Introduktion

Artificiell intelligens (AI) erbjuder stora löften för utveckling, men digitala klyftor på tillväxtmarknader utgör verkliga hinder. I många låginkomstregioner är internetanslutningarna långsamma, täckningen ojämn och elförsörjningen opålitlig. Exempelvis konstaterar GSMA att i Afrika söder om Sahara använder endast cirka 27 % av befolkningen mobilt internet, och en 60 % ”användningsklyfta” kvarstår – miljontals lever inom täckningsområden men kan inte gå online på grund av höga kostnader för enheter och data, eller bristande färdigheter (www.gsma.com). Africanews rapporterar att ungefär 900 miljoner afrikaner fortfarande saknar internetåtkomst helt, och ett liknande antal saknar elektricitet (www.africanews.com). Samtidigt kostar internetdata i vissa länder över 5 % av en månadsinkomst (evolutionafricamagazine.com). I detta sammanhang är molnbaserad AI (som stora chattbotar) helt enkelt utom räckhåll för de flesta.

För att tjäna dessa samhällen utforskar innovatörer offline-först-AI på lågkostnadsenheter. Tanken är att föra AI-tjänster till ”sista milen” genom att köra smarta assistenter direkt på billiga telefoner eller lokala kiosker, och använda enkla kanaler som SMS, röst/USSD (kortkod-menyer) istället för videoappar eller webben. Detta tillvägagångssätt kan leverera aktuell rådgivning inom jordbruk, hälsa, utbildning och mer, utan att kräva kontinuerlig uppkoppling eller dyr hårdvara. Nyckeln är att anpassa AI till lokala behov – att stödja regionala språk, involvera samhällsinsyn och arbeta genom betrodda partners (telekomföretag, NGO:er, regeringar) med prissättning anpassad till lokala inkomster.

Denna artikel undersöker dessa begränsningar och lösningar, baserat på nya projekt och studier. Den visar hur helt offline eller lågteknologiska AI-assistenter kan vara genomförbara och effektfulla för jordbruk, hälsa och utbildning på tillväxtmarknader – och hur partnerskap och samhällsförvaltning säkerställer att de är hållbara, säkra och prisvärda.

Hinder: Uppkoppling, ström och kostnad

Uppkopplingsklyftor. Nätverken i många utvecklingsregioner expanderar men är ofullständiga. I Afrika söder om Sahara, till exempel, lever 13 % av befolkningen fortfarande utanför mobilnätstäckning, och bland de täckta kvarstår en 60 % ”användningsklyfta” (www.gsma.com). Denna klyfta återspeglar oöverkomliga kostnader för enheter eller data, låg digital kunskap och säkerhetsbekymmer. Globalt står cirka 3,1 miljarder människor inför sådana användningsklyftor (www.gsma.com). I praktiken har hundratals miljoner hushåll på landsbygden ingen pålitlig internetanslutning, eller endast 2G/3G. Som en rapport noterar har cirka 900 miljoner afrikaner (av ~1,4 miljarder) inget internet, och nästan lika många har ingen elektricitet (www.africanews.com). Dessa siffror säger oss att klassiska smartphone-appar eller moln-AI ofta kommer att misslyckas i avlägsna byar.

Strömbegränsningar. Brist på elektricitet minskar ytterligare den digitala åtkomsten. I samma Africanews-rapport betonade en expert hur AI-verktyg inte kan fungera ”medan man fortsätter att arbeta på 3G eller 2G” om elektricitet saknas (www.africanews.com). Många hushåll på landsbygden förlitar sig på säsongs- eller solenergi, och att ladda en enhet är kostsamt eller oförutsägbart. Utbildnings- eller hälsokioskprojekt använder ofta solenergi eller batteripaket. Det som är viktigt är att maximera användningen med minimal strömförbrukning – till exempel mycket energieffektiva chip och enheter som kan köras i dagar på en enda laddning.

Överkomlighetsbarriärer. Enhets- och datakostnader förblir dödligt höga för låginkomstanvändare. I Afrika söder om Sahara kan skatter och importtullar göra att även grundläggande smartphones kostar 50 $ eller mer – dussintals timmars lön för de fattigaste. GSMA noterar att överkomliga enhetspriser är en stor del av användningsklyftan (www.gsma.com). Datapriserna utgör på liknande sätt en stor andel av inkomsten: en undersökning fann att mobildata kostade över 5 % av månadsinkomsten i många afrikanska länder (evolutionafricamagazine.com), långt över FN:s mål på 2 % för överkomlighet. För bönder eller studenter som kanske bara tjänar några dollar om dagen är det oöverkomligt dyrt att betala ens 0,50 $ per GB.

