Pendahuluan

Kecerdasan buatan (AI) menawarkan potensi besar untuk pembangunan, namun kesenjangan digital di pasar berkembang menimbulkan hambatan nyata. Di banyak wilayah berpenghasilan rendah, koneksi internet lambat, cakupan tidak merata, dan listrik tidak dapat diandalkan. Sebagai contoh, GSMA menemukan bahwa di Afrika Sub-Sahara hanya sekitar 27% orang menggunakan internet seluler dan 60% “kesenjangan penggunaan” masih ada – jutaan orang hidup dalam jangkauan tetapi tidak dapat daring karena hambatan perangkat, data, atau keterampilan yang tinggi (www.gsma.com). Africanews melaporkan bahwa sekitar 900 juta orang Afrika masih tidak memiliki akses internet sama sekali, dan jumlah yang serupa tidak memiliki listrik (www.africanews.com). Sementara itu, biaya data internet di beberapa negara mencapai lebih dari 5% dari pendapatan bulanan (evolutionafricamagazine.com). Dalam konteks ini, AI berbasis cloud (seperti chatbot besar) sulit dijangkau oleh sebagian besar orang.

Untuk melayani komunitas-komunitas ini, para inovator sedang menjajaki AI luring-utama pada perangkat berbiaya rendah. Idenya adalah untuk membawa layanan AI ke “mil terakhir” dengan menjalankan asisten pintar langsung di ponsel murah atau kios lokal, dan menggunakan saluran sederhana seperti SMS, suara/USSD (menu kode pendek) alih-alih aplikasi video atau web. Pendekatan ini dapat memberikan saran tepat waktu di bidang pertanian, kesehatan, pendidikan, dan lainnya, tanpa memerlukan konektivitas berkelanjutan atau perangkat keras yang mahal. Kuncinya adalah menyesuaikan AI dengan kebutuhan lokal – mendukung bahasa daerah, melibatkan pengawasan komunitas, dan bekerja melalui mitra tepercaya (telco, LSM, pemerintah) dengan penetapan harga yang disesuaikan dengan pendapatan lokal.

Artikel ini mengkaji kendala dan solusi tersebut, berdasarkan proyek dan studi terbaru. Ini menunjukkan bagaimana asisten AI yang sepenuhnya luring atau berteknologi rendah dapat diterapkan dan berdampak untuk pertanian, kesehatan, dan pendidikan di pasar berkembang – dan bagaimana kemitraan serta pengelolaan komunitas memastikan keberlanjutan, keamanan, dan keterjangkauannya.

Hambatan: Konektivitas, Daya, dan Biaya

Kesenjangan konektivitas. Jaringan di banyak wilayah berkembang sedang diperluas tetapi belum lengkap. Di Afrika Sub-Sahara, misalnya, 13% populasi masih hidup di luar jangkauan seluler apa pun, dan di antara mereka yang terjangkau, 60% “kesenjangan penggunaan” masih tetap ada (www.gsma.com). Kesenjangan ini mencerminkan perangkat atau data yang tidak terjangkau, literasi digital yang rendah, dan masalah keamanan. Secara global, sekitar 3,1 miliar orang menghadapi kesenjangan penggunaan semacam itu (www.gsma.com). Dalam praktiknya, ratusan juta rumah tangga pedesaan tidak memiliki internet yang andal, atau hanya 2G/3G. Seperti yang dicatat oleh sebuah laporan, sekitar 900 juta orang Afrika (dari sekitar 1,4 miliar) tidak memiliki internet, dan jumlah yang hampir sama tidak memiliki listrik (www.africanews.com). Angka-angka ini memberitahu kita bahwa aplikasi smartphone klasik atau AI cloud seringkali akan gagal di desa-desa terpencil.

Kendala daya. Kurangnya listrik semakin mengurangi akses digital. Dalam laporan Africanews yang sama, seorang ahli menekankan bagaimana alat AI tidak dapat berfungsi “saat terus bekerja pada 3G atau 2G” jika tidak ada listrik (www.africanews.com). Banyak rumah pedesaan mengandalkan daya musiman atau surya, dan mengisi daya perangkat mahal atau tidak dapat diprediksi. Proyek kios pendidikan atau kesehatan sering menggunakan tenaga surya atau kit baterai. Yang penting adalah memaksimalkan penggunaan dengan daya minimal – misalnya, chip yang sangat efisien energi, dan perangkat yang dapat beroperasi selama berhari-hari dengan sekali pengisian daya.

