Klonowanie oprogramowania — czy era płatnego oprogramowania naprawdę dobiegła końca?

Najnowsze nagłówki o programistach korzystających z narzędzi AI do klonowania popularnego płatnego oprogramowania — przede wszystkim Adobe wywołały mieszane reakcje: od oskarżeń o kradzież po aprobatę dla bezpłatnych narzędzi open source.

Ale co to oznacza dla firm technologicznych, które są właścicielami oryginalnego oprogramowania, oraz dla osób płacących wysokie abonamenty za możliwość korzystania z niego?

Matt Wood, starszy dyrektor ds. architektury cyberbezpieczeństwa, operacji i bezpieczeństwa AI w ABBYY, zbadał ten narastający problem i przedstawia swoją opinię na temat zagrożeń i możliwości związanych z rozwojem oprogramowania z wykorzystaniem AI.

W 1996 roku Fatboy Slim stworzył utwór „Rockafeller Skank”, wykorzystując riff gitarowy zaczerpnięty z nagrania z lat 60., którego od dziesięcioleci mało kto słyszał. The Chemical Brothers zapętlali breakbeaty z zapomnianych funkowych nagrań, tworząc hymny wypełniające stadiony. The Prodigy samplowali syreny, dialogi filmowe i mało znane płyty winylowe, tworząc muzykę, która brzmiała jak nic, co powstało wcześniej. Samplowanie nie tylko obniżyło koszt tworzenia muzyki. Zmieniło to, kto mógł ją tworzyć, i zmusiło całą branżę do zadania trudniejszego pytania: co właściwie można uznać za oryginalne?

Dziś AI zmusza przedsiębiorstwa do zadania tego samego pytania, ale stawką nie są miejsca na listach przebojów. Chodzi o wyniki operacyjne, ryzyko naruszenia zgodności z przepisami i zaufanie, jakim klienci darzą każdą decyzję podejmowaną przez firmę.

Replikacja jest tania. Wnikliwość — nie.

Duże modele językowe niezwykle ułatwiły przetwarzanie istniejącej wiedzy: mogą przygotować klauzulę umowy, streścić raport czy wygenerować wiarygodnie brzmiącą odpowiedź na podstawie dowolnego tekstu, do którego mają dostęp. Ta możliwość ma realną wartość. Jednak powielanie to nie to samo co odkrywanie, a utożsamianie jednego z drugim sprawia, że wiele projektów AI w przedsiębiorstwach po cichu grzęźnie w miejscu.

To rozróżnienie jest istotne, ponieważ systemy generatywne bardzo dobrze tworzą treści, które wyglądają na ukończone. Z niezwykłą swobodą naśladują ton, strukturę i pewność siebie. Nie potrafią jednak samodzielnie zagwarantować, że tworzone przez nie treści opierają się na właściwych dowodach, są powiązane z odpowiednim procesem lub wynikają z trafnej oceny sytuacji.

To napięcie nie dotyczy wyłącznie biznesu. Widać je również w pracy twórczej. Badanie z 2024 roku opublikowane w czasopiśmie Science Advances wykazało, że wsparcie AI poprawiało postrzeganą jakość i kreatywność poszczególnych opowiadań, zwłaszcza tych napisanych przez mniej kreatywnych autorów, a zarazem sprawiało, że cały zbiór opowiadań stawał się bardziej do siebie podobny. Innymi słowy, jakość tekstów rosła na poziomie indywidualnym, ale na poziomie zbiorowym następowało ujednolicenie. Większa produkcja niekoniecznie oznaczała większą oryginalność. Często oznaczała więcej tych samych pomysłów, przedstawionych w płynniejszy sposób.

W miniaturze widać tu ryzyko dla przedsiębiorstw. Gdy każdy ma dostęp do tych samych narzędzi ogólnego przeznaczenia, przewaga konkurencyjna nie wynika z generowania większej ilości tekstu, większej liczby podsumowań czy większej liczby rekomendacji. Liczy się wiedza o tym, co jest ważne, czemu można ufać i co zasługuje na działanie.

Problem biznesu nie polega na generowaniu treści. Chodzi o dostęp do rzeczywistości.

Większości firm nie brakuje słów. Brakuje im łatwo dostępnego, wiarygodnego kontekstu.

Wiedza firmy jest zwykle rozproszona między umowami, fakturami, formularzami wdrożeniowymi, roszczeniami, e-mailami, raportami, zeskanowanymi plikami PDF i przepływami pracy, w ramach których dokumenty przechodzą z jednego zespołu do drugiego. Wyjątek dotyczący płatności w dziale finansowym, problem ze zgodnością z przepisami podczas wdrażania klienta czy opóźnienie w świadczeniu usług w dziale operacyjnym często mają początek w informacjach częściowo ustrukturyzowanych, niespójnie sformatowanych i niepowiązanych z systemami, na których kierownictwo opiera swoje decyzje.

