Introduktion

Kunstig intelligens (AI) rummer et enormt potentiale for udvikling, men digitale skel på vækstmarkeder udgør reelle hindringer. I mange lavindkomstregioner er internetforbindelserne langsomme, dækningen er ujævn, og elektriciteten er upålidelig. GSMA finder f.eks., at i Afrika syd for Sahara bruger kun omkring 27 % af befolkningen mobilt internet, og et 60 % 'brugsgab' består – millioner bor inden for dækningsområdet, men kan ikke komme online på grund af høje omkostninger til enheder, data eller mangel på færdigheder (www.gsma.com). Africanews rapporterer, at omkring 900 millioner afrikanere stadig mangler internetadgang, og et lignende antal mangler elektricitet (www.africanews.com). Samtidig koster internetdata i nogle lande over 5 % af en månedlig indkomst (evolutionafricamagazine.com). I denne sammenhæng er skybaseret AI (som store chatbots) simpelthen uopnåeligt for de fleste.

For at tjene disse samfund udforsker innovatører offline-først AI på lavpris-enheder. Idéen er at bringe AI-tjenester ud til den “sidste mil” ved at køre smarte assistenter direkte på billige telefoner eller lokale kiosker og bruge simple kanaler som SMS, tale/USSD (kortkodsmenuer) i stedet for videoapps eller internettet. Denne tilgang kan levere rettidig rådgivning inden for landbrug, sundhed, uddannelse og mere, uden behov for kontinuerlig forbindelse eller dyrt hardware. Nøglen er at skræddersy AI til lokale behov – at understøtte regionale sprog, involvere lokalt tilsyn og arbejde gennem betroede partnere (teleselskaber, NGO'er, regeringer) med priser tilpasset lokale indkomster.

Denne artikel undersøger disse begrænsninger og løsninger, baseret på nylige projekter og studier. Den viser, hvordan fuldt offline eller lavteknologiske AI-assistenter kan være mulige og virkningsfulde inden for landbrug, sundhed og uddannelse på vækstmarkeder – og hvordan partnerskaber og lokalt ejerskab sikrer, at de er bæredygtige, sikre og økonomisk overkommelige.

Barrierer: Forbindelse, strøm og omkostninger

Forbindelseskløfter. Netværk i mange udviklingsregioner udvides, men er ufuldstændige. I Afrika syd for Sahara lever f.eks. 13 % af befolkningen stadig uden for mobilnetværksdækning, og blandt dem, der er dækket, består et 60 % “brugsgab” (www.gsma.com). Dette gab afspejler uoverkommelige enheder eller data, lav digital læsefærdighed og sikkerhedsbekymringer. Globalt står omkring 3,1 milliarder mennesker over for sådanne brugsgab (www.gsma.com). I praksis har hundredvis af millioner landdistriktshusstande ingen pålidelig internetforbindelse eller kun 2G/3G. Som en rapport bemærker, har ca. 900 millioner afrikanere (ud af ~1,4 milliarder) ingen internetforbindelse, og næsten lige så mange har ingen elektricitet (www.africanews.com). Disse tal fortæller os, at klassiske smartphone-apps eller sky-AI ofte vil fejle i afsidesliggende landsbyer.

Strømbegrænsninger. Mangel på elektricitet reducerer yderligere den digitale adgang. I den samme Africanews-rapport understregede en ekspert, hvordan AI-værktøjer ikke kan fungere “samtidig med at de fortsætter med at arbejde på 3G eller 2G”, hvis elektricitet mangler (www.africanews.com). Mange landlige hjem er afhængige af sæsonbestemt strøm eller solenergi, og opladning af en enhed er dyrt eller uforudsigeligt. Uddannelses- eller sundhedskioskop-projekter bruger ofte solenergi eller batterisæt. Det, der tæller, er at maksimere brugen med minimal strøm – f.eks. yderst energieffektive chips og enheder, der kan køre i dagevis på en enkelt opladning.

Økonomiske hindringer. Omkostninger til enheder og data forbliver fatal høje for lavindkomstbrugere. I Afrika syd for Sahara kan skatter og importafgifter gøre selv basale smartphones til 50 dollars eller mere – snesevis af timers løn for de fattigste. GSMA bemærker, at overkommelige enheder er en stor del af brugsgabet (www.gsma.com). Datapriserne udgør ligeledes en stor del af indkomsten: en undersøgelse viste, at mobile data kostede over 5 % af den månedlige indkomst i mange afrikanske lande (evolutionafricamagazine.com), hvilket er langt over FN's 2 %-mål for overkommelighed. For landmænd eller studerende, der måske kun tjener et par dollars om dagen, er det uoverkommeligt dyrt at betale selv 0,50 dollars pr. GB.

