การโคลนซอฟต์แวร์ – ซอฟต์แวร์แบบเสียเงินจะหมดความจำเป็นจริงหรือ?

พาดหัวข่าวล่าสุดเกี่ยวกับ นักพัฒนาที่ใช้เครื่องมือ AI โคลนซอฟต์แวร์ยอดนิยมแบบเสียเงิน โดยเฉพาะ Adobe ก่อให้เกิดปฏิกิริยาที่หลากหลาย ตั้งแต่การกล่าวหาว่าเป็นการขโมย ไปจนถึงการต้อนรับเครื่องมือโอเพนซอร์สที่ใช้ฟรี

แล้วเรื่องนี้มีความหมายอย่างไรต่อบริษัทเทคโนโลยีที่เป็นเจ้าของซอฟต์แวร์ต้นฉบับ หรือผู้ที่จ่ายค่าสมัครสมาชิกในราคาแพงเพื่อใช้งานซอฟต์แวร์เหล่านั้น?

Matt Wood ผู้อำนวยการอาวุโสฝ่ายสถาปัตยกรรมความมั่นคงปลอดภัยไซเบอร์ การปฏิบัติการ และความมั่นคงปลอดภัย AI ที่ ABBYY ได้ศึกษาความกังวลที่เพิ่มขึ้นนี้ พร้อมแสดงมุมมองต่อความเสี่ยงและโอกาสของการพัฒนาซอฟต์แวร์ที่ขับเคลื่อนด้วย AI

ในปี 1996 Fatboy Slim สร้างเพลง “Rockafeller Skank” โดยนำริฟฟ์กีตาร์จากแผ่นเสียงยุคทศวรรษ 1960 ที่แทบไม่มีใครได้ฟังมานานหลายสิบปีมาใช้ The Chemical Brothers นำจังหวะกลองเบรกจากแผ่นเสียงฟังก์ที่ถูกลืมมาเล่นวนซ้ำ จนกลายเป็นเพลงฮิตที่ดังกระหึ่มในสนามกีฬา ส่วน The Prodigy นำเสียงไซเรน บทสนทนาจากภาพยนตร์ และแผ่นเสียงหายากที่ไม่ค่อยมีใครรู้จักมาสุ่มตัวอย่าง จนได้ผลงานที่ฟังดูไม่เหมือนสิ่งใดมาก่อน การสุ่มตัวอย่างเสียงไม่ได้เพียงลดต้นทุนการทำเพลง แต่ยังเปลี่ยนว่าใครสามารถทำเพลงได้ และบีบให้อุตสาหกรรมทั้งหมดต้องตั้งคำถามที่ตอบยากกว่าเดิมว่า อะไรจึงจะนับว่าเป็นผลงานต้นฉบับอย่างแท้จริง?

วันนี้ AI กำลังบีบให้ภาคธุรกิจต้องตั้งคำถามเดียวกัน แต่สิ่งที่เดิมพันไม่ใช่อันดับบนชาร์ต หากเป็นผลลัพธ์ในการดำเนินงาน ความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ และความไว้วางใจที่ลูกค้ามีต่อทุกการตัดสินใจของธุรกิจ

การทำซ้ำมีต้นทุนต่ำ แต่ความเข้าใจเชิงลึกไม่ใช่

โมเดลภาษาขนาดใหญ่ทำให้การนำความรู้ที่มีอยู่แล้วมาปรับใช้ใหม่เป็นเรื่องง่ายอย่างยิ่ง ไม่ว่าจะเป็นการร่างข้อสัญญา สรุปรายงาน หรือสร้างคำตอบที่ฟังดูน่าเชื่อถือจากข้อความใดก็ตามที่โมเดลเข้าถึงได้ ความสามารถนี้มีคุณค่าจริง แต่การทำซ้ำไม่ใช่สิ่งเดียวกับการค้นพบ และการมองสองสิ่งนี้ปะปนกันคือจุดที่โครงการ AI ในภาคธุรกิจจำนวนมากเริ่มชะงักลงอย่างเงียบ ๆ