Hambatan keterjangkauan. Biaya perangkat dan data tetap sangat tinggi bagi pengguna berpenghasilan rendah. Di Afrika Sub-Sahara, pajak dan bea masuk dapat membuat smartphone paling dasar sekalipun berharga $50 atau lebih – puluhan jam upah bagi yang termiskin. GSMA mencatat bahwa keterjangkauan perangkat adalah bagian utama dari kesenjangan penggunaan (www.gsma.com). Harga data juga merupakan sebagian besar dari pendapatan: survei menemukan biaya data seluler lebih dari 5% dari pendapatan bulanan di banyak negara Afrika (evolutionafricamagazine.com), jauh di atas target keterjangkauan 2% PBB. Bagi petani atau siswa yang mungkin hanya berpenghasilan beberapa dolar sehari, membayar bahkan $0.50 per GB sangatlah mahal.

Hambatan infrastruktur dan biaya ini berarti bahwa solusi AI harus diadaptasi secara radikal: mereka harus bekerja secara luring atau pada bandwidth serendah mungkin, berjalan pada perangkat keras yang sangat murah, dan mengonsumsi daya minimal. Sisa artikel ini mengkaji caranya.

AI Luring-Utama pada Perangkat Berbiaya Rendah

Untuk mengatasi kesenjangan di atas, proyek-proyek baru sedang menerapkan asisten AI luring-utama pada perangkat genggam murah atau hub lokal. Kemajuan dalam edge AI dan kompresi model berarti bahwa model AI terbatas (misalnya untuk pengenalan suara, saran teks) sekarang dapat berjalan langsung pada perangkat dasar tanpa akses cloud. Beberapa peneliti mengusulkan gadget AI “bare-metal” yang sangat murah: simulasi menunjukkan bahwa AI bahasa praktis dapat berjalan pada perangkat dengan biaya hanya $8–$10 dengan RAM hanya ~30 MB (www.researchgate.net). Model semacam itu – seringkali disarikan dari sistem besar – dapat menjawab pertanyaan atau memberikan instruksi secara luring, menyimpan basis data bahasa secara lokal. Pada dasarnya, ini adalah supercomputer saku untuk kota dan pertanian tanpa internet yang stabil.

Dalam praktiknya, perangkat ini dapat berbentuk:

• Ponsel fitur dengan chip AI. Beberapa startup memodifikasi ponsel sederhana dengan chip AI suara atau firmware. Misalnya, Viamo dari Kanada meluncurkan layanan AI (pada tahun 2024) yang mengubah ponsel dasar apa pun menjadi “chatbot luring”. Pengguna memutar kode pendek dan berbicara atau mengirim pesan – semua pemrosesan terjadi di server lokal atau model luring tertanam. Pengguna pada gilirannya menerima jawaban dalam bentuk suara atau teks (techcentral.co.za). Pengaturan ini berfungsi bahkan “di pelosok” tanpa internet – hanya menggunakan sinyal jaringan seluler standar. Ini ditargetkan untuk orang termiskin di dunia, memungkinkan pertanyaan dengan biaya sekecil ₦10 (sekitar $0.12) per panggilan (techcentral.co.za).

• Kios atau radio AI komunitas. Pendekatan lain adalah hub desa yang ditenagai oleh komputer mini tangguh atau perangkat jenis Raspberry Pi. Sebagai contoh, Kolibri sumber terbuka (oleh Learning Equality) memungkinkan sekolah menginstal server lokal atau Pi. Siswa kemudian menggunakan perangkat lokal apa pun untuk melihat buku teks, video, atau kuis secara luring (evolutionafricamagazine.com). Ini sudah digunakan di pedesaan Kenya, Tanzania, dan Malawi – para guru memuat konten pendidikan global dan mengadaptasinya ke dalam bahasa lokal di Kolibri (evolutionafricamagazine.com). Model serupa menggunakan hotspot Wi-Fi atau intranet lokal dengan program chat AI untuk petani di pusat komunitas.

