软件克隆——付费软件真的要走向终结了吗？

近期有关开发者使用 AI 工具克隆热门付费软件——其中最引人注目的是 Adobe的新闻引发了褒贬不一的反应：有人指责这是盗窃，也有人对此表示欢迎，认为这带来了免费的开源工具。

但这对拥有原版软件的科技公司，或是支付高昂订阅费来使用软件的人来说，意味着什么？

ABBYY 网络安全架构、运营与 AI 安全高级总监 Matt Wood 对这一日益受到关注的问题进行了调查，并分享了他对 AI 驱动软件开发所带来的风险与机遇的看法。

1996 年，Fatboy Slim 从一张 20 世纪 60 年代的唱片中取样了一段吉他旋律，以此创作了“Rockafeller Skank”的创作灵感来自一张 20 世纪 60 年代唱片中的吉他旋律，而几十年来鲜有人听过这张唱片。The Chemical Brothers 将被遗忘的放克唱片中的碎拍循环采样，制作成响彻体育场的赞歌。The Prodigy 则将警笛声、电影对白和鲜为人知的黑胶唱片片段采样，创作出前所未闻的音乐。采样不只是降低了音乐创作的成本，它还改变了谁有机会创作音乐，并迫使整个行业思考一个更棘手的问题：究竟什么才算原创？

如今，AI 正迫使企业思考同一个问题，只不过利害关系不再是排行榜上的名次，而是运营成果、合规风险，以及客户对企业每一项决策的信任。

复制成本低，洞见却不然

大型语言模型让人们轻而易举地重组现有知识：起草合同条款、总结报告，或根据它们能访问的文本生成听起来言之成理的答案。这种能力确实有价值。但复制不等于发现，而许多企业 AI 项目悄然停滞，恰恰是因为把两者混为一谈。

这种区别很重要，因为生成式系统非常擅长产出看似已经完成的内容。它们能够以极为流畅的方式模仿语气、结构和自信的表达。但它们无法独立保证产出内容有恰当证据作为依据、与正确的流程相衔接，或体现恰当的判断。

这种矛盾并非商业领域独有，在创意工作中也同样可见。一项2024 年 Science Advances研究发现，AI 辅助提升了单篇故事在读者眼中的质量和创意程度，对创意能力较弱的作者尤其如此；与此同时，整组故事彼此之间也变得更加相似。换言之，单篇作品的质量有所提升，但整体作品却趋于雷同。产量增加未必意味着原创性提高，往往只是让更多相似的想法以更流畅的方式表达出来。

这正是企业风险的缩影。当所有人都能使用相同的通用工具时，竞争优势并非来自生成更多文本、摘要或建议，而在于知道什么才重要、什么值得信任，以及什么值得采取行动。

商业问题不在于生成内容，而在于能否接触真实情况

大多数企业并不缺少语言内容，缺少的是易于获取且可靠的背景信息。

企业真正掌握的信息通常散落在合同、发票、入职表格、索赔材料、电子邮件、报告、扫描版 PDF 文件，以及在不同团队间传递这些文件的工作流程中。财务部门的付款异常、入职流程中的合规问题，或运营环节的服务延误，往往最初都以半结构化、格式不统一的形式出现，并且与领导者赖以决策的系统相互脱节。

这就是许多企业 AI 项目在演示中令人印象深刻，却可能在投入生产后失败的原因。模型或许能力不俗，但掌握的背景信息并不完整。它只能基于自己能够访问的信息进行推理，而在许多组织中，这些信息只是实际情况的一小部分。

这并非只是理论上的缺陷，还会影响决策质量。如果模型在无法访问相关修订条款的情况下总结合同，生成的内容可能听起来清晰明了，实际却并不完整。如果模型分析应付账款问题时，看不到不同格式、不同供应商的发票异常情况，就可能提出看似条理清楚、实则无济于事的建议。如果模型协助办理客户入职，而关键信息仍困在扫描表格或彼此割裂的工作流程中，就可能加速得出错误结论。

结果并非洞见，而是听起来信心十足的猜测。

为何模仿的扩张速度快于理解

音乐采样这个类比，在这里不再只是比喻。

采样让音乐制作变得更快、更便宜，也更容易上手。但真正经受住时间考验的制作人，并非只是照搬片段的人，而是懂得品味并恪守创作原则、能够将素材转化为新作品的人。任何人都可以截取一段节拍，但并非人人都能以此为基础创造出一种新声音。

人工智能正在软件和知识工作领域造成类似的分化。模仿的门槛已大幅降低。克隆界面、复现输出、模仿工作流程以及近似再现专业能力，如今都比以往容易。整个类别的软件正日益面临表层功能被复制的风险。

