Clonación de software: ¿de verdad se acabó el software de pago?

Los titulares recientes sobre desarrolladores que usan herramientas de IA para clonar programas de pago populares, en particular los de Adobe, han suscitado reacciones encontradas: desde acusaciones de robo hasta muestras de apoyo a las herramientas gratuitas de código abierto.

Pero ¿qué significa esto para las empresas tecnológicas propietarias del software original, o para quienes pagan costosas suscripciones para utilizarlo?

Matt Wood, director sénior de Arquitectura de Ciberseguridad, Operaciones y Seguridad de IA en ABBYY, ha investigado esta creciente preocupación y ofrece su perspectiva sobre los riesgos y las oportunidades del desarrollo de software impulsado por IA.

En 1996, Fatboy Slim creó «Rockafeller Skank», a partir de un riff de guitarra tomado de un disco de los años sesenta que pocas personas habían escuchado en décadas. The Chemical Brothers repitieron ritmos de batería de discos de funk olvidados hasta convertirlos en himnos capaces de llenar estadios. The Prodigy sampleó sirenas, diálogos de películas y discos de vinilo poco conocidos para crear algo que no se parecía a nada anterior. El sampleo no solo abarató la producción musical. Cambió quién podía hacer música y obligó a toda la industria a plantearse una pregunta más difícil: ¿qué cuenta realmente como original?

Hoy, la IA está obligando a las empresas a hacerse la misma pregunta, pero lo que está en juego no son los puestos en las listas de éxitos. Son los resultados operativos, la exposición a riesgos de incumplimiento y la confianza que los clientes depositan en cada decisión de una empresa.

La replicación cuesta poco. La comprensión, no.

Los modelos de lenguaje grandes han facilitado enormemente la reelaboración de conocimientos existentes: redactar una cláusula contractual, resumir un informe o generar una respuesta verosímil a partir del texto al que puedan acceder. Esa capacidad tiene un valor real. Pero replicar no es lo mismo que descubrir, y confundir ambas cosas es lo que hace que muchas iniciativas empresariales de IA se estanquen silenciosamente.

La distinción importa porque los sistemas generativos son muy buenos para producir algo que parece terminado. Pueden imitar el tono, la estructura y la seguridad con una fluidez extraordinaria. Lo que no pueden hacer por sí solos es garantizar que lo que producen se fundamente en las pruebas adecuadas, esté conectado con el proceso correcto o se haya elaborado con el criterio apropiado.

Esta tensión no es exclusiva del mundo empresarial. También se observa en el trabajo creativo. Un estudio de 2024 publicado en Science Advances concluyó que la asistencia de la IA mejoraba la calidad y la creatividad percibidas de los relatos individuales, sobre todo en el caso de los escritores menos creativos, pero también hacía que el conjunto de relatos se pareciera más entre sí. En otras palabras, los resultados mejoraban a nivel individual, pero convergían a nivel colectivo. Una mayor producción no implicaba necesariamente una mayor originalidad. A menudo, suponía más ideas de siempre expresadas con mayor fluidez.

Ese es, en pocas palabras, el riesgo empresarial. Cuando todos tienen acceso a las mismas herramientas de propósito general, la ventaja competitiva no proviene de generar más texto, más resúmenes o más recomendaciones. Proviene de saber qué importa, en qué confiar y qué merece que se actúe al respecto.

El problema empresarial no es la generación, sino el acceso a la realidad.

A la mayoría de las empresas no les faltan palabras. Les falta contexto accesible y fiable.

Lo que una empresa sabe realmente suele estar disperso entre contratos, facturas, formularios de incorporación, reclamaciones, correos electrónicos, informes, archivos PDF escaneados y los flujos de trabajo que trasladan esos documentos de un equipo a otro. Una excepción de pago en el área financiera, un problema de cumplimiento en el proceso de incorporación o un retraso en el servicio en el área de operaciones suelen originarse en algo semiestructurado, con un formato irregular y desconectado de los sistemas en los que los directivos confían para tomar decisiones.

