Klonování softwaru – Je placený software opravdu minulostí?

Nedávné titulky o vývojářích, kteří pomocí nástrojů AI klonují oblíbený placený software – především produkty společnosti Adobe, vyvolaly smíšené reakce – od obvinění z krádeže až po vítání bezplatných nástrojů s otevřeným zdrojovým kódem.

Co to ale znamená pro technologické společnosti, které vlastní původní software, nebo pro ty, kdo za jeho používání platí vysoké předplatné?

Matt Wood, seniorní ředitel pro architekturu kybernetické bezpečnosti, provoz a zabezpečení AI ve společnosti ABBYY, se tímto narůstajícím problémem zabýval a nabízí svůj pohled na rizika a příležitosti vývoje softwaru řízeného umělou inteligencí.

V roce 1996 vytvořil Fatboy Slim skladbu „Rockafeller Skank“ z kytarového riffu převzatého z desky ze 60. let, kterou už desítky let slyšel jen málokdo. The Chemical Brothers samplovali breakbeatové rytmy ze zapomenutých funkových nahrávek a proměňovali je v hymny plnící stadiony. The Prodigy samplovali sirény, filmové dialogy a obskurní vinylové desky a vytvořili něco, co znělo jako nic předtím. Sampling nejen snížil náklady na tvorbu hudby. Změnil to, kdo ji mohl tvořit, a přiměl celé odvětví položit si mnohem náročnější otázku: co se vlastně počítá jako originální?

Dnes nutí AI podniky klást si stejnou otázku, jenže tentokrát nejde o umístění v hitparádách. Jde o provozní výsledky, rizika spojená s dodržováním předpisů a důvěru, kterou zákazníci vkládají do každého rozhodnutí firmy.

Replikace je levná. Poznatky nikoli.

Velké jazykové modely výrazně usnadnily nové zpracování již existujících znalostí: mohou navrhnout ustanovení smlouvy, shrnout zprávu nebo vytvořit věrohodně znějící odpověď na základě libovolného textu, ke kterému mají přístup. Tato schopnost má skutečnou hodnotu. Replikace ale není totéž co objevování a právě zaměňování těchto dvou věcí vede k tomu, že se mnoho firemních projektů AI nenápadně zastaví.

Toto rozlišení je důležité, protože generativní systémy umějí velmi dobře vytvářet obsah, který působí jako hotový. S mimořádnou lehkostí napodobují tón, strukturu i jistotu. Samy však nedokážou zaručit, že se jejich výstupy opírají o správné důkazy, navazují na správný proces nebo vycházejí ze správného úsudku.

Toto napětí se neomezuje jen na podnikání. Je patrné i v tvůrčí práci. Studie z roku 2024 v časopise Science Advances zjistila, že podpora AI zvýšila vnímanou kvalitu a kreativitu jednotlivých příběhů, zejména u méně kreativních autorů, zároveň však způsobila, že si příběhy jako celek byly navzájem podobnější. Jinými slovy, kvalita výstupu se zlepšila na úrovni jednotlivých příběhů, ale na kolektivní úrovni se sbližovala. Vyšší produkce nutně neznamenala větší originalitu. Často šlo o více stejných nápadů, jen plynuleji vyjádřených.

V malém je to přesně riziko, kterému čelí podniky. Když mají všichni přístup ke stejným univerzálním nástrojům, konkurenční výhoda nespočívá v tom, že firma vytvoří více textů, shrnutí nebo doporučení. Spočívá v tom, že ví, na čem záleží, čemu důvěřovat a čemu věnovat pozornost.

Problémem podnikání není generování obsahu. Jde o přístup k realitě.

Většině firem nechybějí jazykové schopnosti. Chybí jim přístupný a spolehlivý kontext.

To, co firma skutečně ví, bývá obvykle rozptýleno ve smlouvách, fakturách, vstupních formulářích, nárocích, e-mailech, zprávách, naskenovaných souborech PDF i pracovních postupech, které předávají tyto dokumenty mezi jednotlivými týmy. Výjimka při platbě ve financích, problém s dodržováním předpisů při přijímání nového zákazníka nebo zpoždění služby v provozu často začínají jako něco jen částečně strukturovaného, s nekonzistentním formátováním a bez vazby na systémy, o které se vedoucí pracovníci opírají při rozhodování.

