Thomson Reuters Menghabiskan $40 Juta untuk Melatih Model AI Hukum Khusus

Penulis: Xiao Bing

Pada 24 Agustus, Thomson Reuters mengumumkan peluncuran model bahasa besar buatan sendiri bernama "Thomson". Raksasa informasi dengan pendapatan tahunan lebih dari 7 miliar dolar AS ini menyatakan bahwa model tersebut dilatih berdasarkan dasar open-source, dengan total investasi sekitar 40 juta dolar AS (termasuk sumber daya manusia dan daya komputasi), menggunakan data pelatihan dari database hukum Westlaw, panduan praktis Practical Law, platform penelitian perpajakan Checkpoint, dan aset berita Reuters. Evaluasi awal menunjukkan bahwa Thomson memiliki kinerja "setara dengan model terkini terdepan" pada berbagai tugas.

400 juta dolar AS, bandingkan dengan: pendanaan terbaru OpenAI sebesar 40 miliar dolar AS, Anthropic telah mengumpulkan lebih dari 13 miliar dolar AS, dan xAI baru satu putaran saja sudah mendapat 6 miliar dolar AS. Laboratorium mutakhir menggunakan puluhan miliar dolar AS untuk melatih model umum, sementara Thomson Reuters menggunakan kurang dari sepersepuluhnya saja, dan di bidang vertikal tertentu menciptakan kemampuan yang diklaim bisa sebanding dengan yang terdepan.

Kata-kata asli CTO Joel Hron: Selama bertahun-tahun, industri AI menjadikan skala sebagai jawabannya—model yang lebih besar, lebih banyak daya komputasi, lebih banyak uang. Thomson membuktikan ada jalur lain: mulai dari dasar yang kuat, melakukan spesialisasi mendalam untuk tugas-tugas yang benar-benar penting, maka dapat dibangun kecerdasan yang efisien dan sepenuhnya mandiri.

Era pembangunan AI sendiri untuk industri vertikal sedang dimulai.

Thomson, berangkat dari dasar open-source (公告未指明具体是哪个模型), menyuntikkan data propietari Thomson Reuters melalui pelatihan menengah (mid-training) dan pelatihan akhir (post-training).

Pengumuman mengungkapkan bahwa saat ini hanya kurang dari 10% konten mandiri yang digunakan untuk pelatihan, dan akan terus mengeksplorasi arah spesialisasi baru. Ratusan ahli disiplin ilmu terlibat sepenuhnya, mulai dari perancangan tujuan pelatihan hingga evaluasi akhir.

Skenario peluncuran pertama model adalah fitur Analisis Tabel (Tabular Analysis) di CoCounsel Legal, yang ditujukan untuk kantor hukum dan departemen hukum perusahaan. CoCounsel tetap menggunakan arsitektur multi-model, menggunakan Thomson pada skenario di mana Thomson memiliki keunggulan jelas, dan terus menggunakan model mutakhir eksternal pada skenario lainnya.

Thomson Reuters juga merilis versi open source "kecil" di Hugging Face untuk penggunaan akademis dan non-komersial, serta mengundang para ahli hukum dan AI untuk melakukan evaluasi independen.

Profesor Sekolah Hukum Universitas Washington, Jonathan Choi, menguji Thomson, ChatGPT, dan Claude dengan soal sulit dalam kursus pajak perusahaan, dan menilai ketiga model menjawab dengan benar, tetapi ia lebih menyukai jawaban Thomson, terutama karena tautan ke literatur hukum membuat jawabannya lebih transparan dan lebih praktis.

Angka ini adalah kunci untuk memahami seluruh hal ini.

Biaya melatih model canggih universal terus meningkat secara eksponensial. Meta menghabiskan lebih dari 16.000 GPU H100 untuk melatih Llama 3, dengan perkiraan biaya komputasi mencapai ratusan juta dolar AS. Anggaran pelatihan OpenAI dan Google DeepMind bahkan lebih tinggi. Model-model ini bertujuan untuk "dapat melakukan apa saja", mulai dari menulis puisi hingga menyelesaikan persamaan diferensial, dari pemrograman hingga peran-peran.

Hal yang dilakukan Thomson Reuters secara logis sama sekali berbeda. Ia tidak memerlukan model yang bisa melakukan segalanya, tetapi memerlukan model yang unggul bahkan lebih baik daripada model canggih umum di bidang-bidang sangat spesifik seperti penelitian hukum, kepatuhan perpajakan, interpretasi regulasi, dan analisis dokumen profesional. Cakupan tujuan ini jauh lebih sempit, sehingga biaya pelatihannya jauh lebih rendah.

Namun, yang benar-benar membuat 40 juta dolar AS menjadi mungkin bukan penyempitan rentang, melainkan aset data.

Basis data hukum Westlaw, yang dimiliki oleh Thomson Reuters, mencakup lebih dari 40.000 basis data kasus dan akumulasi yurisprudensi lebih dari 100 tahun. Practical Law berisi panduan operasional dan templat yang dipelihara secara terus-menerus oleh lebih dari 650 pengacara editor. Checkpoint adalah alat standar bagi profesional perpajakan di Amerika Serikat. Korpus berita Reuters mencakup global dengan jangkauan waktu lebih dari 175 tahun.

Data ini bukan diambil dari internet.