Por eso tantos proyectos empresariales de IA parecen impresionantes en las demostraciones y pueden fracasar en producción. El modelo puede ser capaz, pero el contexto es parcial. Solo puede razonar a partir de lo que tiene a su alcance, y en muchas organizaciones eso representa una porción limitada de la realidad.

No se trata de una debilidad meramente teórica. Afecta a la calidad de las decisiones. Si un modelo resume un contrato sin tener acceso a las modificaciones pertinentes, puede expresarse con claridad y, aun así, ofrecer una versión incompleta. Si analiza problemas de cuentas por pagar sin poder consultar las excepciones de facturas de distintos formatos y proveedores, puede generar recomendaciones ordenadas, pero poco útiles. Si ayuda con la incorporación de clientes mientras la información clave sigue atrapada en formularios escaneados o flujos de trabajo fragmentados, puede acelerar una conclusión equivocada.

El resultado no es comprensión. Son conjeturas expresadas con seguridad.

Por qué la imitación se escala más rápido que la comprensión

Aquí es donde la analogía con el sampleo musical deja de ser una mera metáfora.

El sampleo hizo que producir música fuera más rápido, barato y accesible. Pero los productores que perduraron no fueron los que se limitaron a copiar fragmentos. Fueron quienes tuvieron el gusto y la disciplina necesarios para transformarlos. Cualquiera podía apropiarse de un ritmo; no todo el mundo podía construir un sonido nuevo a partir de él.

La IA está creando una división similar en el software y el trabajo del conocimiento. La barrera para la imitación ha caído drásticamente. Nunca había sido tan fácil clonar interfaces, reproducir resultados, imitar flujos de trabajo y aproximarse a la experiencia de un experto. Cada vez más categorías enteras de software corren el riesgo de poder reproducirse superficialmente.

Eso no significa que el software de pago haya llegado a su fin, como afirmó el desarrollador Brandon Thomas, quien ha creado alternativas gratuitas a Adobe. Significa que el valor del software está cambiando.

Cuando imitar resulta barato, el valor se desplaza a otros aspectos: la confianza, la integración, el criterio y la capacidad de ofrecer resultados que resistan las condiciones del mundo real. La pregunta ya no es si un sistema de IA puede producir una respuesta que se parezca al trabajo de un experto. La pregunta es si puede hacerlo de forma fiable, en contexto y con suficiente transparencia para que la gente confíe en él cuando hay mucho en juego.

Es fácil producir un resultado clonado. No lo es ofrecer un resultado fiable.

El valor añadido oculto es la experiencia

Por eso, en la era de la clonación mediante IA, la experiencia cobra más importancia, no menos.

Durante años, muchas herramientas digitales basaron su valor en la escasez de capacidades especializadas. Si un software podía codificar un proceso, estandarizar una tarea o simplificar un flujo de trabajo que antes resultaba difícil, los clientes pagaban por acceder a esa experiencia empaquetada. La IA generativa altera ese modelo porque ahora puede imitar a bajo costo muchos rasgos visibles de la experiencia de un experto.

Pero la imitación solo capta la capa superficial.

La verdadera experiencia consiste en saber qué excepción importa, qué ambigüedad no se puede pasar por alto, qué fuente es fidedigna y cuándo hay que cuestionar la respuesta de un sistema en lugar de aceptarla. Esa es la diferencia entre extraer texto de un documento y entender si basta para fundamentar una decisión empresarial. También es la diferencia entre resumir una política y reconocer las consecuencias operativas de resumirla incorrectamente.

Aquí también es donde muchas conversaciones sobre IA y originalidad se desvían. En el ámbito empresarial, la originalidad rara vez consiste en buscar la novedad por sí misma. Consiste en percibir lo que otros no ven: un riesgo oculto en el ruido de un proceso, un patrón enterrado en información fragmentada, una oportunidad que queda oculta tras sistemas desconectados. Ese tipo de originalidad depende menos de generar textos elocuentes que de interpretar la información con precisión.

