톰슨로이터의 자체 LLM 공개, 기업 AI 전략이 ‘범용’에서 ‘업무 특화’로

오늘의 핵심

톰슨로이터가 독점 콘텐츠와 전문가 검수를 결합한 자체 대규모언어모델 ‘Thomson’을 공개했다. 한국 기업도 범용 모델 하나에 의존하기보다 데이터 통제, 업무별 모델 배치, 독립 평가를 함께 설계할 필요가 커졌다.

확인된 사실

• 톰슨로이터는 2026년 8월 24일 자체 대규모언어모델 ‘Thomson’을 공개했다. 근거 [1] [2]
• Thomson은 오픈소스·오픈웨이트 기반 모델에 톰슨로이터의 전문 콘텐츠와 전문가 피드백을 결합해 법률 등 전문 업무에 특화됐다. 근거 [1] [2]
• 첫 제품 적용 대상은 CoCounsel Legal의 정형 문서 검토 기능이며, CoCounsel은 업무에 따라 자체 모델과 외부 모델을 함께 쓰는 멀티모델 방식을 유지한다. 근거 [1] [2]
• 회사는 인력과 컴퓨팅을 포함한 모델 개발 투자액을 4천만달러로 밝혔지만, 비교 성능은 회사 내부 평가 중심이어서 추가적인 독립 검증이 필요하다. 근거 [1] [2]

왜 중요한가

• 기업 AI의 차별화 지점이 범용 모델 자체보다 독점 데이터, 전문가 피드백, 검증 가능한 업무 흐름으로 이동하고 있음을 보여준다.
• 외부 모델과 자체 특화 모델을 작업별로 배치하면 비용과 데이터 통제 수준을 조정할 수 있지만, 라우팅·평가·장애 대응 체계가 함께 필요하다.
• 법률·세무처럼 오류 비용이 큰 업무에서는 공급사의 성능 주장보다 출처 정확도와 실제 업무 데이터 기반 평가가 도입 판단의 핵심이 된다.

inxight의 관점

• 자체 LLM 구축 여부보다 먼저 반복량이 많고 정답 검증이 가능한 업무를 골라야 한다. 검색·분류·표 추출처럼 평가 기준이 명확한 기능이 적합하다.
• 제품 구조는 단일 모델 종속보다 모델 교체가 가능한 추상화 계층, 작업별 라우팅, 결과 근거 표시를 기본값으로 두는 편이 안전하다.
• 독점 데이터를 모델에 넣는 것만으로 경쟁력이 생기지는 않는다. 데이터 권한, 최신성, 전문가 검수 결과를 지속적으로 학습·평가에 연결해야 한다.

실무 체크리스트

• 현재 AI 기능을 업무 유형별로 나누고 정확도, 지연시간, 호출비용, 데이터 민감도를 동일한 표에서 비교한다.
• 실제 한국어 업무 데이터로 자체 평가 세트를 만들고 정답률뿐 아니라 인용 근거 일치율과 치명적 오류율을 측정한다.
• 모델 제공사 변경과 자체 모델 병행을 고려해 프롬프트, 검색, 모델 호출, 로그 저장 계층을 분리한다.
• 고객·사내 데이터의 학습 사용 여부, 저장 위치, 보존 기간, 삭제 절차를 공급사 계약과 운영 설정에서 다시 확인한다.