2026年8月24日、Thomson Reutersは自社の専門データを活用した独自の大規模言語モデル「Thomson」を発表しました。法律、税務、会計、リスク、コンプライアンス、不正検知、ニュースといった専門性の高い領域で使うことを想定したモデルです。一般の読者にとって重要なのは、「また新しいAIモデルが出た」という話だけではありません。生成AIが、検索や文章作成の道具から、専門職の仕事の流れそのものに入り込む段階へ進んでいることです。
これまでAIサービスのニュースでは、モデルの賢さ、処理速度、料金、画像や音声への対応が注目されがちでした。しかし、法務や税務のような領域では、速く答えること以上に、何を根拠にしたのか、どの範囲の資料を見たのか、誰が最終判断をしたのかが問われます。専門職向けAIでは、モデルの性能だけでなく、データ、製品、監査、責任分界、利用者教育まで含めた設計が価値になります。
この記事では、Thomson Reutersの発表を起点に、専門職AIモデルとは何か、汎用AIと何が違うのか、企業や個人がどのように受け止めればよいのかを整理します。法律・税務・投資・契約・雇用・医療・安全に関わる判断は、AIの出力だけで決めるものではありません。具体的な判断では、必ず公式資料、専門家、社内規程、契約、法令、責任部署を確認してください。
何が発表されたのか
Thomson Reutersは、法律、税務、会計、ニュース、リスク管理などの専門情報サービスで知られる企業です。今回発表された「Thomson」は、同社が保有する専門データや製品群に組み込むことを前提にした独自の大規模言語モデルです。単体のチャットボットとして面白い返答をすることよりも、専門家が日々使うワークフローの中で、調査、要約、文書作成、論点整理、確認作業を支えることに重点があります。
同社の発表では、世界中のプロフェッショナルが使う信頼性の高い情報資産を生かすことが強調されています。法令、判例、税務資料、会計情報、コンプライアンス関連資料、ニュースといった分野では、情報の正確性と更新性が極めて重要です。一般的なWeb情報を広く学習したAIでも便利な回答はできますが、業務上の判断では「どの資料に基づく回答か」が見えなければ使いにくい場面が多くあります。
今回の発表が示す方向性は明確です。生成AIの競争は、単に大きなモデルを作る競争から、特定の業務と高品質なデータを結びつける競争へ移っています。法律事務所、企業法務、税理士、会計士、監査、リスク管理部門、報道機関などでは、一般的な文章生成だけでなく、根拠の確認、社内ルールとの照合、レビュー履歴の管理が必要になります。そこで専門職AIモデルの意味が出てきます。
もちろん、独自モデルを持つことだけで、すべての問題が解決するわけではありません。AIは誤った要約や不十分な根拠づけを行うことがあります。専門職向けの製品に組み込まれていても、利用者が出典を確認し、必要に応じて専門家が判断し、組織として記録を残す運用が欠かせません。Thomson Reutersの発表は、AIの性能競争であると同時に、信頼される情報サービスの設計競争でもあります。
なぜ専門職AIモデルが注目されるのか
専門職AIモデルが注目される理由は、生成AIの利用が「試してみる段階」から「実務に組み込む段階」へ進んでいるからです。個人が文章の下書きや調べ物に使うだけなら、多少の言い回しの違いや一般論でも役に立つ場面があります。しかし、契約書の条項、税務処理、監査手続き、規制対応、訴訟関連調査、リスク評価のような仕事では、間違いの影響が大きくなります。
たとえば、契約書のレビューでAIが「この条項は一般的です」と説明したとしても、それが特定の国や業界、契約類型、交渉状況に合っているとは限りません。税務でも、年度、地域、法人形態、取引内容によって結論は変わります。会計や監査では、基準、内部統制、証跡、判断過程が重要になります。こうした領域では、AIが流ちょうに説明することよりも、どの前提で、どの資料を見て、どこまで自信があるのかを示すことが必要です。
専門職向けAIは、この課題に対して二つの方向から答えようとしています。一つは、信頼できる専門データに接続することです。もう一つは、既存の業務ツールに自然に組み込むことです。ユーザーがAI画面に移動して抽象的な質問をするのではなく、実際に使っている法律調査、税務調査、文書管理、ニュース分析、リスク監視の画面の中でAIが補助する形です。
