O modelo próprio
não é o ativo
principal

O lançamento que parece ser sobre um modelo

Em 24 de agosto de 2026, a Thomson Reuters anunciou o Thomson, seu primeiro grande modelo de linguagem proprietário desenvolvido internamente. A manchete natural é que uma empresa de informação jurídica, tributária e jornalística construiu um modelo próprio. O detalhe mais importante é outro: ela mostrou quais ativos precisou combinar para fazer isso.

A versão aberta para pesquisa e uso não comercial, Thomson-1.0-Small, tem 35 bilhões de parâmetros no total e ativa aproximadamente 3 bilhões por token. Ela parte da arquitetura Qwen3.6-35B-A3B e de um checkpoint intermediário chamado Snowdon. A empresa aplicou realinhamento de valores, treinamento contínuo e pós-treinamento com dados profissionais e tarefas de pesquisa.

Isso não é começar do zero. Também não é apenas ajustar um chatbot com meia dúzia de documentos. É uma estratégia de apropriação de capacidade: usar uma base disponível, substituir partes importantes do comportamento e conectar o resultado a um acervo, a especialistas e a fluxos que a empresa já controla.

A Thomson Reuters diz ter investido cerca de US$ 40 milhões no programa, considerando talento e computação. O treinamento reportado consumiu 1,63 × 10²³ operações de ponto flutuante e 35.207 horas de GPU B200. O número parece grande até ser comparado com os bilhões associados aos laboratórios de fronteira. Parece pequeno quando alguém tenta reduzi-lo ao custo de uma execução final.

O modelo é a parte mais fácil de mostrar. O ativo está nas camadas que tornaram possível treiná-lo, avaliá-lo e colocá-lo em trabalho profissional.

O sistema que a Thomson realmente construiu

O relatório descreve um corpus de 200 bilhões de tokens selecionado de um universo superior a 19 trilhões. A composição foi dividida aproximadamente entre documentos proprietários, reformulações sintéticas desses documentos e dados de repetição para preservar capacidades gerais.

Essa distribuição revela uma diferença entre possuir informação e conseguir transformá-la em aprendizado. Um arquivo com décadas de casos, leis, contratos, notícias e orientação profissional não entra sozinho num modelo. É preciso limpar, selecionar, estruturar, reescrever, relacionar e decidir quais diferenças importam para o comportamento desejado.

Depois vem a avaliação. Profissionais usam sistemas jurídicos e tributários de maneiras que benchmarks públicos não capturam bem. Uma consulta real pode misturar jurisdição, vigência, suficiência da pergunta, conflito entre fontes e necessidade de citar exatamente onde a conclusão foi encontrada. Construir esse conjunto de testes exige pessoas que conhecem o domínio e sabem distinguir uma resposta convincente de uma resposta utilizável.

A empresa também descreve dados produzidos por especialistas, preferências derivadas de documentos, ontologias como IRAC para raciocínio jurídico e um ambiente de pesquisa profunda com ferramentas e recompensas para uso fiel de fontes. Cada uma dessas camadas pode continuar existindo quando o modelo base mudar.

Esse é o ponto estratégico. Um checkpoint envelhece. Uma arquitetura de avaliação melhora. Um fornecedor pode desaparecer. Um acervo curado continua. Um modelo pode ser trocado. O conhecimento institucional sobre como medir o trabalho não deveria precisar ser reconstruído junto com ele.

O custo do treino e o custo da capacidade

Há uma tentação recorrente em lançamentos de IA: pegar o custo da última execução de treinamento e chamá-lo de preço do modelo. Isso apaga quase todo o sistema que tornou a execução possível.

Antes de uma rodada final existem experimentos, falhas, versões de dados, pipelines, avaliação, segurança, infraestrutura, contratação, tempo de especialistas e decisões descartadas. O custo marginal de rodar uma receita madura não representa o custo de descobri-la. Da mesma forma, o preço de reproduzir pesos não representa o custo de construir a organização capaz de saber quais pesos servem.

Os US$ 40 milhões anunciados pela Thomson Reuters são mais úteis do que um número isolado de GPU porque incluem a construção de capacidade. Ainda assim, continuam sendo uma alegação corporativa. Não há contabilidade pública detalhada que permita comparar item por item com programas de outros laboratórios.

O caso também não prova que qualquer empresa consiga repetir o resultado com o mesmo orçamento. A Thomson Reuters começa com conteúdo, clientes, especialistas, infraestrutura e problemas profissionais acumulados durante décadas. Quem não possui essas camadas precisa comprá-las, construí-las ou aceitar um escopo menor.

O que os benchmarks permitem dizer

No quadro agregado publicado pela empresa, o Thomson-1.0-Small alcança média geral de 74,6, diante de 71,7 para a base Qwen. No domínio jurídico, a média reportada é 75,2 contra 72,7. Em tarefas tributárias, a diferença também favorece o modelo especializado. Em programação, ocorre o contrário: 37,4 para Thomson e 39,8 para Qwen.

Essa combinação é mais informativa do que uma vitória limpa. Ela mostra especialização com perdas e preservações diferentes. O modelo não se tornou universalmente melhor. Foi deslocado para um conjunto de trabalhos que a empresa considera economicamente relevante.

Os resultados precisam ser tratados como avaliação do próprio fornecedor. Parte das tarefas é interna, parte usa julgamento de modelos e algumas comparações incluem ambientes com ferramentas que aproximam o sistema do produto, não apenas o checkpoint. Isso pode ser legítimo, mas mistura capacidade do modelo com dados, recuperação, prompt, ferramentas e método de avaliação.

