Introduksjon

Kunstig intelligens (AI) lover stort for utvikling, men digitale skiller i fremvoksende markeder utgjør reelle hindringer. I mange lavinntektsregioner er internettilkobling treg, dekningen er flekkvis, og strøm er upålitelig. For eksempel finner GSMA at i Afrika sør for Sahara bruker bare rundt 27 % av befolkningen mobilt internett, og et 60 % «bruksgap» gjenstår – millioner lever innenfor dekningsområdet, men kan ikke koble seg på nett på grunn av høye kostnader for enheter, data eller mangel på ferdigheter (www.gsma.com). Africanews rapporterer at rundt 900 millioner afrikanere fortsatt mangler internettilgang, og et lignende antall mangler elektrisitet (www.africanews.com). Samtidig koster internettdata i noen land over 5 % av en månedlig inntekt (evolutionafricamagazine.com). I denne konteksten er skybasert AI (som store chatroboter) rett og slett utenfor rekkevidde for de fleste.

For å tjene disse samfunnene utforsker innovatører først-offline-AI på lavkostnadsenheter. Ideen er å bringe AI-tjenester inn i «siste mil» ved å kjøre smarte assistenter direkte på billige telefoner eller lokale kiosker, og bruke enkle kanaler som SMS, tale/USSD (kortkodemenyer) i stedet for videoapper eller nettet. Denne tilnærmingen kan levere tidsriktige råd innen landbruk, helse, utdanning og mer, uten behov for kontinuerlig tilkobling eller dyrt maskinvare. Nøkkelen er å skreddersy AI til lokale behov – støtte regionale språk, involvere lokalsamfunnets tilsyn og arbeide gjennom pålitelige partnere (teleoperatører, NGOer, myndigheter) med priser tilpasset lokale inntekter.

Denne artikkelen undersøker disse begrensningene og løsningene, basert på nylige prosjekter og studier. Den viser hvordan helt offline eller lavteknologiske AI-assistenter kan være gjennomførbare og virkningsfulle for landbruk, helse og utdanning i fremvoksende markeder – og hvordan partnerskap og lokalt eierskap sikrer at de er bærekraftige, trygge og rimelige.

Barrierer: Tilkobling, strøm og kostnad

Tilkoblingshull. Nettverk i mange utviklingsregioner utvides, men er ufullstendige. I Afrika sør for Sahara, for eksempel, lever 13 % av befolkningen fortsatt utenfor mobilnettdekning, og blant de som er dekket, vedvarer et 60 % «bruksgap» (www.gsma.com). Dette gapet gjenspeiler uoverkommelige enheter eller datakostnader, lav digital kompetanse og sikkerhetsbekymringer. Globalt står rundt 3,1 milliarder mennesker overfor slike bruksgap (www.gsma.com). I praksis har hundrevis av millioner landlige husholdninger ingen pålitelig internett, eller kun 2G/3G. Som en rapport bemerker, har omtrent 900 millioner afrikanere (av ~1,4 milliarder) ingen internett, og nesten like mange har ingen elektrisitet (www.africanews.com). Disse tallene forteller oss at klassiske smarttelefonapper eller sky-AI ofte vil feile i avsidesliggende landsbyer.

Strømbegrensninger. Manglende elektrisitet reduserer ytterligere digital tilgang. I samme Africanews-rapport understreket en ekspert hvordan AI-verktøy ikke kan fungere «mens man fortsetter å jobbe på 3G eller 2G» hvis elektrisitet mangler (www.africanews.com). Mange landlige hjem er avhengige av sesongbasert eller solenergi, og lading av en enhet er kostbart eller uforutsigbart. Utdannings- eller helsekioskprosjekter bruker ofte solenergi eller batteripakker. Det som teller, er å maksimere bruken med minimalt strømforbruk – for eksempel svært energieffektive brikker og enheter som kan vare i dager på én enkelt lading.

Prisbarriere. Enhets- og datakostnadene forblir dødelig høye for lavinntektsbrukere. I Afrika sør for Sahara kan avgifter og importtariffer gjøre selv grunnleggende smarttelefoner til $50 eller mer – dusinvis av timer med lønn for de fattigste. GSMA bemerker at enhetsprisen er en stor del av bruksgapet (www.gsma.com). Dataprisene utgjør likeledes en stor brøkdel av inntekten: en undersøkelse fant at mobildata kostet over 5 % av månedlig inntekt i mange afrikanske land (evolutionafricamagazine.com), godt over FNs mål om 2 % overkommelighet. For bønder eller studenter som kanskje tjener bare noen få dollar om dagen, er det uoverkommelig dyrt å betale selv $0,50 per GB.