この流れは、企業にとっても大きな意味があります。AIを導入する際、従業員が自由に外部チャットAIへ機密情報を入力してしまうと、データ管理や契約条件の問題が起こり得ます。一方で、業務用AIが社内の権限管理、ログ、利用規約、データ保持、セキュリティ、監査に対応していれば、組織として使いやすくなります。専門職AIモデルは、単なる賢い文章生成ではなく、企業が安心して使える環境づくりと結びついています。
汎用AIと専門職AIの違い
汎用AIと専門職AIの違いは、目的、データ、出力の使われ方にあります。汎用AIは幅広い質問に答え、文章、コード、画像、要約、翻訳など多様な用途に対応します。日常的な相談、文章作成、学習補助、アイデア出しでは大きな価値があります。一方、専門職AIは、特定の業務で使うことを前提に設計されます。法律なら判例や法令、税務なら税法や解説、会計なら基準や監査資料、リスク管理なら規制や社内方針との接続が重要になります。
違いは、単に「専門用語を知っているか」ではありません。専門職AIには、出典へのリンク、引用元の明示、更新日の扱い、管轄や年度の区別、権限管理、利用ログ、レビュー機能が求められます。利用者は、AIの答えをそのまま受け取るのではなく、根拠資料に戻って確認できる必要があります。特に法律や税務では、同じ言葉でも地域や時期によって意味が変わるため、根拠の追跡ができるかどうかが実用性を左右します。
また、専門職AIは「誰が責任を持つのか」という問題とも関係します。AIが下書きを作っても、最終判断をするのは人間の専門家や組織です。AIが作った文章を顧客に出す場合、社内資料に使う場合、監査証跡に含める場合、それぞれ確認の深さが変わります。専門職AIを導入する組織は、どの業務ならAIの提案を使ってよいのか、どの業務では人の承認が必要なのかを決める必要があります。
この点で、Thomson Reutersのように既存の専門情報サービスを持つ企業は有利な立場にあります。モデルそのものの性能だけでなく、専門データ、検索、文書、ワークフロー、顧客基盤を組み合わせられるからです。AIモデルが「何を知っているか」だけでなく、「どの仕事のどの場面で使われるか」が競争の中心になります。
法律AIで変わること
法律分野でAIが使われる場面はすでに広がっています。判例調査、契約書レビュー、訴訟資料の整理、メモ作成、規制調査、社内問い合わせ対応などです。Thomson Reutersは法務向けの調査・実務支援サービスを長く提供しており、CoCounselのようなAI関連製品も展開しています。独自モデルの発表は、こうした法律AIの基盤をさらに自社の専門情報と結びつける動きとして読めます。
法律AIの利点は、調査の入り口を広げ、文書作成の下準備を効率化できることです。大量の資料から関連しそうな論点を探す、長い文書を要約する、契約条項のリスク候補を洗い出す、類似する判例や規制の候補を並べるといった作業では、AIの支援が役立ちます。専門家が最初から白紙で調べるよりも、確認すべき道筋を短時間で作れる可能性があります。
ただし、法律AIの出力は法的助言そのものではありません。特定の契約、訴訟、許認可、労務、個人情報、消費者対応などに関わる判断では、該当する法令、判例、行政資料、契約文書、専門家の確認が必要です。AIが「問題ない」と述べても、前提条件が違えば結論は変わります。過去にはAIが存在しない判例を示した事例もあり、法律分野では根拠確認の重要性が繰り返し指摘されています。
そのため、法律AIを使う現場では、利用場面を限定することが現実的です。初期調査、論点整理、文書のたたき台、社内の一般的な問い合わせ対応には使いやすい一方、最終意見書、裁判所への提出書面、顧客向け助言、重要契約の判断では、人間の専門家による確認が前提になります。便利さを最大化するには、AIを「判断者」ではなく「調査と整理の補助者」として置く設計が必要です。
税務・会計AIで変わること
税務・会計分野でも、専門職AIの需要は大きくなっています。税制改正、申告手続き、国際税務、移転価格、間接税、会計基準、監査対応などは、情報量が多く、更新も頻繁です。専門家は、最新の制度、顧客の事情、過去の判断、証憑、社内方針を組み合わせて結論を出します。AIがこの作業の一部を支援できれば、調査時間の短縮や見落とし防止につながる可能性があります。
