Förvaltningsbaserad AI: Hanterad AI inom specialiserad publicering – Hur Thomson Reuters löser förtroendeproblemet med företags-AI med Snowflake

Reuters öppnar arkiv: Hur journalistiskt innehåll blir värdefullt AI-råmaterial

AI av förtroendeklass: Varför förtroende är allt när man använder artificiell intelligens

Artificiell intelligens har etablerat sig som en drivkraft för innovation inom olika branscher – men inom mycket känsliga områden som juridik, beskattning och reglering gäller dess egna regler. Där hallucinatoriska AI-modeller eller bristfälliga lagbestämmelser kan leda inte bara till ryktesskador utan också till massiva ansvarsrisker, är blind tillit till tekniken inte ett alternativ. För att möta denna utmaning förlitar sig den globala informationstjänsteleverantören Thomson Reuters på ett långtgående partnerskap med AI-datamolnet Snowflake. Kärnan är konceptet "Managed AI" – en strikt kontrollerad, pålitlig AI som prioriterar tillförlitliga resultat framför ren hastighet. Följande artikel undersöker hur Thomson Reuters konsoliderar tiotusentals databaser, drastiskt accelererar kritiska arbetsprocesser och för övrigt omvandlar sitt stora, decennier gamla nyhetsarkiv till en värdefull resurs för den globala AI-ekonomin. Lär dig varför utmärkt datastyrning blir en avgörande konkurrensfördel inom modern specialiserad publicering och vilka hinder som fortfarande måste övervinnas när man skalar upp företags-AI.

”Fduciary-Grade AI” är en specifik typ av Managed AI: Den beskriver specifikt den högsta nivån av förtroende och styrning inom en hanterad AI-miljö, vilket krävs för förvaltarkänsliga användningsfall såsom lag, skatt och reglering, medan Managed AI är den mer allmänna termen för professionellt driven, övervakad AI-infrastruktur överlag.

Thomson Reuters är ett kanadensiskt-brittiskt medie- och teknikföretag med huvudkontor i Toronto, bildat 2008 genom förvärvet av den brittiska nyhetsbyrån Reuters av den kanadensiska Thomson Corporation.

Reuters grundades i London 1851 och är en av de äldsta och största nyhetsbyråerna i världen. Thomson Reuters är fortfarande majoritetsägt av Woodbridge Company, det privata investeringsbolaget som tillhör den kanadensiska familjen Thomson, som innehar cirka 67 till 70 procent av aktierna. Företaget är noterat på New York-börsen och Toronto-börsen under tickersymbolen TRI.

Under räkenskapsåret 2025 genererade gruppen en omsättning på cirka 7,48 miljarder USD och hade cirka 27 100 anställda världen över i fler än 100 länder. Företaget är i huvudsak uppdelat i fem segment: Legal Professionals (produkter för juridisk forskning och arbetsflöden för advokatbyråer och myndigheter), Corporates (lösningar för interna juridiska, skatte- och compliance-avdelningar), Tax & Accounting Professionals (skatte- och redovisningsprodukter), Reuters News (den traditionella nyhetsverksamheten) och Global Print.

Thomson Reuters beskriver sig nu som ett "AI- och teknikföretag" som stödjer yrkesverksamma med pålitligt innehåll och automatiserade arbetsflöden, bygger på över 150 års ackumulerad innehållsexpertis. Bland deras mest kända produkter finns den juridiska forskningsplattformen Westlaw och den generativa AI-assistenten CoCounsel för jurister, vilka båda i allt högre grad förlitar sig på en moderniserad, AI-driven datainfrastruktur – just det område som är kärnan i det tidigare analyserade Snowflake-partnerskapet.