Proto mnoho firemních projektů AI působí při ukázkách přesvědčivě, ale v ostrém provozu mohou selhat. Model může být schopný, ale kontext je neúplný. Uvažovat může pouze na základě toho, k čemu má přístup, a v mnoha organizacích jde jen o úzký výsek skutečnosti.

Nejde jen o teoretickou slabinu. Ovlivňuje kvalitu rozhodování. Pokud model shrne smlouvu, aniž má přístup k příslušným dodat­kům, může jeho shrnutí znít jasně, ale být neúplné. Pokud analyzuje problémy se závazky vůči dodavatelům, aniž má přehled o výjimkách u faktur v různých formátech a od různých dodavatelů, může přinést úhledná, ale neužitečná doporučení. Pokud pomáhá s přijímáním nových zákazníků, zatímco klíčové informace zůstávají uzamčeny v naskenovaných formulářích nebo roztříštěných pracovních postupech, může urychlit chybný závěr.

Výsledkem nejsou poznatky. Je to sebejistě podávané hádání.

Proč se napodobování šíří rychleji než porozumění

Právě zde přirovnání k samplování v hudbě přestává být pouhou metaforou.

Sampling zrychlil a zlevnil hudební produkci a zpřístupnil ji širšímu okruhu lidí. Uspěli však producenti, kteří u toho vydrželi, nikoli ti, kdo jen kopírovali úryvky. Byli to ti, kteří měli cit a disciplínu potřebné k tomu, aby je proměnili. Rytmus mohl převzít kdokoli, ale ne každý kolem něj dokázal vystavět nový zvuk.

Umělá inteligence vytváří podobné rozdíly i v oblasti softwaru a znalostní práce. Překážky napodobování výrazně ubylo. Nikdy nebylo snazší klonovat rozhraní, reprodukovat výstupy, napodobovat pracovní postupy a přibližovat se odborným znalostem. Celým kategoriím softwaru stále více hrozí, že se stanou reprodukovatelnými alespoň na povrchní úrovni.

To neznamená, že placený software skončil, jak prohlásil vývojář Brandon Thomas, který vytvořil bezplatné alternativy k produktům Adobe. Znamená to, že se hodnota softwaru přesouvá jinam.

Když je napodobování levné, hodnota se přesouvá jinam: k důvěře, integraci, úsudku a schopnosti dosahovat výsledků, které obstojí v reálných podmínkách. Otázkou už není, zda systém umělé inteligence dokáže vytvořit odpověď připomínající odbornou práci. Otázkou je, zda to dokáže spolehlivě, v daném kontextu a s takovou mírou transparentnosti, aby mu lidé důvěřovali i v situacích, kdy jde o hodně.

Naklonovaný výstup lze vytvořit snadno. Dosáhnout spolehlivého výsledku snadné není.

Skrytá přidaná hodnota spočívá v odbornosti

Proto je v době klonování pomocí umělé inteligence odbornost důležitější, nikoli méně důležitá.

Po mnoho let čerpaly mnohé digitální nástroje svou hodnotu z toho, že zpřístupňovaly vzácné specializované schopnosti. Pokud software dokázal zachytit nějaký proces, standardizovat úkol nebo zjednodušit dříve obtížný pracovní postup, zákazníci byli ochotni platit za přístup k takto zprostředkované odbornosti. Generativní umělá inteligence tento model narušuje, protože nyní dokáže napodobit mnohé viditelné projevy odbornosti s nízkými náklady.

Napodobování však zachycuje pouze vnější vrstvu.

Skutečná odbornost spočívá v tom vědět, na které výjimce záleží, kterou nejasnost nelze přehlížet, který zdroj je autoritativní a kdy je třeba odpověď systému zpochybnit, nikoli ji přijmout. Právě v tom spočívá rozdíl mezi extrahováním textu z dokumentu a porozuměním tomu, zda tento text poskytuje dostatečný podklad pro obchodní rozhodnutí. Rozdíl je také mezi shrnutím zásad a rozpoznáním provozních důsledků toho, že toto shrnutí bude chybné.

Právě v tomto bodě se mnohé debaty o umělé inteligenci a originalitě ubírají špatným směrem. Originalita v podnikání zřídkakdy spočívá v novosti pro novost samu. Jde o to všimnout si něčeho, co ostatní přehlédnou: rizika skrytého v šumu procesů, vzorce pohřbeného v roztříštěných informacích nebo příležitosti zastřené nesourodými systémy. Taková originalita závisí méně na výřečném generování a více na přesné interpretaci.

