal. Ningún competidor (ni Google ni Microsoft) puede reproducir este activo sin invertir décadas y miles de millones. (8) Al entrenar su modelo exclusivamente con este contenido, Thomson Reuters convierte su ventaja en contenido en una ventaja algorítmica igualmente inaccesible para los competidores.
La compañía ha señalado que solo ha utilizado menos del 10% de su contenido total para el entrenamiento. (8)(9)(13) Esto tiene dos implicaciones. El margen de mejora del modelo es muy amplio y Thomson Reuters puede seguir especializando su IA sin depender de fuentes externas. La ventaja competitiva se profundizará con el tiempo, a medida que el modelo absorba más contenido y se refine mediante el aprendizaje continuo, mientras que los competidores sin acceso a ese contenido quedarán rezagados. (8) No sabemos si Thomson Reuters tiene la intención de licenciar su contenido a otros desarrolladores de modelos de IA (lo que podría mitigar el riesgo de concentración) o si mantendrá el contenido como un activo exclusivo.
Thomson Reuters ha anunciado su intención de ofrecer a los grandes bufetes la posibilidad de ajustar (fine-tune) el modelo con sus propios datos. (1) Esta estrategia, aunque comercialmente atractiva, podría profundizar la dependencia de los bufetes respecto de Thomson Reuters. Un bufete que ajuste Thomson con su doctrina interna, sus precedentes y sus formularios propios quedará atado al ecosistema de Thomson Reuters, pues el modelo ajustado no será fácilmente transferible a otra plataforma. Esta dinámica recuerda a la de los sistemas de gestión de documentos o bases de datos jurídicas propietarias, donde los costes de cambio (switching costs) actúan como barrera de salida.
Michael G Bennett, vicerrector asociado para estrategia de datos e IA en la Universidad de Illinois Chicago, ha señalado que el modelo de Thomson Reuters "podría ser un modelo inspirador para otras instituciones que también están sentadas sobre enormes reservas de propiedad intelectual y capital". (11) Para los proveedores con datos que no han sido absorbidos por los creadores de modelos de frontera, crear su propio modelo para uso comercial puede tener sentido. (11) El movimiento de Thomson Reuters podría desencadenar una tendencia más amplia en la que otros editores de contenido (en medicina, finanzas o ingeniería) sigan una estrategia similar, lo que podría fragmentar el mercado de la IA en modelos verticales propiedad de los titulares de los datos. (11) Pero Bennett también señaló que no está claro cómo funcionará el modelo de Thomson en el mercado (11), lo que introduce incertidumbre sobre la replicabilidad del modelo de negocio.
El precedente del litigio Thomson Reuters contra ROSS Intelligence, en el que un tribunal concluyó que ROSS había infringido los derechos de autor de Thomson Reuters sobre 2.243 headnotes de Westlaw (2), sugiere que Thomson Reuters defenderá activamente su propiedad intelectual frente a usos no autorizados, lo que añade una capa adicional de protección a su ventaja competitiva y eleva las barreras de entrada.
6.4. Perspectivas de adopción por parte de los despachos profesionales
La adopción de Thomson por parte de los despachos y departamentos legales dependerá de múltiples factores: rendimiento técnico, consideraciones económicas, gobernanza y confianza. Las fuentes proporcionan información fragmentaria, pero permiten identificar algunas tendencias.
Thomson Reuters está en conversaciones con grandes bufetes y corporaciones para ofrecerles acceso directo al modelo y la posibilidad de adaptarlo a sus propios conocimientos y flujos de trabajo. (1)(10) Esta estrategia, que la compañía denomina "soberanía de IA" para los clientes, responde a una demanda creciente de los despachos por controlar su propia pila de IA y no depender de herramientas estandarizadas. (9) El interés de los clientes más grandes sugiere que existe un mercado para modelos ajustables en el segmento alto de la profesión legal. (1)
La adopción se verá facilitada por la integración en CoCounsel Legal, una plataforma con una base de usuarios significativa. Thomson Reuters ha afirmado que cientos de miles de profesionales legales confían en CoCounsel Legal. (5) Esta base instalada constituye un canal de distribución privilegiado para Thomson, que no necesita ser comercializado como un producto independiente, sino que se incorpora como una mejora de una herramienta existente. El despliegue inicial en Análisis Tabular, aunque limitado, permitirá a los usuarios evaluar el modelo en un contexto de uso real sin cambiar sus flujos de trabajo. (8)
La confianza en el modelo será determinante. Los despachos tienen deberes fiduciarios de confidencialidad y cuidado hacia sus clientes. (9) Thomson Reuters ha tratado de abordar esta preocupación posicionando la exclusión de datos de clientes como un elemento central de su propuesta (10), y enfatizando la transparencia en las fuentes como una característica diferencial. (8) No sabemos si los despachos han manifestado públicamente su intención de adoptar Thomson, ni si existen casos documentados de implantación en firmas de primer nivel más allá de declaraciones de intenciones. Tampoco sabemos si Thomson Reuters ha establecido mecanismos de responsabilidad (liability) en caso de que el modelo proporcione respuestas erróneas que causen perjuicios.