Dessa infrastruktur- och kostnadsbarriärer innebär att AI-lösningar måste anpassas radikalt: de bör fungera offline eller med lägsta möjliga bandbredd, köras på mycket billig hårdvara och förbruka minimalt med ström. Resten av denna artikel undersöker hur.

Offline-först-AI på lågkostnadsenheter

För att överbrygga ovanstående klyftor implementerar nya projekt offline-först-AI-assistenter på billiga handenheter eller lokala nav. Framsteg inom edge AI och modellkomprimering innebär att begränsade AI-modeller (t.ex. för taligenkänning, textrådgivning) nu kan köras direkt på grundläggande enheter utan molnåtkomst. Vissa forskare föreslår ultrabilliga ”bare-metal” AI-prylar: simuleringar visar att praktisk språk-AI kan köras på enheter som kostar så lite som 8–10 $ med endast ~30 MB RAM (www.researchgate.net). Sådana modeller – ofta destillerade från stora system – kan svara på frågor eller ge instruktioner offline, genom att lagra språkdatabaser lokalt. I praktiken är de ficksuperdatorer för städer och gårdar med instabilt internet.

I praktiken kan dessa enheter anta följande former:

• Enkla telefoner med AI-chip. Vissa startups uppgraderar enkla telefoner med röst-AI-chip eller firmware. Till exempel lanserade kanadensiska Viamo en AI-tjänst (2024) som förvandlar vilken grundläggande telefon som helst till en ”offline-chattbot”. Användaren slår en kortkod och talar eller skickar text – all bearbetning sker på en lokal server eller en inbyggd offlinemodell. Användaren får i sin tur svar som röst eller text (techcentral.co.za). Denna installation fungerar även ”mitt ute i ingenstans” utan internet – endast standard mobilnätssignalering krävs. Den riktar sig till världens fattigaste, vilket möjliggör förfrågningar för så lite som ₦10 (cirka 0,12 $) per samtal (techcentral.co.za).

• AI-kiosker eller radioapparater för samhället. Ett annat tillvägagångssätt är by-nav som drivs av robusta minidatorer eller Raspberry Pi-liknande enheter. Till exempel låter open source-plattformen Kolibri (av Learning Equality) skolor installera en lokal server eller Pi. Eleverna använder sedan vilken lokal enhet som helst för att se läroböcker, videor eller frågesporter offline (evolutionafricamagazine.com). Detta används redan i landsbygdsområden i Kenya, Tanzania och Malawi – lärare laddar globalt utbildningsinnehåll och anpassar det till lokala språk på Kolibri (evolutionafricamagazine.com). En liknande modell använder Wi-Fi-hotspots eller lokala intranät med AI-chattprogram för bönder vid samhällscenter.

• Dedikerade lågkostnads-”AI-telefoner”. Ambitiösa projekt föreställer sig smartphones för 10–20 $ laddade med AI på enheten. En teknoekonomisk studie föreslår att man ska distribuera 700 miljoner offline AI-inlärningsenheter i Afrika till 2030, till en kostnad av 10–20 $ per enhet (www.researchgate.net) (www.researchgate.net). Dessa skulle förladdas med flerspråkiga encyklopedier och interaktiva moduler (text, bildigenkänning, röst på flera språk). Även om ingen konsumentenhet ännu är så billig, finns färdplanen: massivt skalad produktion och ultralätta modeller (som metas LLaMA-boosters eller ”MetalNLLB”-språknät) skulle kunna nå denna punkt snart (www.researchgate.net).

Nyckeln i alla dessa är låg energiförbrukning och offline-drift. Till exempel kan AI-modeller förladda en delmängd av innehåll (som gröddatabaser eller grundläggande hälso-FAQ) så att endast dessa behöver lagras lokalt, och nya förfrågningar kan köas tills uppkoppling finns tillgänglig. Under tiden svarar enheten omedelbart till användaren. Allt eftersom tekniken förbättras lägger även smartphone-appar till offlinelägen (vilket tillåter nedladdningar vid Wi-Fi-åtkomst, och sedan offline-användning). Den imponerande lärdomen är: du behöver inga Google- eller OpenAI-servrar om AI-modellen är liten eller cachad – det smarta draget är att bädda in intelligensen vid de yttre punkterna där användarna befinner sig.