O benchmark não prova que o Thomson seja a melhor escolha para um escritório, uma redação ou uma autoridade tributária. Ele mostra que a organização construiu um processo capaz de melhorar determinadas métricas e preservar boa parte das capacidades gerais. A prova operacional virá do comportamento em fluxos reais, da consistência das citações, da atualização normativa e da resposta a casos que não estavam nos testes.

Peso aberto não transfere soberania

A Thomson Reuters chama a versão Small de open-weight. A escolha do termo é correta. O repositório permite baixar os pesos, mas usa a licença PolyForm Strict 1.0.0. Ela permite usos não comerciais e restringe distribuição e modificações para finalidades gerais. Isso não atende ao conceito de código aberto da Open Source Initiative.

Essa diferença não é semântica. Um pesquisador pode inspecionar e experimentar. Uma empresa não recebe automaticamente liberdade para adaptar, redistribuir ou transformar o modelo em produto. O download reduz uma dependência de acesso, mas não transfere o conjunto de direitos que permitiria controlar comercialmente aquela camada.

Também não transfere os dados proprietários, os conjuntos de preferência, as avaliações internas, as ferramentas e os especialistas que produziram o resultado. O modelo baixado é um artefato do sistema da Thomson Reuters. Não é o sistema.

As dependências que continuam na pilha

A empresa apresenta o projeto como SovereignAI. A palavra precisa ser usada com precisão. O modelo parte de uma arquitetura Qwen, depende de hardware Nvidia, de parceiros de treinamento e de uma cadeia global de software e computação. A origem dos dados usados no modelo base continua fora do controle da Thomson Reuters.

Isso não torna a estratégia falsa. Mostra que soberania tecnológica raramente significa fabricar cada transistor, escrever cada biblioteca e produzir cada token. O que importa é onde a organização preserva poder de decisão.

Essa leitura evita dois extremos. O primeiro é chamar qualquer consumo de API de soberania porque o contrato pode ser cancelado. O segundo é exigir independência absoluta e concluir que nenhum país ou empresa pode ser soberano enquanto usar hardware, software ou pesquisa estrangeira. Entre eles existe um trabalho concreto de reduzir pontos únicos de dependência, manter formatos portáveis e preservar conhecimento suficiente para mudar de rota.

Se o fornecedor do modelo base mudar a licença, a empresa consegue migrar? Se uma arquitetura deixar de ser competitiva, os dados e avaliações podem treinar outra? Se um provedor de inferência aumentar preço, existe alternativa? Se uma política externa conflitar com o trabalho profissional, a organização consegue testar e substituir essa camada?

Soberania é uma propriedade da pilha, não uma medalha presa aos pesos. Ela cresce quando contratos, dados, avaliações, conhecimento institucional e interfaces permitem trocar uma dependência sem perder o sistema inteiro.

A consequência para o Brasil

O caso interessa ao Brasil porque mostra uma rota diferente da corrida por um modelo nacional treinado do zero apenas para provar capacidade. Países e instituições podem construir soberania escolhendo problemas nos quais possuem dados, mandato e conhecimento que um laboratório generalista não tem.

Saúde pública, legislação, agricultura tropical, energia, educação, língua portuguesa e serviços do Estado têm acervos e critérios próprios. O desafio não é despejar documentos em um modelo. É criar governança de dados, equipes de domínio, avaliações públicas, infraestrutura de acesso e contratos que permitam substituir fornecedores.

Um país que apenas compra acesso ao melhor modelo do mês possui capacidade de consumo. Um país que mantém seus dados organizados, seus critérios de qualidade, seus ambientes de avaliação e suas interfaces de integração possui capacidade de negociação. Pode usar um modelo estrangeiro hoje e outro amanhã sem reconstruir cada produto público.

O mesmo vale para empresas menores. Elas não precisam replicar um programa de US$ 40 milhões para aprender com o caso. Podem começar mantendo um conjunto próprio de tarefas reais, respostas esperadas, falhas proibidas e custos observados. Esse ativo ajuda a comparar fornecedores, detectar regressões e decidir quando uma solução especializada passou a justificar investimento interno. A primeira camada de soberania pode ser uma boa avaliação, não um novo modelo.

Isso exige uma política menos fotogênica do que anunciar um chatbot nacional. Catálogos de dados com regras claras. Ambientes seguros para pesquisa. Benchmarks em português ligados a serviços reais. Poder de compra coordenado. Especialistas públicos que participem da avaliação. Portabilidade de logs, prompts, ferramentas e resultados.

O modelo é uma peça importante

Nada disso diminui o trabalho técnico do Thomson. Treinamento contínuo em grande escala, preservação de capacidades gerais e adaptação a domínios profissionais são problemas difíceis. O lançamento merece atenção justamente porque transforma uma tese sobre dados proprietários em um sistema verificável.

Mas a leitura correta não é que toda empresa agora precisa de um modelo próprio. Para muitas organizações, usar modelos externos continuará sendo mais barato, rápido e seguro. A decisão depende de volume, sensibilidade dos dados, exigência de atualização, custo de inferência e capacidade interna de avaliar.

O aprendizado mais importante é organizacional. A empresa que conhece seus próprios fluxos, preserva dados utilizáveis, emprega especialistas na avaliação e mantém interfaces substituíveis pode negociar com qualquer laboratório em posição melhor. A empresa que deposita todo o processo dentro de uma API pode ter acesso ao melhor modelo e ainda assim não controlar o produto.

O modelo próprio é valioso. O ativo principal é o sistema que sabe quando ele está certo, onde ele falha e como substituí-lo quando deixar de servir.