Dlatego wiele projektów AI w przedsiębiorstwach robi duże wrażenie podczas prezentacji, ale może zawieść w środowisku produkcyjnym. Model może być zaawansowany, ale dostępny kontekst jest niepełny. Model może wnioskować wyłącznie na podstawie informacji, do których ma dostęp, a w wielu organizacjach stanowią one jedynie niewielki wycinek rzeczywistości.

To nie jest wyłącznie teoretyczna słabość. Wpływa na jakość podejmowanych decyzji. Jeśli model streszcza umowę bez dostępu do istotnych aneksów, jego podsumowanie może brzmieć jasno, a jednocześnie być niekompletne. Jeśli analizuje problemy z zobowiązaniami bez wglądu w wyjątki dotyczące faktur od różnych dostawców i w różnych formatach, może przedstawiać uporządkowane, lecz nieprzydatne rekomendacje. Jeśli pomaga we wdrażaniu klientów, gdy kluczowe informacje wciąż są uwięzione w zeskanowanych formularzach lub rozproszonych przepływach pracy, może przyspieszyć wyciągnięcie błędnego wniosku.

Rezultatem nie jest wnikliwa analiza. To zgadywanie, które brzmi przekonująco.

Dlaczego naśladowanie skaluje się szybciej niż zrozumienie

W tym miejscu analogia do samplowania muzyki przestaje być jedynie metaforą.

Samplowanie przyspieszyło i obniżyło koszty produkcji muzyki, a także uczyniło ją bardziej dostępną. Jednak utrzymali się nie ci producenci, którzy jedynie kopiowali fragmenty. Przetrwali ci, którzy potrafili je przekształcać dzięki wyczuciu i dyscyplinie. Każdy mógł zapożyczyć bit, ale nie każdy potrafił zbudować wokół niego nowe brzmienie.

Sztuczna inteligencja pogłębia podobny podział w świecie oprogramowania i pracy opartej na wiedzy. Bariera utrudniająca naśladowanie znacznie się obniżyła. Nigdy wcześniej tak łatwo nie było klonować interfejsów, odtwarzać wyników, naśladować przepływy pracy i przybliżać się do poziomu eksperckiej wiedzy. Całym kategoriom oprogramowania coraz częściej grozi możliwość odtworzenia ich powierzchownych cech.

To nie znaczy, że płatne oprogramowanie odchodzi do przeszłości, jak stwierdził programista Brandon Thomas, który stworzył bezpłatne alternatywy dla produktów Adobe. Oznacza to, że wartość oprogramowania się zmienia.

Gdy naśladowanie staje się tanie, wartość przenosi się gdzie indziej: na zaufanie, integrację, osąd i zdolność do osiągania rezultatów, które sprawdzają się w rzeczywistych warunkach. Pytanie nie brzmi już, czy system AI potrafi wygenerować odpowiedź przypominającą pracę eksperta. Chodzi o to, czy potrafi robić to niezawodnie, z uwzględnieniem kontekstu i z wystarczającą przejrzystością, by ludzie ufali mu w sytuacjach, w których stawka jest wysoka.

Sklonowany wynik łatwo uzyskać. Niełatwo natomiast osiągnąć rezultat, na którym można polegać.

Ukryta wartość dodana to wiedza ekspercka

Dlatego w dobie klonowania za pomocą AI wiedza ekspercka staje się ważniejsza, a nie mniej istotna.

Przez lata wiele narzędzi cyfrowych czerpało wartość z tego, że zapewniało dostęp do rzadkich, specjalistycznych możliwości. Jeśli oprogramowanie potrafiło zakodować proces, ustandaryzować zadanie lub uprościć wcześniej trudny przepływ pracy, klienci płacili za dostęp do tak ujętej wiedzy eksperckiej. Generatywna AI podważa ten model, ponieważ potrafi teraz niewielkim kosztem naśladować wiele widocznych oznak eksperckiej wiedzy.

Naśladownictwo obejmuje jednak tylko zewnętrzną warstwę.

Prawdziwa wiedza ekspercka polega na tym, by wiedzieć, który wyjątek ma znaczenie, której niejednoznaczności nie można zignorować, które źródło jest miarodajne i kiedy odpowiedź systemu należy zakwestionować, zamiast ją zaakceptować. Na tym polega różnica między wyodrębnieniem tekstu z dokumentu a oceną, czy wystarcza on do podjęcia decyzji biznesowej. Różnica polega też na tym, czy potrafimy jedynie streścić politykę, czy również rozpoznać operacyjne konsekwencje błędnego streszczenia.

Właśnie w tym miejscu wiele dyskusji o AI i oryginalności schodzi na manowce. W biznesie oryginalność rzadko polega na nowości dla samej nowości. Chodzi o dostrzeganie tego, co umyka innym: ryzyka ukrytego w szumie procesowym, wzorca pogrzebanego w rozproszonych informacjach czy szansy przesłoniętej przez niepołączone systemy. Taka oryginalność zależy mniej od elokwentnego generowania treści, a bardziej od trafnej interpretacji.