• “Ponsel AI” khusus berbiaya rendah. Proyek-proyek ambisius membayangkan smartphone seharga $10–$20 yang dilengkapi dengan AI pada perangkat. Satu studi tekno-ekonomi mengusulkan distribusi 700 juta perangkat pembelajaran AI luring di Afrika pada tahun 2030, dengan biaya $10–20 per unit (www.researchgate.net) (www.researchgate.net). Ini akan dimuat dengan ensiklopedia multibahasa dan modul interaktif (teks, pengenalan gambar, suara dalam berbagai bahasa). Meskipun belum ada perangkat konsumen yang begitu murah, peta jalannya sudah ada: produksi skala besar dan model yang sangat ringan (seperti booster LLaMA dari Meta atau jaringan bahasa “MetalNLLB”) dapat mencapai titik itu segera (www.researchgate.net).

Kunci dari semua ini adalah operasi luring, hemat energi. Misalnya, model AI dapat memuat sebagian konten (seperti basis data tanaman atau FAQ kesehatan dasar) sehingga hanya ini yang perlu disimpan secara lokal, dan setiap kueri baru dapat diantrekan hingga konektivitas tersedia. Sementara itu, perangkat merespons pengguna secara instan. Seiring kemajuan teknologi, bahkan aplikasi smartphone menambahkan mode luring (memungkinkan unduhan saat terhubung Wi-Fi, lalu penggunaan luring). Pelajaran yang mengesankan adalah: Anda tidak memerlukan server Google atau OpenAI jika model AI dibuat kecil atau di-cache – langkah cerdas adalah menanamkan kecerdasan di ujung-ujung tempat pengguna berada.

Saluran dan Kasus Penggunaan: SMS, USSD, dan Suara

Di pasar berkembang, media yang paling luas digunakan adalah SMS, USSD (menu teks interaktif), dan panggilan suara – bukan aplikasi web. Asisten AI apa pun harus menggunakan saluran-saluran tersebut untuk menjangkau pengguna massal. Untungnya, SMS dan USSD sudah mapan: GSMA melaporkan sembilan dari sepuluh transaksi uang seluler di Afrika Sub-Sahara berjalan melalui USSD (www.gsma.com), dan penyedia layanan secara global masih mendukung USSD di semua ponsel. Yang terpenting, USSD dan SMS sama sekali tidak memerlukan data internet – hanya saluran sinyal GSM (www.gsma.com). Mereka berfungsi pada “ponsel fitur” termurah, bahkan yang tanpa kartu microSD atau layar berwarna. Asisten AI melalui USSD dapat mengirim kueri teks (seperti “Hama apa yang menyerang jagung? 1=Kutu daun,2=Kumbang penggerek”) dan mendapatkan balasan numerik dengan saran. Respons suara interaktif (IVR) bekerja serupa: pengguna berbicara atau mendengarkan melalui menu otomatis dalam bahasa lokal.

Pertanian: Untuk petani, layanan konsultasi AI melalui SMS/suara sudah berjalan. Salah satu contoh di Kamerun adalah aplikasi Farmer Guide: aplikasi ini mendiagnosis penyakit tanaman dengan AI, tetapi petani di luar kota tidak dapat menggunakannya – mereka tidak memiliki internet atau listrik (www.africanews.com). Platform Viamo hadir: ia menawarkan layanan berbasis AI di mana setiap petani dapat menelepon (di Nigeria, Zambia, dan sekitarnya) dan mengajukan pertanyaan pertanian. Sistem ini berjalan di suara/SMS dan bahkan dapat menerima perintah suara, memberikan balasan yang sesuai (techcentral.co.za). Ini membuat AI dapat diakses di ponsel apa pun, tidak hanya smartphone. Inisiatif lain adalah chatbot Darli AI dari Ghana. Dapat diakses melalui WhatsApp (yang dimiliki banyak pengguna Afrika) atau SMS, Darli memberikan saran penanaman, harga pasar, dan tips cuaca. Yang terpenting, Darli mendukung 27 bahasa (termasuk 20 bahasa Afrika seperti Swahili, Yoruba, Twi, dll.) (www.weforum.org), sehingga petani mendapatkan saran dalam bahasa ibu mereka. Sejak 2024, Darli telah menjangkau lebih dari 110.000 petani di Ghana dan Kenya (www.weforum.org). Proyek-proyek ini menunjukkan bahwa saluran teks/suara sederhana dapat menyampaikan AI pertanian canggih ke desa.

