Software klonen – is betaalde software echt verleden tijd?

Recente krantenkoppen over ontwikkelaars die AI-tools gebruiken om populaire betaalde software – met name Adobe – te klonen hebben gemengde reacties uitgelokt: van beschuldigingen van diefstal tot verwelkoming van gratis opensourcetools.

Maar wat betekent dit voor de technologiebedrijven die de oorspronkelijke software bezitten – of voor degenen die dure abonnementen betalen om die te gebruiken?

Matt Wood, Senior Director of Cyber Security Architecture, Operations, and AI Security bij ABBYY, heeft deze groeiende zorg onderzocht en deelt zijn kijk op de risico’s en kansen van AI-gestuurde softwareontwikkeling.

In 1996 bouwde Fatboy Slim “Rockafeller Skank” op uit een gitaarriff die was geleend uit een plaat uit de jaren zestig die al decennialang maar weinig mensen hadden gehoord. The Chemical Brothers verwerkten breakbeats uit vergeten funkplaten in anthems die stadions vulden. The Prodigy samplede sirenes, filmdialogen en obscure vinylplaten tot iets dat klonk als niets wat eraan vooraf was gegaan. Sampling verlaagde niet alleen de kosten van muziek maken. Het veranderde wie muziek kon maken en dwong de hele industrie een moeilijkere vraag te stellen: wat geldt eigenlijk als origineel?

AI dwingt bedrijven vandaag dezelfde vraag te stellen, maar de inzet bestaat niet uit hitlijstnoteringen. Het gaat om operationele resultaten, risico’s op het gebied van naleving en het vertrouwen dat klanten stellen in elke beslissing van een bedrijf.

Nabootsen is goedkoop. Inzicht niet.

Grote taalmodellen hebben het opmerkelijk eenvoudig gemaakt om bestaande kennis opnieuw te combineren: een contractclausule opstellen, een rapport samenvatten of een aannemelijk klinkend antwoord genereren op basis van de teksten waartoe ze toegang hebben. Die mogelijkheid heeft echte waarde. Maar nabootsing is niet hetzelfde als ontdekking, en veel AI-initiatieven van bedrijven lopen juist vast doordat die twee met elkaar worden verward.

Dat onderscheid is belangrijk, omdat generatieve systemen heel goed zijn in het produceren van iets dat af lijkt. Ze kunnen toon, structuur en zelfverzekerdheid buitengewoon vloeiend nabootsen. Wat ze niet zelfstandig kunnen garanderen, is dat hun output op het juiste bewijs is gebaseerd, aansluit op het juiste proces of voortkomt uit het juiste beoordelingsvermogen.

Die spanning is niet uniek voor het bedrijfsleven. Ook in creatief werk is ze zichtbaar. Uit een onderzoek uit 2024 in Science Advances bleek dat AI-ondersteuning de waargenomen kwaliteit en creativiteit van afzonderlijke verhalen verbeterde, vooral bij minder creatieve schrijvers, maar er ook voor zorgde dat de verhalen als geheel meer op elkaar gingen lijken. Met andere woorden: de output verbeterde op individueel niveau, maar vertoonde op collectief niveau meer overeenkomsten. Meer productie betekende niet noodzakelijk meer originaliteit. Vaak ging het om meer van dezelfde ideeën, die alleen soepeler werden verwoord.

Dat is het bedrijfsrisico in een notendop. Wanneer iedereen toegang heeft tot dezelfde tools voor algemeen gebruik, komt het concurrentievoordeel niet voort uit het genereren van meer tekst, meer samenvattingen of meer aanbevelingen. Het komt voort uit weten wat belangrijk is, wat betrouwbaar is en wat actie verdient.

Het bedrijfsprobleem is niet het genereren van inhoud, maar toegang tot de werkelijkheid.

De meeste bedrijven kampen niet met een gebrek aan taal. Ze hebben te weinig toegang tot betrouwbare context.

Wat een bedrijf daadwerkelijk weet, is doorgaans verspreid over contracten, facturen, onboardingformulieren, claims, e-mails, rapporten, gescande pdf’s en de werkstromen waarmee die documenten van het ene team naar het andere gaan. Een betalingsuitzondering bij de financiële afdeling, een nalevingskwestie tijdens de onboarding of een vertraging in de dienstverlening begint vaak als iets wat slechts gedeeltelijk is gestructureerd, niet consequent is opgemaakt en losstaat van de systemen waarop leidinggevenden vertrouwen om beslissingen te nemen.