ความแตกต่างนี้สำคัญ เพราะระบบสร้างเนื้อหาทำได้ดีมากในการผลิตสิ่งที่ดูเหมือนเสร็จสมบูรณ์แล้ว ระบบเหล่านี้เลียนแบบน้ำเสียง โครงสร้าง และความมั่นใจได้อย่างลื่นไหลเป็นพิเศษ แต่สิ่งที่ระบบทำเองไม่ได้คือรับประกันว่าสิ่งที่ผลิตขึ้นจะตั้งอยู่บนหลักฐานที่ถูกต้อง เชื่อมโยงกับกระบวนการที่เหมาะสม หรือผ่านการกลั่นกรองด้วยวิจารณญาณที่ถูกต้อง

ความตึงเครียดนี้ไม่ได้เกิดขึ้นเฉพาะในภาคธุรกิจ แต่เห็นได้ในงานสร้างสรรค์เช่นกัน งานวิจัยในปี 2024 ที่ตีพิมพ์ใน Science Advances พบว่าความช่วยเหลือจาก AI ทำให้เรื่องเล่าแต่ละเรื่องได้รับการประเมินว่ามีคุณภาพและความคิดสร้างสรรค์สูงขึ้น โดยเฉพาะผลงานของผู้เขียนที่มีความคิดสร้างสรรค์น้อยกว่า ขณะเดียวกันก็ทำให้เรื่องเล่าโดยรวมมีความคล้ายคลึงกันมากขึ้น กล่าวอีกนัยหนึ่ง ผลงานดีขึ้นเมื่อพิจารณาในระดับบุคคล แต่กลับมีแนวโน้มไปในทิศทางเดียวกันเมื่อพิจารณาในภาพรวม การผลิตผลงานมากขึ้นไม่ได้หมายความว่าจะมีความแปลกใหม่มากขึ้นเสมอไป บ่อยครั้งกลับหมายถึงการนำเสนอแนวคิดเดิม ๆ ให้ลื่นไหลขึ้น

นี่คือภาพย่อของความเสี่ยงสำหรับภาคธุรกิจ เมื่อทุกคนเข้าถึงเครื่องมืออเนกประสงค์แบบเดียวกัน ความได้เปรียบในการแข่งขันไม่ได้มาจากการสร้างข้อความ สรุป หรือคำแนะนำให้ได้มากขึ้น แต่อยู่ที่การรู้ว่าอะไรสำคัญ อะไรเชื่อถือได้ และเรื่องใดควรลงมือทำ

ปัญหาของธุรกิจไม่ใช่การสร้างเนื้อหา แต่คือการเข้าถึงข้อมูลจริง

ธุรกิจส่วนใหญ่ไม่ได้ขาดแคลนข้อมูลภาษา แต่ขาดบริบทที่เข้าถึงได้และเชื่อถือได้

ความรู้ที่บริษัทมีอยู่จริงมักกระจัดกระจายอยู่ตามสัญญา ใบแจ้งหนี้ แบบฟอร์มรับลูกค้าใหม่ เคลม อีเมล รายงาน ไฟล์ PDF ที่สแกนไว้ ตลอดจนขั้นตอนการทำงานที่ส่งต่อเอกสารเหล่านั้นจากทีมหนึ่งไปยังอีกทีมหนึ่ง กรณีการชำระเงินที่ผิดปกติในฝ่ายการเงิน ปัญหาการปฏิบัติตามกฎระเบียบในขั้นตอนรับลูกค้าใหม่ หรือความล่าช้าในการให้บริการของฝ่ายปฏิบัติการ มักเริ่มต้นจากข้อมูลที่มีโครงสร้างเพียงบางส่วน จัดรูปแบบไม่สม่ำเสมอ และไม่ได้เชื่อมโยงกับระบบที่ผู้บริหารใช้ประกอบการตัดสินใจ