Kesehatan: Kesehatan seluler (mHealth) telah lama menggunakan SMS dan IVR, dan AI dapat berintegrasi dengan ini. Misalnya, platform Viamo bermitra dengan UNICEF untuk menyediakan chatbot AI luring untuk topik kesehatan (pencegahan HIV, gejala malaria, tips sanitasi) (techcentral.co.za). Pengguna dapat memutar nomor atau mengirim kode teks dan mendapatkan saran kesehatan instan dalam bahasa mereka. Selama COVID-19, banyak negara meluncurkan alat USSD untuk penilaian mandiri dan informasi (misalnya, pemeriksa gejala USSD Sierra Leone (www.gsma.com)). Asisten AI dapat membangun di atas ini dengan menambahkan Tanya Jawab interaktif dan panduan yang dipersonalisasi. Yang penting, layanan telemedis berbasis USSD (seperti pemeriksaan kesehatan USSD gratis Kenya (www.gsma.com)) membuktikan bahwa saluran-saluran ini bekerja dalam skala besar. Ke depan, modul AI luring dapat berjalan di mikrokomputer klinik lokal atau bahkan ponsel perawat, menawarkan dukungan keputusan tanpa memerlukan basis data daring.

Pendidikan: Pembelajaran jarak jauh di daerah dengan konektivitas buruk telah berhasil melalui SMS dan kit luring. Inisiatif seperti Eneza Education (di Kenya, Ghana, dan Pantai Gading) mengirimkan soal kuis dan pelajaran melalui SMS/USSD di ponsel dasar (evolutionafricamagazine.com). Lebih dari 10 juta pelajar telah menggunakan platform ponsel fitur Eneza dengan biaya rendah, membuktikan bahwa pembelajaran digital yang bermakna dapat terjadi tanpa smartphone (evolutionafricamagazine.com). Berbasis pada ini, M-Shule Kenya (“sekolah seluler”) memadukan SMS dengan AI: ia mempersonalisasi pelajaran dan umpan balik untuk siswa sekolah dasar menggunakan pembelajaran mesin di balik layar (evolutionafricamagazine.com). Guru mengirimkan kuis ke ponsel siswa, dan M-Shule menyesuaikan konten berdasarkan jawaban setiap anak. Layanan semacam itu bekerja secara luring dalam artian setelah kurikulum disampaikan, pengguna ponsel tidak memerlukan akses internet berkelanjutan. Komunitas juga telah mendirikan pusat pendidikan luring (misalnya ruang kelas bertenaga surya dengan server lokal) yang menggunakan konten zero-rated. Selama pandemi, UNICEF dan lainnya melaporkan bahwa dua pertiga anak usia sekolah secara global tidak memiliki internet di rumah (www.unicef.org), sehingga solusi berteknologi rendah ini telah menjaga pendidikan tetap berjalan.

Setiap kasus penggunaan ini menggarisbawahi bahwa saluran lebih penting daripada UI yang mewah. Dalam pertanian pedesaan, kesehatan, dan pendidikan, antarmuka seluler paling sederhana – menu teks USSD atau IVR suara dalam bahasa lokal – menjangkau mayoritas. AI yang terhubung dengan saluran-saluran ini (baik di perangkat atau server lokal) dapat mengubahnya dari hotline info statis menjadi asisten pribadi interaktif.

Lokalisasi: Bahasa, Data, dan Keamanan

Cakupan bahasa. Agar bermanfaat, asisten harus berbicara bahasa lokal – bukan hanya Inggris atau Prancis. Pasar berkembang sangat multibahasa; misalnya, Afrika saja memiliki lebih dari 2.000 bahasa. Model AI utama biasanya hanya mencakup bahasa-bahasa besar dunia, sehingga dibutuhkan model atau terjemahan lokal yang dibuat khusus. Beberapa upaya menjanjikan sudah ada. Misalnya, chatbot Darli dari Farmerline mendukung 27 bahasa, termasuk 20 bahasa Afrika seperti Akan, Hausa, Igbo, Twi, dan Swahili (www.weforum.org). Di Indonesia, proyek penelitian sedang bereksperimen dengan AI suara dalam bahasa ibu petani menggunakan sistem IVR (www.gsma.com). Contoh: International Rice Research Institute (IRRI) bermitra dengan Viamo untuk meluncurkan hotline IVR yang menyediakan layanan konsultasi dalam bahasa lokal Indonesia, sehingga petani padi dari semua tingkat literasi dapat memahami (www.gsma.com). Konten pendidikan juga telah dilokalisasi: platform Kolibri yang disebutkan di atas digunakan di sekolah-sekolah Afrika Timur di mana “guru mengadaptasi sumber daya terbuka global ke dalam bahasa dan konteks lokal” (evolutionafricamagazine.com).