Disse infrastruktur- og kostnadsbarrierene betyr at AI-løsninger må tilpasses radikalt: de bør fungere offline eller med lavest mulig båndbredde, kjøre på svært billig maskinvare og forbruke minimalt med strøm. Resten av denne artikkelen undersøker hvordan.

Først-offline-AI på lavkostnadsenheter

For å overvinne gapene ovenfor distribuerer nye prosjekter først-offline-AI-assistenter på rimelige håndsett eller lokale knutepunkter. Fremskritt innen kant-AI og modellkomprimering betyr at begrensede AI-modeller (f.eks. for talegjenkjenning, tekstråd) nå kan kjøre direkte på grunnleggende enheter uten sky-tilgang. Noen forskere foreslår ultrabillige «bare-metal» AI-gadgets: simuleringer viser at praktisk språk-AI kan kjøre på enheter som koster så lite som $8–$10 med bare ~30 MB RAM (www.researchgate.net). Slike modeller – ofte destillert fra store systemer – kan svare på spørsmål eller gi instruksjoner offline, og lagre språkdatabaser lokalt. I realiteten er de superdatamaskiner i lommestørrelse for byer og gårder uten stabilt internett.

I praksis kan disse enhetene ta form av:

• Enkle mobiltelefoner med AI-brikker. Noen oppstartsselskaper ettermonterer enkle telefoner med tale-AI-brikker eller fastvare. For eksempel lanserte Canadas Viamo en AI-tjeneste (i 2024) som gjør enhver grunnleggende telefon om til en «offline chatbot». Brukeren slår et kortnummer og snakker eller sender tekst – all behandling skjer på en lokal server eller en innebygd offline-modell. Brukeren mottar i sin tur svar som tale eller tekst (techcentral.co.za). Dette oppsettet fungerer selv «midt i ingensteds» uten internett – kun standard mobilnettverkssignalering. Det er rettet mot verdens fattigste, og tillater spørringer for så lite som ₦10 (omtrent $0,12) per samtale (techcentral.co.za).

• Lokale AI-kiosker eller -radioer. En annen tilnærming er landsbyknutepunkter drevet av robuste minidatamaskiner eller Raspberry Pi-lignende enheter. For eksempel lar åpen kildekode Kolibri (av Learning Equality) skoler installere en lokal server eller Pi. Studenter bruker deretter en hvilken som helst lokal enhet for å se lærebøker, videoer eller spørrekonkurranser offline (evolutionafricamagazine.com). Dette er allerede i bruk i landlige Kenya, Tanzania og Malawi – lærere laster inn globalt utdanningsinnhold og tilpasser det til lokale språk på Kolibri (evolutionafricamagazine.com). En lignende modell bruker Wi-Fi-hotspots eller lokale intranett med AI-chatprogrammer for bønder ved samfunnshus.

• Dedikerte lavkostnads-«AI-telefoner». Ambisiøse prosjekter ser for seg $10–$20 smarttelefoner lastet med AI på enheten. En teknoøkonomisk studie foreslår å distribuere 700 millioner offline AI-læringsenheter i Afrika innen 2030, hver til en pris av $10–20 (www.researchgate.net) (www.researchgate.net). Disse ville være forhåndslastet med flerspråklige leksika og interaktive moduler (tekst, bildegjenkjenning, tale på flere språk). Selv om ingen forbrukerenhet ennå er så billig, eksisterer veikartet: massivt skalert produksjon og ultralette modeller (som Metas LLaMA-forsterkere eller «MetalNLLB» språksystemer) kan nå det punktet snart (www.researchgate.net).

Nøkkelen i alle disse er lavenergi, offline-drift. For eksempel kan AI-modeller forhåndslaste et utvalg av innhold (som avlingsdatabaser eller grunnleggende helse-FAQer) slik at bare disse trenger å lagres lokalt, og eventuelle nye spørsmål kan køes til tilkobling er tilgjengelig. I mellomtiden svarer enheten umiddelbart til brukeren. Etter hvert som teknologien forbedres, legger selv smarttelefonapper til offline-moduser (som tillater nedlastinger når man er på Wi-Fi, deretter offline-bruk). Den imponerende lærdommen er: du trenger ikke Google- eller OpenAI-servere hvis AI-modellen er gjort liten eller bufret – springerens trekk er å bygge inn intelligensen ute der brukerne er.