Un factor que podría frenar la adopción es la percepción de dependencia. Algunos despachos pueden mostrarse reticentes a profundizar su vinculación con un único proveedor de contenido y tecnología, especialmente si ello implica costes de cambio elevados. La estrategia de Thomson Reuters de ofrecer a los bufetes la posibilidad de ajustar el modelo con sus propios datos, aunque atractiva, podría intensificar esta dependencia. No sabemos si Thomson Reuters ha considerado ofrecer mecanismos de portabilidad que permitan a los clientes trasladar sus modelos ajustados a otras plataformas.
La presión competitiva podría acelerar la adopción. Si los grandes despachos comienzan a utilizar Thomson para obtener ventajas en eficiencia y calidad, los que no lo adopten quedarán en desventaja. Esta dinámica podría generar un efecto de red que consolide la posición de Thomson Reuters. Pero la entrada de Google con Gemini Enterprise ofrece a los despachos una alternativa que podría limitar el poder de mercado de Thomson Reuters y mantener la competencia. (2)(4)
Sección 7. Desafíos regulatorios y éticos
7.1. La fiabilidad de los modelos entrenados con datos propietarios: el problema de la alucinación
El desafío más acuciante que plantea la utilización de modelos de lenguaje en el ámbito jurídico es la fiabilidad de los outputs generados. Los grandes modelos de lenguaje, por su propia arquitectura, están diseñados para producir texto plausible, no necesariamente veraz. Esta característica, conocida como "alucinación" (hallucination) (la generación de información falsa o inventada presentada con apariencia de autoridad), adquiere una dimensión crítica en el contexto legal, donde las consecuencias de un error pueden ser graves. (21)
Un estudio publicado en el Journal of Empirical Legal Studies por investigadores de Stanford y Yale sometió a prueba tres herramientas de investigación jurídica de vanguardia de LexisNexis y Thomson Reuters. (1)(8) Los resultados son reveladores: a pesar de utilizar técnicas de generación aumentada por recuperación (Retrieval-Augmented Generation, RAG) (el mecanismo que los proveedores presentan como solución a las alucinaciones), estas herramientas siguieron produciendo información falsa o engañosa entre el 17% y el 33% de las veces. (8) El estudio concluye que la integración de datos específicos de dominio ayuda, pero no elimina el riesgo de outputs incorrectos presentados con confianza. (8) En palabras de los autores, la tasa de error es menos relevante que la confianza con la que se presenta el error: una herramienta insegura es manejable; una que fabrica información con autoridad corrompe el flujo de trabajo antes de que el profesional sea consciente de ello. (8)
Este hallazgo es particularmente relevante para Thomson 1.0. Thomson Reuters ha posicionado su modelo como una alternativa a los modelos de propósito general, argumentando que el entrenamiento con contenido propietario y verificado (Westlaw, Practical Law, Checkpoint y Reuters) reduce el riesgo de alucinaciones. (1)(10)(15) La compañía ha afirmado que Thomson produce respuestas más completas y con mayor veracidad fáctica que los modelos de propósito general, y que la precisión de las citas mejoró y la verificación de afirmaciones se reforzó. (1) Jonathan Schwarz ha señalado que el modelo "piensa y razona como un abogado mientras supera a modelos varias veces más grandes en el trabajo que importa". (9) Pero estos resultados proceden de pruebas internas diseñadas por la propia compañía (1), y el estudio de Stanford y Yale (realizado con herramientas de Thomson Reuters anteriores al lanzamiento de Thomson 1.0) sugiere que la mera adopción de RAG no resuelve el problema. (8)
El riesgo de las alucinaciones en el ámbito legal no es teórico. Los tribunales de diversos países han sancionado a abogados que han presentado escritos con citas jurisprudenciales inventadas generadas por IA. (17)(21) En un caso reciente, la Corte Suprema de Nuevo México removió a un abogado defensor penal de un recurso de apelación tras descubrir que había incluido errores generados por IA en un escrito. (17) En Nueva York, a partir del 1 de junio de 2026, entró en vigor la normativa 22 NYCRR Part 161, que exige a los abogados que utilizan herramientas de IA generativa "revisar cuidadosamente el documento y verificar de forma independiente" que sus presentaciones no contengan "casos fabricados o ficticios". (21) El Consejo General de la Abogacía Española ha advertido que los errores producidos por sistemas de IA pueden generar responsabilidad profesional por falta de verificación y control, y ha subrayado que "la IA dista mucho de no tener riesgos". (17) La American Bar Association (ABA) , mediante su Opinión Formal 512, ha establecido directrices sobre el uso ético de la IA, recordando los deberes de competencia, confidencialidad, lealtad al tribunal y supervisión. (17)