Dokumenty to nie cała historia, ale często od nich się zaczyna

Dokumenty mają tu znaczenie, ponieważ nadal są jednym z najczęstszych miejsc, w których przechowuje się informacje o rzeczywistym funkcjonowaniu przedsiębiorstwa, choć nie zawsze można w pełni z nich korzystać.

Nie oznacza to, że „AI do dokumentów” jest głównym bohaterem tej historii. Zrozumienie dokumentów to po prostu jeden z elementów szerszego procesu przekształcania informacji operacyjnych w dane, z których systemy AI mogą odpowiedzialnie korzystać. Jeśli organizacje chcą uzyskiwać lepsze rezultaty dzięki modelom generatywnym, muszą zapewnić im lepszy dostęp do dowodów, na których te modele się opierają. W wielu przypadkach oznacza to wyodrębnianie, weryfikowanie i porządkowanie informacji, które w przeciwnym razie pozostałyby uwięzione w formularzach, plikach i rozproszonych przekazaniach zadań.

Dobrze wykorzystane takie możliwości nie służą promowaniu jednej kategorii produktów kosztem innej. Chodzi o zmniejszenie dystansu między tym, co wie firma, a tym, co jej systemy AI faktycznie mogą dostrzec.

To rozróżnienie ma znaczenie. Najskuteczniejsze strategie wykorzystania AI w przedsiębiorstwach nie opierają się wyłącznie na generowaniu treści. Łączą użyteczne dane, rozumienie procesów i nadzór człowieka. Najnowsze badania dotyczące przedsiębiorstw, prowadzone przez projekt NANDA przy MIT, wskazują na przykład, że największymi przeszkodami we wdrażaniu AI często nie są same w sobie jakość modeli, lecz słaba integracja z procesami pracy oraz brak zaufania do tego, jak narzędzia działają w praktyce.

To powinno brzmieć znajomo. Firmy nie wygrywają dzięki tworzeniu największej ilości syntetycznych treści. Wygrywają, podejmując lepsze decyzje — szybciej i bardziej konsekwentnie — na podstawie informacji, których potrafią wiarygodnie dowieść.

Kolejna premia: umiejętność trafnej oceny

Samplowanie nie obniżyło wartości muzyki. Zmieniło znaczenie oryginalności.

Gdy ponowne wykorzystywanie surowców stało się łatwiejsze, dodatkowa wartość zaczęła wynikać z ich doboru, aranżacji i zamysłu. Trafna ocena stała się cenniejsza niż sam dostęp. To samo dzieje się teraz w obszarze AI dla przedsiębiorstw. W miarę jak klonowanie oprogramowania staje się łatwiejsze, trwała przewaga nie będzie wynikać z posiadania modelu, który potrafi naśladować poprawnie wykonaną pracę. Będzie zależeć od umiejętności połączenia AI z odpowiednim kontekstem, nałożenia na nią właściwych ograniczeń i zastosowania jej tam, gdzie ludzkiej kreatywności i specjalistycznej ocenie nadal przypada kluczowa rola.

Tego nie dostrzega wiele osób w dyskusji o argumentach, że „AI zastąpi oprogramowanie”. Jeśli każde narzędzie można skopiować na poziomie interfejsu, to prawdziwa przewaga nie tkwi w interfejsie. Wynika z głębi zrozumienia, która za nim stoi: logiki przepływu pracy, obsługi wyjątków, wiarygodnych danych, wiedzy instytucjonalnej oraz ludzkiej wiedzy eksperckiej potrzebnej do przekształcenia wyników w decyzje.

Czy zatem płatne oprogramowanie naprawdę odchodzi do przeszłości? Tylko jeśli sądziliśmy, że jego wartość zawsze ograniczała się wyłącznie do widocznej warstwy.

W przypadku podstawowych funkcji oprogramowania presja będzie narastać. Niektóre produkty będą klonowane. Niektóre kategorie ulegną zawężeniu. Część funkcji, za które niegdyś trzeba było słono płacić, stanie się standardem. Przetrwają jednak te narzędzia i firmy, które pomagają organizacjom przejść od naśladowania do zrozumienia.

Dlatego obecny etap samplowania w AI ma znaczenie. Przypomina nam, że obniżenie kosztów powielania nie eliminuje potrzeby oryginalności. Zmienia jedynie to, gdzie należy jej szukać.

W muzyce punkt ciężkości przesunął się od wykonywania surowego materiału ku kunsztowi jego przekształcania.

W korporacyjnej AI punkt ciężkości przesuwa się od generowania wiarygodnie brzmiących odpowiedzi ku zdyscyplinowanemu wykorzystywaniu rzetelnych informacji, eksperckiego osądu i kreatywnego rozwiązywania problemów.

Powielanie jest tanie. Wartościowe wnioski — nie. Dlatego kolejny etap rozwoju AI nie będzie należał do systemów, które jedynie brzmią inteligentnie. Będzie należał do organizacji, które wiedzą, jak sprawić, by posiadana już przez nie wiedza stała się na tyle użyteczna, by można było odkryć coś naprawdę nowego.