Mereka adalah aset propietaris yang telah diedit, diberi label, distrukturkan, dan diperbarui secara terus-menerus oleh profesional. Model vertikal yang dilatih pada data ini memiliki akurasi dan kualitas kutipan di bidang spesialisasinya, yang sulit dicapai oleh model umum hanya dengan RAG (Retrieval-Augmented Generation) atau fine-tuning sederhana. Model umum dapat "mengakses" data ini, tetapi mengakses dan "tumbuh di dalamnya" adalah dua hal yang berbeda.

Thomson Reuters sendiri juga menyoroti perbedaan ini: manfaat dari pelatihan yang berspesialisasi di bidang tertentu tidak dapat digantikan oleh akses konten semata.

Thomson Reuters tidak akan menjadi satu-satunya. Melihat rantai "data propietari → model vertikal → biaya inferensi lebih rendah → kontrol data lebih kuat → margin kotor perusahaan lebih tinggi", setidaknya ada beberapa jenis perusahaan yang memiliki kondisi untuk meniru model ini.

Perusahaan data keuangan. Bloomberg telah melatih BloombergGPT pada tahun 2023, berdasarkan data terminal dan korpus berita miliknya sendiri. Meskipun tindakan lanjutannya tidak banyak, hambatan data dari Bloomberg Terminal setara dengan Westlaw dari Thomson Reuters—ini adalah kumpulan data propietaris yang tidak dapat diakses secara legal oleh model umum mana pun.

Lembaga jasa profesional. Kantor akuntan besar (PwC, Deloitte, EY, KPMG), konsorsium firma hukum besar (seperti Baker McKenzie, Kirkland & Ellis), serta perusahaan informasi medis (seperti data rekam medis elektronik dari Epic Systems) memiliki sejumlah besar data profesional yang sangat terstruktur dan sangat rahasia. Lembaga-lembaga ini tidak bersedia menyerahkan data pelanggan mereka ke model umum, namun membutuhkan AI untuk meningkatkan efisiensi. Membangun model vertikal sendiri bagi mereka bukanlah pilihan, melainkan keharusan dari sudut pandang kepatuhan.

Pemilik monopoli data industri. MSCI memiliki data peringkat dan indeks ESG global, Verisk memiliki data penetapan harga asuransi dan model risiko, Wolters Kluwer memiliki data hukum dan kepatuhan Eropa, RELX memiliki jurnal akademik Elsevier dan data hukum LexisNexis. Ciri umum perusahaan-perusahaan ini adalah: data adalah aset inti, eksklusivitas data adalah parit perlindungan, dan memberikan data kepada model pihak lain akan melemahkan nilai mereka sendiri.

Sebuah detail dalam pengumuman Thomson Reuters yang mudah diabaikan: CoCounsel mempertahankan arsitektur multi-model. Gunakan Thomson di tempat-tempat di mana Thomson memiliki keunggulan, dan terus gunakan model eksternal di skenario lain.

Ini menunjukkan bahwa bahkan perusahaan yang telah membangun model sendiri pun tidak akan sepenuhnya meninggalkan model umum.

Model umum masih memiliki keunggulan dalam hal inferensi umum, pembuatan kode, dan pemrosesan multibahasa. Model vertikal menggantikan lapisan model umum yang "cukup baik" di bidang tertentu tetapi tidak cukup optimal.

Namun dalam jangka panjang, jika semakin banyak klien perusahaan bernilai tinggi mulai membangun model vertikal sendiri, risiko yang dihadapi perusahaan model umum adalah terkompresi ke lapisan infrastruktur: menyediakan model dasar untuk pelatihan ulang oleh perusahaan, menyediakan API inferensi untuk menangani tugas umum, tetapi kehilangan daya tawar dalam aplikasi vertikal yang paling menguntungkan.

Ini mirip dengan evolusi industri komputasi awan.

AWS, Azure, dan GCP menyediakan infrastruktur, tetapi lapisan aplikasi SaaS yang paling menguntungkan dikuasai oleh perusahaan-perusahaan vertikal seperti Salesforce, ServiceNow, dan Workday. Jika industri AI mengikuti jalur yang sama, peran OpenAI dan Anthropic mungkin lebih mirip dengan "AWS-nya AI", bukan "Salesforce-nya AI".

Hal yang dibuktikan oleh Thomson Reuters dengan menghabiskan $40 juta adalah: ketika Anda memiliki data yang cukup unik, Anda dapat menyaingi model umum yang dilatih dengan anggaran miliaran dolar dengan biaya sebagian kecil saja.

Setelah logika ini diverifikasi, setiap perusahaan yang duduk di atas tambang data eksklusif akan menghitung ulang: terus membayar biaya API tahunan ke OpenAI atau Anthropic, atau mengeluarkan biaya yang jauh lebih kecil untuk melatih model vertikal yang sepenuhnya dikendalikan sendiri?

Bagi pasar yang terbiasa dengan narasi "perlombaan senjata AI", dana $40 juta dari Thomson Reuters merupakan sinyal yang berlawanan. Tahap berikutnya dari persaingan AI mungkin tidak dimenangkan oleh perusahaan dengan biaya pelatihan tertinggi, melainkan oleh perusahaan dengan data paling unik dan paling tak tergantikan. Model adalah alat, data adalah hambatan.