Disse infrastruktur- og omkostningsbarrierer betyder, at AI-løsninger skal tilpasses radikalt: de skal fungere offline eller med den lavest mulige båndbredde, køre på meget billig hardware og forbruge minimal strøm. Resten af denne artikel undersøger hvordan.

Offline-først AI på lavpris-enheder

For at overvinde ovenstående kløfter implementerer nye projekter offline-først AI-assistenter på billige håndtelefoner eller lokale hubs. Fremskridt inden for edge AI og modelkomprimering betyder, at begrænsede AI-modeller (f.eks. til talegenkendelse, tekstrådgivning) nu kan køre direkte på grundlæggende enheder uden skyadgang. Nogle forskere foreslår ultra-billige “bare-metal” AI-gadgets: simulationer viser, at praktisk sprog-AI kan køre på enheder, der koster så lidt som 8-10 dollars med kun ~30 MB RAM (www.researchgate.net). Sådanne modeller – ofte destilleret fra store systemer – kan besvare spørgsmål eller give instruktioner offline, idet de gemmer sprogdatabaser lokalt. I realiteten er de lommestore supercomputere til byer og landbrug uden stabil internetadgang.

I praksis kan disse enheder antage form af:

• Feature phones med AI-chips. Nogle startups eftermonterer simple telefoner med stemme-AI-chips eller firmware. For eksempel lancerede canadiske Viamo en AI-tjeneste (i 2024), der forvandler enhver grundlæggende telefon til en “offline chatbot”. Brugeren ringer et kortnummer og taler eller sender SMS – al behandling sker på en lokal server eller indlejret offline model. Brugeren modtager derefter svar som tale eller tekst (techcentral.co.za). Dette setup fungerer selv “midt ude i ingenting” med ingen internet – kun den standard mobile netværkssignalering. Det er rettet mod verdens fattigste og tillader forespørgsler for så lidt som ₦10 (ca. 0,12 USD) pr. opkald (techcentral.co.za).

• AI-kiosker eller -radioer i lokalsamfundet. En anden tilgang er landsbyhubs drevet af robuste mini-computere eller Raspberry Pi-lignende enheder. For eksempel lader open source-platformen Kolibri (af Learning Equality) skoler installere en lokal server eller Pi. Eleverne bruger derefter enhver lokal enhed til at se lærebøger, videoer eller quizzer offline (evolutionafricamagazine.com). Dette er allerede i brug i landdistrikterne i Kenya, Tanzania og Malawi – lærere uploader globalt undervisningsindhold og tilpasser det til lokale sprog på Kolibri (evolutionafricamagazine.com). En lignende model bruger Wi-Fi hotspots eller lokale intranets med AI-chatprogrammer til landmænd på lokalsamfundscentre.

• Dedikerede lavpris-“AI-telefoner”. Ambitiøse projekter forestiller sig smartphones til 10-20 dollars fyldt med AI på enheden. En tekno-økonomisk undersøgelse foreslår at distribuere 700 millioner offline AI-læringsenheder i Afrika inden 2030, der koster 10-20 dollars stykket (www.researchgate.net) (www.researchgate.net). Disse ville være forudindlæst med flersprogede encyklopædier og interaktive moduler (tekst, billedgenkendelse, stemme på flere sprog). Selvom ingen forbrugerenhed endnu er så billig, eksisterer køreplanen: massevis af produktion og ultra-lette modeller (såsom Metas LLaMA-boostere eller “MetalNLLB” sprognet) kunne snart nå dette punkt (www.researchgate.net).

Nøglen til alle disse er lavenergi, offline drift. For eksempel kan AI-modeller forudindlæse en delmængde af indhold (som f.eks. afgrødedatabaser eller grundlæggende sundheds-FAQ'er), så kun disse skal gemmes lokalt, og eventuelle nye forespørgsler kan sættes i kø, indtil der er forbindelse. I mellemtiden reagerer enheden øjeblikkeligt på brugeren. Efterhånden som teknologien forbedres, tilføjer selv smartphone-apps offline-tilstande (hvilket tillader downloads via Wi-Fi og derefter offline brug). Den imponerende lektie er: du behøver ikke Google- eller OpenAI-servere, hvis AI-modellen er gjort lille eller cachet – det smarte træk er at indlejre intelligensen ved “kanterne”, hvor brugerne er.