นี่คือเหตุผลที่ โครงการ AI ในภาคธุรกิจจำนวนมากดูน่าประทับใจในการสาธิต แต่กลับล้มเหลวเมื่อนำไปใช้งานจริง ตัวโมเดลอาจมีความสามารถ แต่บริบทที่ได้รับนั้นไม่ครบถ้วน โมเดลให้เหตุผลได้เฉพาะจากข้อมูลที่เข้าถึงได้ และในหลายองค์กร ข้อมูลดังกล่าวเป็นเพียงส่วนเล็ก ๆ ของภาพรวมจริง

นี่ไม่ใช่เพียงจุดอ่อนในทางทฤษฎี แต่ส่งผลต่อคุณภาพของการตัดสินใจ หากโมเดลสรุปสัญญาโดยไม่สามารถเข้าถึงเอกสารแก้ไขเพิ่มเติมที่เกี่ยวข้อง ผลสรุปอาจฟังดูชัดเจนแต่ไม่ครบถ้วน หากโมเดลวิเคราะห์ปัญหาเจ้าหนี้การค้าโดยมองไม่เห็นข้อยกเว้นในใบแจ้งหนี้จากผู้ขายหลายรายที่ใช้รูปแบบแตกต่างกัน คำแนะนำที่ได้อาจดูเป็นระเบียบเรียบร้อยแต่ใช้ประโยชน์ไม่ได้ และหากโมเดลช่วยรับลูกค้าใหม่ขณะที่ข้อมูลสำคัญยังติดอยู่ในแบบฟอร์มที่สแกนไว้หรือขั้นตอนการทำงานที่กระจัดกระจาย ก็อาจเร่งให้เกิดข้อสรุปที่ผิดพลาด

ผลลัพธ์ที่ได้ไม่ใช่ความเข้าใจเชิงลึก แต่เป็นการคาดเดาที่ฟังดูมั่นใจ

เหตุใดการเลียนแบบจึงขยายผลได้เร็วกว่าความเข้าใจ

นี่คือจุดที่การเปรียบเทียบกับการสุ่มตัวอย่างเสียงในดนตรีเป็นมากกว่าเพียงคำเปรียบเปรย

การสุ่มตัวอย่างเสียงทำให้การผลิตเพลงรวดเร็วขึ้น มีต้นทุนต่ำลง และเข้าถึงได้ง่ายขึ้น แต่โปรดิวเซอร์ที่อยู่ในวงการได้ยาวนานไม่ใช่คนที่เพียงคัดลอกท่อนเสียงมาใช้ หากเป็นคนที่มีรสนิยมและวินัยในการแปลงโฉมสิ่งเหล่านั้น ใคร ๆ ก็หยิบจังหวะมาใช้ได้ แต่ไม่ใช่ทุกคนที่จะสร้างเสียงใหม่ขึ้นมาจากจังหวะนั้นได้

AI กำลังสร้างความแตกแยกในลักษณะเดียวกันในแวดวงซอฟต์แวร์และงานที่ต้องใช้ความรู้ อุปสรรคต่อการเลียนแบบลดลงอย่างมาก การโคลนส่วนติดต่อผู้ใช้ การสร้างผลลัพธ์ซ้ำ การเลียนแบบขั้นตอนการทำงาน และการจำลองความเชี่ยวชาญทำได้ง่ายกว่าที่เคย ซอฟต์แวร์ทั้งหมวดหมู่มีความเสี่ยงเพิ่มขึ้นที่จะถูกทำซ้ำได้ในระดับผิวเผิน

นั่นไม่ได้หมายความว่าซอฟต์แวร์แบบเสียเงินหมดอนาคต ดังที่ Brandon Thomas นักพัฒนาซอฟต์แวร์กล่าวไว้ (เขาสร้างทางเลือกฟรีแทนผลิตภัณฑ์ของ Adobe) แต่หมายความว่าคุณค่าของซอฟต์แวร์กำลังเปลี่ยนไป

