Ohjelmistojen kloonaaminen – ovatko maksulliset ohjelmistot todella tulossa tiensä päähän?

Tuoreet otsikot siitä, että kehittäjät käyttävät tekoälytyökaluja suosittujen maksullisten ohjelmistojen – erityisesti Adoben – kloonaamiseen, ovat herättäneet ristiriitaisia reaktioita: varkaussyytöksistä ilmaisten avoimen lähdekoodin työkalujen tervetulleeksi toivottamiseen.

Mitä tämä kuitenkin merkitsee teknologiayrityksille, jotka omistavat alkuperäiset ohjelmistot, tai niille, jotka maksavat kalliita tilausmaksuja niiden käytöstä?

ABBYYn kyberturvallisuusarkkitehtuurista, operatiivisesta toiminnasta ja tekoälyn tietoturvasta vastaava ylempi johtaja Matt Wood on selvittänyt tätä kasvavaa huolenaihetta ja kertoo näkemyksensä tekoälypohjaisen ohjelmistokehityksen riskeistä ja mahdollisuuksista.

Vuonna 1996 Fatboy Slim rakensi kappaleen “Rockafeller Skank” 1960-luvun levyltä poimitun kitarariffin varaan – harva oli kuullut sitä vuosikymmeniin. The Chemical Brothers looppasi unohdettujen funk-levyjen breakbeat-rytmejä stadionit täyttäviksi hiteiksi. The Prodigy samplasi sireenejä, elokuvadialogia ja vähemmän tunnettuja vinyylilevyjä ja loi jotain, joka ei kuulostanut miltään aiemmin kuullulta. Samplaus ei ainoastaan alentanut musiikin tekemisen kustannuksia. Se muutti sitä, kuka musiikkia sai tehdä, ja pakotti koko alan esittämään vaikeamman kysymyksen: mikä oikeastaan lasketaan omaperäiseksi?

Tekoäly pakottaa yritykset esittämään saman kysymyksen tänä päivänä, mutta nyt panoksena eivät ole listasijoitukset. Kyse on toiminnan tuloksista, vaatimustenmukaisuuteen liittyvistä riskeistä ja asiakkaiden luottamuksesta jokaiseen yrityksen tekemään päätökseen.

Jäljittely on halpaa. Oivallukset eivät.

Suuret kielimallit ovat tehneet olemassa olevan tiedon yhdistelemisestä hämmästyttävän helppoa: ne voivat laatia sopimuslausekkeen, tiivistää raportin tai tuottaa uskottavalta kuulostavan vastauksen mistä tahansa tekstistä, johon ne pääsevät käsiksi. Tästä kyvystä on todellista hyötyä. Jäljittely ei kuitenkaan ole sama asia kuin uuden löytäminen, ja näiden kahden sekoittaminen on syy siihen, miksi monet yritysten tekoälyhankkeet junnaavat hiljaisesti paikallaan.

Ero on tärkeä, sillä generatiiviset järjestelmät osaavat tuottaa erittäin hyvin valmiilta näyttävää sisältöä. Ne jäljittelevät sävyä, rakennetta ja itsevarmuutta poikkeuksellisen sujuvasti. Ne eivät kuitenkaan pysty itsenäisesti takaamaan, että niiden tuottama sisältö perustuu oikeisiin todisteisiin, liittyy oikeaan prosessiin tai pohjautuu oikeaan harkintaan.

Tämä jännite ei koske vain yrityksiä, vaan näkyy myös luovassa työssä. Vuonna 2024 Science Advances -lehdessä julkaistussa tutkimuksessa havaittiin, että tekoälyn käyttö paransi yksittäisten tarinoiden koettua laatua ja luovuutta etenkin vähemmän luovilla kirjoittajilla, mutta samalla tarinat alkoivat muistuttaa kokonaisuutena enemmän toisiaan. Toisin sanoen tuotokset paranivat yksilötasolla, mutta yhdenmukaistuivat kollektiivisella tasolla. Tuotannon lisääntyminen ei välttämättä merkinnyt omaperäisyyden lisääntymistä. Usein tuloksena oli enemmän samoja ajatuksia vain sujuvammin ilmaistuina.