Thomson Reuters ha respondido a este desafío mediante verificaciones automatizadas y la exigencia de revisión humana de los outputs. La compañía parte de un principio fundamental: "humano en el ciclo" (human in the loop). (14) "Las máquinas no pueden y no deben asumir [...] el rol de abogados o de profesionales cualificados". (14) El diseño de CoCounsel exige que cada output esté fundamentado en contenido autorizado y verificado desde el primer paso del razonamiento, que cada cita sea rastreable hasta una fuente enlazada que el abogado pueda abrir y leer, y que el razonamiento sea lo suficientemente visible para ser inspeccionado en lugar de meramente aprobado. (10) La compañía denomina a este enfoque "IA de grado fiduciario" (Fiduciary-Grade AI). (10)(13)(14) Pero como ha señalado el bufete Steptoe, "un enlace demuestra que una fuente existe. No demuestra que la fuente apoye la oración, que siga siendo jurisprudencia vigente y que encaje en el expediente". (10) El punto de un enlace a una fuente es hacer clic en ella y leerla. Como recordó el Noveno Circuito en el caso LNU v. Blanche (2026), un abogado competente y diligente "también debe leer y razonar". (10)
7.2. Transparencia algorítmica y auditabilidad
La transparencia algorítmica (la capacidad de comprender cómo un modelo llega a una conclusión) es un requisito esencial para la adopción de la IA en contextos profesionales de alto riesgo. En el ámbito legal, donde las decisiones deben ser fundamentadas y revisables, la opacidad de los grandes modelos de lenguaje plantea un desafío. Como ha señalado la literatura académica, "los sistemas de deep learning y los grandes modelos de lenguaje producen outputs cuya lógica interna es opaca incluso para sus propios desarrolladores". (17) Esta asimetría epistémica implica que el abogado asume responsabilidad plena por resultados que no puede auditar. (17)
Thomson Reuters ha tratado de abordar este desafío mediante la publicación de un informe técnico detallado en Hugging Face y la liberación de una versión reducida del modelo (Thomson-1.0-Small) como modelo de pesos abiertos (open-weight) para uso académico y no comercial. (4)(12) Pero la mera disponibilidad de los pesos del modelo no convierte a un sistema en plenamente auditable. Como ha señalado James Landay, investigador de Stanford HAI, los pesos descargables no hacen que un sistema sea completamente auditable. (18) La auditabilidad requiere acceso al modelo, a los datos de entrenamiento, a la metodología y a los mecanismos de razonamiento interno, elementos que Thomson Reuters no ha puesto a disposición del público.
La compañía ha definido un estándar propio, el "Fiduciary-Grade AI", que incluye entre sus principios la "transparencia y el razonamiento verificable" (transparent, verifiable reasoning). (13)(14)(20) Según este estándar, la IA debe ser capaz de proporcionar un rastro revisable (reviewable trail) de lo que el sistema hizo y en qué se basó, suficiente para permitir que un profesional cualificado y, en su caso, un auditor, evalúen la base del output y determinen si el resultado es fiable y defendible. (13) Este estándar es autodefinido por Thomson Reuters y no corresponde a ninguna certificación externa o estándar regulatorio. (14) No sabemos si Thomson Reuters ha solicitado o tiene previsto solicitar la certificación de su modelo por parte de organismos independientes (el National Institute of Standards and Technology (NIST) en Estados Unidos o el European Committee for Standardization (CEN) en Europa), ni si ha realizado evaluaciones de impacto algorítmico conforme a la normativa aplicable.
Un aspecto adicional que incide en la transparencia es la dependencia de Qwen, el modelo de código abierto de la empresa china Alibaba. (6)(7) Esta dependencia ha suscitado preocupaciones en materia de seguridad y sobre la posibilidad de vulnerabilidades ocultas. (7) Anthropic, competidor de Thomson Reuters, ha acusado a los laboratorios chinos de "destilar" ilícitamente (distilling) los outputs de sus modelos y ha presionado a las autoridades de Washington para que impongan restricciones. (7) Aunque Thomson Reuters ha tratado de minimizar esta dependencia (Hron ha afirmado que "no hay nada que nos ate necesariamente a Qwen" (7)), la elección de una base tecnológica china introduce un elemento de riesgo geopolítico y de opacidad que podría afectar a la confianza de los profesionales y las instituciones, especialmente en jurisdicciones con requisitos estrictos de seguridad nacional.