Tillförlitlighet före hastighet: Det nya riktmärket för artificiell intelligens i specialiserade förlag

AI utan fel: Hur Thomson Reuters löser förtroendeproblemet i rättssystemet

Artificiell intelligens anses allmänt vara en tillväxtaccelerator, men inom juridik-, skatte- och regulatoriska sektorer är det en sak som räknas framför allt: tillförlitlighet. Den som säljer ett AI-system som uppfinner felaktiga juridiska stycken eller citerar föråldrade regler till advokater, skatterådgivare och compliance-avdelningar riskerar inte bara att skada sitt rykte utan även få rättsliga konsekvenser för sina klienter. Det är just här partnerskapet mellan Thomson Reuters och Snowflake, som presenterades vid Snowflake Summit 26 i juni 2026, kommer in i bilden. Det visar hur ett traditionellt medie- och informationsföretag kan omvandla sina omfattande, mycket känsliga datalager till en robust grund för generativ AI utan att förlora kontrollen över informationens ursprung, kvalitet och åtkomst.

Thomson Reuters är en global leverantör av informationstjänster för juridiska, skattemässiga och regulatoriska frågor och förser sina kunder med produkter som Westlaw för juridisk forskning och CoCounsel, en generativ AI-assistent för jurister. Snowflake positionerar sig i sin tur som ett AI-datamoln, en plattform som tillhandahåller företagsdata centralt, säkert och i enlighet med styrningsregler för analys- och AI-applikationer. Samarbetet mellan de två företagen ger ett levande exempel på hur konceptet med hanterad AI – professionellt driven, övervakad och integrerad artificiell intelligens i befintliga affärsprocesser – visar sig framgångsrikt i en av de mest krävande regulatoriska miljöerna.

Från 37 500 tabeller till en enhetlig sanning: Dataarkitekturen bakom AI

År 2021 valde Thomson Reuters Snowflake eftersom plattformen kunde kombinera företagsomfattande styrnings- och säkerhetskrav med en skalbar datainfrastruktur. Sedan dess har företaget byggt en enda, säker sanningskälla över mer än 37 500 kontrollerade tabeller och 350 olika datakällor. Denna grund driver den interna My Data Space-plattformen, genom vilken centrala team levererar och delar betrodda dataprodukter i hela organisationen.

Mer än 1 500 interna användare, inklusive dataingenjörer, analytiker och chefer, använder nu systemet dagligen för att hämta skyddad data och få insikter för sina arbetsflöden. Särskilt anmärkningsvärt är accelerationen av kritiska arbetsbelastningar med upp till 3,4 gånger, vilket möjliggör komplexa dataanalyser som tidigare tog veckor att slutföra på några sekunder. Detta språng handlar inte bara om datorkraft, utan snarare om resultatet av en konsoliderad datapipeline som eliminerar manuell dataförberedelse, vilket gör att team kan fokusera på beslutsfattande istället för den underliggande datalogistiken.

Cortex AI och CoCo: De två verktygen för hastighet och modernisering

Kärnan i den tekniska implementeringen är Snowflake Cortex AI, en heltäckande AI-tjänst som gör det möjligt för organisationer att köra stora språkmodeller direkt på sina egna styrningssäkra data utan att behöva flytta dem till externa system. För Thomson Reuters innebär detta att komplexa regulatoriska datamängder omvandlas till realtidsinsikter, vilket avsevärt accelererar utvecklingen av intelligenta applikationer. Cortex AI stöder modeller från olika leverantörer, inklusive Anthropic, Meta och Mistral, samt nuvarande modeller som Claude Opus 5 och Gemini 3 Pro, som körs direkt i den säkra Snowflake-miljön.

Parallellt använder Thomson Reuters Snowflake CoCo, en AI-driven programmeringsassistent som hjälper team att modernisera äldre system och påskynda sin migrering till Snowflake-miljön. Genom att förenkla utvecklingen inom en kontrollerad miljö kan team skala AI- och datainnovationer utan att kompromissa med säkerhets- eller efterlevnadsstandarder. Denna kombination av analysverktyg och utvecklingsassistent exemplifierar hur hanterad AI fungerar i praktiken: Infrastrukturen, modellvalet, säkerhetspolicyerna och skalningen hanteras av plattformsleverantören, medan affärsenheten behåller innehållskontrollen över sina data och användningsfall.