Tässä yritystoiminnan riski kiteytyy. Kun kaikilla on käytössään samat yleiskäyttöiset työkalut, kilpailuetua ei synny siitä, että tuotetaan enemmän tekstiä, tiivistelmiä tai suosituksia. Se syntyy siitä, että tiedetään, mikä on tärkeää, mihin voi luottaa ja mikä edellyttää toimintaa.

Yritysten ongelma ei ole sisällön tuottaminen vaan todellisuuteen pääsy.

Useimpia yrityksiä ei vaivaa sanojen puute. Niiltä puuttuu helposti saatavilla olevaa, luotettavaa asiayhteyttä.

Yrityksen todellinen tietämys on yleensä hajallaan sopimuksissa, laskuissa, perehdytyslomakkeissa, korvaushakemuksissa, sähköposteissa, raporteissa, skannatuissa PDF-tiedostoissa ja työnkuluissa, jotka siirtävät näitä asiakirjoja tiimiltä toiselle. Taloushallinnon maksupoikkeama, perehdytyksen vaatimustenmukaisuusongelma tai operatiivisen toiminnan palveluviive saa usein alkunsa tiedosta, joka on osittain jäsenneltyä, epäyhtenäisesti muotoiltua ja irrallaan niistä järjestelmistä, joihin johtajat päätöksenteossaan tukeutuvat.

Siksi niin monet yritysten tekoälyhankkeet vaikuttavat vaikuttavilta esittelyissä mutta voivat epäonnistua tuotantokäytössä. Malli voi olla kyvykäs, mutta sen käytettävissä oleva asiayhteys on puutteellinen. Se pystyy päättelemään vain sen perusteella, mitä se tavoittaa, ja monissa organisaatioissa tämä on vain kapea siivu todellisuudesta.

Tämä ei ole pelkästään teoreettinen heikkous, vaan vaikuttaa päätösten laatuun. Jos malli tiivistää sopimuksen pääsemättä käsiksi asiaankuuluviin muutoksiin, sen yhteenveto voi kuulostaa selkeältä mutta olla puutteellinen. Jos se analysoi ostovelkoihin liittyviä ongelmia näkemättä eri muodoissa olevien ja eri toimittajilta saatujen laskujen poikkeamia, se voi tuottaa siistejä mutta hyödyttömiä suosituksia. Jos se auttaa asiakkaiden perehdyttämisessä, vaikka keskeiset tiedot ovat yhä loukussa skannatuissa lomakkeissa tai pirstaleisissa työnkuluissa, se voi vauhdittaa väärään johtopäätökseen päätymistä.

Tuloksena ei ole oivallus vaan itsevarmalta kuulostava arvaus.

Miksi jäljittely yleistyy ymmärrystä nopeammin

Tässä vaiheessa musiikin samplaukseen liittyvä vertaus on enemmän kuin kielikuva.

Samplaus teki musiikin tuottamisesta nopeampaa, halvempaa ja helpommin saavutettavaa. Menestyneet tuottajat eivät kuitenkaan olleet niitä, jotka vain kopioivat katkelmia, vaan niitä, joilla oli makua ja kurinalaisuutta muuntaa ne joksikin uudeksi. Kuka tahansa saattoi napata biitin, mutta kaikki eivät osanneet rakentaa sen ympärille uutta soundia.

Tekoäly synnyttää samankaltaisen jakolinjan ohjelmistoissa ja tietotyössä. Jäljittelyn esteet ovat madaltuneet huomattavasti. Käyttöliittymien kopioiminen, tulosten toisintaminen, työnkulkujen jäljittely ja asiantuntemuksen matkiminen on nyt helpompaa kuin koskaan. Kokonaiset ohjelmistoluokat ovat yhä suuremmassa vaarassa muuttua pinnallisella tasolla toisinnettaviksi.

Tämä ei tarkoita, että maksulliset ohjelmistot olisivat tulleet tiensä päähän, kuten Adobe-tuotteille ilmaisia vaihtoehtoja luonut kehittäjä Brandon Thomas on todennut. Se tarkoittaa, että ohjelmistojen arvo on siirtymässä muualle.