たとえば、税務担当者が新しい制度の概要を把握したいとき、AIは関係しそうな論点を整理し、チェックリストを作ることができます。会計担当者が決算説明資料の下書きを作るとき、AIは過去資料の構成を参考にして、読みやすい文章を提案できます。監査や内部統制の場面では、必要な証跡、承認、手続きの抜け漏れを確認する補助にも使えるかもしれません。
しかし、税務・会計は典型的な高影響領域です。AIの説明が自然に見えても、税法の適用、会計処理、申告、監査意見、開示、投資判断は、個別事情によって大きく変わります。一般的な記事やAI回答だけで処理を決めるのは危険です。実務では、公式資料、専門家、社内の会計方針、監査人、税務当局の資料、契約書を確認する必要があります。
専門職AIの価値は、こうした確認を不要にすることではありません。むしろ、確認すべき項目を明確にし、根拠に戻りやすくし、レビューの記録を残しやすくすることにあります。AIが下書きを作り、担当者が出典を確認し、専門家が判断し、組織が記録を残す。この流れを作れるかどうかが、税務・会計AIの実用性を左右します。
専門データを持つ企業が強くなる理由
生成AIの初期段階では、巨大モデルを持つ企業が大きく注目されました。今後も基盤モデルの性能は重要ですが、業務利用ではデータの質と接続の設計がより大きな意味を持ちます。専門職の仕事では、公開Web上の情報だけでは足りません。信頼できるデータベース、編集された解説、過去の文書、社内ナレッジ、契約、顧客ごとの履歴などが必要になります。
Thomson Reutersの発表は、この点をよく示しています。同社は長年にわたり、法律、税務、ニュース、リスク情報のデータと製品を蓄積してきました。AIモデルを自社の製品群に組み込めば、単なる文章生成ではなく、専門情報に基づく調査支援として提供できます。これは、AIモデル単体を外部から借りるだけでは作りにくい競争力です。
似た動きは、他の業界でも起こります。医療では医療記録や臨床ガイドライン、金融では市場データや規制文書、製造では設計図や品質記録、教育では教材や学習履歴が重要になります。AIが本当に業務で使われるほど、モデルだけでなく、データの由来、権利、更新、品質管理、権限設計が問われます。専門データを持つ企業は、そのデータをどうAIに接続するかで新しい価値を作れます。
一方で、専門データを持つ企業が強くなるほど、利用者側には確認すべき点も増えます。どのデータが使われているのか、更新頻度はどうか、管轄や地域に対応しているか、顧客データは学習に使われるのか、出力の責任は誰が持つのか。契約条件と製品仕様を確認せずに「専門AIだから安心」と考えるのは早計です。
企業が導入前に確認したいこと
企業が専門職AIを導入する場合、まず確認したいのは利用目的です。調査の入り口に使うのか、文書の下書きに使うのか、顧客対応に使うのか、意思決定の補助に使うのかで、必要な管理は変わります。すべての業務に一気に広げるよりも、影響が比較的小さく、レビューしやすい業務から始める方が現実的です。
次に、入力してよい情報の範囲を決める必要があります。契約書、個人情報、顧客情報、未公開の財務情報、訴訟関連資料、営業秘密をAIに入力する場合、データ保持、学習利用、第三者提供、国外移転、ログ保存、アクセス権限を確認しなければなりません。専門職AIであっても、契約と設定が不十分であれば、情報管理上のリスクが残ります。
三つ目は、出力確認のルールです。AIの回答を誰が確認するのか、出典確認をどこまで行うのか、顧客や社外へ出す文書ではどの承認が必要か、誤りが見つかったときにどう修正するかを決める必要があります。AIが作った文章はきれいに見えるため、確認が甘くなりやすい点に注意が必要です。特に法務、税務、会計、人事、医療、安全、セキュリティに関わる内容では、人のレビューを省略すべきではありません。
四つ目は、記録です。AIに何を入力し、どの出力を使い、誰が確認し、最終的にどの判断をしたのかを残す仕組みが必要になります。監査、内部統制、顧客説明、トラブル対応では、後から経緯を確認できることが重要です。専門職AIの導入は、便利なツールを追加するだけでなく、業務プロセスの記録方法を見直す機会でもあります。
個人ユーザーにも関係する変化
専門職AIというと、法律事務所や大企業だけの話に見えるかもしれません。しかし、個人ユーザーにも関係があります。AIサービスが日常の調べ物や書類作成に使われるほど、私たちは「どのAIを何に使うべきか」を考える必要が出てきます。一般的な質問なら汎用AIで十分なこともありますが、法律、税金、医療、投資、保険、雇用、契約、行政手続きに関わる内容では慎重さが必要です。