7.3. El marco regulatorio: el Reglamento de Inteligencia Artificial de la Unión Europea
El Reglamento (UE) 2024/1689 (conocido como Reglamento de Inteligencia Artificial (AI Act)) es el primer marco regulatorio integral para la IA a nivel mundial. (17) Su entrada en vigor gradual, que comenzó en agosto de 2024 y se extiende hasta agosto de 2026, establece un sistema de clasificación de riesgos y obligaciones diferenciadas para proveedores y usuarios de sistemas de IA. (17)(19) El lanzamiento de Thomson 1.0 en agosto de 2026 coincide con un momento crítico en la implementación del AI Act, cuando las obligaciones de transparencia y las competencias de supervisión de la Comisión Europea entran plenamente en vigor. (16)
La clasificación de Thomson bajo el AI Act depende de su uso previsto (intended use). El Reglamento distingue entre sistemas de IA de alto riesgo (high-risk AI systems), sujetos a las obligaciones más estrictas (artículos 9 a 15), y los modelos de IA de propósito general con riesgo sistémico (GPAI with systemic risk), sujetos a requisitos específicos (artículos 51 a 56). (3)(19) El Anexo III enumera ocho áreas de uso que califican un sistema como de alto riesgo, entre las que se incluyen la gestión de infraestructuras críticas, la educación, el empleo, los servicios esenciales, la aplicación de la ley y la administración de justicia. (19) La Comisión Europea publicó el 19 de mayo de 2026 un proyecto de directrices sobre la clasificación de sistemas de IA de alto riesgo, en fase de consulta. (19)
La calificación de Thomson como sistema de alto riesgo depende de si se considera que está "destinado a ser utilizado por una autoridad judicial" o si su uso en el ámbito de la justicia (como herramienta de investigación para abogados) queda fuera del ámbito de aplicación del Anexo III. (19) Esta distinción no es trivial: si Thomson se considera un sistema de alto riesgo, su proveedor estaría sujeto a obligaciones rigurosas en materia de gestión de riesgos, gobernanza de datos, documentación técnica, transparencia, supervisión humana y robustez técnica. (3) Si se considera un modelo de propósito general sin riesgo sistémico (o con riesgo sistémico, dependiendo de la potencia de cómputo), las obligaciones serían menos onerosas.
El umbral de riesgo sistémico para los modelos de propósito general se define en el artículo 51 en función de la potencia de cómputo acumulada del entrenamiento, establecida en 10²⁵ FLOP. (3) Thomson-1.0-Small consumió aproximadamente 1,63 × 10²³ FLOP (7), muy por debajo del umbral. Pero la versión completa (Thomson-1-Large) podría haber superado este umbral, lo que sometería a Thomson Reuters a obligaciones adicionales, incluyendo la evaluación del modelo, la notificación de incidentes graves y la garantía de ciberseguridad. (3) No sabemos si Thomson Reuters ha realizado una autoevaluación de la clasificación de Thomson bajo el AI Act, ni si ha notificado el modelo a las autoridades competentes.
El AI Act impone obligaciones de transparencia (artículo 50) a todos los sistemas de IA que interactúan con personas o generan contenido sintético. (16) A partir del 2 de agosto de 2026, los proveedores y usuarios deben garantizar que las personas sepan cuándo están interactuando con IA o están expuestas a contenido generado o manipulado por IA. (16) Esta obligación incluye el marcado en formato legible por máquina de los outputs generados por IA. (16) Thomson Reuters no ha declarado públicamente si los outputs de Thomson se marcan de acuerdo con los requisitos del artículo 50.
No sabemos si Thomson Reuters ha consultado a las autoridades de protección de datos o a los organismos reguladores competentes en relación con el despliegue de Thomson, ni si ha realizado una evaluación de impacto en protección de datos (DPIA) conforme al RGPD. Tampoco sabemos si la compañía ha considerado que Thomson sea objeto de auditorías externas en materia de equidad, sesgo y no discriminación.
