Clonage de logiciels : les logiciels payants sont-ils vraiment voués à disparaître ?

Les récents titres de presse sur des développeurs qui utilisent des outils d’IA pour cloner des logiciels payants populaires, notamment Adobe ont suscité des réactions mitigées : certains dénoncent un vol, tandis que d’autres saluent les outils gratuits et open source.

Mais qu’est-ce que cela signifie pour les entreprises technologiques propriétaires des logiciels d’origine — ou pour celles qui paient des abonnements coûteux pour les utiliser ?

Matt Wood, directeur principal de l’architecture de cybersécurité, des opérations et de la sécurité de l’IA chez ABBYY, s’est penché sur cette préoccupation croissante et nous livre son point de vue sur les risques et les possibilités liés au développement logiciel piloté par l’IA.

En 1996, Fatboy Slim a créé « Rockafeller Skank » à partir d’un riff de guitare emprunté à un disque des années 1960 que peu de gens avaient entendu depuis des décennies. The Chemical Brothers ont fait tourner en boucle des breakbeats tirés de disques funk oubliés pour en faire des hymnes capables de remplir les stades. The Prodigy a échantillonné des sirènes, des dialogues de films et des vinyles peu connus pour créer un son inédit. L’échantillonnage n’a pas seulement réduit le coût de la création musicale. Il a changé qui pouvait en faire, et obligé toute l’industrie à se poser une question plus difficile : qu’est-ce qui peut vraiment être considéré comme original ?

Aujourd’hui, l’IA oblige les entreprises à se poser la même question, mais les enjeux ne sont pas des positions dans les classements. Ils concernent les résultats opérationnels, les risques liés à la conformité et la confiance que les clients accordent à chaque décision prise par une entreprise.

La reproduction coûte peu. La perspicacité, non.

Les grands modèles de langage ont rendu remarquablement facile la réutilisation des connaissances existantes : rédiger une clause contractuelle, résumer un rapport, générer une réponse plausible à partir des textes auxquels ils ont accès. Cette capacité a une réelle valeur. Mais reproduire n’est pas découvrir, et c’est en confondant les deux que de nombreuses initiatives d’IA en entreprise s’enlisent discrètement.

Cette distinction est importante, car les systèmes génératifs savent très bien produire des contenus qui semblent aboutis. Ils peuvent imiter le ton, la structure et l’assurance avec une fluidité remarquable. Mais ils ne peuvent pas, à eux seuls, garantir que leurs productions s’appuient sur les bonnes données, s’intègrent au processus approprié ou reposent sur le jugement adéquat.

Cette tension n’est pas propre au monde de l’entreprise. Elle est également visible dans les activités créatives. Une étude de 2024 publiée dans Science Advances a révélé que l’assistance de l’IA améliorait la qualité et la créativité perçues des histoires individuelles, en particulier chez les auteurs moins créatifs, tout en rendant l’ensemble des histoires plus semblables les unes aux autres. Autrement dit, les résultats s’amélioraient à l’échelle individuelle, mais convergeaient à l’échelle collective. Produire davantage ne signifiait pas nécessairement faire preuve de plus d’originalité. Cela signifiait souvent reprendre les mêmes idées en les exprimant avec plus de fluidité.

Voilà, en résumé, le risque pour les entreprises. Lorsque tout le monde a accès aux mêmes outils généralistes, l’avantage concurrentiel ne vient pas de la production d’un plus grand nombre de textes, de résumés ou de recommandations. Il vient de la capacité à savoir ce qui compte, à quoi se fier et ce qui mérite qu’on agisse.

Le problème des entreprises n’est pas la génération de contenu, mais l’accès à la réalité.

La plupart des entreprises ne manquent pas de textes. Elles manquent de contexte accessible et fiable.

Les connaissances réelles d’une entreprise sont généralement dispersées dans des contrats, des factures, des formulaires d’intégration, des réclamations, des courriels, des rapports, des PDF numérisés et des processus qui font passer ces documents d’une équipe à l’autre. Une anomalie de paiement au service financier, un problème de conformité lors de l’intégration ou un retard de service dans les opérations prend souvent la forme, à l’origine, d’un élément partiellement structuré, au format incohérent et déconnecté des systèmes sur lesquels les dirigeants s’appuient pour prendre leurs décisions.