Kun jäljittelystä tulee halpaa, arvo siirtyy muualle: luottamukseen, integraatioon, harkintakykyyn ja kykyyn saada aikaan tuloksia, jotka kestävät todellisen maailman olosuhteissa. Enää ei kysytä, pystyykö tekoälyjärjestelmä tuottamaan asiantuntijatyötä muistuttavan vastauksen. Kysymys on siitä, pystyykö se tekemään niin luotettavasti, asiayhteyden huomioiden ja riittävän läpinäkyvästi, jotta ihmiset luottavat siihen, kun panokset ovat suuret.

Kopioidun tuloksen tuottaminen on helppoa. Luotettavan lopputuloksen saavuttaminen ei.

Asiantuntemus on piilevä lisäarvo

Siksi asiantuntemuksesta tulee tekoälyn ja kloonauksen aikakaudella entistä tärkeämpää, ei vähemmän tärkeää.

Vuosien ajan monet digitaaliset työkalut ovat saaneet arvonsa siitä, että ne ovat tehneet erikoistuneista kyvykkyyksistä niukkoja. Jos ohjelmisto pystyi tallentamaan prosessin, vakioimaan tehtävän tai yksinkertaistamaan aiemmin vaikeaa työnkulkua, asiakkaat maksoivat pääsystä tämän paketoidun asiantuntemuksen äärelle. Generatiivinen tekoäly horjuttaa tätä mallia, koska se pystyy nyt jäljittelemään monia asiantuntemuksen näkyviä piirteitä edullisesti.

Jäljittely tavoittaa kuitenkin vain uloimman kerroksen.

Todelliseen asiantuntemukseen kuuluu sen tietäminen, mikä poikkeus on merkityksellinen, mitä epäselvyyttä ei voi sivuuttaa, mikä lähde on auktoritatiivinen ja milloin järjestelmän vastaus on syytä kyseenalaistaa sen sijaan, että sen hyväksyisi. Ero on sama kuin asiakirjan tekstin poimimisen ja sen ymmärtämisen välillä, riittääkö kyseinen teksti liiketoimintapäätöksen tueksi. Ero on myös siinä, että tiivistää käytäntöjä tai tunnistaa, mitä käytännön seurauksia tiivistelmän virheellisyydellä on.

Tässä myös monet tekoälyä ja omaperäisyyttä koskevat keskustelut menevät harhaan. Liiketoiminnassa omaperäisyys on harvoin uutuuden tavoittelua sen itsensä vuoksi. Kyse on siitä, että näkee jotain, mitä muut eivät huomaa: prosessin kohinan taakse kätkeytyvän riskin, hajanaiseen tietoon hautautuvan kaavan tai toisistaan irrallisten järjestelmien peittämän mahdollisuuden. Tällainen omaperäisyys perustuu vähemmän kaunopuheiseen sisällöntuotantoon kuin tarkkaan tulkintaan.

Asiakirjat eivät kerro koko tarinaa, mutta usein tarina alkaa niistä

Asiakirjoilla on tässä merkitystä, koska niihin tallentuu yhä usein yritysten todellisuutta, jota ei kuitenkaan pystytä hyödyntämään täysimääräisesti.

Tämä ei tee ”asiakirjoihin keskittyvästä tekoälystä” tarinan sankaria. Asiakirjojen ymmärtäminen on yksinkertaisesti yksi osa laajempaa työtä, jossa toiminnallinen tieto muutetaan muotoon, jota tekoälyjärjestelmät voivat hyödyntää vastuullisesti. Jos organisaatiot haluavat generatiivisilta malleilta parempia tuloksia, niiden on päästävä paremmin käsiksi malleihin tukeutuvaan näyttöön. Monissa tapauksissa tämä tarkoittaa sellaisen tiedon poimimista, tarkistamista ja jäsentämistä, joka muuten jäisi loukkuun lomakkeisiin, tiedostoihin ja hajanaisiin tiedonsiirtoihin.

Hyvin hyödynnettynä tällaisella kyvykkyydellä ei pyritä nostamaan yhtä tuoteryhmää toisen edelle. Tarkoituksena on kaventaa kuilua sen välillä, mitä yritys tietää ja mitä sen tekoälyjärjestelmät todella pystyvät näkemään.