7.4. La responsabilidad profesional y los deberes fiduciarios del abogado
El despliegue de Thomson en el trabajo legal no traslada la responsabilidad de los outputs generados desde el abogado hacia la máquina. Thomson Reuters ha reconocido este principio explícitamente: "a medida que la IA asume más responsabilidad en la realización del trabajo profesional, no asume ninguna responsabilidad adicional. Esa responsabilidad sigue siendo enteramente humana". (14) Los profesionales siguen siendo responsables de los juicios emitidos, de los consejos prestados y de los resultados que se derivan. (14) La IA de grado fiduciario está diseñada para apoyar el juicio humano, no reemplazarlo, produciendo un trabajo que pueda ser examinado, explicado y defendido bajo el escrutinio profesional y regulatorio. (14)
Este principio se alinea con la doctrina emergente en deontología profesional. La ABA Opinion 512 establece que los abogados deben ejercer competencia, confidencialidad, lealtad al tribunal y supervisión en el uso de herramientas de IA. (17) Los colegios de abogados de diversas jurisdicciones (California, Florida y Nueva York) han adoptado normas que exigen a los abogados revisar, verificar y aplicar el juicio profesional a cualquier output generado por IA utilizado en la representación de clientes. (17) El Consejo General de la Abogacía Española ha advertido que "la IA puede asistir, pero el abogado sigue siendo responsable de cada output". (17) La Circular del Consejo explica que los errores producidos por sistemas de IA pueden generar responsabilidad profesional por falta de verificación y control. (17)
Pero la mera afirmación de que la responsabilidad sigue siendo humana no resuelve todas las cuestiones prácticas. La IA ha generado "una asimetría estructural en la deontología profesional, pues el abogado asume responsabilidad plena por resultados que no puede auditar epistémicamente". (17) Esta asimetría es especialmente pronunciada en los grandes modelos de lenguaje, cuya lógica interna es opaca incluso para sus desarrolladores. El abogado que confía en Thomson para la investigación jurídica o la redacción de escritos se enfrenta al dilema de tener que verificar y validar un output cuyo proceso de generación no puede reconstruir completamente.
Thomson Reuters ha tratado de abordar este dilema mediante el diseño de CoCounsel como una herramienta que facilita la verificación, proporcionando enlaces a las fuentes y permitiendo al abogado rastrear las afirmaciones hasta su origen. (10) Pero como ha señalado Steptoe, la mera existencia de un enlace no demuestra que la fuente apoye la oración, que siga siendo jurisprudencia vigente y que encaje en el expediente. (10) La verificación sigue siendo una obligación profesional que no puede ser delegada en la máquina.
Un caso reciente ilustra las consecuencias de la falta de verificación. En United States v. Heppner (febrero de 2026), un tribunal sostuvo que los documentos que un cliente había generado utilizando una herramienta de IA pública no eran ni confidenciales ni privilegiados, y opinó que incluso si lo hubieran sido, el privilegio se había perdido al introducir la información en un sistema de IA público. (2) Este precedente subraya la importancia de la confidencialidad en el uso de herramientas de IA (un aspecto que Thomson Reuters ha tratado de abordar mediante la exclusión de datos de clientes), pero también plantea interrogantes sobre la seguridad jurídica de los outputs generados por IA y sobre la posibilidad de que el uso de estas herramientas afecte al secreto profesional. (2)
No sabemos si Thomson Reuters ha establecido mecanismos de responsabilidad (liability) en caso de que el modelo proporcione respuestas erróneas que causen perjuicios a los clientes. Tampoco sabemos si la compañía ha considerado ofrecer seguros de responsabilidad civil o garantías asociadas al uso de Thomson, ni si ha desarrollado políticas de indemnización para los usuarios en caso de errores. La cuestión de la responsabilidad por daños causados por IA (del proveedor, del usuario o de ambos) sigue siendo un área de incertidumbre jurídica que trasciende el caso concreto de Thomson y requerirá desarrollos jurisprudenciales y regulatorios.
Sección 8. Conclusiones
8.1. Síntesis de los hallazgos
El lanzamiento de Thomson 1.0 por parte de Thomson Reuters es un hito en la evolución de la inteligencia artificial aplicada al ámbito jurídico, no tanto por sus prestaciones técnicas inmediatas como por el cambio de paradigma estratégico que representa. Por primera vez, un editor jurídico global ha desarrollado y comercializado un gran modelo de lenguaje propio, entrenado exclusivamente con su acervo de contenido propietario (Westlaw, Practical Law, Checkpoint y Reuters) y construido sobre una base de código abierto (Qwen) adaptada mediante un proceso intensivo de realineamiento, pre-entrenamiento continuo y post-entrenamiento guiado por expertos. (1)(6)(7)
El análisis permite extraer varias conclusiones principales. La estrategia de integración vertical que subyace a Thomson responde a una lógica empresarial coherente: reducir la dependencia de proveedores externos de IA, capitalizar el valor de la propiedad intelectual acumulada durante más de 150 años y elevar las barreras de entrada para los competidores. (8)(9) La inversión total de aproximadamente 40 millones de dólares (una fracción de los miles de millones invertidos por los laboratorios de frontera) sugiere que la vía del modelo open-source especializado puede ser económicamente viable para los titulares de grandes repositorios de datos. (2)(6) El hecho de que el modelo haya sido entrenado con menos del 10% del contenido total disponible (6)(11) apunta a un margen de mejora sustancial y a una ventaja competitiva que se profundizará con el tiempo.