Untuk secara sistematis mencakup bahasa-bahasa lokal, proyek harus mengumpulkan dan melatih data regional. Salah satu model adalah crowd-sourcing komunitas: sukarelawan lokal (petani, guru, penerjemah) dapat membantu membangun glosarium atau merekam sampel ucapan. Data ini, disimpan secara lokal atau dianonimkan, dapat digunakan untuk menyempurnakan model AI sesuai dengan dialek daerah tersebut. Beberapa upaya nasional bahkan menghasilkan alat: misalnya, Pusat Bahasa Pribumi Digital Nigeria menciptakan keyboard AI seluler yang mencakup hampir 180 bahasa Afrika (www.weforum.org), mempermudah pengetikan dan pembacaan dalam bahasa-bahasa tersebut. Kemitraan dengan universitas lokal atau LSM dapat membantu mengkurasi konten yang benar secara budaya (misalnya nama tanaman lokal, praktik sanitasi) sehingga saran AI bermakna.

Pengumpulan dan tata kelola data lokal. Mengumpulkan data dan umpan balik di lapangan sangat penting untuk melatih dan meningkatkan asisten. Namun, ini harus dilakukan secara etis: komunitas harus menyetujui penggunaan data, dan data pribadi yang sensitif (catatan kesehatan, keuangan pribadi) harus dilindungi. Model yang berguna adalah co-creation komunitas. Misalnya, di komunitas Makoko, Lagos, penduduk dilatih dalam pemetaan dan pengumpulan data drone; mereka menghasilkan dataset geografis mereka sendiri yang kini digunakan untuk perencanaan lokal (www.weforum.org). Demikian pula, proyek AI dapat membekali pekerja kesehatan desa atau agen penyuluhan untuk mengumpulkan laporan kasus atau kueri yang dianonimkan. Dataset lokal ini harus tetap di bawah pengelolaan komunitas – disimpan di server lokal atau melalui mitra tepercaya – daripada disedot oleh perusahaan yang jauh. Forum Ekonomi Dunia menyarankan pelatihan inovator lokal, LSM, dan lembaga dalam literasi dan tata kelola AI sehingga mereka dapat “memilih bagaimana mereka menceritakan kisah mereka,” memastikan data digunakan untuk keuntungan mereka (www.weforum.org) (www.weforum.org).

Keamanan dan etika. Asisten AI apa pun yang memberikan saran (tentang kedokteran, pertanian, dll.) harus aman dan akurat. Itu membutuhkan beberapa perlindungan: tinjauan ahli lokal, filter konten, dan disclaimer yang jelas. Misalnya, bot kesehatan AI di desa harus menyertakan mekanisme bagi pengguna untuk melaporkan kesalahan atau mendapatkan bantuan dari manusia. Komite pengawas lokal atau jaringan pendidik pedesaan dapat menyaring konten secara teratur, menyesuaikannya untuk perubahan musiman atau situasional. “Lingkaran umpan balik” yang digerakkan oleh komunitas membantu menangkap kesalahan: jika banyak petani melaporkan masalah yang sama dengan saran AI, pengembang dapat memperbarui modelnya. Format juga harus memungkinkan pembaruan cepat. Yang penting, komunitas yang kurang terlayani harus memiliki kepemilikan: penyebaran teknologi melalui koperasi atau dewan lokal daripada memaksakannya dari atas ke bawah memastikan akuntabilitas.

Pengalaman menunjukkan bahwa pengelolaan komunitas adalah kuncinya. Dalam pemetaan dan keuangan pertanian, alat yang dirancang di tingkat akar rumput mengungguli alat generik. Para ahli di Forum baru-baru ini menekankan bahwa “kita harus menemui orang-orang di mana mereka berada” dengan platform bahasa lokal (seperti chatbot WhatsApp) dan bahwa menyesuaikan AI dengan realitas lokal menciptakan keuntungan yang berkelanjutan (www.weforum.org). Dalam praktiknya, ini berarti melatih pengguna dan pemimpin di setiap komunitas: misalnya, membekali guru desa atau petugas kesehatan dengan panduan tentang cara menggunakan dan menjelaskan alat AI. Para champion lokal tersebut mengurangi ketidakpercayaan dan membantu menegakkan norma-norma etika.