Förvaltarskapsbaserad AI: Ett nytt riktmärke för förvaltarskapsansvar inom AI

Termen "fiduciär AI", som används av Snowflake och Thomson Reuters, beskriver en kvalitetsnivå där noggrannhet, spårbarhet och försvarbarhet av resultat är icke-förhandlingsbara. Caitlin Halferty, chef för data och analys på Thomson Reuters, betonade att det verkliga värdet inte bara ligger i hastighet, utan i förmågan att förnya sig i en kontrollerad miljö där team kan omvandla komplexa regulatoriska data till handlingsbara insikter samtidigt som de bibehåller den nivå av förtroende, kontroll och tillförlitlighet som krävs för professionella högriskapplikationer.

För ett företag vars kärnprodukter används av advokater, skatterådgivare och regulatoriska experter i affärskritiska situationer är denna metod inte en marknadsföringsslogan utan en ekonomisk nödvändighet. Felaktiga eller odokumenterade AI-utgifter inom ett område där miljontals dollar eller juridiskt ansvar står på spel skulle äventyra hela företagets affärsmodell. Snowflakes styrningslager, som inkluderar rollbaserade åtkomstkontroller, datamaskering, objektmärkning och revisionsloggar, utgör den tekniska grunden, medan ytterligare filtreringsfunktioner som Cortex Guard hjälper till att förhindra olämpliga eller skadliga modellutdata.

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En hanterad AI-plattform är din heltäckande och bekymmersfria lösning för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en färdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom bara några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till färdig applikation på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart mervärde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi tar hand om hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet, och anpassar modellerna flexibelt till nya krav.

Mer information här:

• Hanterad AI-plattform

Westlaw och CoCounsel som förmånstagare: Praktiska konsekvenser för flaggskeppsprodukter

En viktig effekt av datakonsolidering är omedelbart uppenbar i Thomson Reuters två flaggskeppsprodukter. I takt med att Thomson Reuters slår samman sina datapipelines för Westlaw, den etablerade plattformen för juridisk forskning, och CoCounsel, den generativa AI-assistenten för jurister, går kärnarbetsbelastningarna nu upp till 3,4 gånger snabbare, vilket möjliggör övergången från statiska rapporter till insikter i nära realtid. Denna förändring förändrar fundamentalt hur jurister arbetar dagligen: Istället för att vänta på dagliga uppdateringar får användarna nu kontinuerlig, verifierad information om regelutvecklingen.

Christian Kleinerman, vice vd för produktutveckling på Snowflake, betonade att Thomson Reuters visar hur företag kan skala upp AI och styrning tillsammans genom att skapa en betrodd grund som gör det möjligt för team att arbeta snabbare och skala AI över hela företaget. Detta uttalande understryker partnerskapets strategiska dubbla funktion: det är både ett tekniskt moderniseringsprojekt och ett verktyg för att bygga förtroende med en kundbas som traditionellt sett är mycket riskavers när det gäller teknisk innovation.

Innehåll som råmaterial: Reuters öppnar sina arkiv för AI-ekonomin

Utöver sin interna dataplattform meddelade Reuters i augusti 2026 att de skulle göra sitt journalistiska innehåll tillgängligt via Snowflake Marketplace, vilket gör det möjligt för företag att berika sina AI-applikationer och modeller med faktabaserat Reuters-nyhets- och multimediainnehåll. Denna marknadsplats ger företag tillgång till Reuters-journalistik som går tillbaka till 1987, tillgänglig på fem språk och direkt integrerad i AI-arbetsflöden. Denna öppning markerar ett viktigt steg för hela mediebranschen och visar hur skyddade, upphovsrättsskyddade journalistiska arkiv kan bli en intäktsgenererande resurs för generativa AI-system utan att man avstår från kontrollen över användningsrättigheter.