Los resultados de rendimiento publicados por Thomson Reuters, aunque preliminares y basados en pruebas internas, indican que Thomson es competitivo con los modelos de frontera en tareas de razonamiento legal (PrBench Legal Hard) y seguimiento de instrucciones, aunque muestra limitaciones en razonamiento general y codificación. (8)(9) La evaluación independiente de académicos como Jonathan H. Choi (Washington University) y Samuel Dahan (Queen's University), aunque limitada a conjuntos reducidos de preguntas, respalda que Thomson ofrece ventajas cualitativas en la citación y transparencia de fuentes. (6)(8) El estudio de Stanford y Yale sobre herramientas jurídicas de IA (con tasas de información falsa o engañosa del 17% al 33%) recuerda que el entrenamiento con datos específicos de dominio no elimina el riesgo de alucinaciones. (8) La transparencia en las fuentes es una mejora significativa, pero no exime al profesional de verificar y aplicar su juicio crítico.
El modelo de comercialización en varias capas (despliegue en CoCounsel, ajuste para grandes bufetes, portal para desarrolladores y liberación de una versión reducida en Hugging Face para uso académico) revela una estrategia de plataforma que busca capturar valor en todo el ecosistema de la tecnología legal. (1)(5)(10) La decisión de liberar Thomson-1.0-Small como modelo de pesos abiertos es excepcional en el sector y constituye un experimento de transparencia controlada que, si tiene éxito, podría elevar los estándares de auditabilidad. (5)(7) Pero la auditabilidad plena requeriría acceso a los datos de entrenamiento y a la metodología completa, extremos que Thomson Reuters no ha puesto a disposición del público. (18)
El lanzamiento de Thomson plantea desafíos regulatorios y éticos que trascienden el ámbito de una sola compañía. La clasificación del modelo bajo el AI Act (si se considera un sistema de alto riesgo o un modelo de propósito general con riesgo sistémico) determinará el alcance de las obligaciones de transparencia, gestión de riesgos y supervisión humana. (3)(19) La dependencia de Qwen introduce un elemento de riesgo geopolítico y de opacidad que podría afectar a la confianza de los profesionales y las instituciones. (6)(7) La cuestión de la responsabilidad profesional (el principio de que la responsabilidad sigue siendo enteramente humana) sigue siendo el eje vertebrador de la deontología legal en la era de la IA. (10)(14)(17)
8.2. El precedente Thomson: ¿modelo a seguir para otros editores?
La estrategia de Thomson Reuters plantea una pregunta de alcance general: ¿seguirán otros editores de contenido profesional (en medicina, finanzas, ingeniería o derecho comparado) la misma senda de desarrollo de modelos propios? La respuesta es incierta. Michael G Bennett ha señalado que el modelo de Thomson Reuters "podría ser un modelo inspirador para otras instituciones que también están sentadas sobre enormes reservas de propiedad intelectual y capital". (11) Para los proveedores con datos que no han sido absorbidos por los creadores de modelos de frontera, crear su propio modelo para uso comercial "puede tener sentido". (11)
Pero la replicabilidad del modelo de Thomson no está garantizada. El éxito de Thomson depende de una combinación de factores que no todos los editores poseen: un acervo de contenido curado y anotado de alcance y profundidad excepcionales (más de 40.000 bases de datos y 150 años de publicación jurídica), un equipo de investigación fundamental de 50 personas capaz de iterar sobre modelos open-source y mantenerlos actualizados, y una base de clientes instalada de cientos de miles de profesionales que proporciona un canal de distribución privilegiado. (4)(5)(10) La inversión de 40 millones de dólares, aunque modesta en comparación con los miles de millones de los laboratorios de frontera, sigue siendo significativa para la mayoría de los editores.
La estrategia de Thomson no está exenta de riesgos. La dependencia de un único modelo open-source (Qwen) expone a Thomson Reuters a las incertidumbres del ecosistema de código abierto y a las tensiones geopolíticas entre Estados Unidos y China. (6)(7) La caída de casi un 10% en el precio de las acciones tras el anuncio del lanzamiento (1) refleja la incertidumbre de los inversores sobre los márgenes de beneficio futuros y la capacidad de la compañía para monetizar su inversión en IA. La irrupción de Google Gemini Enterprise (2)(7) introduce un competidor de primer nivel que, aunque no posee el contenido jurídico de Thomson Reuters, dispone de recursos tecnológicos y de datos de una escala muy superior. No sabemos si otros editores (LexisNexis, Wolters Kluwer o Bloomberg Law) tienen planes de desarrollar sus propios modelos fundacionales, ni si la estrategia de Thomson Reuters influirá en sus decisiones.