Kolaborasi dan Model Bisnis

Penskalaan AI luring-utama yang sukses di pasar berkembang membutuhkan kemitraan lintas sektor – dan penetapan harga yang dapat dijangkau oleh masyarakat miskin.

Operator jaringan seluler (MNO): Perusahaan telco adalah sekutu alami. Mereka sudah memiliki infrastruktur SMS/USSD dan suara. Dengan berkolaborasi dengan penyedia AI, MNO dapat meng-host layanan AI di jaringan mereka (misalnya, mendedikasikan kode pendek atau jalur IVR). Di banyak pasar, operator bekerja sama dengan pemerintah dan LSM dalam literasi digital dan tertarik untuk menambahkan “layanan AI” ke portofolio mereka. Misalnya, MTN dan Vodacom di Afrika mulai mengintegrasikan chatbot AI untuk layanan pelanggan dan optimasi jaringan (www.gsma.com), dan dapat melakukan hal yang sama untuk layanan kepentingan publik. Operator juga dapat mensubsidi konektivitas khusus untuk layanan ini: mis. menawarkan sesi USSD gratis untuk kode kesehatan atau pendidikan yang disetujui, atau menggabungkan kueri AI dalam paket data berbiaya rendah. Ini analog dengan inisiatif yang disponsori telekomunikasi seperti hotline kesehatan gratis atau portal pendidikan. Selain itu, operator dapat berbagi data lokasi atau penggunaan (dianonimkan) untuk membantu AI meningkatkan diri tanpa mengharuskan pengguna mengirimkan informasi mentah. Yang terpenting, regulator dan asosiasi telco (seperti GSMA) dapat mendorong biaya SMS/USSD yang lebih rendah untuk program sosial, seperti yang direkomendasikan dalam laporan industri (www.gsma.com).

Pemerintah dan LSM: Mitra publik dan nirlaba akan sering mengarahkan desain dan pendanaan. Kementerian Pertanian, Pendidikan, atau Kesehatan memahami kebutuhan lokal dan dapat mengintegrasikan alat AI ke dalam program nasional (misalnya jaringan penyuluhan, sekolah umum, strategi kesehatan masyarakat). LSM – dari yang global seperti UNICEF hingga yayasan lokal – menyediakan keahlian domain, konten, dan legitimasi. Misalnya, UNICEF telah bermitra dengan Viamo untuk menambahkan konten kesehatan ke sistem mereka (techcentral.co.za); serupa, LSM pertanian dan layanan penyuluhan dapat menyumbangkan kurikulum yang ada. Organisasi donor dapat mendanai penerapan pilot (seperti yang terlihat dengan Dana Inovasi GSMA yang mendukung agritech di Afrika atau Asia). Model pembiayaan campuran (campuran hibah dan berbagi biaya) seringkali diperlukan sejak awal, karena peluncuran murni komersial mungkin tidak langsung menguntungkan. Forum Ekonomi Dunia menyoroti bahwa kemitraan campuran (lembaga pembangunan, pemerintah, dan perusahaan swasta) sangat penting untuk mengurangi risiko investasi dan menyesuaikan solusi dengan tujuan lokal (www.weforum.org).

Penetapan harga dan keterjangkauan: Untuk pengguna akhir, biaya harus dijaga seminimal mungkin atau gratis. Beberapa pendekatan dimungkinkan:

• Pembayaran mikro bertingkat. Model Viamo (Nigeria) membebankan biaya kecil kepada pengguna per interaksi (misalnya ₦10 atau ~$0.12) (techcentral.co.za). Pada harga tersebut, bahkan yang termiskin pun mampu melakukan kueri sesekali, dan operator melihat beberapa pendapatan untuk mempertahankan layanan. Sebagai alternatif, layanan bisa gratis hingga batas tertentu (misalnya 5 pertanyaan/hari) dan kemudian berbayar per penggunaan.

