Softwarekloning – er betalt software virkelig fortid?

De seneste overskrifter om udviklere, der bruger AI-værktøjer til at klone populær betalingssoftware – især Adobe – har udløst blandede reaktioner, fra anklager om tyveri til begejstring over gratis open source-værktøjer.

Men hvad betyder det for de teknologivirksomheder, der ejer den originale software – eller for dem, der betaler dyre abonnementer for at bruge den?

Matt Wood, Senior Director for cybersikkerhedsarkitektur, drift og AI-sikkerhed hos ABBYY, har undersøgt denne voksende bekymring og giver sit syn på risiciene og mulighederne ved AI-drevet softwareudvikling.

I 1996 byggede Fatboy Slim »Rockafeller Skank« på et guitarriff, der var lånt fra en plade fra 1960’erne, som kun få havde hørt i årtier. The Chemical Brothers loopede breakbeats fra glemte funkplader og skabte hymner, der fyldte stadioner. The Prodigy samplede sirener, filmdialog og obskure vinylplader og skabte noget, der lød som intet før. Sampling sænkede ikke kun omkostningerne ved at lave musik. Det ændrede, hvem der kunne lave den, og tvang hele branchen til at stille et vanskeligere spørgsmål: Hvad tæller egentlig som originalt?

I dag tvinger AI virksomheder til at stille det samme spørgsmål, men indsatsen handler ikke om placeringer på hitlisterne. Den handler om driftsresultater, risiko for manglende overholdelse og den tillid, kunderne har til enhver beslutning, en virksomhed træffer.

Efterligning er billig. Indsigt er det ikke.

Store sprogmodeller har gjort det bemærkelsesværdigt nemt at genbruge eksisterende viden på nye måder: udarbejde en kontraktklausul, opsummere en rapport eller generere et svar, der lyder overbevisende, ud fra den tekst, de har adgang til. Den evne har reel værdi. Men efterligning er ikke det samme som opdagelse, og det er, når de to forveksles, at mange AI-initiativer i virksomheder går i stå uden større opmærksomhed.

Forskellen er vigtig, fordi generative systemer er meget dygtige til at skabe noget, der ser færdigt ud. De kan efterligne tone, struktur og sikkerhed med enestående flydende sprog. Men på egen hånd kan de ikke garantere, at det, de producerer, bygger på de rette kilder, hænger sammen med den rette proces eller er præget af den rette dømmekraft.

Denne spænding findes ikke kun i erhvervslivet. Den ses også i kreativt arbejde. Et studie fra 2024 i Science Advances viste, at AI-assistance øgede den oplevede kvalitet og kreativitet i individuelle historier, især hos mindre kreative forfattere, samtidig med at historierne som helhed blev mere ens. Med andre ord blev resultatet bedre på individniveau, men mere ensartet på kollektivt niveau. Større produktion betød ikke nødvendigvis større originalitet. Ofte betød det flere af de samme idéer, formuleret mere flydende.

Det er virksomhedsrisikoen i miniature. Når alle har adgang til de samme generelle værktøjer, kommer konkurrencefordelen ikke af at generere mere tekst, flere opsummeringer eller flere anbefalinger. Den kommer af at vide, hvad der er vigtigt, hvad man kan stole på, og hvad der bør føre til handling.

Virksomhedernes problem er ikke generering. Det er adgang til virkeligheden.

De fleste virksomheder lider ikke af mangel på sprog. De lider af mangel på tilgængelig og pålidelig kontekst.

En virksomheds faktiske viden er som regel spredt på tværs af kontrakter, fakturaer, onboardingformularer, krav, e-mails, rapporter, scannede PDF-filer og de arbejdsgange, der sender dokumenterne fra et team til et andet. En betalingsafvigelse i økonomiafdelingen, et complianceproblem i onboarding eller en forsinkelse i driften begynder ofte som noget halvstruktureret, formateret på inkonsekvent vis og adskilt fra de systemer, ledere er afhængige af, når de skal træffe beslutninger.

Derfor virker så mange AI-projekter i virksomheder imponerende i demoer, men kan slå fejl i produktionen. Modellen kan være effektiv, men konteksten er ufuldstændig. Den kan kun ræsonnere ud fra det, den har adgang til, og i mange organisationer er det kun en snæver del af det samlede billede.