Kanaler og anvendelsesområder: SMS, USSD og stemme

På vækstmarkeder er de mest udbredte medier SMS, USSD (interaktive tekstmenuer) og taleopkald – ikke web-apps. Enhver AI-assistent skal bruge disse kanaler for at nå ud til massebrugerne. Held og lykke, både SMS og USSD er veletablerede: GSMA rapporterer, at ni ud af ti mobile pengeoverførsler i Afrika syd for Sahara kører over USSD (www.gsma.com), og udbydere globalt understøtter stadig USSD på alle telefoner. Vigtigst er, at USSD og SMS slet ikke kræver internetdata – kun GSM-signaleringskanalen (www.gsma.com). De fungerer på de billigste “feature phones”, selv dem uden microSD-kort eller farveskærme. En AI-assistent via USSD kan sende en tekstforespørgsel (som “Hvilke skadedyr påvirker majs? 1=Bladlus,2=Kornsnudebille”) og få et numerisk svar med rådgivning. Interaktiv stemmerespons (IVR) fungerer på samme måde: brugere taler eller lytter via automatiserede menuer på lokale sprog.

Landbrug: For landmænd er AI-rådgivning via SMS/tale allerede en realitet. Et eksempel i Cameroun er appen Farmer Guide: den diagnosticerer afgrødesygdomme med AI, men landmænd uden for byerne kunne ikke bruge den – de havde ingen internetforbindelse eller strøm (www.africanews.com). Viamo-platformen træder til: den tilbyder en AI-drevet tjeneste, hvor enhver landmand kan ringe ind (i Nigeria, Zambia og andre steder) og stille landbrugsspørgsmål. Systemet kører på tale/SMS og kan endda modtage stemmeanmodninger, idet det giver svar i samme format (techcentral.co.za). Dette gør AI tilgængeligt på enhver telefon, ikke kun smartphones. En anden initiativ er Ghanas Darli AI chatbot. Tilgængelig via WhatsApp (som mange afrikanske brugere har) eller SMS, giver Darli planteanvisninger, markedspriser og vejrtips. Vigtigst er, at Darli understøtter 27 sprog (herunder 20 afrikanske sprog som swahili, yoruba, twi osv.) (www.weforum.org), så landmænd får rådgivning på deres modersmål. Siden 2024 har Darli nået over 110.000 landmænd i Ghana og Kenya (www.weforum.org). Disse projekter viser, at simple tekst-/talekanaler kan levere avanceret landbrugs-AI til landsbyen.

Sundhed: Mobil sundhed (mHealth) har længe brugt SMS og IVR, og AI kan integreres med disse. For eksempel har Viamos platform indgået partnerskab med UNICEF for at levere offline AI-chatbots om sundhedsemner (HIV-forebyggelse, malariasymptomer, hygiejnetips) (techcentral.co.za). En bruger kan ringe et nummer eller sende en kode via SMS og få øjeblikkelig sundhedsrådgivning på deres sprog. Under COVID-19 lancerede mange lande USSD-værktøjer til selvvurdering og information (f.eks. Sierra Leones USSD symptomtjekker (www.gsma.com)). En AI-assistent kan bygge videre på dette ved at tilføje interaktive spørgsmål og svar samt personlig vejledning. Vigtigst er, at USSD-baserede telemedicintjenester (som Kenyas gratis USSD sundhedstjek (www.gsma.com)) beviser, at disse kanaler fungerer i stor skala. Fremover kunne offline AI-moduler køre på lokale klinikmikrocomputere eller endda sygeplejerskers telefoner, hvilket tilbyder beslutningsstøtte uden behov for online databaser.

Uddannelse: Fjernundervisning i områder med dårlig forbindelse har haft succes via SMS og offline-kits. Initiativer som Eneza Education (i Kenya, Ghana og Elfenbenskysten) sender quizspørgsmål og lektioner via SMS/USSD på basale telefoner (evolutionafricamagazine.com). Over 10 millioner elever har brugt Enezas feature-phone platform til lave omkostninger, hvilket beviser, at meningsfuld digital læring kan finde sted uden smartphones (evolutionafricamagazine.com). Med udgangspunkt i dette blander Kenyas M-Shule (“mobil skole”) SMS med AI: den personliggør lektioner og feedback til folkeskoleelever ved hjælp af maskinlæring bag kulisserne (evolutionafricamagazine.com). Lærere sender quizzer til en elevs telefon, og M-Shule skræddersyr indhold baseret på hvert barns svar. Sådanne tjenester fungerer offline i den forstand, at når læseplanen er leveret, behøver telefonbrugeren ikke kontinuerlig internetadgang. Lokalsamfund har også etableret offline uddannelseshubs (f.eks. soldrevne klasseværelser med lokale servere), der bruger nul-takseret indhold. Under pandemien rapporterede UNICEF og andre, at to tredjedele af skolebørn globalt havde ikke internetadgang derhjemme (www.unicef.org), så disse lavteknologiske løsninger har holdt uddannelsen i gang.