• Subsidi dan sponsor. Layanan kesehatan atau pendidikan publik dapat disubsidi oleh anggaran kesehatan atau hibah pembangunan, menjadikannya gratis bagi pengguna. Misalnya, pemerintah mungkin mensponsori layanan konsultasi pertanian gratis untuk meningkatkan produktivitas. Dalam kasus lain, layanan dapat menjalankan iklan atau pesan sponsor dari bisnis lokal (meskipun kehati-hatian diperlukan untuk menghindari bias saran).

• Zero-rating dan bundle. MNO dapat mengaktifkan zero-rating untuk USSD dan SMS bagi layanan AI yang disetujui, sehingga pengguna tidak dikenai biaya. Mereka juga dapat menggabungkan paket data: mis., paket pendidikan yang mencakup beberapa konten prabayar. Di beberapa negara, Dana Layanan Universal – pungutan pada telekomunikasi yang ditujukan untuk daerah yang kurang terlayani – telah dimanfaatkan untuk mendanai inisiatif pendidikan atau kesehatan digital. Kebijakan-kebijakan seperti ini dapat membantu menjaga biaya yang dihadapi pengguna mendekati nol. Menurunkan pajak pada perangkat dan kartu SIM (seperti yang direkomendasikan GSMA (www.gsma.com)) juga membuat layanan ini lebih terjangkau sejak awal.

• Sensitivitas biaya lokal. Harga harus mencerminkan tingkat pendapatan. Bahkan biaya yang sangat kecil harus disesuaikan: apa yang kecil di satu negara (₦10) mungkin terlalu tinggi di negara lain. Proyek percontohan harus mensurvei kesediaan masyarakat lokal untuk membayar, dan menyesuaikan melalui penetapan harga dinamis (misalnya lebih murah selama musim tanam, lebih mahal selama panen).

Pada akhirnya, tujuannya adalah akses daripada keuntungan. Banyak proyek TIK4P telah menunjukkan bahwa ketika komunitas yang kurang terlayani mendapatkan informasi gratis atau bersubsidi, mereka sering menemukan cara untuk “membayar” melalui cara lain (peningkatan hasil, kesehatan, dll.). Kuncinya adalah penetapan harga harus dapat diprediksi dan transparan, sehingga pengguna dapat merencanakan.

Kesimpulan

Pasar berkembang bukanlah halaman kosong – mereka memiliki jaringan seluler dan beberapa elektrifikasi, meskipun tidak merata. Namun dengan rekayasa ulang yang kreatif, AI dapat melompati kesenjangan ini. Contoh-contoh di atas menunjukkan bahwa asisten AI luring-utama pada ponsel sederhana dapat mengubah kehidupan pedesaan: memberikan nasihat pertanian tepat waktu kepada petani, menginformasikan pasien dan ibu tentang kesehatan, dan mendukung pendidikan jarak jauh. Resep teknis kini dalam jangkauan – model AI yang ringkas, perangkat keras murah, tenaga surya, dan saluran universal seperti SMS/USSD.

Keberhasilan sangat bergantung pada pemenuhan kebutuhan lokal. Itu berarti merancang untuk bahasa lokal, berkreasi bersama konten dengan komunitas, dan memastikan pengawasan yang tepercaya. Itu juga berarti membentuk kemitraan: perusahaan telekomunikasi untuk menangani jaringan dan penetapan harga; pemerintah dan LSM untuk mengkurasi konten dan menjangkau masyarakat; serta pemimpin komunitas untuk membimbing dan memvalidasi sistem.

Dengan menerapkan prinsip-prinsip ini, AI dapat mengangkat 3,2 miliar orang yang saat ini tidak terhubung atau kurang terlayani di dunia digital. AI luring pada perangkat berbiaya rendah dapat memberdayakan petani kecil untuk meningkatkan hasil panen, memungkinkan penduduk desa mengelola kesehatan, dan membantu anak-anak belajar — semua dalam ekosistem lokal yang paling mereka kenal. Dalam kata-kata inovator pedesaan, “Kita harus menemui orang-orang di mana mereka berada”: menyampaikan alat cerdas dalam bahasa, media, dan titik harga yang sesuai bagi mereka (www.weforum.org). Dengan desain dan kolaborasi yang cermat, AI akhirnya dapat menjadi kekuatan inklusif untuk kebaikan di komunitas-komunitas paling kurang terlayani di dunia.