Detta positionerar Thomson Reuters samtidigt som leverantör av pålitlig utbildnings- och kontextuell data för tredjeparts AI-system och som operatör av sina egna styrningskompatibla AI-applikationer för sina kärnkunder. Denna dubbla roll skiljer i grunden utgivare och specialiserade informationsleverantörer från rena teknikföretag, eftersom de förfogar över exklusiva, ofta årtionden gamla datamängder som representerar en betydande kvalitativ fördel för generativa AI-modeller jämfört med allmänt tillgängliga internetdata.

Snowflakes plattformsstrategi: Från datalager till kontrolllager för företags-AI

Samarbetet med Thomson Reuters ligger i linje med Snowflakes bredare strategiska inriktning, då företaget i allt högre grad positionerar sig som ett kontrolllager för den agentbaserade företagsvärlden. I april 2026 tillkännagav Snowflake betydande förbättringar av Snowflake Intelligence och Cortex Code, utformade för att göra det möjligt för organisationer att koppla samman ännu fler datakällor, företagssystem och AI-modeller med sina betrodda Snowflake-data inom en enhetlig upplevelse. Snowflake Intelligence fungerar som en personlig arbetsassistent för företagsanvändare och anpassar sig över tid till individuella preferenser och arbetsflöden, medan Cortex Code fungerar som utvecklingslager för företags-AI, vilket möjliggör datadriven utveckling över hela ekosystemet.

Sedan lanseringen i november 2025 har detta verktyg fått ett snabbt genomslag, med mer än hälften av kunderna som aktivt använder det för att öka produktiviteten. Snowflake använder en liknande strategi inom finanssektorn med Cortex AI for Financial Services, som kombinerar rigorösa säkerhets- och efterlevnadskontroller med tillgång till partnerdata från leverantörer som FactSet, MSCI och Associated Press. Denna parallell mellan finans- och juridiksektorn belyser ett branschmönster: där fel är kostsamma och spårbarhet är avgörande, har den styrningsfokuserade AI-modellen företräde framför öppna, okontrollerade metoder.

Hanterad AI som affärsmodell: Varför ledning blir viktigare än modellval

Termen Managed AI beskriver ett fundamentalt skifte i hur företag använder artificiell intelligens. Istället för att driva enskilda språkmodeller isolerat överför ett företag som Thomson Reuters betydande delar av infrastrukturen, säkerhetsarkitekturen, modellvalet och driften till en specialiserad plattform som hanterar dessa uppgifter i stor skala och med kontinuerliga uppdateringar. Det verkliga värdet skapas inte längre enbart genom utbildning eller anpassning av enskilda modeller, utan genom tillförlitlig hantering av hela data- och AI-livscykeln: från datainsamling och styrning till leverans av resultat i produktionsapplikationer.

För specialiserade förlag, advokatbyråer, konsultföretag och andra kunskapsintensiva branscher innebär detta att konkurrensfördelar i allt högre grad inte härrör från tillgången till själva AI-modellerna – dessa är nu i stort sett standardiserade och tillgängliga för många leverantörer – utan från kvaliteten, exklusiviteten och styrningen av de underliggande data. Thomson Reuters visar detta imponerande: Den verkliga konkurrensfördelen ligger inte i att använda Claude, Gemini eller andra språkmodeller i sig, utan i möjligheten att använda dessa modeller säkert, transparent och juridiskt korrekt på högspecialiserade datamängder som byggts upp under årtionden.

Konkurrensdynamik på marknaden för specialiserad information: Acceleration som en differentierande faktor

Genom att öka arbetsbelastningen upp till 3,4 gånger kan Thomson Reuters förse sina slutkunder – jurister, skatteexperter och regulatoriska analytiker – med kritisk, aktuell information betydligt snabbare än tidigare. På en marknad där konkurrenter som LexisNexis, Bloomberg Law och specialiserade legal tech-startups också introducerar generativa AI-verktyg, blir snabbhet i kombination med tillförlitlighet en avgörande skillnad. Den första leverantören som levererar robusta, verifierade svar vinner förtroendet hos en yrkesgrupp som traditionellt sett är extremt konservativ med ny teknik.

