Kloning Perangkat Lunak – Benarkah Era Perangkat Lunak Berbayar Sudah Berakhir?

Pemberitaan terbaru tentang pengembang yang menggunakan perangkat AI untuk mengkloning perangkat lunak berbayar populer—terutama produk Adobe—memicu beragam reaksi, mulai dari tuduhan pencurian hingga sambutan positif terhadap perangkat sumber terbuka gratis.

Namun, apa artinya bagi perusahaan teknologi pemilik perangkat lunak orisinal—atau bagi mereka yang membayar biaya langganan mahal untuk menggunakannya?

Matt Wood, Direktur Senior Arsitektur Keamanan Siber, Operasi, dan Keamanan AI di ABBYY, telah menyelidiki kekhawatiran yang kian besar ini dan menyampaikan pandangannya tentang risiko serta peluang pengembangan perangkat lunak berbasis AI.

Pada 1996, Fatboy Slim membuat “Rockafeller Skank” dari petikan gitar yang diambil dari sebuah rekaman tahun 1960-an yang sudah puluhan tahun jarang didengar orang. The Chemical Brothers mengulang-ulang breakbeat dari rekaman funk yang terlupakan hingga menjadi lagu-lagu himne yang menggema di stadion. The Prodigy mengambil sampel suara sirene, dialog film, dan piringan hitam langka untuk menciptakan sesuatu yang belum pernah terdengar sebelumnya. Pengambilan sampel bukan sekadar menurunkan biaya pembuatan musik. Cara ini mengubah siapa saja yang bisa membuat musik dan memaksa seluruh industri mengajukan pertanyaan yang lebih sulit: apa yang sebenarnya bisa dianggap orisinal?

Kini, AI mendorong perusahaan untuk mengajukan pertanyaan yang sama, tetapi taruhannya bukan posisi di tangga lagu. Taruhannya adalah hasil operasional, risiko kepatuhan, dan kepercayaan pelanggan terhadap setiap keputusan yang diambil perusahaan.

Replikasi Itu Murah. Wawasan Tidak.

Model bahasa besar telah membuat pengetahuan yang sudah ada sangat mudah diolah ulang: menyusun klausul kontrak, merangkum laporan, atau menghasilkan jawaban yang terdengar masuk akal dari teks apa pun yang dapat diaksesnya. Kemampuan ini benar-benar bermanfaat. Namun, replikasi tidak sama dengan penemuan, dan menyamakan keduanya membuat banyak inisiatif AI perusahaan terhenti tanpa banyak disadari.

Perbedaan ini penting karena sistem generatif sangat piawai menghasilkan sesuatu yang tampak sudah tuntas. Sistem ini dapat meniru nada, struktur, dan keyakinan dengan sangat lancar. Namun, sistem ini tidak dapat menjamin sendiri bahwa hasilnya didasarkan pada bukti yang tepat, terhubung dengan proses yang sesuai, atau dibentuk oleh pertimbangan yang tepat.

Ketegangan ini tidak hanya terjadi di dunia bisnis. Hal ini juga terlihat dalam karya kreatif. Sebuah studi tahun 2024 di Science Advances menemukan bahwa bantuan AI meningkatkan kualitas dan kreativitas cerita individual sebagaimana dinilai pembaca, terutama pada penulis yang kurang kreatif, sekaligus membuat keseluruhan kumpulan cerita menjadi lebih mirip satu sama lain. Dengan kata lain, hasilnya membaik pada tingkat individu, tetapi menjadi semakin seragam pada tingkat kolektif. Produksi yang lebih banyak tidak serta-merta berarti orisinalitas yang lebih tinggi. Sering kali, hasilnya hanya berupa lebih banyak gagasan serupa yang disampaikan dengan lebih lancar.

Itulah gambaran singkat risiko yang dihadapi perusahaan. Ketika semua orang memiliki akses ke perangkat serbaguna yang sama, keunggulan kompetitif tidak berasal dari menghasilkan lebih banyak teks, rangkuman, atau rekomendasi. Keunggulan itu berasal dari kemampuan mengetahui apa yang penting, apa yang layak dipercaya, dan apa yang perlu ditindaklanjuti.

Masalah Bisnis Bukanlah Pembuatan Konten, Melainkan Akses ke Kenyataan

Kebanyakan bisnis bukan kekurangan bahasa. Mereka kekurangan konteks yang mudah diakses dan dapat diandalkan.

Pengetahuan nyata sebuah perusahaan biasanya tersebar di berbagai kontrak, faktur, formulir orientasi karyawan atau pelanggan, klaim, email, laporan, PDF hasil pemindaian, serta alur kerja yang memindahkan dokumen-dokumen tersebut dari satu tim ke tim lain. Pengecualian pembayaran di bagian keuangan, masalah kepatuhan dalam proses orientasi, atau keterlambatan layanan di bagian operasional sering kali berawal dari informasi yang hanya terstruktur sebagian, formatnya tidak konsisten, dan tidak terhubung dengan sistem yang diandalkan para pemimpin untuk mengambil keputusan.

