Cuatrocientos cincuenta mil dólares.

Eso costó la corrida final de entrenamiento del modelo propio de Thomson Reuters, según lo que reportó LawSites el 24 de agosto.

Es menos de lo que muchas empresas medianas gastan al año en licencias de software que nadie usa.

El modelo no es el activo. El contenido sí.

Thomson no se entrenó desde cero. Partió de un modelo de pesos abiertos, el más reciente Qwen 3.5, y encima le pusieron contenido que nadie más tiene: Westlaw, Practical Law, Checkpoint, el archivo de Reuters.

Menos del 10% de todo el contenido propietario de la empresa. Ningún dato de clientes.

El resultado, según sus propias evaluaciones, es que con acceso a ese contenido el modelo le gana a GPT 5.4 y a Claude Sonnet 5 en consultas legales. En pruebas hechas solo con información de la web queda parejo, y la empresa lo dice sin adornos: ahí todavía no lidera.

Esa diferencia entre los dos escenarios es la noticia entera. No ganaron por técnica ni por tamaño. Ganaron en su propia cocina, con ingredientes que solo ellos pueden comprar.

Su CTO, Joel Hron, lo resumió diciendo que Thomson muestra que hay otro camino además de tratar la escala como respuesta.

Los 40 millones no son lo que parecen

La cifra que va a circular es esa: 40 millones de dólares en dos años entre talento y cómputo.

Y la que importa es la otra. Si el entrenamiento final costó 450.000, entonces los 40 millones fueron gente, experimentos fallidos, curaduría de datos y el trabajo lento de decidir qué respuesta es correcta en derecho, que no es una pregunta que resuelva un ingeniero solo.

O sea que el gasto principal fue codificar criterio, no comprar GPUs.

Eso debería cambiar cómo lees este proyecto si estás pensando en algo parecido. Lo que decide el proyecto es si tienes un cuerpo de datos que sea tuyo, y a alguien capaz de distinguir una respuesta buena de una que suena bien. El presupuesto de cómputo viene después y pesa mucho menos.

Escribimos algo cercano cuando Bridgewater afinó un modelo y venció a los grandes, y el patrón se repite con una precisión que ya empieza a ser aburrida.

Tu empresa probablemente no debería entrenar un modelo

Voy a decir la parte impopular. Casi ninguna empresa mediana debería estar entrenando un modelo propio en 2026.

Thomson Reuters tiene un archivo legal construido durante más de un siglo, un negocio que vende exactamente eso, y un equipo que puede juzgar la calidad de una respuesta jurídica. Tú probablemente tienes tres de esas cosas a medias.

Pero la lección sí te aplica, en otra escala. Lo que te da ventaja es el cuerpo de conocimiento que solo tú tienes: cómo cotizas, por qué perdiste los últimos veinte negocios, qué excepción se aplica en cuál cliente, qué falló en la implementación de marzo.

Eso no requiere entrenar nada. Requiere que exista en un lugar consultable, con estructura, en vez de en correos y en la cabeza de tres personas. Sobre esa distinción escribimos en el modelo es tu base de datos.

Por dónde empezaría

Escoge una tarea que tu equipo hace seguido y que requiere criterio propio. Cotizar. Revisar un contrato. Decidir si un pedido raro se aprueba.

Junta veinte casos reales resueltos, con la respuesta correcta y por qué fue correcta. Veinte, no doscientos.

Después mide qué tan bien lo hace un modelo comercial cuando le das esos veinte casos como contexto, contra qué tan bien lo hace sin ellos. La diferencia entre esas dos mediciones es tu ventaja, y la vas a ver en una tarde.

Thomson Reuters gastó 40 millones para descubrir eso mismo a escala industrial. Tu versión cuesta una tarde y dos personas, y responde la misma pregunta: ¿el valor está en el modelo o está en lo que tú sabes?

Encontremos dónde está tu ventaja de datos