这并不意味着付费软件时代已经结束，正如开发者 Brandon Thomas 所指出的；他为 Adobe 打造了免费的替代产品。这意味着软件的价值正在转移。

当模仿变得廉价，价值便转向其他方面：信任、集成、判断力，以及在现实条件下仍能交付可靠成果的能力。问题已不再是人工智能系统能否给出看似专业的答案，而是它能否结合具体情境，可靠地做到这一点，并且足够透明，以至于当风险重大时，人们仍愿意信任它。

复制一种输出很容易，交付可靠的结果却并非如此。

专业知识才是真正的隐性溢价

这就是为什么在人工智能克隆盛行的时代，专业知识变得更加重要，而非不那么重要。

多年来，许多数字工具的价值来自让专业能力变得稀缺。如果软件能够编码一种流程、规范一项任务，或简化以往难以处理的工作流程，客户就愿意付费获取这种打包好的专业能力。生成式人工智能动摇了这一模式，因为如今它能以低成本模仿专业能力的许多外在特征。

但模仿只能捕捉表层。

真正的专业能力，是知道哪种例外情况至关重要、哪种模糊之处不容忽视、哪个来源具有权威性，以及何时应该质疑系统的答案而非照单全收。它体现于从文档中提取文字，与判断这些文字是否足以支持一项商业决策之间的区别。它也体现于总结政策，与认识到总结出错会带来哪些运营后果之间的区别。

许多关于人工智能与原创性的讨论也正是在这里偏离了方向。商业领域的原创性很少是为了新奇而追求新奇，而是要看到别人忽略的东西：隐藏在流程杂音中的风险、埋藏在零散信息里的模式，或被彼此割裂的系统遮蔽的机会。这种原创性与其说依赖流畅的生成，不如说更依赖准确的解读。

文档并非故事的全部，但故事往往从文档开始

文档在这里很重要，因为它们仍是存储企业实际情况的常见载体之一，只是其中的信息往往尚未得到充分利用。

这并不意味着“文档人工智能”是故事的主角。它只是说明，理解文档是将运营信息转化为人工智能系统能够负责任地处理的内容这一更大体系中的一环。如果组织希望生成式模型带来更好的成果，就需要更好地获取这些模型所依赖的证据。在许多情况下，这意味着要提取、验证并整理原本会困在表单、文件和零散交接环节中的信息。

如果运用得当，这类能力并非为了抬高某一类产品、贬低另一类产品，而是为了缩短企业掌握的信息与其人工智能系统实际能够看到的信息之间的距离。

这种区别很重要。最有力的企业人工智能战略并非只建立在生成能力之上，而是建立在可用数据、流程认知和人工监督的结合之上。例如，MIT 的 Project NANDA近期开展的企业研究指出，人工智能应用面临的最大障碍，往往并非模型本身的质量，而是工作流程整合不佳，以及人们不信任工具在实际使用中的表现。

这应该听起来很熟悉。企业的胜利并非来自生成最多的合成内容，而是来自利用自己能够据理说明的信息，更快、更稳定地做出更好的决策。

下一个溢价所在：判断力

采样并未贬低音乐的价值，而是改变了原创性的含义。

原始素材变得更容易重复利用后，溢价便转向了选择、编排和意图。判断力变得比获取素材更有价值。如今，企业人工智能领域也在发生同样的变化。随着软件克隆变得更加容易，持久的优势不会来自拥有一个能模仿合格工作的模型，而将来自懂得如何把人工智能与恰当的情境相结合、对其加以适当约束，并在最需要人类创造力和领域判断力的地方加以运用。

许多“人工智能将取代软件”的论点都忽略了这一点。如果每种工具都能在界面层面被复制，那么真正的护城河就不是界面，而是界面背后的深度理解：工作流程逻辑、异常情况处理、可信数据、机构知识，以及将输出转化为决策所需的人类专业能力。

那么，付费软件真的走到尽头了吗？只有当我们曾经以为，软件的价值不过是它的可见表层时，才会如此。

对于软件中日益商品化的功能，竞争压力将进一步加剧。一些产品会被克隆，一些品类会收缩。一些曾经能够卖出溢价的功能，将成为标配。但最终能够长久发展的工具和企业，将是那些帮助组织从模仿走向理解的工具和企业。

这就是人工智能的采样时刻为何重要。它提醒我们，降低复制成本并不会消除对原创性的需求，只会改变原创性的所在。

在音乐领域，原创性从原始素材的演绎，转向了对素材进行转化的技艺。

在企业人工智能领域，重心正从生成看似合理的输出，转向有纪律地运用可信信息、专家判断和创造性地解决问题。

复制成本低廉，洞察却并非如此。这就是为什么人工智能的下一阶段不会属于那些仅仅听起来聪明的系统，而会属于那些懂得如何让已有知识变得可用，并以此发现真正新事物的组织。