Itulah sebabnya banyak proyek AI perusahaan tampak mengesankan dalam demo, tetapi bisa gagal saat diterapkan di lingkungan produksi. Modelnya mungkin mumpuni, tetapi konteks yang dimilikinya tidak lengkap. Model hanya dapat bernalar berdasarkan informasi yang dapat dijangkaunya, dan di banyak organisasi, informasi itu hanya mencakup sebagian kecil dari gambaran sebenarnya.

Ini bukan sekadar kelemahan teoretis. Hal ini memengaruhi kualitas keputusan. Jika model merangkum kontrak tanpa akses ke perubahan-perubahan yang relevan, hasilnya mungkin terdengar jelas, tetapi tidak lengkap. Jika model menganalisis masalah utang usaha tanpa dapat melihat pengecualian faktur dari berbagai format dan pemasok, model mungkin menghasilkan rekomendasi yang rapi, tetapi tidak berguna. Jika model membantu proses orientasi pelanggan sementara informasi penting masih tersimpan dalam formulir hasil pemindaian atau alur kerja yang terpecah-pecah, model dapat mempercepat tercapainya kesimpulan yang keliru.

Hasilnya bukan wawasan, melainkan tebakan yang terdengar meyakinkan.

Mengapa Imitasi Berkembang Lebih Cepat daripada Pemahaman

Di sinilah analogi pengambilan sampel musik menjadi lebih dari sekadar kiasan.

Pengambilan sampel membuat produksi musik lebih cepat, lebih murah, dan lebih mudah diakses. Namun, produser yang bertahan bukanlah mereka yang sekadar menyalin potongan-potongan musik. Mereka adalah orang-orang yang memiliki selera dan kedisiplinan untuk mengolahnya menjadi sesuatu yang baru. Siapa pun bisa mengambil sebuah irama, tetapi tidak semua orang mampu membangun bunyi baru darinya.

AI menciptakan kesenjangan serupa dalam dunia perangkat lunak dan pekerjaan berbasis pengetahuan. Hambatan untuk meniru telah turun drastis. Kini, mengkloning antarmuka, mereproduksi keluaran, meniru alur kerja, dan mendekati tingkat keahlian menjadi lebih mudah daripada sebelumnya. Seluruh kategori perangkat lunak semakin berisiko untuk direproduksi pada tingkat permukaan.

Itu bukan berarti perangkat lunak berbayar akan berakhir, sebagaimana dikemukakan oleh pengembang Brandon Thomas, yang telah membuat alternatif gratis untuk produk Adobe. Artinya, nilai perangkat lunak sedang bergeser.

Ketika peniruan menjadi murah, nilai beralih ke hal lain: kepercayaan, integrasi, penilaian, dan kemampuan menghasilkan sesuatu yang tetap dapat diandalkan dalam kondisi nyata. Pertanyaannya bukan lagi apakah sistem AI dapat menghasilkan jawaban yang menyerupai hasil kerja seorang ahli. Pertanyaannya adalah apakah sistem itu dapat melakukannya secara andal, sesuai konteks, dan dengan transparansi yang cukup agar orang memercayainya ketika taruhannya tinggi.

Keluaran hasil kloning mudah dibuat. Hasil yang dapat diandalkan tidak.

Nilai Tambah Tersembunyi Adalah Keahlian

Inilah sebabnya keahlian menjadi semakin penting, bukan sebaliknya, di era kloning AI.

Selama bertahun-tahun, banyak perangkat digital memperoleh nilainya dengan menjadikan kemampuan khusus sebagai sesuatu yang langka. Jika perangkat lunak dapat mengemas suatu proses, menstandarkan tugas, atau menyederhanakan alur kerja yang sebelumnya sulit, pelanggan bersedia membayar untuk mengakses keahlian yang telah dikemas tersebut. AI generatif mengguncang model itu karena kini dapat meniru banyak ciri keahlian yang terlihat dengan biaya rendah.

Namun, peniruan hanya menangkap lapisan luarnya.

Keahlian sejati berarti mengetahui pengecualian mana yang penting, ambiguitas mana yang tidak boleh diabaikan, sumber mana yang berwenang, dan kapan jawaban sistem perlu dipertanyakan alih-alih diterima begitu saja. Inilah yang membedakan mengekstrak teks dari sebuah dokumen dengan memahami apakah teks itu cukup untuk mendukung keputusan bisnis. Inilah pula yang membedakan merangkum kebijakan dengan mengenali konsekuensi operasional jika rangkuman itu keliru.

Di sinilah pula banyak pembahasan tentang AI dan orisinalitas melenceng. Dalam bisnis, orisinalitas jarang berkaitan dengan kebaruan demi kebaruan itu sendiri. Orisinalitas berarti melihat sesuatu yang luput dari perhatian orang lain: risiko yang tersembunyi di tengah hiruk-pikuk proses, pola yang terkubur dalam informasi terfragmentasi, atau peluang yang tertutup oleh sistem yang tidak saling terhubung. Orisinalitas semacam ini lebih bergantung pada interpretasi yang akurat daripada pada kemampuan menghasilkan ungkapan yang fasih.