Det er ikke kun en teoretisk svaghed. Det påvirker kvaliteten af beslutninger. Hvis en model opsummerer en kontrakt uden adgang til de relevante ændringer, kan opsummeringen lyde klar, men være ufuldstændig. Hvis den analyserer problemer i kreditorbogholderiet uden overblik over fakturaafvigelser på tværs af formater og leverandører, kan den komme med anbefalinger, der ser pæne ud, men ikke er nyttige. Hvis den hjælper med kundeonboarding, mens vigtige oplysninger stadig er låst inde i scannede formularer eller fragmenterede arbejdsgange, kan den føre hurtigere frem til den forkerte konklusion.

Resultatet er ikke indsigt. Det er gætteri, der lyder overbevisende.

Hvorfor efterligning kan skaleres hurtigere end forståelse

Det er her, analogien med sampling i musik bliver mere end en metafor.

Sampling gjorde musikproduktion hurtigere, billigere og mere tilgængelig. Men de producere, der klarede sig på lang sigt, var ikke dem, der blot kopierede fragmenter. Det var dem, der havde smag og disciplin nok til at forvandle dem. Alle kunne låne et beat; ikke alle kunne skabe en ny lyd omkring det.

AI skaber en lignende kløft inden for software og vidensarbejde. Barrieren for efterligning er faldet markant. Det er nemmere end nogensinde at klone brugerflader, genskabe resultater, efterligne arbejdsgange og tilnærme sig ekspertise. Hele softwarekategorier risikerer i stigende grad at kunne genskabes på overfladen.

Det betyder ikke, at betalt software er fortid, sådan som udvikleren Brandon Thomas har udtalt. Han har skabt gratis alternativer til Adobe. Det betyder, at værdien af software er ved at flytte sig.

Når efterligning bliver billig, flytter værdien sig andre steder hen: til tillid, integration, dømmekraft og evnen til at skabe resultater, der holder under virkelige forhold. Spørgsmålet er ikke længere, om et AI-system kan levere et svar, der minder om ekspertarbejde. Spørgsmålet er, om det kan gøre det pålideligt, i den rette sammenhæng og med tilstrækkelig gennemsigtighed til, at folk vil have tillid til det, når meget står på spil.

Det er let at fremstille et kopieret resultat. Det er ikke let at skabe et pålideligt resultat.

Den skjulte merværdi ligger i ekspertisen

Derfor bliver ekspertise vigtigere, ikke mindre vigtig, i en tid med AI-kloning.

I årevis har mange digitale værktøjer hentet deres værdi i at gøre specialiserede kompetencer sjældne. Hvis software kunne indkapsle en proces, standardisere en opgave eller forenkle en tidligere vanskelig arbejdsgang, ville kunderne betale for adgang til denne samlede ekspertise. Generativ AI udfordrer den model, fordi den nu kan efterligne mange synlige tegn på ekspertise til en lav pris.

Men efterligning indfanger kun det yderste lag.

Ægte ekspertise handler om at vide, hvilken undtagelse der er vigtig, hvilken tvetydighed man ikke kan se bort fra, hvilken kilde der er autoritativ, og hvornår et systems svar bør udfordres frem for accepteres. Det er forskellen på at udtrække tekst fra et dokument og at forstå, om teksten er tilstrækkelig til at understøtte en forretningsbeslutning. Det er forskellen på at opsummere en politik og at indse de driftsmæssige konsekvenser af at opsummere den forkert.

Det er også her, mange diskussioner om AI og originalitet kommer på afveje. Originalitet i erhvervslivet handler sjældent om nytænkning for dens egen skyld. Det handler om at få øje på noget, andre overser: en risiko, der gemmer sig i støj fra processer, et mønster begravet i fragmenterede oplysninger eller en mulighed, der sløres af systemer, som ikke hænger sammen. Den slags originalitet afhænger mindre af velformuleret indholdsgenerering end af præcis fortolkning.