Kanaler og bruksområder: SMS, USSD og tale

I fremvoksende markeder er de mest utbredte mediene SMS, USSD (interaktive tekstmenyer) og talesamtaler – ikke nettapper. Enhver AI-assistent må bruke disse kanalene for å nå massebrukere. Heldigvis er både SMS og USSD veletablerte: GSMA rapporterer at ni av ti mobilpengetransaksjoner i Afrika sør for Sahara kjøres over USSD (www.gsma.com), og leverandører globalt støtter fortsatt USSD på alle telefoner. Avgjørende er at USSD og SMS krever ingen internettdata i det hele tatt – kun GSM-signaliseringskanalen (www.gsma.com). De fungerer på de billigste «funksjonstelefonene», selv de uten microSD-kort eller fargeskjermer. En AI-assistent over USSD kan sende en tekstforespørsel (som «Hvilke skadedyr påvirker mais? 1=Bladlus, 2=Kornsnutebille») og få et numerisk svar med råd. Interaktiv talerespons (IVR) fungerer på lignende måte: brukere snakker eller lytter via automatiserte menyer på lokale språk.

Landbruk: For bønder er AI-rådgivning via SMS/tale allerede i gang. Ett eksempel i Kamerun er Farmer Guide-appen: den diagnostiserer plantesykdommer med AI, men bønder utenfor byene kunne ikke bruke den – de hadde ingen internett eller strøm (www.africanews.com). Viamo-plattformen kommer inn: den tilbyr en AI-drevet tjeneste der enhver bonde kan ringe inn (i Nigeria, Zambia og utover) og stille landbruksspørsmål. Systemet kjører på tale/SMS og kan til og med ta talebeskjeder, og gir svar på samme måte (techcentral.co.za). Dette gjør AI tilgjengelig på alle telefoner, ikke bare smarttelefoner. Et annet initiativ er Ghanas Darli AI chatbot. Tilgjengelig via WhatsApp (som mange afrikanske brukere har) eller SMS, gir Darli råd om planting, markedspriser og værtips. Avgjørende er at Darli støtter 27 språk (inkludert 20 afrikanske språk som swahili, yoruba, twi osv.) (www.weforum.org), slik at bønder får råd på morsmålet sitt. Siden 2024 har Darli nådd over 110 000 bønder i Ghana og Kenya (www.weforum.org). Disse prosjektene viser at enkle tekst-/talekanaler kan levere avansert landbruks-AI til landsbyen.

Helse: Mobil helse (mHelse) har lenge brukt SMS og IVR, og AI kan integreres med disse. For eksempel har Viamos plattform inngått partnerskap med UNICEF for å tilby offline AI-chatroboter for helse-emner (HIV-forebygging, malariasymptomer, sanitærtips) (techcentral.co.za). En bruker kan ringe et nummer eller sende en kode og få øyeblikkelig helseråd på sitt språk. Under COVID-19 lanserte mange land USSD-verktøy for selvvurdering og informasjon (f.eks. Sierra Leones USSD-sjekker for symptomer (www.gsma.com)). En AI-assistent kan bygge på disse ved å legge til interaktiv spørsmål og svar og personlig veiledning. Viktigst er at USSD-baserte telemedisintjenester (som Kenyas gratis USSD-helsekontroller (www.gsma.com)) beviser at disse kanalene fungerer i stor skala. Fremover kan offline AI-moduler kjøre på lokale klinikkmikrodatamaskiner eller til og med sykepleieres telefoner, og tilby beslutningsstøtte uten behov for online databaser.

Utdanning: Fjernundervisning i områder med dårlig tilkobling har hatt suksess via SMS og offline-sett. Initiativer som Eneza Education (i Kenya, Ghana og Elfenbenskysten) sender quiz-spørsmål og leksjoner via SMS/USSD på enkle telefoner (evolutionafricamagazine.com). Over 10 millioner elever har brukt Enezas funksjonstelefonplattform til lav pris, noe som beviser at meningsfull digital læring kan skje uten smarttelefoner (evolutionafricamagazine.com). Byggende på dette, blander Kenyas M-Shule («mobilskole») SMS med AI: den personaliserer leksjoner og tilbakemeldinger for grunnskoleelever ved hjelp av maskinlæring i bakgrunnen (evolutionafricamagazine.com). Lærere sender spørrekonkurranser til en students telefon, og M-Shule skreddersyr innhold basert på hvert barns svar. Slike tjenester fungerer offline i den forstand at når læreplanen er levert, trenger ikke telefonbrukeren kontinuerlig nettverkstilgang. Lokalsamfunn har også satt opp offline utdanningssentre (f.eks. solcelledrevne klasserom med lokale servere) som bruker nulltakserte innhold. Under pandemien rapporterte UNICEF og andre at to tredjedeler av skolebarna globalt ikke hadde hjemmeinternett (www.unicef.org), så disse lavteknologiske løsningene har holdt utdanningen i gang.

