Thomson Reutersが捨てた巨大化、中小はRAGで真似る

大手IT企業が数千億円から数兆円を投じて基盤モデルの巨大化を競う中、まったく逆の道を選ぶ動きが現れました。情報サービス大手のThomson Reuters（トムソン・ロイター）は2026年8月24日、自社初の専門特化型AIモデル「Thomson」を発表しました。巨大な汎用モデルをゼロから作るのではなく、オープンソースモデルと自社の専門データを組み合わせて作られた知性です。

「Thomson」は何を捨てて何を得たのか（60億円の中身）

Thomson Reutersが捨てたのは、外部の巨大モデルAPIへの完全依存と「モデルの大きさを競う」という業界の暗黙の了解です。これまでは大手AIベンダーの汎用モデルを契約して活用していましたが、自前で制御可能な特化型モデルの構築へと舵を切りました。

投入された開発費は4,000万ドル（約60億円）です。AI開発の最前線では1回の事前学習に数百億円規模が投じられるケースが珍しくないため、彼らはこれを『従来の1/100の投資』と表現しています。汎用的な雑談や多目的の処理能力を切り捨て、自社が得意とする法務・税務・会計の専門業務だけに研ぎ澄ませることで、推論にかかる計算コストを大幅に抑える狙いがあります。

AI業界は規模拡大や巨額投資だけを解としてきたが、強力なオープンソース基盤に深い専門知識を組み合わせれば、低コストかつ完全制御可能な知性を構築できる。これがプロ向けAIのエコノミクスを変える。

巨大化しないで勝つ仕組み｜オープンソース×自社の因果

なぜ、1/100の投資額で実用に耐える知性が作れるのでしょうか。その理由は、一からモデルを学習させるのではなく、公開されている強力なオープンソースモデルを土台に据えた点にあります。

土台の上に、同社が保有するデータベース（WestlawやPractical Lawなど）の専門テキストを中間学習として読み込ませ、さらに弁護士や税理士など数百人の専門家による人手でのフィードバック（事後学習）を重ねました。基礎体力をオープンソースに頼り、実務に必要な専門知識だけを自社の「秘伝のタレ」として注入する手法です。これにより、受託者責任に耐えうる正確性を担保しながら、運用時の計算資源を小さく抑えることに成功しています。

非公開が残す罠｜『1/100』を鵜呑みにしない読み方

ただし、この発表をそのまま鵜呑みにするのは危険です。技術レポートの視点からは、いくつかの重要な隠された注意点が浮かび上がります。

第一に、ベースとして使用したオープンソースモデルの名称やパラメータ数が非公開である点です。どのモデルを改良したかが不明なため、「本当に1/100のコストで同等の成果が出ているのか」という客観的な外部検証ができません。ポジショントークとして一定の割引をして受け取る必要があります。

第二に、自前モデルの維持管理コストです。独自のモデルを持つことは、APIを叩くだけの運用と比べて、サーバーインフラの維持やセキュリティ対策、将来的なモデルの更新作業などを社内で抱え続けることを意味します。初期の開発費が安く見えても、運用の総コスト（TCO）では別の負担が発生するリスクを留意すべきです。

中小は金でなく帳票で真似る｜RAGという現実解

約60億円という開発費は中小企業にとって現実味のない数字ですが、彼らが示した「汎用モデルをそのまま使うのではなく、自社の独自データと組み合わせて特化させる」という構造は、今すぐ自社に応用できます。

中小企業がわざわざモデルの追加学習（ファインチューニング）を行う必要はありません。自社の過去データを検索して外部の汎用AI（ChatGPTやClaudeなど）に読み込ませるRAG（検索拡張生成）の仕組みを使えば、月額2万〜3万円程度の既存ツールでまったく同じ構造を作れます。

勝負を分けるのはAIの性能ではなく、手元にある「帳票の質」です。過去の見積書、製品の仕様書、顧客との対応履歴といった社内データこそが、他社には決して真似できない自社だけの知性を作る元手になります。巨大モデルの進化に振り回される必要はありません。

30分で課題を整理する→