たとえば、個人が税金の控除、相続、住宅ローン、医療費、退職、契約解除、労働条件についてAIに相談することはあります。AIは概要を知る入口として役立つ場合があります。しかし、最終判断は、国税庁や自治体などの公式情報、専門家、契約書、勤務先の規程、医療機関などで確認する必要があります。AIの回答は、状況に合わない一般論である可能性があります。
専門職AIモデルの登場は、個人にとっても「AIの答えをどう読むか」を学ぶきっかけになります。見るべきポイントは、出典があるか、情報が新しいか、自分の地域や制度に合っているか、具体的な判断を断定しすぎていないか、確認先が示されているかです。AIが便利になるほど、利用者側の確認力も重要になります。
特に、文章が自然であることと、内容が正しいことは別です。専門用語が並んでいても、根拠が曖昧なら信頼できません。逆に、AIがわからない点を明示し、確認すべき資料を示し、専門家に相談すべき範囲を区別していれば、補助ツールとして使いやすくなります。専門職AIの評価では、派手な回答よりも、確認しやすい回答が重要です。
AIサービス選びで見るべきポイント
AIサービスを選ぶとき、利用者は機能一覧だけで判断しがちです。要約できる、検索できる、文書を作れる、表を読める、音声に対応する、といった機能は確かに便利です。しかし、専門職AIでは、機能より先に確認したい項目があります。
第一に、データの出所です。AIがどの資料に基づいて答えているのか、資料は専門家によって編集・管理されているのか、更新日は明示されるのか。特に法律や税務では、古い情報や地域違いの情報が混ざると誤解につながります。
第二に、根拠への戻りやすさです。AIの要約だけで終わるのではなく、法令、判例、解説、ガイドライン、社内資料などの元資料に戻れるかどうかが重要です。元資料へ戻れないAI回答は、実務では確認コストが高くなります。
第三に、データ管理です。入力した情報がどこに保存されるのか、学習に使われるのか、管理者がログを確認できるのか、退職者の権限を止められるのか、顧客情報や個人情報を扱う場合の条件はどうか。便利さだけでなく、契約と運用を確認する必要があります。
第四に、レビューと承認の仕組みです。AIが作った文書を誰が確認し、どの段階で承認し、どの内容を社外に出せるのか。業務の重要度に応じて、人の確認を組み込む設計が必要です。専門職AIは、人を不要にする道具ではなく、人の確認を前提に業務を速くする道具として考える方が安全です。
専門職AIのリスク
専門職AIには、期待だけでなくリスクもあります。まず、過信のリスクです。専門データに接続しているAIでも、質問の仕方が曖昧だったり、前提が間違っていたり、必要な資料が不足していたりすれば、誤った回答をする可能性があります。AIが自信ありげに説明しても、正しいとは限りません。
次に、責任の曖昧さです。AIが作った下書きを担当者が少し直して使った場合、誤りがあったときに誰が責任を持つのか。社内で承認された文書なのか、専門家が確認した文書なのか、AIの提案にすぎないのか。組織として責任分界を決めておかなければ、トラブル時に混乱します。
三つ目は、情報管理のリスクです。専門職は機密性の高い情報を扱います。契約書、訴訟資料、税務情報、個人データ、未公開の経営情報をAIに入力する場合、サービス提供者の契約条件、データ保持、セキュリティ認証、アクセス管理、ログ管理を確認する必要があります。入力してはいけない情報を明確にし、従業員に周知することも重要です。
四つ目は、業務品質のばらつきです。AIを使う人と使わない人、上手に確認する人と確認しない人で、成果物の品質が変わる可能性があります。導入時には、プロンプト例だけでなく、レビュー手順、禁止用途、確認先、記録方法、教育を整える必要があります。専門職AIは、ツール導入と同時に運用設計が必要な領域です。
競争はモデル単体から業務基盤へ
Thomson Reutersの発表は、AI業界の競争軸が変わっていることも示しています。OpenAI、Google、Microsoft、Anthropic、Meta、Amazon、Alibabaなどが基盤モデルやクラウド、AIエージェント、業務アプリで競争する一方、専門情報を持つ企業は、特定業界の深いデータと顧客接点を武器にしています。