Kanaler och användningsfall: SMS, USSD och röst

På tillväxtmarknader är de mest utbredda medierna SMS, USSD (interaktiva textmenyer) och röstsamtal – inte webbappar. Varje AI-assistent måste använda dessa kanaler för att nå massanvändare. Lyckligtvis är både SMS och USSD väletablerade: GSMA rapporterar att nio av tio mobilpengartransaktioner i Afrika söder om Sahara sker via USSD (www.gsma.com), och leverantörer globalt stöder fortfarande USSD på alla telefoner. Avgörande är att USSD och SMS inte kräver någon internetdata alls – bara GSM-signaleringskanalen (www.gsma.com). De fungerar på de billigaste ”funktionstelefonerna”, även de utan microSD-kort eller färgskärmar. En AI-assistent via USSD kan skicka en textfråga (som ”Vilka skadedjur påverkar majs? 1=Bladlöss, 2=Vivel”) och få ett numeriskt svar med råd. Interaktiva röstsvar (IVR) fungerar på liknande sätt: användare talar eller lyssnar via automatiserade menyer på lokala språk.

Jordbruk: För bönder sker AI-rådgivning via SMS/röst redan. Ett exempel i Kamerun är appen Farmer Guide: den diagnostiserar växtsjukdomar med AI, men bönder utanför städerna kunde inte använda den – de hade inget internet eller ström (www.africanews.com). Viamo-plattformen träder in: den erbjuder en AI-driven tjänst där vilken bonde som helst kan ringa in (i Nigeria, Zambia och bortom) och ställa jordbruksfrågor. Systemet körs på röst/SMS och kan till och med ta emot röstkommandon, och ger svar på liknande sätt (techcentral.co.za). Detta gör AI tillgänglig på vilken telefon som helst, inte bara smartphones. Ett annat initiativ är Ghanas chattbot Darli AI. Darli är tillgänglig via WhatsApp (som många afrikanska användare har) eller SMS, och ger planteringsråd, marknadspriser och vädertips. Viktigt är att Darli stöder 27 språk (inklusive 20 afrikanska språk som swahili, yoruba, twi, etc.) (www.weforum.org), så bönder får råd på sitt modersmål. Sedan 2024 har Darli nått över 110 000 bönder i Ghana och Kenya (www.weforum.org). Dessa projekt visar att enkla text/röstkanaler kan leverera avancerad jordbruks-AI till byarna.

Hälsa: Mobil hälsa (mHälsa) har länge använt SMS och IVR, och AI kan integreras med dessa. Till exempel samarbetar Viamos plattform med UNICEF för att tillhandahålla offline AI-chattbotar för hälsoämnen (HIV-prevention, malariasymptom, sanitetstips) (techcentral.co.za). En användare kan ringa ett nummer eller skicka en kod och få omedelbar hälsorådgivning på sitt språk. Under COVID-19 lanserade många länder USSD-verktyg för självbedömning och information (t.ex. Sierra Leones USSD-symptomkontroll (www.gsma.com)). En AI-assistent kan bygga vidare på detta genom att lägga till interaktiva frågor och svar samt personlig vägledning. Viktigt är att USSD-baserade telemedicintjänster (som Kenyas gratis USSD-hälsokontroller (www.gsma.com)) bevisar att dessa kanaler fungerar i stor skala. Framöver skulle offline AI-moduler kunna köras på lokala klinikers mikrodatorer eller till och med sjuksköterskors telefoner, och erbjuda beslutsstöd utan att behöva online-databaser.