Hver av disse bruksområdene understreker at kanalene betyr mer enn fancy brukergrensesnitt. I landlig landbruk, helse og skolegang når det enkleste mobilgrensesnittet – USSD-tekstmenyer eller tale-IVR på lokale språk – flertallet. AI koblet til disse kanalene (enten på enheten eller en lokal server) kan transformere dem fra statiske info-hotlines til interaktive personlige assistenter.

Lokalisering: Språk, data og sikkerhet

Språkdekning. For å være nyttige må assistenter snakke lokalt tungemål – ikke bare engelsk eller fransk. Fremvoksende markeder er svært flerspråklige; for eksempel har Afrika alene over 2000 språk. Vanlige AI-modeller dekker typisk bare store verdensspråk, så skreddersydde lokale modeller eller oversettelser er nødvendig. Noen lovende tiltak eksisterer allerede. For eksempel støtter Farmerlines Darli-chatbot 27 språk, inkludert 20 afrikanske språk som Akan, Hausa, Igbo, Twi og Swahili (www.weforum.org). I Indonesia eksperimenterer forskningsprosjekter med tale-AI på bøndenes morsmål ved hjelp av IVR-systemer (www.gsma.com). Et eksempel: International Rice Research Institute (IRRI) samarbeidet med Viamo for å lansere en IVR-hotline som tilbyr rådgivningstjenester på et lokalt indonesisk språk, slik at risbønder på alle leseferdighetsnivåer kunne forstå (www.gsma.com). Utdanningsinnhold har også blitt lokalisert: Kolibri-plattformen nevnt ovenfor brukes i østafrikanske skoler hvor «lærere tilpasser globale åpne ressurser til lokale språk og kontekster» (evolutionafricamagazine.com).

For å systematisk dekke lokale språk, bør prosjekter samle inn og trene på regional data. En modell er samfunnsbasert folkemengde-innsamling: lokale frivillige (bønder, lærere, oversettere) kan bidra til å bygge ordlister eller ta opp taleprøver. Disse dataene, holdt lokalt eller anonymisert, kan brukes til å finjustere AI-modeller til områdets dialekter. Noen nasjonale initiativer produserer til og med verktøy: for eksempel har Nigerias Center for Digital Indigenous Language laget et mobilt AI-tastatur som dekker nesten 180 afrikanske språk (www.weforum.org), noe som gjør det lettere å skrive og lese på disse språkene. Partnerskap med lokale universiteter eller NGOer kan bidra til å kurere kulturelt korrekt innhold (f.eks. lokale plantenavn, sanitære praksiser) slik at AI-rådene er meningsfulle.

Lokal datainnsamling og styring. Innsamling av data og tilbakemeldinger i felten er avgjørende for opplæring og forbedring av assistenter. Dette må imidlertid gjøres etisk: lokalsamfunn bør samtykke til databruk, og sensitive personopplysninger (helsejournaler, personlig økonomi) må beskyttes. En nyttig modell er samskaping i lokalsamfunnet. For eksempel, i Lagos' Makoko-samfunn ble innbyggere trent i kartlegging og dronebasert datainnsamling; de produserte sitt eget geografiske datasett som nå brukes til lokal planlegging (www.weforum.org). På samme måte kan et AI-prosjekt utstyre landsbyhelsearbeidere eller utvidelsesagenter til å samle inn anonymiserte saksrapporter eller spørsmål. Disse lokale datasettene bør forbli under lokalsamfunnets forvaltning – lagret på lokale servere eller gjennom betrodde partnere – i stedet for å bli tappet av fjerne selskaper. Verdens økonomiske forum foreslår å trene lokale innovatører, NGOer og byråer i AI-kompetanse og styring slik at de kan «velge hvordan de forteller sine historier», og sikre at data brukes til deres fordel (www.weforum.org) (www.weforum.org).