Dokumenty nejsou celý příběh, často v nich však začíná

Dokumenty jsou důležité, protože stále patří k nejčastějším místům, kde se uchovává realita podniku, ale nelze ji plně využít.

To z „AI pro dokumenty“ nedělá hlavního hrdinu příběhu. Porozumění dokumentům je pouze jednou součástí širšího úsilí přeměnit provozní informace na něco, s čím mohou systémy umělé inteligence zodpovědně pracovat. Chtějí-li organizace dosahovat lepších výsledků s generativními modely, potřebují lepší přístup k podkladům, o které se tyto modely opírají. V mnoha případech to znamená extrahovat, ověřovat a strukturovat informace, které by jinak zůstaly uvězněné ve formulářích, souborech a roztříštěných předávkách práce.

Při správném využití nejde u takové schopnosti o upřednostňování jedné kategorie produktů před jinou. Jde o zmenšení rozdílu mezi tím, co podnik ví, a tím, co jeho systémy umělé inteligence skutečně dokážou vidět.

Na tomto rozdílu záleží. Nejúspěšnější strategie podnikové umělé inteligence nestojí pouze na generování. Opírají se o kombinaci použitelných dat, znalosti procesů a lidského dohledu. Nedávný výzkum v oblasti podniků, který provedl projekt MIT Project NANDA, například tvrdí, že největší překážky zavádění umělé inteligence často nespočívají v samotné kvalitě modelů, ale ve špatném začlenění do pracovních postupů a v nedůvěře k tomu, jak se nástroje chovají při skutečném používání.

To by mělo znít povědomě. Podniky nevítězí tím, že vytvářejí největší množství syntetického obsahu. Vítězí tím, že se na základě informací, které dokážou obhájit, rozhodují lépe, rychleji a důsledněji.

Další přidaná hodnota spočívá v úsudku

Samplování hudbu neznehodnotilo. Změnilo význam originality.

Když se suroviny daly snáze znovu použít, přidaná hodnota se přesunula k výběru, aranžmá a záměru. Úsudek začal být cennější než samotný přístup. Totéž se nyní děje v oblasti podnikové umělé inteligence. S tím, jak se klonování softwaru stává snazším, nebude trvalá konkurenční výhoda spočívat v tom, že máte model schopný napodobit kompetentní práci. Bude spočívat ve schopnosti propojit umělou inteligenci se správným kontextem, vhodně ji omezit a nasadit tam, kde jsou lidská kreativita a odborný úsudek v dané oblasti stále nejdůležitější.

Právě tuto část debaty přehlíží mnoho argumentů o tom, že „umělá inteligence nahradí software“. Pokud lze každý nástroj zkopírovat na úrovni rozhraní, skutečnou konkurenční výhodou není rozhraní. Je jí hloubka porozumění, která za ním stojí: logika pracovních postupů, ošetření výjimek, důvěryhodná data, institucionální znalosti a lidská odbornost potřebná k tomu, aby se výstupy proměnily v rozhodnutí.

Je tedy placený software opravdu na konci? Jen pokud bychom věřili, že hodnota softwaru vždy spočívala pouze v jeho viditelné vrstvě.

U běžných funkcí softwaru bude tlak sílit. Některé produkty budou klonovány. Některé kategorie se zúží. Některé funkce, za které se kdysi platila vysoká cena, se stanou samozřejmým standardem. Obstojí však ty nástroje a společnosti, které organizacím pomohou přejít od napodobování k porozumění.

Proto je důležitá současná éra samplování v AI. Připomíná nám, že zlevnění reprodukce neodstraňuje potřebu originality. Pouze mění, kde se originalita skrývá.

V hudbě se těžiště přesunulo od interpretace původního materiálu k umění jeho transformace.

V podnikovém využití AI se přesouvá od vytváření věrohodných výstupů k disciplinovanému využívání důvěryhodných informací, odborného úsudku a kreativního řešení problémů.

Replikace je levná. Nadhled nikoli. Proto další etapa AI nebude patřit systémům, které jen znějí inteligentně. Bude patřit organizacím, které dokážou zpřístupnit své stávající znalosti natolik, aby díky nim objevily něco skutečně nového.