Los documentos no son toda la historia, pero a menudo es ahí donde empieza

Los documentos importan porque siguen siendo uno de los lugares más habituales donde se almacena la realidad empresarial, aunque no se pueda aprovechar plenamente.

Eso no convierte a la «IA documental» en la protagonista de la historia. Simplemente, entender documentos es una parte de la disciplina más amplia de convertir la información operativa en algo que los sistemas de IA puedan utilizar de forma responsable. Si las organizaciones quieren obtener mejores resultados de los modelos generativos, necesitan acceder mejor a las pruebas en las que estos se basan. En muchos casos, eso significa extraer, validar y estructurar información que, de otro modo, quedaría atrapada en formularios, archivos y traspasos fragmentados.

Bien utilizada, esta capacidad no consiste en promover una categoría de productos por encima de otra. Se trata de reducir la distancia entre lo que sabe la empresa y lo que realmente pueden ver sus sistemas de IA.

Esa distinción es importante. Las estrategias de IA empresarial más sólidas no se basan únicamente en la generación. Se basan en la combinación de datos utilizables, conocimiento de los procesos y supervisión humana. Por ejemplo, una investigación empresarial reciente del Proyecto NANDA del MIT sostiene que los mayores obstáculos para la adopción de la IA a menudo no son la calidad del modelo por sí sola, sino la deficiente integración en los flujos de trabajo y la falta de confianza en el comportamiento de las herramientas en situaciones reales.

Esto debería resultar familiar. Las empresas no triunfan por producir la mayor cantidad de contenido sintético. Triunfan tomando mejores decisiones, con mayor rapidez y coherencia, a partir de información que pueden defender.

El próximo valor añadido será el criterio

El sampleo no devaluó la música. Cambió el significado de la originalidad.

Cuando las materias primas se volvieron más fáciles de reutilizar, el valor añadido pasó a estar en la selección, la combinación y la intención. El criterio adquirió más valor que el acceso. Lo mismo está ocurriendo ahora con la IA empresarial. A medida que clonar software se vuelve más fácil, la ventaja duradera no consistirá en tener un modelo capaz de imitar un trabajo competente. Consistirá en saber cómo conectar la IA con el contexto adecuado, limitarla como corresponde y aplicarla allí donde la creatividad humana y el criterio especializado siguen siendo más importantes.

Ese es el aspecto que pasan por alto muchos argumentos de que la «IA reemplaza al software». Si cualquier herramienta puede copiarse a nivel de interfaz, la verdadera ventaja defensiva no es la interfaz. Es la profundidad de conocimiento que hay detrás: la lógica de los flujos de trabajo, la gestión de excepciones, los datos fiables, el conocimiento institucional y la experiencia humana necesarios para convertir los resultados en decisiones.

Entonces, ¿de verdad se acabó el software de pago? Solo si creyéramos que el valor del software siempre se limitó a su capa visible.

En cuanto a las funciones básicas del software, la presión se intensificará. Algunos productos se clonarán. Algunas categorías se reducirán. Algunas funciones que antes justificaban un precio superior se convertirán en requisitos básicos. Pero las herramientas y empresas que perduren serán las que ayuden a las organizaciones a pasar de la imitación a la comprensión.

Por eso importa el momento del muestreo de la IA. Nos recuerda que reducir el costo de la reproducción no elimina la necesidad de originalidad. Simplemente cambia dónde reside esa originalidad.

En la música, pasó de interpretar material en bruto al arte de transformarlo.

En la IA empresarial, se está pasando de generar resultados plausibles a usar de forma disciplinada información fiable, criterio experto y capacidad creativa para resolver problemas.

La reproducción es barata. La perspicacia, no. Por eso, la próxima etapa de la IA no pertenecerá a los sistemas que simplemente parecen inteligentes. Pertenecerá a las organizaciones que sepan cómo aprovechar lo que ya saben para descubrir algo verdaderamente nuevo.