Kloning av programvara – är betald programvara verkligen på väg bort?

De senaste rubrikerna om utvecklare som använder AI-verktyg för att klona populär, betald programvara – framför allt Adobe – har väckt blandade reaktioner, från anklagelser om stöld till välkomnande av kostnadsfria verktyg med öppen källkod.

Men vad innebär det för teknikföretagen som äger originalprogramvaran – eller för dem som betalar dyra abonnemang för att använda den?

Matt Wood, Senior Director för cybersäkerhetsarkitektur, drift och AI-säkerhet på ABBYY, har undersökt den växande oron och ger sin syn på riskerna och möjligheterna med AI-driven programvaruutveckling.

1996 byggde Fatboy Slim ”Rockafeller Skank” med ett gitarriff hämtat från en skiva från 1960-talet som få hade hört på flera decennier. The Chemical Brothers loopade breakbeats från bortglömda funk-skivor och skapade hymner som fyllde arenor. The Prodigy samplade sirener, filmdialog och obskyra vinylskivor och skapade något som lät helt nytt. Sampling sänkte inte bara kostnaden för att göra musik. Den förändrade vilka som kunde göra musik och tvingade hela branschen att ställa en svårare fråga: vad räknas egentligen som originellt?

I dag tvingas företag ställa samma fråga på grund av AI, men insatserna handlar inte om placeringar på topplistorna. De handlar om verksamhetsresultat, regelefterlevnad och det förtroende kunderna har för varje beslut ett företag fattar.

Replikering är billig. Insikt är det inte.

Stora språkmodeller har gjort det anmärkningsvärt enkelt att återanvända befintlig kunskap på nya sätt: skriva ett avtalsvillkor, sammanfatta en rapport eller generera ett trovärdigt svar utifrån den text de kommer åt. Den förmågan har ett verkligt värde. Men replikering är inte detsamma som upptäckt, och när de två blandas ihop är det ofta där många företags AI-satsningar tyst stannar av.

Skillnaden är viktig eftersom generativa system är mycket bra på att skapa något som ser färdigt ut. De kan efterlikna ton, struktur och självsäkerhet med enastående flyt. Vad de inte kan göra på egen hand är att garantera att det de producerar bygger på rätt underlag, är kopplat till rätt process eller formas av rätt omdöme.

Den här spänningen är inte unik för näringslivet. Den märks också inom kreativt arbete. En studie från 2024 i Science Advances visade att AI-stöd förbättrade den upplevda kvaliteten och kreativiteten i enskilda berättelser, särskilt för mindre kreativa skribenter, samtidigt som berättelserna som helhet blev mer lika varandra. Med andra ord förbättrades resultaten på individnivå, men konvergerade på kollektiv nivå. Ökad produktion innebar inte nödvändigtvis större originalitet. Ofta innebar det fler likartade idéer, uttryckta med större flyt.

Det är företagsrisken i ett nötskal. När alla har tillgång till samma generella verktyg kommer konkurrensfördelen inte av att generera mer text, fler sammanfattningar eller fler rekommendationer. Den kommer av att veta vad som är viktigt, vad man kan lita på och vad som bör leda till handling.

Företagens problem är inte att generera innehåll. Det handlar om tillgång till verkligheten.

De flesta företag lider inte brist på text. De lider brist på tillgänglig och tillförlitlig kontext.

Ett företags faktiska kunskap är vanligtvis utspridd i avtal, fakturor, introduktionsformulär, skadeanmälningar, e-postmeddelanden, rapporter, skannade PDF-filer och arbetsflödena som förmedlar dokumenten mellan olika team. Ett betalningsundantag inom ekonomi, ett regelefterlevnadsproblem i introduktionsprocessen eller en försening i kundservicen börjar ofta som något halvstrukturerat, inkonsekvent formaterat och frikopplat från de system som ledningen förlitar sig på när den fattar beslut.