Sikkerhet og etikk. Enhver AI-assistent som gir råd (om medisin, jordbruk osv.) må være trygg og nøyaktig. Det krever flere sikkerhetstiltak: lokal ekspertvurdering, innholdsfiltre og klare ansvarsfraskrivelser. For eksempel bør en AI-helsebot i en landsby inkludere en mekanisme for brukere til å rapportere feil eller bli videresendt til menneskelig hjelp. ?>» Lokale tilsynsutvalg eller nettverk av lærere på landsbygda kan jevnlig gjennomgå innholdet, og tilpasse det for sesongmessige eller situasjonsbetingede endringer. En fellesskapsdrevet «tilbakemeldingssløyfe» bidrar til å fange opp feil: hvis mange bønder rapporterer det samme problemet med AI-ens råd, kan utviklerne oppdatere modellen. Formater bør også tillate raske oppdateringer. Viktigst er at underbetjente samfunn bør ha et visst eierskap: å distribuere teknologien gjennom kooperativer eller lokale råd i stedet for å pålegge den ovenfra og ned sikrer ansvarlighet.

Erfaring viser at lokalt eierskap er nøkkelen. Innen landbrukskartlegging og finans overgår fellesskapsdesignede verktøy generiske. Eksperter på et nylig forum understreket at «vi må møte folk der de er» med lokale språkplattformer (som WhatsApp-chatboter) og at skreddersydd AI til lokale realiteter skaper bærekraftige gevinster (www.weforum.org). I praksis betyr dette å trene brukere og ledere i hvert samfunn: for eksempel å utstyre landsbyens lærere eller helsearbeidere med veiledninger om hvordan man bruker og forklarer AI-verktøyene. Slike lokale forkjempere reduserer mistillit og bidrar til å håndheve etiske normer.

Samarbeid og forretningsmodeller

Vellykket skalering av offline-AI i fremvoksende markeder krever partnerskap på tvers av sektorer – og priser som de fattige har råd til.

Mobilnettoperatører (MNOer): Teleoperatører er naturlige allierte. De eier allerede SMS/USSD- og taleinfrastrukturen. Ved å samarbeide med AI-leverandører kan MNOer hoste AI-tjenester på sine nettverk (for eksempel ved å dedikere en kortkode eller IVR-linje). I mange markeder samarbeider operatører med myndigheter og NGOer om digital kompetanse og er ivrige etter å legge til «AI-tjenester» i sine porteføljer. For eksempel begynner MTN og Vodacom i Afrika å integrere AI-chatroboter for kundeservice og nettverksoptimalisering (www.gsma.com), og kunne gjøre det samme for allmennyttige tjenester. Operatører kan også subsidiere tilkobling spesifikt for disse tjenestene: f.eks. tilby gratis USSD-sesjoner for godkjente helse- eller utdanningskoder, eller pakke AI-spørsmål inn i lavkostnadsdataabonnementer. Dette ligner på telekomsponsede initiativer som gratis helse-hotlines eller utdanningsportaler. I tillegg kan operatører dele posisjons- eller bruksdata (anonymisert) for å hjelpe AI-en med å forbedre seg uten å kreve at brukerne overfører rå informasjon. Avgjørende er at regulatorer og telekomforeninger (som GSMA) kan oppmuntre til reduserte SMS/USSD-avgifter for sosiale programmer, som anbefalt i bransjerapporter (www.gsma.com).

Regjeringer og NGOer: Offentlige og ideelle partnere vil ofte styre design og finansiering. Landbruks-, utdannings- eller helsedepartementer forstår lokale behov og kan integrere AI-verktøy i nasjonale programmer (f.eks. utvidelsesnettverk, offentlige skoler, samfunnshelsestrategier). NGOer – fra globale som UNICEF til lokale stiftelser – gir domenekunnskap, innhold og legitimitet. For eksempel har UNICEF inngått partnerskap med Viamo for å legge til helseinnhold i systemet deres (techcentral.co.za); på samme måte kan landbruks-NGOer og utvidelsestjenester bidra med eksisterende læreplaner. Donororganisasjoner kan finansiere pilotutrullinger (som sett med GSMAs innovasjonsfond som støtter agritech i Afrika eller Asia). Blandede finansieringsmodeller (en blanding av tilskudd og kostnadsdeling) er ofte nødvendige tidlig, siden en rent kommersiell utrulling kanskje ikke umiddelbart er lønnsom. Verdens økonomiske forum fremhever at blandede partnerskap (utviklingsbyråer, myndigheter og private firmaer) er avgjørende for å redusere investeringsrisiko og skreddersy løsninger til lokale mål (www.weforum.org).