Utbildning: Distansundervisning i områden med dålig uppkoppling har varit framgångsrik via SMS och offline-kit. Initiativ som Eneza Education (i Kenya, Ghana och Elfenbenskusten) skickar frågesporter och lektioner via SMS/USSD på grundläggande telefoner (evolutionafricamagazine.com). Över 10 miljoner elever har använt Enezas plattform för enkla telefoner till låg kostnad, vilket bevisar att meningsfull digital inlärning kan ske utan smartphones (evolutionafricamagazine.com). Genom att bygga vidare på detta kombinerar Kenyas M-Shule (”mobil skola”) SMS med AI: den personaliserar lektioner och feedback för grundskoleelever med hjälp av maskininlärning i bakgrunden (evolutionafricamagazine.com). Lärare skickar frågesporter till en elevs telefon, och M-Shule anpassar innehållet baserat på varje barns svar. Sådana tjänster fungerar offline i den meningen att när läroplanen väl har levererats behöver telefonanvändaren inte kontinuerlig nätverksåtkomst. Samhällen har också inrättat offline utbildningsnav (t.ex. soldrivna klassrum med lokala servrar) som använder nollklassificerat innehåll. Under pandemin rapporterade UNICEF och andra att två tredjedelar av alla skolbarn globalt saknade internet hemma (www.unicef.org), så dessa lågteknologiska lösningar har hållit utbildningen igång.

Var och en av dessa användningsfall understryker att kanaler är viktigare än tjusiga användargränssnitt. Inom landsbygdsjordbruk, hälsa och skolgång når det enklaste mobilgränssnittet – USSD-textmenyer eller röst-IVR på lokala språk – majoriteten. AI kopplad till dessa kanaler (antingen på enheten eller en lokal server) kan förvandla dem från statiska informationshotlines till interaktiva personliga assistenter.

Lokalisering: Språk, data och säkerhet

Språktäckning. För att vara användbara måste assistenter tala det lokala språket – inte bara engelska eller franska. Tillväxtmarknader är mycket flerspråkiga; till exempel har Afrika ensamt över 2 000 språk. Mainstream AI-modeller täcker vanligtvis endast stora världsspråk, så skräddarsydda lokala modeller eller översättningar behövs. Några lovande insatser finns redan. Till exempel stöder Farmerlines Darli-chattbot 27 språk, inklusive 20 afrikanska språk som Akan, Hausa, Igbo, Twi och Swahili (www.weforum.org). I Indonesien experimenterar forskningsprojekt med röst-AI på bönders modersmål med hjälp av IVR-system (www.gsma.com). Ett exempel: International Rice Research Institute (IRRI) samarbetade med Viamo för att lansera en IVR-hotline som tillhandahåller rådgivning på ett lokalt indonesiskt språk, så att risbönder på alla läskunnighetsnivåer kunde förstå (www.gsma.com). Utbildningsinnehåll har också lokaliserats: Kolibri-plattformen som nämns ovan används i östafrikanska skolor där ”lärare anpassar globala öppna resurser till lokala språk och sammanhang” (evolutionafricamagazine.com).

För att systematiskt täcka lokala språk bör projekt samla in och träna på regional data. En modell är samhällsbaserad crowdsourcing: lokala volontärer (bönder, lärare, översättare) kan hjälpa till att bygga ordlistor eller spela in talprover. Denna data, som förvaras lokalt eller anonymiseras, kan användas för att finjustera AI-modeller till områdets dialekter. Vissa nationella insatser producerar till och med verktyg: till exempel skapade Nigerias Center for Digital Indigenous Language ett mobilt AI-tangentbord som täcker nästan 180 afrikanska språk (www.weforum.org), vilket gör det lättare att skriva och läsa på dessa språk. Partnerskap med lokala universitet eller NGO:er kan hjälpa till att kurera kulturellt korrekt innehåll (t.ex. lokala växtnamn, hygienrutiner) så att AI-rådgivningen blir meningsfull.

Lokal datainsamling och styrning. Att samla in data och feedback i fält är avgörande för att träna och förbättra assistenter. Detta måste dock göras etiskt: samhällen bör samtycka till dataanvändning, och känslig personlig data (hälsojournaler, personlig ekonomi) måste skyddas. En användbar modell är samhällsbaserad samskapande. Till exempel, i Lagos Makoko-samhälle utbildades invånare i kartläggning och insamling av drondata; de producerade sin egen geografiska dataset som nu används för lokal planering (www.weforum.org). På liknande sätt skulle ett AI-projekt kunna utrusta byhälsarbetare eller rådgivare att samla in anonymiserade fallrapporter eller förfrågningar. Dessa lokala datamängder bör förbli under samhällsförvaltning – lagrade på lokala servrar eller via betrodda partners – snarare än att dräneras av avlägsna företag. World Economic Forum föreslår att man utbildar lokala innovatörer, NGO:er och myndigheter i AI-kunskap och styrning så att de kan ”välja hur de berättar sina historier”, och därmed säkerställa att data används till deras nytta (www.weforum.org) (www.weforum.org).