C’est pourquoi tant de projets d’IA en entreprise semblent impressionnants lors des démonstrations, mais peuvent échouer en production. Le modèle est peut-être performant, mais le contexte est incomplet. Il ne peut raisonner qu’à partir des informations auxquelles il a accès, et, dans de nombreuses organisations, celles-ci ne donnent qu’un aperçu limité de la réalité.

Il ne s’agit pas seulement d’une faiblesse théorique. Cela influe sur la qualité des décisions. Si un modèle résume un contrat sans avoir accès aux avenants pertinents, son résumé peut sembler clair tout en étant incomplet. S’il analyse les problèmes liés aux comptes fournisseurs sans avoir une vue d’ensemble des anomalies de facturation selon les formats et les fournisseurs, il risque de produire des recommandations bien présentées, mais inutiles. S’il aide à intégrer des clients alors que des informations clés restent prisonnières de formulaires numérisés ou de processus fragmentés, il peut accélérer l’adoption d’une conclusion erronée.

Le résultat n’est pas une découverte éclairante, mais une conjecture formulée avec assurance.

Pourquoi l’imitation se généralise plus vite que la compréhension

C’est là que l’analogie avec l’échantillonnage musical dépasse le simple effet de style.

L’échantillonnage a rendu la production musicale plus rapide, moins coûteuse et plus accessible. Mais les producteurs qui ont duré n’étaient pas ceux qui se contentaient de copier des fragments. C’étaient ceux qui avaient le sens artistique et la discipline nécessaires pour les transformer. Tout le monde pouvait reprendre un rythme ; tout le monde ne pouvait pas bâtir un son nouveau à partir de celui-ci.

L’IA creuse une fracture similaire dans le domaine des logiciels et du travail intellectuel. Les obstacles à l’imitation ont considérablement diminué. Il n’a jamais été aussi facile de cloner des interfaces, de reproduire des résultats, d’imiter des flux de travail et de s’approcher d’une expertise. Des catégories entières de logiciels risquent de plus en plus d’être reproduites en surface.

Cela ne signifie pas que les logiciels payants appartiennent au passé, comme l’a affirmé le développeur Brandon Thomas, qui a créé des alternatives gratuites aux produits Adobe. Cela signifie que la valeur des logiciels se déplace.

Lorsque l’imitation devient peu coûteuse, la valeur se déplace ailleurs : vers la confiance, l’intégration, le discernement et la capacité à produire des résultats qui résistent aux conditions du monde réel. La question n’est plus de savoir si un système d’IA peut produire une réponse qui ressemble au travail d’un expert. Il s’agit de déterminer s’il peut le faire de manière fiable, en tenant compte du contexte et avec suffisamment de transparence pour que les gens lui fassent confiance lorsque les enjeux sont élevés.

Il est facile de produire un résultat cloné. Il est beaucoup plus difficile d’obtenir un résultat fiable.

La valeur ajoutée cachée, c’est l’expertise

C’est pourquoi l’expertise devient plus importante, et non moins, à l’ère du clonage par l’IA.

Pendant des années, de nombreux outils numériques ont tiré leur valeur de la rareté des compétences spécialisées. Si un logiciel pouvait intégrer un processus, standardiser une tâche ou simplifier un flux de travail auparavant complexe, les clients étaient prêts à payer pour accéder à cette expertise intégrée. L’IA générative remet ce modèle en question, car elle peut désormais imiter à faible coût de nombreuses manifestations visibles de l’expertise.

Mais l’imitation n’en reproduit que la couche superficielle.

La véritable expertise consiste à savoir quelle exception compte, quelle ambiguïté ne peut être ignorée, quelle source fait autorité et quand il faut remettre en question la réponse d’un système plutôt que de l’accepter. C’est ce qui distingue l’extraction du texte d’un document de la compréhension de la question de savoir si ce texte suffit à étayer une décision commerciale. C’est aussi ce qui distingue le résumé d’une politique de la prise en compte des conséquences opérationnelles d’une erreur dans ce résumé.

C’est aussi là que de nombreuses discussions sur l’IA et l’originalité font fausse route. Dans le monde des affaires, l’originalité tient rarement à la nouveauté pour elle-même. Elle consiste à voir ce qui échappe aux autres : un risque dissimulé dans le bruit des processus, une tendance enfouie dans des informations fragmentées, une occasion masquée par des systèmes déconnectés. Cette forme d’originalité dépend moins d’une génération éloquente que d’une interprétation juste.