Dokumenter er ikke hele historien, men ofte begynder den dér

Dokumenter er vigtige her, fordi de fortsat er et af de mest almindelige steder, hvor virksomhedens virkelighed bliver lagret, men ikke fuldt ud kan udnyttes.

Det gør ikke „dokument-AI“ til historiens helt. Det betyder blot, at dokumentforståelse er én del af den større disciplin, der handler om at gøre driftsinformation til noget, AI-systemer kan arbejde ansvarligt med. Hvis organisationer ønsker bedre resultater fra generative modeller, skal de have bedre adgang til den dokumentation, modellerne bygger på. I mange tilfælde betyder det, at man udtrækker, validerer og strukturerer oplysninger, som ellers ville forblive fanget i formularer, filer og fragmenterede overleveringer.

Brugt rigtigt handler den slags funktionalitet ikke om at fremme én produktkategori frem for en anden. Den handler om at mindske afstanden mellem det, virksomheden ved, og det, dens AI-systemer rent faktisk kan se.

Den forskel er vigtig. De stærkeste AI-strategier i virksomheder bygger ikke på generering alene. De bygger på en kombination af brugbare data, forståelse for processer og menneskeligt tilsyn. Nyere forskning i virksomheder fra MIT’s Project NANDA argumenterer for eksempel for, at de største barrierer for at indføre AI ofte ikke handler om modellens kvalitet isoleret set, men om dårlig integration i arbejdsgange og manglende tillid til, hvordan værktøjerne fungerer i praksis.

Det bør lyde bekendt. Virksomheder vinder ikke ved at producere mest syntetisk indhold. De vinder ved at træffe bedre beslutninger hurtigere og mere konsekvent på grundlag af oplysninger, de kan stå inde for.

Den næste merværdi ligger i dømmekraft

Sampling gjorde ikke musikken mindre værd. Det ændrede betydningen af originalitet.

Da råmaterialet blev lettere at genbruge, flyttede merværdien sig til udvælgelse, arrangement og hensigt. Dømmekraft blev mere værdifuld end adgang. Det samme sker nu inden for AI i virksomheder. Efterhånden som software bliver lettere at klone, kommer den varige fordel ikke af at have en model, der kan efterligne kompetent arbejde. Den kommer af at vide, hvordan man forbinder AI med den rette kontekst, sætter passende grænser for den og anvender den dér, hvor menneskelig kreativitet og faglig dømmekraft stadig betyder mest.

Det er den del af debatten, som mange argumenter om, at „AI erstatter software“, overser. Hvis alle værktøjer kan kopieres på brugerfladeniveau, er det altså ikke brugerfladen, der udgør den egentlige konkurrencefordel. Det er den dybe forståelse bag den: arbejdsgangenes logik, håndteringen af undtagelser, de betroede data, den organisatoriske viden og den menneskelige ekspertise, der skal til for at omsætte resultater til beslutninger.

Så er betalt software virkelig fortid? Kun hvis vi troede, at værdien af software nogensinde kun lå i det synlige lag.

Når det gælder softwarefunktioner, der er blevet standardvarer, vil presset tiltage. Nogle produkter vil blive kopieret. Nogle kategorier vil skrumpe. Funktioner, der tidligere kunne sælges til en merpris, vil blive basiskrav. Men de værktøjer og virksomheder, der holder stand, vil være dem, der hjælper organisationer med at bevæge sig fra efterligning til forståelse.

Derfor er AI’s samplingøjeblik vigtigt. Det minder os om, at lavere omkostninger ved kopiering ikke fjerner behovet for originalitet. Det ændrer blot, hvor originaliteten findes.

I musikken flyttede originaliteten sig fra fremførelsen af råmateriale til håndværket i at omforme det.

Inden for AI til virksomheder bevæger originaliteten sig fra at generere plausible resultater til en disciplineret anvendelse af pålidelige oplysninger, ekspertvurderinger og kreativ problemløsning.

Kopiering er billig. Indsigt er det ikke. Derfor kommer den næste fase af AI ikke til at tilhøre systemerne, der blot lyder intelligente. Den vil tilhøre de organisationer, der ved, hvordan de kan gøre det, de allerede ved, så anvendeligt, at de kan opdage noget virkelig nyt.