Därför verkar så många AI-projekt i företag imponerande i demonstrationer men kan misslyckas i produktion. Modellen kan vara kapabel, men kontexten är ofullständig. Den kan bara resonera utifrån det den kommer åt, och i många organisationer utgör det en begränsad del av helhetsbilden.

Det här är inte bara en teoretisk svaghet. Det påverkar beslutens kvalitet. Om en modell sammanfattar ett avtal utan tillgång till relevanta ändringar kan sammanfattningen låta tydlig men ändå vara ofullständig. Om den analyserar problem med leverantörsreskontran utan insyn i fakturaundantag hos olika leverantörer och i olika format kan den ge rekommendationer som ser välordnade ut men inte är användbara. Om den hjälper till med kundintroduktion samtidigt som viktig information fortfarande är fast i skannade formulär eller splittrade arbetsflöden kan den påskynda en felaktig slutsats.

Resultatet är inte insikt. Det är gissningar som låter övertygande.

Varför imitation sprids snabbare än förståelse

Det är här jämförelsen med sampling inom musik blir mer än en metafor.

Sampling gjorde musikproduktion snabbare, billigare och mer tillgänglig. Men de producenter som höll i längden var inte de som bara kopierade fragment. Det var de som hade känsla och disciplin nog att omforma dem. Vem som helst kunde plocka ett beat; alla kunde inte skapa ett nytt sound kring det.

AI skapar en liknande klyfta inom programvara och kunskapsarbete. Tröskeln för imitation har sjunkit dramatiskt. Det är enklare än någonsin att kopiera gränssnitt, återskapa resultat, efterlikna arbetsflöden och approximera expertis. Hela kategorier av programvara riskerar i allt högre grad att bli möjliga att återskapa på ytan.

Det innebär inte att betald programvara är över, vilket utvecklaren Brandon Thomas har konstaterat; han har skapat kostnadsfria alternativ till Adobe. Det innebär att värdet av programvara håller på att förändras.

När imitation blir billig flyttas värdet någon annanstans: till förtroende, integration, omdöme och förmågan att åstadkomma resultat som håller under verkliga förhållanden. Frågan är inte längre om ett AI-system kan ge ett svar som liknar expertarbete. Frågan är om det kan göra det tillförlitligt, i sitt sammanhang och med tillräcklig transparens för att människor ska lita på det när mycket står på spel.

Det är enkelt att skapa en kopia av ett resultat. Att åstadkomma ett tillförlitligt resultat är det inte.

Det dolda mervärdet är expertis

Det är därför expertis blir viktigare, inte mindre viktig, i en tid av AI-kloning.

I åratal har många digitala verktyg fått sitt värde av att göra specialiserade förmågor svåråtkomliga. Om en programvara kunde koda en process, standardisera en uppgift eller förenkla ett arbetsflöde som tidigare varit svårt, betalade kunder för tillgång till den paketerade expertisen. Generativ AI rubbar den modellen eftersom den nu till låg kostnad kan efterlikna många synliga kännetecken på expertis.

Men imitation fångar bara det yttre lagret.

Verklig expertis handlar om att veta vilket undantag som spelar roll, vilken tvetydighet man inte kan bortse från, vilken källa som är auktoritativ och när man bör ifrågasätta ett systems svar i stället för att godta det. Det är skillnaden mellan att extrahera text ur ett dokument och att förstå om texten räcker som underlag för ett affärsbeslut. Det är skillnaden mellan att sammanfatta en policy och att inse vilka operativa konsekvenser det får om sammanfattningen blir fel.

Det är också här många diskussioner om AI och originalitet hamnar fel. Inom näringslivet handlar originalitet sällan om nyhet för nyhetens egen skull. Det handlar om att se sådant som andra missar: en risk som döljer sig i bruset från processer, ett mönster begravt i fragmenterad information eller en möjlighet som skyms av frånkopplade system. Den sortens originalitet beror mindre på vältalig generering än på korrekt tolkning.