モデル単体の性能差は今後も重要です。しかし、業務現場では「一番賢いモデル」だけでは足りません。仕事で使うデータにつながるか、出典を示せるか、組織の権限管理に合うか、監査できるか、既存システムと連携できるか、費用対効果が合うかが問われます。専門職AIは、モデル、データ、製品、ワークフロー、ガバナンスをまとめた業務基盤として競争することになります。
この変化は、AI導入を考える企業にとって重要です。AIモデル名だけを追いかけるのではなく、自社の業務で何がボトルネックなのかを見極める必要があります。調査時間が長いのか、文書作成が重いのか、確認漏れが多いのか、社内問い合わせが多いのか、データが散らばっているのか。課題によって、選ぶべきAIサービスは変わります。
また、AIベンダーにとっても、単にモデルを提供するだけでは差別化が難しくなります。専門データ、信頼性、出典、監査、セキュリティ、既存製品との統合、顧客サポートが価値になります。Thomson Reutersのような専門情報企業が独自モデルに踏み込むのは、この競争構造を反映した動きです。
ニュースを読むためのチェックリスト
今回のような専門職AIニュースを読むときは、次の観点で確認すると理解しやすくなります。
- どの業務を対象にしているのか
- どの専門データに接続しているのか
- 出典や根拠に戻れるのか
- 情報の更新日や対象地域がわかるのか
- 入力データは学習や保持に使われるのか
- 管理者向けの権限設定やログがあるのか
- 人間のレビューを前提にした設計か
- 誤回答やトラブル時の対応はどうなっているのか
- 料金や契約条件は業務に合うのか
- 既存の業務ツールと連携できるのか
このチェックリストは、Thomson Reutersのサービスだけでなく、他の専門職AIや企業向けAIを検討するときにも使えます。AIサービスは進化が速く、発表時点の機能と実際に利用できる機能が異なることもあります。導入前には、公式資料、契約条件、管理画面、セキュリティ資料、サポート範囲を確認することが大切です。
日本企業への示唆
日本企業にとっても、専門職AIの流れは無関係ではありません。法務、経理、税務、人事、総務、監査、リスク管理、広報、知財、調達といった部門では、専門文書を読み、社内ルールに照らし、関係者と調整する仕事が多くあります。AIがこの作業を支援できれば、生産性は上がります。
一方で、日本企業では、承認フロー、稟議、監査、個人情報管理、委託先管理、社内規程との整合が重要です。AIを導入するときも、現場の便利さだけでなく、管理部門、情報システム、法務、セキュリティ、経営層が同じ前提を共有する必要があります。特に、専門職AIが外部サービスとして提供される場合、入力データの扱いと契約条件は必ず確認すべきです。
導入の第一歩は、小さく試すことです。たとえば、公開情報の要約、社内FAQの下書き、契約レビューのチェックリスト作成、税制改正の概要整理、監査準備の資料分類など、リスクを管理しやすい用途から始める方法があります。そのうえで、成果物の品質、確認時間、誤りの傾向、現場の負担、費用を測定します。
重要なのは、AIの導入を目的化しないことです。専門職AIは、仕事の質を上げるための道具です。どの業務で使うと価値が出るのか、どこでは使わない方がよいのか、誰が確認するのかを決めてから導入する必要があります。
まとめ
Thomson Reutersが発表した独自AIモデル「Thomson」は、生成AIが専門職の業務基盤へ進んでいることを示すニュースです。法律、税務、会計、リスク管理のような領域では、AIが文章を作れるだけでは十分ではありません。信頼できるデータ、根拠へのアクセス、業務ツールとの統合、権限管理、レビュー、記録がそろって初めて実務で使いやすくなります。
読者にとって大切なのは、専門職AIを過度に恐れることでも、無条件に信じることでもありません。AIは調査、整理、下書き、確認漏れの発見に役立つ可能性があります。一方で、法律、税務、会計、投資、契約、雇用、医療、安全に関わる判断では、AIの出力を最終判断にせず、公式資料、専門家、社内規程、契約、法令、責任部署に戻る必要があります。
これからのAIニュースでは、「どのモデルが賢いか」だけでなく、「どのデータに基づき、どの業務で使われ、誰が確認し、どのように記録されるのか」を見ることが重要になります。Thomson Reutersの動きは、AIの競争が専門データと業務プロセスの領域へ広がっていることを示す、わかりやすい事例です。