Dokumen Bukanlah Seluruh Cerita, tetapi Sering Kali Menjadi Awal Cerita

Dokumen penting dalam hal ini karena masih menjadi salah satu tempat paling umum untuk menyimpan realitas perusahaan, meskipun informasi di dalamnya belum sepenuhnya dapat dimanfaatkan.

Namun, bukan berarti “AI Dokumen” adalah tokoh utama dalam cerita ini. Pemahaman dokumen hanyalah salah satu bagian dari disiplin yang lebih luas, yakni mengubah informasi operasional menjadi sesuatu yang dapat digunakan oleh sistem AI secara bertanggung jawab. Jika organisasi menginginkan hasil yang lebih baik dari model generatif, mereka perlu menyediakan akses yang lebih baik ke bukti yang menjadi landasan model tersebut. Dalam banyak kasus, ini berarti mengekstrak, memvalidasi, dan menyusun informasi yang jika tidak demikian akan tetap terperangkap dalam formulir, berkas, dan serah terima yang terfragmentasi.

Jika digunakan dengan baik, kemampuan semacam ini bukanlah soal mengunggulkan satu kategori produk dibandingkan kategori lainnya. Tujuannya adalah memperkecil jarak antara apa yang diketahui bisnis dan apa yang benar-benar dapat dilihat oleh sistem AI-nya.

Perbedaan itu penting. Strategi AI perusahaan yang paling kuat tidak hanya bertumpu pada kemampuan menghasilkan konten. Strategi tersebut menggabungkan data yang dapat digunakan, pemahaman proses, dan pengawasan manusia. Sebagai contoh, penelitian terbaru tentang perusahaan dari Proyek NANDA MIT menyatakan bahwa hambatan terbesar dalam penerapan AI sering kali bukan semata-mata kualitas model, melainkan integrasi alur kerja yang buruk dan kurangnya kepercayaan terhadap cara kerja alat dalam penggunaan nyata.

Hal itu seharusnya terdengar familier. Bisnis tidak menang dengan menghasilkan keluaran sintetis sebanyak-banyaknya. Mereka menang dengan mengambil keputusan yang lebih baik secara lebih cepat dan konsisten, berdasarkan informasi yang dapat mereka pertanggungjawabkan.

Nilai Tambah Berikutnya Adalah Penilaian

Sampling tidak menurunkan nilai musik. Sampling mengubah makna orisinalitas.

Setelah bahan mentah menjadi lebih mudah digunakan kembali, nilai tambah beralih ke pemilihan, aransemen, dan tujuan. Penilaian menjadi lebih berharga daripada akses. Hal yang sama kini terjadi dalam AI perusahaan. Seiring makin mudahnya mengkloning perangkat lunak, keunggulan yang bertahan lama bukan berasal dari memiliki model yang dapat meniru pekerjaan yang kompeten. Keunggulan itu berasal dari mengetahui cara menghubungkan AI dengan konteks yang tepat, membatasi penggunaannya secara sesuai, dan menerapkannya pada hal-hal yang paling membutuhkan kreativitas manusia dan penilaian sesuai bidang.

Inilah aspek yang luput dari banyak argumen bahwa “AI akan menggantikan perangkat lunak”. Jika setiap alat dapat disalin pada tingkat antarmuka, maka keunggulan utama yang sulit ditiru bukanlah antarmukanya. Keunggulan itu terletak pada kedalaman pemahaman di baliknya: logika alur kerja, penanganan pengecualian, data tepercaya, pengetahuan institusional, serta keahlian manusia yang diperlukan untuk mengubah keluaran menjadi keputusan.

Jadi, apakah perangkat lunak berbayar benar-benar akan berakhir? Hanya jika kita menganggap nilai perangkat lunak selama ini sekadar terletak pada lapisan yang terlihat.

Untuk fitur-fitur perangkat lunak yang sudah menjadi komoditas, tekanan akan semakin besar. Sebagian produk akan dikloning. Sebagian kategori akan menyusut. Beberapa fungsi yang dahulu dijual dengan harga premium akan menjadi standar minimum. Namun, alat dan perusahaan yang bertahan adalah yang membantu organisasi beralih dari sekadar meniru menjadi memahami.

Itulah sebabnya momen sampling AI ini penting. Momen tersebut mengingatkan kita bahwa menurunkan biaya reproduksi tidak menghilangkan kebutuhan akan orisinalitas. Hal itu hanya mengubah di mana orisinalitas berada.

Dalam musik, orisinalitas beralih dari memainkan materi mentah ke seni mengolahnya.

Dalam AI untuk perusahaan, pergeseran ini berlangsung dari menghasilkan keluaran yang masuk akal menuju penggunaan informasi tepercaya, pertimbangan ahli, dan pemecahan masalah kreatif secara disiplin.

Replikasi itu murah. Wawasan tidak. Karena itu, tahap AI berikutnya bukan milik sistem yang sekadar terdengar cerdas. Tahap itu akan menjadi milik organisasi yang tahu cara membuat pengetahuan yang sudah mereka miliki cukup mudah dimanfaatkan untuk menemukan sesuatu yang benar-benar baru.