Dokument är inte hela historien, men ofta börjar den där

Dokument är viktiga här eftersom de fortfarande är en av de vanligaste platserna där verkligheten i företag lagras, men inte går att använda fullt ut.

Det gör inte ”dokument-AI” till berättelsens hjälte. Det innebär bara att dokumentförståelse är en del av den större uppgiften att omvandla operativ information till något som AI-system kan använda på ett ansvarsfullt sätt. Om organisationer vill få bättre resultat med generativa modeller behöver de bättre tillgång till de belägg som modellerna bygger på. I många fall innebär det att extrahera, validera och strukturera information som annars skulle förbli instängd i formulär, filer och fragmenterade överlämningar.

Används den här typen av förmåga väl handlar det inte om att lyfta fram en produktkategori framför en annan. Det handlar om att minska avståndet mellan det företaget vet och det som dess AI-system faktiskt kan se.

Den skillnaden spelar roll. De starkaste strategierna för AI i företag bygger inte enbart på generering. De bygger på en kombination av användbara data, förståelse för processer och mänsklig tillsyn. Exempelvis hävdar aktuell företagsforskning från MIT:s Project NANDA att de största hindren för AI-användning ofta inte är modellernas kvalitet i sig, utan bristfällig integration i arbetsflöden och bristande förtroende för hur verktygen fungerar i praktiken.

Det borde låta bekant. Företag vinner inte genom att producera mest syntetiskt innehåll. De vinner genom att fatta bättre beslut snabbare och mer konsekvent, utifrån information de kan försvara.

Nästa mervärde är omdöme

Sampling minskade inte musikens värde. Det förändrade vad originalitet innebar.

När råmaterialet blev enklare att återanvända flyttades mervärdet till urval, arrangemang och avsikt. Omdöme blev mer värdefullt än tillgång. Samma sak händer nu med AI i företag. I takt med att det blir enklare att klona programvara kommer den varaktiga fördelen inte att ligga i att ha en modell som kan efterlikna kompetent arbete. Den kommer att ligga i att veta hur man kopplar AI till rätt sammanhang, sätter lämpliga begränsningar och använder den där mänsklig kreativitet och sakkunnigt omdöme fortfarande är som viktigast.

Det är den delen av diskussionen som många argument om att ”AI ersätter programvara” missar. Om alla verktyg kan kopieras på gränssnittsnivå är den verkliga konkurrensfördelen inte gränssnittet. Den ligger i den djupa förståelsen bakom det: arbetsflödeslogiken, hanteringen av undantag, de betrodda uppgifterna, den institutionella kunskapen och den mänskliga expertis som krävs för att omvandla resultat till beslut.

Så, är betald programvara verkligen över? Bara om vi trodde att värdet av programvara någonsin enbart låg i det synliga ytskiktet.

När det gäller programvarans standardfunktioner kommer konkurrenstrycket att öka. Vissa produkter kommer att kopieras. Vissa kategorier kommer att krympa. Vissa funktioner som tidigare motiverade ett högre pris blir självklarheter. Men de verktyg och företag som består är de som hjälper organisationer att gå från imitation till förståelse.

Det är därför AI:s samplingsögonblick är viktigt. Det påminner oss om att lägre kostnader för reproduktion inte eliminerar behovet av originalitet. Det förändrar bara var originaliteten finns.

Inom musiken flyttades fokus från framförandet av råmaterialet till hantverket att omforma det.

Inom företags-AI håller fokus på att flyttas från att generera trovärdiga resultat till en disciplinerad användning av tillförlitlig information, expertbedömningar och kreativ problemlösning.

Replikering är billig. Insikt är det inte. Därför kommer nästa fas inom AI inte att tillhöra systemen som bara låter intelligenta. Den kommer att tillhöra organisationerna som vet hur de kan göra det de redan vet tillräckligt användbart för att upptäcka något verkligt nytt.