Daarom maken zoveel AI-projecten van bedrijven indruk tijdens demo’s, maar kunnen ze in productie mislukken. Het model kan capabel zijn, maar de context is onvolledig. Het kan alleen redeneren op basis van informatie waartoe het toegang heeft, en bij veel organisaties is dat maar een beperkt deel van het complete beeld.

Dit is niet alleen een theoretische tekortkoming. Ze beïnvloedt de kwaliteit van beslissingen. Als een model een contract samenvat zonder toegang tot de relevante wijzigingen, kan de samenvatting helder klinken maar onvolledig zijn. Als het problemen met de crediteurenadministratie analyseert zonder zicht op afwijkingen in facturen van verschillende leveranciers en in uiteenlopende formaten, kan het aanbevelingen doen die er netjes uitzien maar niet bruikbaar zijn. Als het helpt bij de onboarding van klanten terwijl belangrijke informatie opgesloten blijft in gescande formulieren of versnipperde werkstromen, kan het de verkeerde conclusie versneld trekken.

Het resultaat is geen inzicht, maar giswerk dat zelfverzekerd klinkt.

Waarom nabootsing sneller opschaalt dan inzicht

Hier wordt de vergelijking met sampling in de muziek meer dan een metafoor.

Dankzij sampling kon muziek sneller, goedkoper en toegankelijker worden geproduceerd. Maar de producers die standhielden, waren niet degenen die alleen maar fragmenten kopieerden. Het waren degenen met het gevoel voor stijl en de discipline om die fragmenten te transformeren. Iedereen kon een beat overnemen; niet iedereen kon er een nieuw geluid omheen bouwen.

AI zorgt voor een vergelijkbare tweedeling in software en kenniswerk. De drempel om iets na te bootsen is drastisch verlaagd. Het is gemakkelijker dan ooit om interfaces te kopiëren, resultaten te reproduceren, werkprocessen na te bootsen en expertise te benaderen. Hele softwarecategorieën dreigen steeds vaker op oppervlakkig niveau reproduceerbaar te worden.

Dat betekent niet dat betaalde software verleden tijd is, zoals ontwikkelaar Brandon Thomas het verwoordde, die gratis alternatieven voor Adobe heeft gemaakt. Het betekent dat de waarde van software verschuift.

Wanneer nabootsen goedkoop wordt, verschuift de waarde naar andere zaken: vertrouwen, integratie, beoordelingsvermogen en het vermogen om resultaten te leveren die in de praktijk standhouden. De vraag is niet langer of een AI-systeem een antwoord kan geven dat lijkt op werk van een expert. De vraag is of het dat betrouwbaar en in de juiste context kan doen, en met voldoende transparantie om het vertrouwen van mensen te winnen wanneer er veel op het spel staat.

Een gekopieerd resultaat is eenvoudig te produceren. Een betrouwbaar resultaat niet.

De verborgen meerwaarde is expertise

Daarom wordt expertise in het tijdperk van het klonen met AI belangrijker, niet minder belangrijk.

Jarenlang ontleenden veel digitale hulpmiddelen hun waarde aan het schaars maken van gespecialiseerde mogelijkheden. Als software een proces kon vastleggen, een taak kon standaardiseren of een voorheen ingewikkelde workflow kon vereenvoudigen, betaalden klanten voor toegang tot die gebundelde expertise. Generatieve AI zet dat model op losse schroeven, omdat die nu tegen lage kosten veel zichtbare kenmerken van expertise kan nabootsen.

Maar nabootsing raakt alleen de buitenste laag.

Echte expertise houdt in dat je weet welke uitzondering ertoe doet, welke onduidelijkheid niet kan worden genegeerd, welke bron gezaghebbend is en wanneer je het antwoord van een systeem in twijfel moet trekken in plaats van het zonder meer te aanvaarden. Het is het verschil tussen tekst uit een document halen en begrijpen of die tekst volstaat om een zakelijke beslissing te onderbouwen. Het is het verschil tussen beleid samenvatten en de operationele gevolgen herkennen van een onjuiste samenvatting.

Ook in discussies over AI en originaliteit gaat het vaak mis. Originaliteit in het bedrijfsleven draait zelden om vernieuwing omwille van de vernieuwing. Het gaat erom iets te zien wat anderen over het hoofd zien: een risico dat schuilgaat in ruis rond processen, een patroon dat verborgen zit in versnipperde informatie, een kans die aan het zicht wordt onttrokken door niet-gekoppelde systemen. Voor die vorm van originaliteit is nauwkeurige interpretatie belangrijker dan welbespraakte tekstgeneratie.