Hvert af disse anvendelsesområder understreger, at kanaler betyder mere end fancy brugergrænseflader. Inden for landbrug, sundhed og uddannelse i landdistrikterne når den simpleste mobilgrænseflade – USSD-tekstmenuer eller tale-IVR på lokale sprog – ud til flertallet. AI knyttet til disse kanaler (enten på enheden eller en lokal server) kan omdanne dem fra statiske info-hotlines til interaktive personlige assistenter.

Lokalisering: Sprog, data og sikkerhed

Sprogdækning. For at være nyttige skal assistenter tale det lokale sprog – ikke kun engelsk eller fransk. Vækstmarkeder er meget flersprogede; f.eks. har Afrika alene over 2.000 sprog. Mainstream AI-modeller dækker typisk kun store verdenssprog, så skræddersyede lokale modeller eller oversættelser er nødvendige. Nogle lovende tiltag eksisterer allerede. For eksempel understøtter Farmerlines Darli chatbot 27 sprog, herunder 20 afrikanske sprog som akan, hausa, igbo, twi og swahili (www.weforum.org). I Indonesien eksperimenterer forskningsprojekter med stemme-AI på landmændenes modersmål ved hjælp af IVR-systemer (www.gsma.com). Et eksempel: International Rice Research Institute (IRRI) indgik partnerskab med Viamo for at lancere en IVR-hotline, der tilbyder rådgivning på et lokalt indonesisk sprog, så risbønder på alle læsefærdighedsniveauer kunne forstå det (www.gsma.com). Uddannelsesindhold er også blevet lokaliseret: Kolibri-platformen, der er nævnt ovenfor, bruges i østafrikanske skoler, hvor “lærere tilpasser globale åbne ressourcer til lokale sprog og kontekster” (evolutionafricamagazine.com).

For systematisk at dække lokale sprog bør projekter indsamle og træne på regionale data. Én model er fællesskabs-crowdsourcing: lokale frivillige (landmænd, lærere, oversættere) kan hjælpe med at opbygge ordlister eller optage taleprøver. Disse data, der opbevares lokalt eller anonymiseres, kan bruges til at finjustere AI-modeller til områdets dialekter. Nogle nationale bestræbelser producerer endda værktøjer: for eksempel har Nigerias Center for Digital Indigenous Language skabt et mobilt AI-tastatur, der dækker næsten 180 afrikanske sprog (www.weforum.org), hvilket gør det lettere at skrive og læse på disse sprog. Partnerskaber med lokale universiteter eller NGO'er kan hjælpe med at kuratere kulturelt korrekt indhold (f.eks. lokale plantenavne, sanitære praksisser), så AI-rådgivningen er meningsfuld.

Lokal dataindsamling og -styring. Indsamling af data og feedback i felten er afgørende for træning og forbedring af assistenter. Dette skal dog gøres etisk: lokalsamfund bør give samtykke til dataanvendelse, og følsomme personlige data (sundhedsjournaler, personlig økonomi) skal beskyttes. En nyttig model er fællesskabs-samarbejdsudvikling (co-creation). For eksempel blev beboere i Lagos' Makoko-samfund trænet i kortlægning og drone-dataindsamling; de producerede deres eget geografiske datasæt, som nu bruges til lokal planlægning (www.weforum.org). På lignende vis kunne et AI-projekt udstyre landsbyens sundhedsarbejdere eller landbrugsrådgivere til at indsamle anonymiserede sagsrapporter eller forespørgsler. Disse lokale datasæt bør forblive under lokalt ejerskab – gemt på lokale servere eller via betroede partnere – frem for at blive opsamlet af fjerne virksomheder. World Economic Forum foreslår at træne lokale innovatører, NGO'er og agenturer i AI-læsefærdighed og -styring, så de kan “vælge, hvordan de fortæller deres historier” og dermed sikre, at data bruges til deres fordel (www.weforum.org) (www.weforum.org).