Säkerhet och etik. Varje AI-assistent som ger råd (om medicin, jordbruk, etc.) måste vara säker och korrekt. Detta kräver flera säkerhetsåtgärder: lokal expertgranskning, innehållsfilter och tydliga friskrivningar. Till exempel bör en AI-hälsobot i en by inkludera en mekanism för användare att rapportera misstag eller få hjälp av mänsklig personal. ?>"> Lokala tillsynskommittéer eller nätverk av landsbygdsutbildare kan granska innehållet regelbundet och anpassa det för säsongs- eller situationsförändringar. En samhällsdriven ”feedback-loop” hjälper till att upptäcka fel: om många bönder rapporterar samma problem med AI:ns råd, kan utvecklarna uppdatera modellen. Format bör också tillåta snabba uppdateringar. Viktigt är att underprivilegierade samhällen bör ha ett visst ägande: att implementera tekniken genom kooperativ eller lokala råd snarare än att påtvinga den uppifrån och ner säkerställer ansvarsskyldighet.

Erfarenheten visar att samhällsförvaltning är avgörande. Inom jordbrukskartläggning och finans överträffar gräsrotsutvecklade verktyg generiska. Experter vid ett nyligt Forum betonade att ”vi måste möta människor där de befinner sig” med lokala språkplattformar (som WhatsApp-chattbotar) och att anpassning av AI till lokala verkligheter skapar hållbara vinster (www.weforum.org). I praktiken innebär detta att utbilda användare och ledare i varje samhälle: till exempel att utrusta bylärare eller hälsoarbetare med guider för hur man använder och förklarar AI-verktygen. Sådana lokala förkämpar minskar misstro och hjälper till att upprätthålla etiska normer.

Samarbete och affärsmodeller

För att framgångsrikt skala offline-AI på tillväxtmarknader krävs partnerskap över sektorer – och prissättning som de fattiga har råd med.

Mobilnätsoperatörer (MNO): Telekomföretag är naturliga allierade. De äger redan SMS/USSD- och röstinfrastrukturen. Genom att samarbeta med AI-leverantörer kan MNO:er hosta AI-tjänster på sina nätverk (till exempel genom att dedikera en kortkod eller IVR-linje). På många marknader samarbetar operatörer med regeringar och NGO:er om digital kompetens och är angelägna om att lägga till ”AI-tjänster” i sina portföljer. Till exempel har MTN och Vodacom i Afrika börjat integrera AI-chattbotar för kundservice och nätverksoptimering (www.gsma.com), och skulle kunna göra detsamma för samhällsnyttiga tjänster. Operatörer kan också subventionera uppkoppling specifikt för dessa tjänster: t.ex. erbjuda gratis USSD-sessioner för godkända hälso- eller utbildningskoder, eller bundla AI-förfrågningar i billiga dataabonnemang. Detta är analogt med telekom-sponsrade initiativ som gratis hälso-hotlines eller utbildningsportaler. Dessutom kan operatörer dela plats- eller användningsdata (anonymiserat) för att hjälpa AI att förbättras utan att kräva att användare överför rå information. Viktigt är att tillsynsmyndigheter och telekomföreningar (som GSMA) kan uppmuntra nedsatta SMS/USSD-avgifter för sociala program, som rekommenderas i branschrapporter (www.gsma.com).

Regeringar och NGO:er: Offentliga och ideella partners kommer ofta att styra design och finansiering. Jordbruks-, utbildnings- eller hälsovårdsministerier förstår lokala behov och kan integrera AI-verktyg i nationella program (t.ex. rådgivningsnätverk, offentliga skolor, samhällsbaserade hälsostrategier). NGO:er – från globala som UNICEF till lokala stiftelser – tillhandahåller domänkunskap, innehåll och legitimitet. Till exempel har UNICEF samarbetat med Viamo för att lägga till hälsoinnehåll i deras system (techcentral.co.za); på liknande sätt kan jordbruks-NGO:er och rådgivningstjänster bidra med befintliga läroplaner. Donororganisationer kan finansiera pilotimplementeringar (som ses med GSMAs innovationsfond som stöder agritech i Afrika eller Asien). Blandade finansieringsmodeller (en blandning av bidrag och kostnadsdelning) behövs ofta tidigt, eftersom en rent kommersiell utrullning kanske inte omedelbart är lönsam. World Economic Forum belyser att blandade partnerskap (utvecklingsorgan, regeringar och privata företag) är avgörande för att minska investeringsrisken och skräddarsy lösningar till lokala mål (www.weforum.org).