Samtidigt skapar denna utveckling en strukturell fördel för etablerade informationsleverantörer med omfattande, historiskt sett växande och juridiskt granskade datamängder jämfört med nya marknadsaktörer som, trots att de besitter modern AI-teknik, saknar jämförbart datadjup och rykte. Samarbetet med Snowflake fungerar således också som ett slags hinder för marknadsinträde: Även om ett mindre företag teoretiskt sett skulle kunna använda samma molninfrastruktur, saknar det den årtionden långa, kurerade datasamling som utgör det faktiska innehållet i AI-applikationer.

Risker och öppna frågor kring styrningsbaserad AI-skalning

Trots den positiva skildringen i de officiella pressmeddelandena kvarstår flera frågor obesvarade som är avgörande för en balanserad bedömning. Varken Thomson Reuters eller Snowflake publicerar detaljerad information om de faktiska felfrekvenserna för de AI-system som används, frekvensen av mänskliga granskningssteg eller de specifika implementeringskostnaderna. Måttet 3,4x acceleration hänvisar explicit till vissa kritiska arbetsbelastningar och inte till alla användningsfall inom företaget, vilket begränsar dess betydelse för en generell utvärdering av framgång.

Dessutom är frågan om beroende av en enda molnleverantör fortfarande relevant: Ett företag som baserar hela sin datainfrastruktur och AI-styrning på en plattform som Snowflake ingår ett betydande strategiskt åtagande som kan få märkbara konsekvenser i händelse av prishöjningar, tekniska störningar eller strategiska omjusteringar från leverantörens sida. Frågan om hur generativa AI-modeller hanterar motstridiga eller föråldrade rättskällor inom den massiva datamängden på 37 500 tabeller förblir också obesvarad i de offentliga uttalandena och kommer sannolikt att utgöra en fortsatt utmaning i praktisk tillämpning.

Styrda data som en ny kärnkompetens inom mediebranschen

Partnerskapet mellan Thomson Reuters och Snowflake ger en insiktsfull modell för hur traditionella medie- och specialiserade informationsföretag kan förbli relevanta i en generativ AI-era. Istället för att direkt konkurrera med de stora leverantörerna av AI-modeller positionerar de sig som kuratorer, förvaltare och skyddsmän för högkvalitativa, granskade datamängder som fungerar som grund för pålitliga AI-tillämpningar. Detta mönster kommer sannolikt att sprida sig till andra branscher med höga regulatoriska krav under de kommande åren, såsom hälso- och sjukvård, finansiell tillsyn och offentlig sektor, där ursprunget, granskningsbarheten och kontrollen av data är minst lika viktiga som den rena datorkraften hos de modeller som används.

I det långa loppet kommer framgången för hanterade AI-strategier inte att bero på vilken språkmodell som är den mest kraftfulla, utan snarare på hur konsekvent företag hanterar, underhåller och förbereder sina data för produktiv användning. Thomson Reuters har, genom sin fleråriga investering i en enhetlig, kontrollerad dataarkitektur, byggt en strukturell fördel som nu omsätts i mätbara hastighets- och effektivitetsvinster och samtidigt fungerar som en ritning för hela den professionella publicerings- och informationsbranschen.

Både Snowflake och Unframe.AI strävar efter att tillhandahålla AI för företag på ett säkert sätt och i enlighet med styrning, men skiljer sig fundamentalt åt i sin affärsmodell och målgrupp: Snowflake är främst en datainfrastrukturplattform, Unframe är en helt hanterad lösningsleverans.