Sikkerhed og etik. Enhver AI-assistent, der giver rådgivning (om medicin, landbrug osv.), skal være sikker og nøjagtig. Det kræver flere sikkerhedsforanstaltninger: lokal ekspertvurdering, indholdsfiltre og klare ansvarsfraskrivelser. For eksempel bør en AI-sundhedsbot i en landsby indeholde en mekanisme, hvor brugere kan rapportere fejl eller blive henvist til menneskelig hjælp. ?>" Lokale tilsynsudvalg eller netværk af landlige undervisere kan regelmæssigt gennemgå indholdet og justere det for sæsonmæssige eller situationelle ændringer. En fællesskabsdrevet “feedback-løkke” hjælper med at fange fejl: hvis mange landmænd rapporterer det samme problem med AI'ens rådgivning, kan udviklere opdatere modellen. Formater bør også tillade hurtige opdateringer. Vigtigst er, at underforsynede samfund bør have et vist ejerskab: at implementere teknologien gennem kooperativer eller lokale råd i stedet for at påtvinge den top-down sikrer ansvarlighed.

Erfaring viser, at fællesskabsforvaltning er afgørende. Inden for landbrugskortlægning og -finansiering overgår græsrodsdesignede værktøjer generiske. Eksperter på et nyligt forum understregede, at “vi må møde folk, hvor de er” med lokale sprogplatforme (som WhatsApp chatbots), og at skræddersyning af AI til lokale forhold skaber bæredygtige gevinster (www.weforum.org). I praksis betyder dette at uddanne brugere og ledere i hvert samfund: for eksempel at udstyre landsbylærere eller sundhedsarbejdere med vejledninger i at bruge og forklare AI-værktøjerne. Sådanne lokale forkæmpere mindsker mistillid og hjælper med at håndhæve etiske normer.

Samarbejde og forretningsmodeller

Succesfuld skalering af offline-AI på vækstmarkeder kræver partnerskaber på tværs af sektorer – og priser, som de fattige har råd til.

Mobilnetværksoperatører (MNO'er): Teleselskaber er naturlige allierede. De ejer allerede SMS/USSD- og taleinfrastrukturen. Ved at samarbejde med AI-udbydere kan MNO'er hoste AI-tjenester på deres netværk (f.eks. tildele et kortnummer eller en IVR-linje). På mange markeder arbejder operatører med regeringer og NGO'er om digital læsefærdighed og er ivrige efter at tilføje “AI-tjenester” til deres porteføljer. For eksempel er MTN og Vodacom i Afrika begyndt at integrere AI-chatbots til kundeservice og netværksoptimering (www.gsma.com), og kunne gøre det samme for tjenester til offentlig gavn. Operatører kan også subsidiere forbindelse specifikt til disse tjenester: f.eks. tilbyde gratis USSD-sessioner for godkendte sundheds- eller uddannelseskoder eller bundte AI-forespørgsler i lavprisdataabonnementer. Dette svarer til teleselskabsponsorerede initiativer som gratis sundheds-hotlines eller uddannelsesportaler. Derudover kan operatører dele placerings- eller brugsdata (anonymiserede) for at hjælpe AI'en med at forbedre sig uden at kræve, at brugere transmitterer rå information. Vigtigst er, at regulatorer og telekom-sammenslutninger (som GSMA) kan fremme nedsatte SMS/USSD-gebyrer for sociale programmer, som anbefalet i branche rapporter (www.gsma.com).

Regeringer og NGO'er: Offentlige og non-profit partnere vil ofte styre design og finansiering. Ministerier for landbrug, uddannelse eller sundhed forstår lokale behov og kan integrere AI-værktøjer i nationale programmer (f.eks. rådgivningsnetværk, offentlige skoler, sundhedsstrategier for lokalsamfund). NGO'er – fra globale som UNICEF til lokale fonde – leverer domæneekspertise, indhold og legitimitet. For eksempel har UNICEF indgået partnerskab med Viamo for at tilføje sundhedsindhold til deres system (techcentral.co.za); på samme måde kan landbrugs-NGO'er og rådgivningstjenester bidrage med eksisterende læseplaner. Donororganisationer kan finansiere pilotimplementeringer (som set med GSMAs Innovationsfond, der støtter agritech i Afrika eller Asien). Blandede finansieringsmodeller (en blanding af tilskud og omkostningsdeling) er ofte nødvendige tidligt, da en rent kommerciel udrulning måske ikke umiddelbart er rentabel. World Economic Forum fremhæver, at blandede partnerskaber (udviklingsagenturer, regeringer og private virksomheder) er afgørende for at reducere investeringsrisiko og skræddersy løsninger til lokale mål (www.weforum.org).