Tällä erolla on merkitystä. Vahvimmat yritysten tekoälystrategiat eivät perustu pelkästään sisällön tuottamiseen. Ne rakentuvat käyttökelpoisen datan, prosessien tuntemuksen ja ihmisen valvonnan yhdistelmästä. Esimerkiksi MIT:n Project NANDA -hankkeen tuoreessa yritystutkimuksessa todetaan, että tekoälyn käyttöönoton suurimmat esteet eivät usein liity mallin laatuun sinänsä vaan työnkulkujen heikkoon integraatioon ja siihen, ettei työkalujen toimintaan todellisissa käyttötilanteissa luoteta.

Tämän pitäisi kuulostaa tutulta. Yritykset eivät menesty tuottamalla eniten synteettistä sisältöä. Ne menestyvät tekemällä parempia päätöksiä nopeammin ja johdonmukaisemmin sellaisen tiedon pohjalta, jonka ne pystyvät perustelemaan.

Seuraava lisäarvo on harkintakyky

Sämpläys ei vähentänyt musiikin arvoa. Se muutti sitä, mitä omaperäisyys tarkoitti.

Kun raaka-aineita oli helpompi käyttää uudelleen, lisäarvo siirtyi valintaan, sovittamiseen ja tarkoitukseen. Harkintakyvystä tuli pääsyä tärkeämpää. Sama tapahtuu nyt yritysten tekoälyn kohdalla. Kun ohjelmistojen kloonaaminen helpottuu, kestävä kilpailuetu ei synny siitä, että käytössä on malli, joka pystyy jäljittelemään pätevää työtä. Se syntyy siitä, että osataan kytkeä tekoäly oikeaan asiayhteyteen, rajata sen toimintaa asianmukaisesti ja soveltaa sitä siellä, missä ihmisen luovuudella ja alakohtaisella harkintakyvyllä on yhä eniten merkitystä.

Tämä jää monilta huomaamatta keskusteluissa, joissa väitetään tekoälyn korvaavan ohjelmistot. Jos jokaisen työkalun voi kopioida käyttöliittymän tasolla, todellinen kilpailuetu ei ole käyttöliittymä. Se on sen taustalla olevan ymmärryksen syvyys: työnkulun logiikka, poikkeustilanteiden käsittely, luotettava data, organisaation hiljainen tieto ja ihmisen asiantuntemus, jota tarvitaan tulosten muuttamiseen päätöksiksi.

Ovatko maksulliset ohjelmistot siis todella tulleet tiensä päähän? Vain jos uskoisimme, että ohjelmistojen arvo olisi koskaan ollut pelkkää näkyvää pintaa.

Ohjelmistojen tavanomaisiin perusominaisuuksiin kohdistuva paine kasvaa. Osa tuotteista kloonataan. Osa tuoteryhmistä supistuu. Joistakin aiemmin lisähintaa vaatineista ominaisuuksista tulee kilpailun perusvaatimuksia. Mutta kestämään jäävät ne työkalut ja yritykset, jotka auttavat organisaatioita siirtymään jäljittelystä ymmärrykseen.

Siksi tekoälyn samplausvaiheella on merkitystä. Se muistuttaa, ettei kopioinnin halpeneminen poista omaperäisyyden tarvetta. Se vain muuttaa sitä, mistä omaperäisyys löytyy.

Musiikissa painopiste siirtyi raakamateriaalin esittämisestä sen muokkaamisen taitoon.

Yritysten tekoälyn käytössä painopiste on siirtymässä uskottavan kuuloisten tuotosten tuottamisesta luotettavan tiedon, asiantuntijaharkinnan ja luovan ongelmanratkaisun kurinalaiseen hyödyntämiseen.

Kopiointi on halpaa. Oivallus ei. Siksi tekoälyn seuraava vaihe ei kuulu järjestelmille, jotka vain kuulostavat älykkäiltä. Se kuuluu organisaatioille, jotka osaavat tehdä jo tietämästään niin käyttökelpoista, että sen avulla voidaan löytää jotakin aidosti uutta.