Documenten vertellen niet het hele verhaal, maar vaak begint het daar wel

Documenten zijn hierbij van belang, omdat de werkelijkheid binnen bedrijven er vaak in wordt vastgelegd, maar er niet volledig bruikbaar uit naar voren komt.

Dat maakt ‘document-AI’ nog niet tot de hoofdrolspeler in dit verhaal. Het maakt documentbegrip alleen tot één onderdeel van de bredere opgave om operationele informatie om te zetten in iets waarmee AI-systemen verantwoord kunnen werken. Als organisaties betere resultaten willen behalen met generatieve modellen, moeten ze beter toegang krijgen tot het bewijsmateriaal waarop die modellen steunen. In veel gevallen betekent dit dat informatie moet worden geëxtraheerd, gevalideerd en gestructureerd die anders opgesloten blijft in formulieren, bestanden en versnipperde overdrachten.

Goed ingezet draait dit soort mogelijkheden er niet om de ene productcategorie boven de andere te bevoordelen. Het gaat erom de afstand te verkleinen tussen wat een bedrijf weet en wat zijn AI-systemen daadwerkelijk kunnen zien.

Dat onderscheid is belangrijk. De sterkste AI-strategieën voor bedrijven zijn niet alleen op generatie gebaseerd. Ze steunen op een combinatie van bruikbare gegevens, inzicht in processen en menselijk toezicht. Recent onderzoek naar bedrijven van Project NANDA van MIT stelt bijvoorbeeld dat de grootste belemmeringen voor de invoering van AI vaak niet liggen in de kwaliteit van modellen op zichzelf, maar in een slechte integratie in workflows en een gebrek aan vertrouwen in de werking van hulpmiddelen in de praktijk.

Dat klinkt vast bekend. Bedrijven winnen niet door de meeste synthetische output te produceren. Ze winnen door sneller en consistenter betere beslissingen te nemen op basis van informatie die ze kunnen verantwoorden.

De volgende meerwaarde is beoordelingsvermogen

Sampling heeft de waarde van muziek niet verminderd. Het heeft veranderd wat originaliteit betekent.

Toen grondstoffen gemakkelijker opnieuw te gebruiken werden, verschoof de meerwaarde naar selectie, arrangement en intentie. Beoordelingsvermogen werd waardevoller dan toegang. Hetzelfde gebeurt nu met AI in bedrijven. Naarmate software gemakkelijker te klonen is, zal het blijvende voordeel niet voortkomen uit een model dat competent werk kan nabootsen. Het zal voortkomen uit weten hoe je AI met de juiste context verbindt, de mogelijkheden ervan op passende wijze begrenst en haar inzet waar menselijke creativiteit en vakinhoudelijk beoordelingsvermogen nog altijd het belangrijkst zijn.

Dat is het aspect dat in veel betogen over ‘AI vervangt software’ over het hoofd wordt gezien. Als elk hulpmiddel op interfaceniveau kan worden gekopieerd, vormt de interface niet de echte verdedigingswal. Die wordt gevormd door de diepgaande kennis erachter: de logica van workflows, de afhandeling van uitzonderingen, de betrouwbare gegevens, de institutionele kennis en de menselijke expertise die nodig zijn om resultaten om te zetten in beslissingen.

Is betaalde software dus echt verleden tijd? Alleen als we ooit dachten dat de waarde van software uitsluitend in de zichtbare laag zat.

Bij de standaardfuncties van software zal de druk toenemen. Sommige producten zullen worden gekopieerd. Sommige categorieën zullen inkrimpen. Sommige functionaliteiten waarvoor ooit een meerprijs werd gevraagd, worden straks vanzelfsprekend. Maar de tools en bedrijven die standhouden, zijn de tools en bedrijven die organisaties helpen om van imitatie naar inzicht te gaan.

Daarom is het samplingmoment van AI belangrijk. Het herinnert ons eraan dat lagere reproductiekosten de behoefte aan originaliteit niet wegnemen. Ze veranderen alleen waar originaliteit te vinden is.

In de muziek verschoof originaliteit van het uitvoeren van ruw bronmateriaal naar het vakmanschap van transformatie.

Bij AI in bedrijven verschuift originaliteit van het genereren van plausibele resultaten naar het gedisciplineerd inzetten van betrouwbare informatie, deskundig oordeel en creatieve probleemoplossing.

Reproductie is goedkoop. Inzicht niet. Daarom zal de volgende fase van AI niet toebehoren aan systemen die alleen intelligent klinken. Ze zal toebehoren aan organisaties die weten hoe ze hun bestaande kennis bruikbaar genoeg kunnen maken om iets werkelijk nieuws te ontdekken.