El precedente Thomson debe interpretarse como una apuesta estratégica de alto riesgo y alta recompensa más que como un modelo universalmente aplicable. Su éxito o fracaso determinará si la integración vertical de datos y algoritmos se consolida como modelo dominante o si la externalización de la capa de IA a proveedores generalistas se mantiene como opción predominante. (8) En cualquier caso, el lanzamiento de Thomson ha redefinido el campo de juego en el mercado de la IA jurídica, elevando las expectativas sobre lo que un editor de contenido puede y debe ofrecer a sus clientes.
8.3. Líneas de investigación futura
El análisis sugiere varias líneas de investigación que merecen ser desarrolladas en el futuro, a medida que se disponga de más información sobre el rendimiento y el impacto de Thomson.
La evaluación independiente y sistemática del rendimiento de Thomson en tareas jurídicas del mundo real es una prioridad. Los resultados publicados, aunque prometedores, proceden de pruebas internas y de evaluaciones preliminares de académicos sobre conjuntos limitados. (8)(6) Se necesitan estudios replicables, con conjuntos de datos estandarizados y metodologías transparentes, que comparen el rendimiento de Thomson con el de los modelos de propósito general y con el de los profesionales humanos en tareas de investigación, redacción y análisis jurídico. La liberación de Thomson-1.0-Small en Hugging Face (7) facilita estas investigaciones, aunque la versión completa no es accesible para la comunidad académica. No sabemos si Thomson Reuters tiene previsto ampliar el acceso a la versión completa para fines de investigación.
El impacto en la práctica profesional merece un estudio empírico detallado. ¿Cómo afecta el uso de Thomson a la eficiencia, la calidad y la satisfacción de los profesionales? ¿Qué cambios en los flujos de trabajo y en la organización de los despachos se derivan de la adopción de herramientas de IA? ¿Existen diferencias significativas en la adopción entre grandes y pequeños bufetes, o entre distintas especialidades jurídicas? La encuesta de Forrester sobre CoCounsel Legal proporciona indicios (76% de mejora en la calidad de la investigación para despachos pequeños, 60% de mejora en la satisfacción del cliente para grandes despachos), pero son datos autoinformados, no estudios longitudinales. (5) Se necesitan investigaciones que combinen métodos cuantitativos y cualitativos.
La cuestión de la alucinación en modelos entrenados con datos propietarios merece una atención específica. El estudio de Stanford y Yale (8) reveló que las herramientas jurídicas de IA, a pesar de utilizar RAG, siguen produciendo información errónea en una proporción significativa. ¿Consigue Thomson reducir esa tasa de error gracias a su entrenamiento con contenido curado? ¿En qué tareas y condiciones se producen las alucinaciones? ¿Qué mecanismos de verificación y control resultan más eficaces? La respuesta es crucial para la adopción segura de la IA en el ámbito legal.
Las implicaciones regulatorias y de gobernanza del modelo exigen un análisis más profundo. La clasificación de Thomson bajo el AI Act determinará el alcance de las obligaciones de transparencia y supervisión. (3)(19) ¿Se considera Thomson un sistema de alto riesgo por su uso en el ámbito de la justicia, o queda fuera del ámbito de aplicación del Anexo III? ¿Qué implicaciones tiene la dependencia de Qwen para la soberanía tecnológica y la seguridad de los datos? ¿Cómo se articula la responsabilidad profesional en un entorno donde el abogado asume responsabilidad plena por resultados que no puede auditar completamente? (17) Estas cuestiones requieren un desarrollo jurisprudencial y regulatorio en los próximos años.
El precedente Thomson para otros sectores profesionales constituye una línea de investigación comparada de gran interés. ¿Seguirán los editores de contenido médico, financiero o técnico la misma estrategia? ¿Qué condiciones deben darse para que sea viable? ¿Qué riesgos y oportunidades presenta la integración vertical de datos y algoritmos para la competencia y la innovación en cada sector? La respuesta requerirá un enfoque multidisciplinar que combine el análisis estratégico, el derecho de la competencia, la propiedad intelectual y la regulación de la IA.
El lanzamiento de Thomson 1.0 no es un punto de llegada, sino un punto de inflexión. La comunidad académica y profesional tiene la responsabilidad de evaluar críticamente este nuevo paradigma, identificar sus limitaciones y riesgos, y contribuir a la construcción de un marco regulatorio y ético que permita aprovechar el potencial de la IA en el ámbito jurídico sin sacrificar los valores fundamentales del Estado de Derecho: la transparencia, la equidad, la responsabilidad y la confianza en las instituciones.