Prissetting og overkommelighet: For sluttbrukere må kostnaden holdes minimal eller gratis. Flere tilnærminger er mulige:

• Trinnvise mikrobetalinger. Viamo-modellen (Nigeria) krever en liten avgift per interaksjon (f.eks. ₦10 eller ~$0,12) (techcentral.co.za). Til den prisen har selv de fattigste råd til sporadiske spørsmål, og operatørene ser noe inntekt for å opprettholde tjenesten. Alternativt kan tjenester være gratis opp til en grense (f.eks. 5 spørsmål/dag) og deretter betale-per-bruk.

• Subsidier og sponsing. Offentlige helse- eller utdanningstjenester kan subsidieres av helsebudsjetter eller av utviklingsstipend, noe som gjør dem gratis for brukere. For eksempel kan en regjering sponse gratis landbruksrådgivningslinjer for å øke produktiviteten. I andre tilfeller kan tjenester kjøre annonser eller sponsede meldinger fra lokale bedrifter (selv om forsiktighet er nødvendig for å unngå å påvirke rådene).

• Nulltaksering og pakker. MNOer kan nulltaksere USSD og SMS for godkjente AI-tjenester, slik at brukerne ikke pådrar seg kostnader. De kan også pakke data: f.eks. en utdanningsplan som inkluderer noe forhåndsbetalt innhold. I noen land har Universal Service Funds – avgifter på telekom ment for underbetjente områder – blitt tappet for å finansiere digitale utdannings- eller helseinitiativer. Slik politikk kan bidra til å holde brukerkostnaden nær null. Å senke skatten på enheter og SIM-kort (som GSMA anbefaler (www.gsma.com)) gjør også disse tjenestene rimeligere i utgangspunktet.

• Lokal kostnadsfølsomhet. Prissettingen må gjenspeile inntektsnivået. Selv små avgifter bør skaleres: det som er lite i ett land (₦10) kan være for høyt i et annet. Piloter bør undersøke lokal betalingsvilje og justere via dynamisk prising (f.eks. billigere i plantesesongen, dyrere under innhøstingen).

Til syvende og sist er målet tilgang snarere enn profitt. Mange IKT4D-prosjekter har vist at når underbetjente samfunn får gratis eller subsidiert informasjon, finner de ofte måter å «betale» på gjennom andre midler (forbedret avkastning, helse osv.). Nøkkelen er at prissettingen er forutsigbar og transparent, slik at brukerne kan planlegge.

Konklusjon

Fremvoksende markeder er ikke blanke ark – de har mobilnettverk og noe elektrifisering, om enn flekkvis. Men med kreativ omkonstruksjon kan AI overkomme disse gapene. Eksemplene ovenfor viser at først-offline-AI-assistenter på enkle telefoner kan transformere livet på landsbygda: gi bønder tidsriktige landbruksråd, informere pasienter og mødre om helse, og støtte fjernundervisning. Den tekniske oppskriften er nå innen rekkevidde – kompakte AI-modeller, billig maskinvare, solenergi og universelle kanaler som SMS/USSD.

Vellykket avhenger sterkt av å besvare lokale behov. Det betyr å designe for lokale språk, samskape innhold med lokalsamfunn, og sikre pålitelig tilsyn. Det betyr også å danne partnerskap: telekommunikasjonsselskaper for å håndtere nettverk og prissetting; myndigheter og NGOer for å kurere innhold og nå mennesker; og samfunnsledere for å veilede og validere systemet.

Ved å anvende disse prinsippene kan AI løfte de 3,2 milliarder menneskene som for tiden er uten tilkobling eller underbetjent i den digitale verden. Offline AI på lavkostnadsenheter kan styrke småbønder til å øke avlingene, gjøre det mulig for landsbyboere å håndtere helsen, og hjelpe barn å lære – alt innenfor det lokale økosystemet de kjenner best. Med ordene til rurale innovatører, «Vi må møte folk der de er»: levere smarte verktøy på språk, medier og prisnivåer som passer dem (www.weforum.org). Med gjennomtenkt design og samarbeid kan AI endelig bli en inkluderende kraft til det gode i verdens mest underbetjente samfunn.