เมื่อการเลียนแบบมีต้นทุนต่ำ คุณค่าก็จะย้ายไปอยู่ที่อื่น ได้แก่ ความไว้วางใจ การผสานการทำงาน วิจารณญาณ และความสามารถในการสร้างผลลัพธ์ที่ยังคงใช้ได้จริงภายใต้สภาวะการทำงานจริง คำถามไม่ใช่อีกต่อไปว่าระบบ AI จะให้คำตอบที่คล้ายกับผลงานของผู้เชี่ยวชาญได้หรือไม่ แต่คือระบบจะทำเช่นนั้นได้อย่างน่าเชื่อถือ โดยคำนึงถึงบริบท และโปร่งใสมากพอให้ผู้คนไว้วางใจเมื่อต้องรับมือกับเรื่องที่มีความเสี่ยงสูงหรือไม่

การสร้างผลลัพธ์ที่โคลนขึ้นมานั้นทำได้ง่าย แต่การสร้างผลลัพธ์ที่เชื่อถือได้ไม่ใช่เรื่องง่าย

สิ่งที่มีมูลค่าเพิ่มอย่างแท้จริงคือความเชี่ยวชาญ

นี่คือเหตุผลที่ความเชี่ยวชาญมีความสำคัญมากขึ้น ไม่ใช่น้อยลง ในยุคที่ AI สามารถโคลนสิ่งต่าง ๆ ได้

ตลอดหลายปีที่ผ่านมา เครื่องมือดิจิทัลจำนวนมากสร้างคุณค่าจากการทำให้ความสามารถเฉพาะทางเป็นสิ่งที่หาได้ยาก หากซอฟต์แวร์สามารถถอดกระบวนการออกมาเป็นระบบ ทำให้งานเป็นมาตรฐาน หรือทำให้ขั้นตอนการทำงานที่เคยยุ่งยากง่ายขึ้น ลูกค้าก็ยินดีจ่ายเพื่อเข้าถึงความเชี่ยวชาญที่ถูกรวบรวมไว้ในรูปแบบนั้น แต่ AI เชิงกำเนิดทำให้โมเดลนี้สั่นคลอน เพราะปัจจุบันสามารถเลียนแบบลักษณะภายนอกหลายประการของความเชี่ยวชาญได้ด้วยต้นทุนต่ำ

แต่การเลียนแบบจับได้เพียงชั้นนอกเท่านั้น

ความเชี่ยวชาญที่แท้จริงคือการรู้ว่าข้อยกเว้นใดสำคัญ ความกำกวมใดไม่อาจมองข้าม แหล่งข้อมูลใดเชื่อถือได้ และเมื่อใดควรตั้งข้อสงสัยต่อคำตอบของระบบแทนที่จะยอมรับโดยไม่ตรวจสอบ นี่คือความแตกต่างระหว่างการดึงข้อความจากเอกสาร กับการทำความเข้าใจว่าข้อความนั้นเพียงพอที่จะใช้ประกอบการตัดสินใจทางธุรกิจหรือไม่ และยังเป็นความแตกต่างระหว่างการสรุปนโยบาย กับการตระหนักถึงผลกระทบต่อการดำเนินงานหากสรุปนโยบายนั้นผิดพลาด

ประเด็นนี้ยังเป็นจุดที่การพูดคุยเกี่ยวกับ AI และความคิดริเริ่มสร้างสรรค์มักออกนอกทางด้วย ในภาคธุรกิจ ความคิดริเริ่มสร้างสรรค์แทบไม่ใช่การแสวงหาความแปลกใหม่เพียงเพื่อความแปลกใหม่ แต่คือการมองเห็นสิ่งที่คนอื่นมองไม่เห็น เช่น ความเสี่ยงที่ซ่อนอยู่ในสัญญาณรบกวนของกระบวนการ รูปแบบที่ฝังอยู่ในข้อมูลที่กระจัดกระจาย หรือโอกาสที่ถูกบดบังด้วยระบบที่ไม่เชื่อมต่อกัน ความคิดริเริ่มสร้างสรรค์เช่นนี้ขึ้นอยู่กับการตีความอย่างถูกต้อง มากกว่าการสร้างถ้อยคำที่สละสลวย