Bibliografía
(1) Normativa
Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). DOUE L, 2024/1689, 12.7.2024.
22 NYCRR Part 161 (2026). Reglas del Tribunal de Apelación del Estado de Nueva York sobre el uso de inteligencia artificial generativa en presentaciones judiciales.
(2) Jurisprudencia
Thomson Reuters Enterprise Centre GmbH v. ROSS Intelligence Inc., 533 F. Supp. 3d 244 (D. Del. 2021).
LNU v. Blanche, Noveno Circuito, 2026 (citado en el análisis de Steptoe LLP).
United States v. Heppner, febrero de 2026 (citado en el análisis de Steptoe LLP).
(3) Doctrina
Choi, Jonathan H. (2026). Evaluación comparativa de Thomson, ChatGPT y Claude en derecho fiscal corporativo. Washington University School of Law (citado en fuentes secundarias).
Dahan, Samuel (2026). Evaluación de Thomson en derecho laboral canadiense. Queen's University / Conflict Analytics Lab (citado en fuentes secundarias).
Stanford University & Yale University (2026). "Evaluación de herramientas de investigación jurídica de IA: tasas de información falsa". Journal of Empirical Legal Studies (citado en fuentes secundarias).
Landay, James (2026). Investigación sobre auditabilidad de modelos de lenguaje. Stanford HAI (citado en RuntimeWire).
Bennett, Michael G. (2026). "Thomson Reuters' AI Model Could Inspire Other SaaS Vendors". AI Business, 25 de agosto de 2026.
Jyoti, Ritu (2026). Análisis de mercado de IA en el sector legal. IDC (citado en SiliconANGLE).
(4) Documentos institucionales
Comisión Europea (2026). "Proyecto de directrices sobre la clasificación de sistemas de IA de alto riesgo conforme al Reglamento de Inteligencia Artificial". 19 de mayo de 2026.
Consejo General de la Abogacía Española (2026). "La IA y el ejercicio de la abogacía. Riesgos y responsabilidad profesional". Circular informativa.
American Bar Association (2026). "Opinión Formal 512: Obligaciones éticas de los abogados en el uso de herramientas de inteligencia artificial".
Steptoe LLP (2026). Análisis sobre el estándar "Fiduciary-Grade AI" y la responsabilidad profesional en el uso de IA.
Thomson Reuters (2026). "Thomson Reuters Leverages Its World-Class Data Assets to Launch Its Own Frontier Model". Comunicado de prensa. 24 de agosto de 2026. https://www.thomsonreuters.com/en/press-releases/2026/august/thomson-reuters-leverages-its-world-class-data-assets-to-launch-its-own-frontier-model
Thomson Reuters / tri-fair-lab (2026). "Thomson: Continual Learning of Frontier Models for Sovereign AI". Informe técnico. Hugging Face. https://huggingface.co/tri-fair-lab/Thomson-1.0-Small
Thomson Reuters Institute (2026). "Thomson Reuters Built Its Own AI Model That Now Ranks Among the World's Best". 31 de julio de 2026. https://blogs.thomsonreuters.com/en-us/innovation/thomson-reuters-built-its-own-ai-model-that-now-ranks-among-the-worlds-best/
Thomson Reuters (2026). "How We Built Thomson". Blog técnico. https://www.thomsonreuters.com/en-us/posts/innovation/how-we-built-thomson/
Forrester (2026). "The Total Economic Impact™ of CoCounsel Legal" (estudio encargado por Thomson Reuters).
Artículos relacionados
Ética de la IA: la desbandada en OpenAI, Anthropic y Microsoft
Responsables de ética y seguridad abandonan OpenAI, Anthropic y Microsoft entre 2024 y 2026: causas, patrones y consecuencias para el AI Act.
Deepfakes como prueba judicial: falsedad material e ilicitud constitucional
La generación de deepfakes con fines probatorios vulnera el artículo 18.4 CE y, en la mayoría de los casos, determina su exclusión como prueba ilícita en el proceso español.
Tecnoligarcas: el asalto a la soberanía desde el código y el capital
Cómo Thiel, Musk y el 'Authoritarian Stack' capturan al Estado a través de Palantir, SpaceX y Anduril, y qué significa para Europa.
Directrices de la Comisión sobre el art. 50 RIA: transparencia
Análisis doctoral de las Directrices C(2026) 5054 sobre el art. 50 RIA: los cuatro regímenes de transparencia, su interacción con el RGPD, la DSA y la EMFA.