Les documents ne racontent pas toute l’histoire, mais c’est souvent là qu’elle commence

Les documents comptent ici, car ils restent l’un des lieux les plus courants où la réalité de l’entreprise est consignée sans être pleinement exploitable.

Cela ne fait pas de l’« IA appliquée aux documents » le personnage principal de l’histoire. Cela en fait simplement un élément de la démarche plus vaste qui consiste à transformer l’information opérationnelle en données que les systèmes d’IA peuvent exploiter de manière responsable. Pour obtenir de meilleurs résultats avec les modèles génératifs, les organisations doivent leur donner un meilleur accès aux éléments sur lesquels ils s’appuient. Dans bien des cas, cela signifie extraire, valider et structurer des informations qui resteraient autrement prisonnières de formulaires, de fichiers et de transmissions fragmentées.

Bien utilisée, cette capacité ne vise pas à promouvoir une catégorie de produits plutôt qu’une autre. Elle permet de réduire l’écart entre ce que l’entreprise sait et ce que ses systèmes d’IA peuvent réellement voir.

Cette distinction est importante. Les stratégies d’IA d’entreprise les plus solides ne reposent pas uniquement sur la génération. Elles associent des données exploitables, une compréhension des processus et une supervision humaine. Par exemple, une récente étude sur les entreprises menée par le projet NANDA du MIT soutient que les principaux obstacles à l’adoption de l’IA ne tiennent souvent pas à la qualité des modèles en elle-même, mais à une mauvaise intégration aux flux de travail et au manque de confiance dans le comportement des outils en situation réelle.

Cela devrait vous sembler familier. Les entreprises ne réussissent pas en produisant le plus grand volume de contenu synthétique. Elles réussissent en prenant de meilleures décisions, plus rapidement et de manière plus cohérente, à partir d’informations qu’elles peuvent justifier.

La prochaine valeur ajoutée, c’est le discernement

L’échantillonnage n’a pas dévalorisé la musique. Il a changé le sens de l’originalité.

Lorsque les matières premières sont devenues plus faciles à réutiliser, la valeur s’est déplacée vers le choix, l’agencement et l’intention. Le discernement a pris plus de valeur que l’accès. La même évolution est à l’œuvre aujourd’hui dans l’IA d’entreprise. À mesure que le clonage des logiciels devient plus facile, l’avantage durable ne viendra pas de la possession d’un modèle capable d’imiter un travail compétent. Il viendra de la capacité à relier l’IA au bon contexte, à lui imposer des limites appropriées et à l’appliquer là où la créativité humaine et le jugement propres à un domaine restent essentiels.

C’est ce que beaucoup d’arguments affirmant que « l’IA remplace les logiciels » ne prennent pas en compte. Si chaque outil peut être copié au niveau de l’interface, alors le véritable avantage défendable ne réside pas dans l’interface, mais dans la profondeur de la compréhension qui la sous-tend : la logique des flux de travail, la gestion des exceptions, les données fiables, les connaissances institutionnelles et l’expertise humaine nécessaires pour transformer les résultats en décisions.

Alors, les logiciels payants appartiennent-ils vraiment au passé ? Seulement si l’on a jamais cru que leur valeur se résumait à leur apparence visible.

Pour les fonctionnalités banalisées des logiciels, la pression va s’intensifier. Certains produits seront clonés. Certaines catégories vont se contracter. Des fonctionnalités qui justifiaient autrefois un prix élevé deviendront un minimum indispensable. Mais les outils et les entreprises qui perdureront seront ceux qui aideront les organisations à passer de l’imitation à la compréhension.

C’est pourquoi le moment que connaît l’IA avec l’échantillonnage est important. Il nous rappelle que réduire le coût de la reproduction ne supprime pas le besoin d’originalité. Cela change simplement l’endroit où réside l’originalité.

Dans la musique, l’originalité est passée de l’interprétation de la matière première à l’art de la transformation.

Dans l’IA d’entreprise, elle passe de la génération de résultats plausibles à l’utilisation rigoureuse d’informations fiables, du jugement d’experts et de la résolution créative de problèmes.

La réplication coûte peu. La perspicacité, elle, a un prix. C’est pourquoi la prochaine phase de l’IA n’appartiendra pas aux systèmes qui se contentent de paraître intelligents. Elle appartiendra aux organisations qui savent rendre leurs connaissances existantes suffisamment exploitables pour découvrir quelque chose de véritablement nouveau.