เอกสารไม่ใช่เรื่องราวทั้งหมด แต่บ่อยครั้งเรื่องราวเริ่มต้นที่เอกสาร

เอกสารมีความสำคัญในประเด็นนี้ เพราะยังคงเป็นหนึ่งในแหล่งเก็บข้อมูลเกี่ยวกับสภาพความเป็นจริงขององค์กรที่พบได้ทั่วไปที่สุด ทั้งที่ข้อมูลเหล่านั้นยังไม่สามารถนำไปใช้ได้อย่างเต็มที่

นั่นไม่ได้ทำให้ “AI สำหรับเอกสาร” กลายเป็นตัวเอกของเรื่อง เพียงแต่ทำให้การทำความเข้าใจเอกสารเป็นส่วนหนึ่งของแนวทางที่กว้างกว่าในการเปลี่ยนข้อมูลการดำเนินงานให้เป็นสิ่งที่ระบบ AI นำไปใช้ได้อย่างรับผิดชอบ หากองค์กรต้องการผลลัพธ์ที่ดีขึ้นจากโมเดลเชิงกำเนิด ก็ต้องทำให้โมเดลเข้าถึงหลักฐานที่ใช้ประกอบการทำงานได้ดีขึ้น ในหลายกรณี นั่นหมายถึงการดึงข้อมูล ตรวจสอบความถูกต้อง และจัดโครงสร้างข้อมูลที่มิฉะนั้นจะยังคงติดอยู่ในแบบฟอร์ม ไฟล์ และการส่งต่องานที่กระจัดกระจาย

หากนำความสามารถเช่นนี้ไปใช้อย่างเหมาะสม ก็ไม่ใช่เรื่องของการผลักดันผลิตภัณฑ์ประเภทหนึ่งให้เหนือกว่าอีกประเภท แต่เป็นการลดช่องว่างระหว่างสิ่งที่ธุรกิจรู้กับสิ่งที่ระบบ AI มองเห็นได้จริง

ความแตกต่างนี้มีความสำคัญ กลยุทธ์ AI สำหรับองค์กรที่แข็งแกร่งที่สุดไม่ได้ตั้งอยู่บนการสร้างเนื้อหาเพียงอย่างเดียว แต่เกิดจากการผสานข้อมูลที่นำไปใช้ได้จริง ความเข้าใจกระบวนการ และการกำกับดูแลโดยมนุษย์ ตัวอย่างเช่น งานวิจัยด้านองค์กรล่าสุดจาก Project NANDA ของ MIT ชี้ว่า อุปสรรคสำคัญที่สุดต่อการนำ AI มาใช้มักไม่ใช่คุณภาพของโมเดลเพียงอย่างเดียว แต่เป็นการผสานเข้ากับขั้นตอนการทำงานที่ไม่ดี และการขาดความไว้วางใจต่อพฤติกรรมของเครื่องมือเมื่อนำไปใช้จริง

เรื่องนี้คงฟังดูคุ้นเคย ธุรกิจไม่ได้ชนะด้วยการผลิตเนื้อหาสังเคราะห์ให้ได้มากที่สุด แต่ชนะด้วยการตัดสินใจได้ดีขึ้น รวดเร็วขึ้น และสม่ำเสมอขึ้น โดยอาศัยข้อมูลที่สามารถชี้แจงและปกป้องเหตุผลได้

สิ่งที่มีมูลค่าเพิ่มในขั้นต่อไปคือวิจารณญาณ

การนำตัวอย่างเสียงมาใช้ไม่ได้ทำให้ดนตรีด้อยค่า แต่เปลี่ยนความหมายของความคิดริเริ่มสร้างสรรค์