Kärnverksamhetsmodell och tillvägagångssätt

Snowflake ursprungligen var en molnbaserad datalagerplattform som har utvecklats till ett "AI-datamoln", vilket gav företag infrastruktur, styrningsverktyg och AI-byggstenar som Cortex AI för att bygga sina egna AI-applikationer, antingen självständigt eller genom partners som Thomson Reuters. Unframe å andra sidan, beskriver sig uttryckligen som en "Managed AI Delivery Platform". Istället för att tillhandahålla gör-det-själv-verktyg levererar de färdiga, produktionsklara AI-lösningar för specifika affärsproblem inom några dagar, konfigurerade från förbyggda, modulära "byggstenar" enligt en ritningarkitektur. Med Unframe definierar kunden i huvudsak det önskade resultatet, medan företaget hanterar den tekniska implementeringen, driften och den löpande optimeringen.

Likheter

Båda leverantörerna betonar en hög nivå av styrning, säkerhet och spårbarhet som en viktig försäljningsargument för stora företag som vill implementera AI utan att förlora kontrollen över känsliga data. Båda är också modell-agnostiska, vilket innebär att de inte låser kunder till en enda språkmodell utan tillåter användning av olika LLM:er som Claude, Gemini eller GPT inom samma plattform. Båda strävar också efter principen att förena data från olika källsystem och förbereda dem på ett kontextualiserat sätt för AI-applikationer: Snowflake via sin centrala dataplattform Unframe via sin "Knowledge Fabric".

Viktiga skillnader

särdrag	Snöflinga	Unframe.AI
Kärnerbjudande	Molndatainfrastruktur med AI-komponenter (Cortex AI)	Fullständigt hanterade, färdiga AI-lösningar
Implementeringsmodell	Företag/partners bygger sina egna applikationer på plattformen	Unframe bygger, konfigurerar och driver lösningen åt kunden
Tid till värde	Flerårig implementering möjlig (Thomson Reuters sedan 2021)	Dagar till några veckor, enligt leverantören
Prissättningsmodell	Användningsbaserad molnfakturering	Resultatbaserat, ibland riskfritt, upp till bevisad effekt
Målgrupp	Stora företag med egna data-/utvecklarteam	Fortune 500-företag utan betydande intern AI-utvecklingskapacitet
Spridning	Primär molnplattform	Moln, lokalt, privat moln, hybrid

När kan Unframe.AI bli mer intressant?

Unframe.AI är sannolikt det mer attraktiva valet, särskilt för företag som behöver snabba, mätbara resultat för specifika, tydligt definierade användningsfall utan att ha stora interna datateknik- eller AI-utvecklingsteam, eftersom plattformen uttryckligen annonserar implementering på dagar snarare än månader. Detta är särskilt relevant för organisationer som redan har distribuerade, historiskt utvecklade IT-system som SAP, Salesforce eller äldre databaser och vill integrera dem i AI-arbetsflöden utan komplexa migreringar, eftersom Unframe uttryckligen använder förbyggda kopplingar för sådana system istället för att kräva skapandet av en central dataplattform som Snowflake.

Unframe resultatbaserade prissättningsmodell gör den också attraktiv för företag som är tveksamma till att göra stora initiala investeringar, eftersom de vanligtvis bara betalar när en lösning har visat sig vara effektiv. Fallstudier som den 45 % minskningen av genomsnittlig svarstid hos ett Fortune 500-försäkringsbolag eller den tre gånger snabbare skaderegleringen hos ett globalt försäkringsbolag visar att denna metod är särskilt väl lämpad för operativa, processorienterade användningsfall med tydligt mätbara nyckeltal (KPI:er). Men så snart ett företag vill bygga och bibehålla kontroll över en omfattande, företagsomfattande datainfrastruktur med tusentals tabeller och datakällor, som var fallet med Thomson Reuters, förblir en plattform som Snowflake den strukturellt mer lämpliga, om än betydligt mer tidskrävande, lösningen.

Jag skulle gärna fungera som din personliga rådgivare.

Du kan kontakta mig på wolfenstein∂xpert.digital eller

Ring mig bara på +49 7348 4088 965 .

LinkedIn