Prissättning och överkomlighet: För slutanvändare måste kostnaden hållas minimal eller vara gratis. Flera tillvägagångssätt är möjliga:

• Differentierade mikrobetalningar. Viamo-modellen (Nigeria) debiterar användare en liten avgift per interaktion (t.ex. ₦10 eller ~0,12 $) (techcentral.co.za). Till det priset har även de fattigaste råd med enstaka förfrågningar, och operatörerna får viss intäkt för att upprätthålla tjänsten. Alternativt kan tjänsterna vara gratis upp till en gräns (säg 5 frågor/dag) och sedan betalas per användning.

• Subventioner och sponsring. Offentliga hälso- eller utbildningstjänster skulle kunna subventioneras av hälsovårdsbudgetar eller utvecklingsbidrag, vilket gör dem gratis för användare. Till exempel skulle en regering kunna sponsra gratis jordbruksrådgivningslinjer för att öka produktiviteten. I andra fall skulle tjänster kunna visa annonser eller sponsrade meddelanden från lokala företag (även om försiktighet krävs för att undvika att påverka rådgivningen).

• Nollklassificering och paket. MNO:er kan nollklassificera USSD och SMS för godkända AI-tjänster, så att användare inte ådrar sig någon kostnad. De skulle också kunna paketera databundlar: t.ex. en utbildningsplan som inkluderar visst förbetalt innehåll. I vissa länder har universella tjänstefonder – avgifter på telekom avsedda för underprivilegierade områden – använts för att finansiera digitala utbildnings- eller hälsoinitiativ. Sådana policyer kan bidra till att hålla användarkostnaden nära noll. Att sänka beskattningen på enheter och SIM-kort (som GSMA rekommenderar (www.gsma.com)) gör också dessa tjänster mer prisvärda från första början.

• Lokal kostnadskänslighet. Prissättningen måste återspegla inkomstnivåerna. Även små avgifter bör skalas: vad som är litet i ett land (₦10) kan vara för högt i ett annat. Pilotprojekt bör undersöka den lokala betalningsviljan och anpassa sig via dynamisk prissättning (t.ex. billigare under planteringssäsongen, dyrare under skörden).

I slutändan är målet tillgång snarare än vinst. Många ICT4D-projekt har visat att när underprivilegierade samhällen får gratis eller subventionerad information, hittar de ofta sätt att ”betala” på andra sätt (förbättrade skördar, hälsa, etc.). Nyckeln är att prissättningen är förutsägbar och transparent, så att användarna kan planera.

Slutsats

Tillväxtmarknader är inga blanka blad – de har mobilnät och viss elektrifiering, om än fläckvis. Men med kreativ omkonstruktion kan AI överbrygga dessa klyftor. Exemplen ovan visar att offline-först-AI-assistenter på enkla telefoner kan transformera landsbygdslivet: ge bönder aktuell jordbruksrådgivning, informera patienter och mödrar om hälsa, och stödja fjärrutbildning. Det tekniska receptet är nu inom räckhåll – kompakta AI-modeller, billig hårdvara, solenergi och universella kanaler som SMS/USSD.

Framgång beror starkt på att svara mot lokala behov. Det innebär att designa för lokala språk, samskapa innehåll med samhällen och säkerställa pålitlig tillsyn. Det innebär också att bilda partnerskap: telekommunikationsföretag för att hantera nätverk och prissättning; regeringar och NGO:er för att kurera innehåll och nå människor; och samhällsledare för att vägleda och validera systemet.

Genom att tillämpa dessa principer kan AI lyfta de 3,2 miljarder människor som för närvarande är ouppkopplade eller underförsörjda i den digitala världen. Offline-AI på lågkostnadsenheter kan stärka småbönder att öka skördarna, möjliggöra för bybor att hantera sin hälsa och hjälpa barn att lära sig – allt inom det lokala ekosystem de känner bäst. Med landsbygdens innovatörers ord, ”Vi måste möta människor där de befinner sig”: leverera smarta verktyg på de språk, media och prispunkter som passar dem (www.weforum.org). Med genomtänkt design och samarbete kan AI äntligen bli en inkluderande kraft för gott i världens mest underprivilegierade samhällen.