เมื่อสามารถนำวัตถุดิบเดิมกลับมาใช้ซ้ำได้ง่ายขึ้น มูลค่าเพิ่มก็ย้ายไปอยู่ที่การคัดเลือก การเรียบเรียง และเจตนา วิจารณญาณมีค่ามากกว่าการเข้าถึง สิ่งเดียวกันนี้กำลังเกิดขึ้นกับ AI สำหรับองค์กร เมื่อการโคลนซอฟต์แวร์ทำได้ง่ายขึ้น ความได้เปรียบที่ยั่งยืนจะไม่ได้มาจากการมีโมเดลที่เลียนแบบงานที่ทำได้ดีอย่างมีประสิทธิภาพ แต่มาจากการรู้วิธีเชื่อมโยง AI เข้ากับบริบทที่เหมาะสม กำหนดขอบเขตการทำงานอย่างเหมาะควร และนำไปใช้ในจุดที่ความคิดสร้างสรรค์ของมนุษย์กับวิจารณญาณเฉพาะสาขายังคงมีความสำคัญมากที่สุด

นี่คือประเด็นที่หลายคนมองข้ามในการถกเถียงว่า “AI จะมาแทนที่ซอฟต์แวร์” หากเครื่องมือทุกชนิดสามารถถูกคัดลอกในระดับส่วนติดต่อผู้ใช้ได้ สิ่งที่เป็นปราการป้องกันการแข่งขันอย่างแท้จริงก็ไม่ใช่ส่วนติดต่อผู้ใช้ แต่คือความเข้าใจเชิงลึกที่อยู่เบื้องหลัง ทั้งตรรกะของขั้นตอนการทำงาน การจัดการข้อยกเว้น ข้อมูลที่เชื่อถือได้ ความรู้ที่สั่งสมในองค์กร และความเชี่ยวชาญของมนุษย์ที่จำเป็นต่อการเปลี่ยนผลลัพธ์ให้เป็นการตัดสินใจ

แล้วซอฟต์แวร์แบบเสียเงินหมดอนาคตจริงหรือไม่? ก็เฉพาะในกรณีที่เราเชื่อว่าคุณค่าของซอฟต์แวร์มีเพียงสิ่งที่มองเห็นได้ภายนอกเท่านั้น

แรงกดดันต่อฟีเจอร์ทั่วไปของซอฟต์แวร์จะทวีความรุนแรงขึ้น ผลิตภัณฑ์บางรายการจะถูกลอกเลียนแบบ หมวดหมู่บางประเภทจะหดแคบลง ฟังก์ชันบางอย่างที่เคยมีราคาสูงจะกลายเป็นสิ่งที่ต้องมี แต่เครื่องมือและบริษัทที่จะอยู่รอดต่อไป คือสิ่งที่ช่วยให้องค์กรก้าวจากการเลียนแบบไปสู่ความเข้าใจ

นั่นคือเหตุผลที่ช่วงเวลาสำคัญของ AI ในยุคแห่งการสุ่มตัวอย่างมีความหมาย เพราะช่วยเตือนเราว่าการลดต้นทุนในการผลิตซ้ำไม่ได้ทำให้ความคิดริเริ่มหมดความจำเป็น เพียงแต่เปลี่ยนไปว่าความคิดริเริ่มนั้นอยู่ตรงไหน

ในวงการดนตรี จุดเน้นเปลี่ยนจากการแสดงวัตถุดิบดิบ ๆ มาเป็นศิลปะของการแปรเปลี่ยน

ใน AI สำหรับองค์กร จุดเน้นกำลังเปลี่ยนจากการสร้างผลลัพธ์ที่ฟังดูเป็นไปได้ มาเป็นการใช้ข้อมูลที่เชื่อถือได้ ดุลยพินิจของผู้เชี่ยวชาญ และการแก้ปัญหาอย่างสร้างสรรค์อย่างมีหลักเกณฑ์

การทำซ้ำมีต้นทุนต่ำ แต่ความเข้าใจเชิงลึกไม่ใช่ และนั่นคือเหตุผลที่ AI ระยะต่อไปจะไม่ตกเป็นของระบบที่เพียงแค่พูดจาราวกับฉลาด แต่จะเป็นขององค์กรที่รู้วิธีทำให้สิ่งที่ตนรู้อยู่แล้วนำไปใช้ได้มากพอ จนค้นพบสิ่งใหม่อย่างแท้จริง