Искусственный интеллект в развивающихся странах: реальные вызовы и ловушки внедрения

По данным банка, ИИ проник в экономики с низким доходом в 40 раз быстрее, чем интернет. Это меняет инженерную постановку задачи: не «как обогнать гиперскейлеров», а «как встроить готовые модели в инфраструктуру, которой нет».

Цифры разрыва

Аналитики банка развели ожидаемый прирост производительности: для стран с высоким доходом эффект от ИИ оценивается вдвое выше, чем для развивающихся. Три четверти разрыва объясняются не качеством моделей, а скоростью их внедрения. В странах Африки к югу от Сахары почти треть сельских школ не имеет стабильного электроснабжения, более двух третей — надёжного интернета, почти девять из десяти десятилетних детей не способны прочитать простой текст. Без аналоговой и цифровой базы прирост не приходит — и вред распространяется быстрее пользы: страны со слабой системой обнаружения злоупотреблений уязвимы для атак на основе тех же моделей.

Монополия стека

Несколько компаний в нескольких юрисдикциях контролируют наиболее продвинутые модели, чипы и дата-центры. Капитальные расходы гиперскейлеров, по прогнозу, превысят 750 миллиардов долларов в 2026 году — больше, чем ВВП ряда стран. Доступ к этим мощностям продаётся ниже себестоимости ради захвата рынка и сбора данных, превращающихся в улучшение тех же моделей. Когда порог внедрения пройден и переход на альтернативу становится дорогим, зависимость от одного-двух провайдеров закрепляется. У развивающихся экономик переговорная сила и компетенция в антимонопольной политике тоньше — они первыми попадают в ловушку, аналогичную ранним сервисам такси: дешёвый стартовый тариф, повышение после укрепления позиций.

Локальные модели как контрвес

Доклад указывает на адаптацию как способ снизить зависимость. Индийская Sarvam AI и африканская InkubaLM построены с нуля под местные языки. Открытые веса моделей дают альтернативу закрытому стеку. В концентрированном рынке альтернативы — это база переговорной позиции. Коробочные решения рискованны: инструмент клинической поддержки, обученный на данных стран с высоким доходом, выдаёт рекомендации, не вписывающиеся в местные медицинские протоколы. Адаптация заземляет модель под реальность и одновременно становится путём к её развитию.

Что остаётся открытым

Доклад фиксирует вопросы, на которые у инженеров пока нет ответов. Какой минимальный набор цифровой и аналоговой инфраструктуры нужен, чтобы ИИ дал измеримый эффект в стране, где в школах нет электричества? Как государства должны планировать бюджеты на ИИ, когда вводные тарифы закончатся, а не сегодня? Параллельно Polytechnique Insights приводит данные бенчмарка ARC-AGI-3: топовые модели OpenAI, Google и Anthropic набирают около 1% на задачах рассуждения, которые человек решает в 100% случаев. Прогресс сильный, но потолок измерим, а разрыв между маркетингом гиперскейлеров и независимыми замерами сохраняется.