Prissætning og overkommelighed: For slutbrugere skal omkostningerne holdes minimale eller være gratis. Flere tilgange er mulige:

• Differentierede mikrobetalinger. Viamo-modellen (Nigeria) opkræver brugerne et lille gebyr pr. interaktion (f.eks. ₦10 eller ~$0.12) (techcentral.co.za). Til den pris har selv de fattigste råd til lejlighedsvise forespørgsler, og operatørerne ser en vis indtægt til at opretholde tjenesten. Alternativt kunne tjenesterne være gratis op til en grænse (f.eks. 5 spørgsmål/dag) og derefter betaling pr. brug.

• Subsidier og sponsorater. Offentlige sundheds- eller uddannelsestjenester kunne subsidieres af sundhedsbudgetter eller udviklingstilskud, hvilket gør dem gratis for brugerne. For eksempel kunne en regering sponsorere gratis landbrugsrådgivningslinjer for at øge produktiviteten. I andre tilfælde kunne tjenesterne vise annoncer eller sponsorere beskeder fra lokale virksomheder (selvom der skal udvises forsigtighed for at undgå at påvirke rådgivningen).

• Nul-taksering og pakker. MNO'er kan nul-taksere USSD og SMS for godkendte AI-tjenester, så brugerne ikke pådrager sig omkostninger. De kunne også sammensætte datapakker: f.eks. en uddannelsesplan, der inkluderer noget forudbetalt indhold. I nogle lande er Universelle Servicetjeneste-fonde – afgifter på telekommunikation beregnet til underforsynede områder – blevet brugt til at finansiere digitale uddannelses- eller sundhedsinitiativer. Politikker som disse kan hjælpe med at holde brugeromkostningerne tæt på nul. Sænkning af beskatningen på enheder og SIM-kort (som GSMA anbefaler (www.gsma.com)) gør også disse tjenester mere overkommelige i første omgang.

• Lokal omkostningsfølsomhed. Prissætning skal afspejle indkomstniveauer. Selv små gebyrer bør skaleres: hvad der er småt i ét land (₦10), kan være for højt i et andet. Piloter bør undersøge den lokale betalingsvilje og justere via dynamisk prissætning (f.eks. billigere under såsæson, dyrere under høst).

I sidste ende er målet adgang snarere end profit. Mange IKT4D-projekter har vist, at når underforsynede samfund får gratis eller subsidieret information, finder de ofte måder at “betale” på gennem andre midler (forbedrede udbytter, sundhed osv.). Nøglen er, at prissætningen er forudsigelig og gennemsigtig, så brugere kan planlægge.

Konklusion

Vækstmarkeder er ikke ubeskrevne blade – de har mobilnetværk og en vis elektrificering, omend plettet. Men med kreativ re-engineering kan AI springe disse huller over. Eksemplerne ovenfor viser, at offline-først AI-assistenter på simple telefoner kan transformere livet på landet: de giver landmænd rettidig landbrugsrådgivning, informerer patienter og mødre om sundhed og understøtter fjernundervisning. Den tekniske opskrift er nu inden for rækkevidde – kompakte AI-modeller, billig hardware, solenergi og universelle kanaler som SMS/USSD.

Succes afhænger stærkt af at imødekomme lokale behov. Det betyder at designe for lokale sprog, samskabe indhold med lokalsamfundene og sikre betroet tilsyn. Det betyder også at danne partnerskaber: teleselskaber til at håndtere netværk og prissætning; regeringer og NGO'er til at kuratere indhold og nå ud til folk; og lokalsamfundsledere til at vejlede og validere systemet.

Ved at anvende disse principper kan AI løfte de 3,2 milliarder mennesker, der i øjeblikket er uden forbindelse eller underforsynede i den digitale verden. Offline AI på lavpris-enheder kan give småbønder mulighed for at øge udbyttet, gøre landsbyboere i stand til at håndtere sundhed og hjælpe børn med at lære — alt sammen inden for det lokale økosystem, de kender bedst. Med landdistriktsinnovatørers ord: “Vi må møde folk, hvor de er”: levere smarte værktøjer på de sprog, medier og prisniveauer, der passer dem (www.weforum.org). Med gennemtænkt design og samarbejde kan AI endelig blive en inkluderende kraft til gavn i verdens mest underforsynede samfund.