ニュースの概要
Thomson Reutersが、社内業務と顧客向け機能の基盤となる独自LLM「Thomson」を公開した。最初の実運用先として投入されたのが、契約書や判例集などの膨大な文書から表形式のデータを抽出・整理するTabular Analysisという機能だ。汎用的な対話型AIとは一線を画し、法務という特定領域の反復業務に絞り込んだ設計が特徴で、チャット型のデモではなく実務に組み込まれた形での公開である点が目を引く。同社は自社データと専門知識を学習させたモデルを自社インフラ上で運用することで、精度と情報管理の両立を狙っているとみられ、ローカルLLM活用を検討する企業にとって参考になる事例と言える。
引用元: Thomson Reutersが独自LLM「Thomson」を公開、法務向け機能で実運用を開始（Thomson Reuters）
分析・見解
汎用チャットではなく「業務特化型」を選んだ理由
Thomson Reutersが自社製LLM(大規模言語モデル)「Thomson」を投入した狙いは、ChatGPTのような何でも答える対話型AIを目指すことではない。最初の実装先に選んだTabular Analysisは、契約書や判例、規制文書といった大量の文書から表形式のデータを抜き出して整理する、地味だが法務実務の土台となる作業だ。銀行や保険会社が汎用AIの導入で「便利だが業務の芯には使えない」という壁にぶつかってきたのに対し、同社は逆に業務の芯にある反復作業からモデルを設計した。この順序の違いが、今後の企業向けAI開発の分かれ目になる可能性がある。
なぜ地味な「表データ抽出」から始めたのか
チャットボットは目立つが、実務で最も時間を食うのは条文比較や契約条件の突き合わせといった定型作業だ。Thomson Reutersが最初の実運用機能にTabular Analysisを選んだのは、成果を数値で測りやすく、誤りが少ない領域から信頼を積み上げる狙いがあるとみられる。生成AIの企業導入で失敗しやすいのは、精度検証が難しい自由回答型の機能から始めてしまうケースだ。地味な定型業務から着手する戦略は、過去の失敗事例に学んだ堅実な選択と言える。
法務データの機密性がローカル運用を後押しする
法務・契約業務が扱う情報は、顧客企業の係争内容やM&A条件など、外部に漏れれば重大な損害につながるものばかりだ。汎用AIサービスのAPIに投げるだけでは、入力データが外部のサーバー(＝自社の管理外にある計算機)を経由するリスクが常につきまとう。Thomson Reutersが自社インフラでモデルを完結させたのは、精度以上にデータ主権(＝自社データを自社の管理下に置き続けること)を優先した判断だろう。これは金融、医療、行政など機密性の高い業界に共通する要請であり、法務業界だけの特殊事情ではない。
「専用LLM×専門知識」の組み合わせが次の競争軸に
同社の強みは判例データベースWestlawをはじめとする独自データ資産にある。この資産を汎用APIに渡すのではなく、自社モデルの学習・運用に閉じ込めたことで、競合他社が容易に模倣できない差別化を実現した形だ。今後、業界特化型のデータを大量に保有する企業ほど、外部AIサービスへの依存を減らし自社運用型モデルへ移行する動きが強まるとみられる。これは汎用AIベンダーにとっては顧客の一部を失うリスクであり、専用LLMの構築・運用を支援する事業者には新たな需要が生まれる転換点でもある。
ビジネスへの影響
自社データを持つ企業ほど「自前LLM」を検討する価値がある
Thomson Reutersの事例が示すのは、汎用AIチャットの契約を増やすだけでは得られない価値だ。自社に蓄積した専門データ(契約書、マニュアル、過去の対応履歴など)を持つ企業は、そのデータを外部に出さずに学習・活用できる専用モデルを持つことで、競合が真似できない業務効率化を実現できる。特に法務、医療、金融のように誤りが許されず機密性が高い業務ほど、この方式の投資対効果は大きい。
自社運用の壁は「技術」より「運用体制」にある
一方で、専用LLMの構築・運用には相応のコストと専門人材が必要になる。Thomson Reutersのような大企業でも社内で完結させるのは容易ではなく、中堅・中小企業が同じ道を選ぶ場合はモデルのホスティングや保守を外部の専門事業者に委託する選択肢が現実的だ。自前で全てを抱え込むのではなく、どこまでを自社が担い、どこから外部委託するかの線引きが、導入成否を分ける。
「小さく始めて信頼を積む」導入順序が参考になる
今回の事例で実務上参考になるのは、いきなり全業務を自動化しようとせず、効果測定がしやすい定型業務(表データ抽出など)から着手した順序そのものだ。自社でAI導入を検討する企業も、まず成果を検証しやすい業務を選び、精度と運用コストを確認したうえで対象を広げる進め方が、失敗リスクを抑える現実的な選択となる。