La domanda di AI è il collo di bottiglia, così lo risolviamo partendo dall’Africa

L’AI 10 Billion Initiative si fonda su un’intuizione precisa: il principale vincolo all’adozione dell’intelligenza artificiale non è il volume degli investimenti. È la sequenzialità, ossia garantire che il giusto strumento raggiunga il giusto insieme di condizioni abilitanti nel momento opportuno.

L’urgenza è di natura demografica. Entro il 2040 la popolazione africana in età lavorativa supererà il miliardo di persone; entro il 2050, una persona su quattro nel mondo sarà africana. Nel frattempo, i modelli di IA di frontiera stanno già sostituendo molti lavori cognitivi di livello iniziale nelle economie avanzate: gli stessi impieghi che storicamente hanno rappresentato il principale punto di ingresso dei giovani dei Paesi emergenti nel mercato del lavoro globale. Se l’adozione dell’IA in Africa dovesse essere ritardata dalla mancanza delle necessarie condizioni abilitanti, mentre la sua diffusione nelle economie avanzate continuasse ad accelerare, il risultato non sarebbe un semplice ritardo recuperabile nel tempo. Si determinerebbe invece una divergenza strutturale, nella quale il continente con la popolazione più giovane del pianeta sarebbe anche quello con la minore capacità di partecipare all’economia dell’intelligenza artificiale. La questione della sequenzialità, quindi, non riguarda soltanto l’efficienza. È soprattutto una questione di disuguaglianza, e il fattore tempo è determinante.

L’Iniziativa organizza il proprio lavoro attorno a cinque aree strategiche, ciascuna delle quali affronta uno specifico punto critico nelle condizioni necessarie affinché possa svilupparsi una reale domanda di IA.

Infrastrutture: Data center, capacità di calcolo basata su GPU, reti in fibra ottica ed energia: il substrato fisico senza il quale nessun altro elemento può funzionare. Capitale privato e partenariati pubblico-privati.

1-Dati & Modelli: Archivi centralizzati governati e modelli linguistici per le lingue africane: il livello delle risorse che rende l’intelligenza artificiale pertinente ai contesti locali. Questo ambito richiede investimenti guidati dal settore pubblico, poiché la sola logica di mercato non incentiva lo sviluppo di modelli linguistici locali per mercati caratterizzati da bassi margini economici.
2-Economia: Applicazioni dell’IA in agricoltura, sanità e finanza: il livello nel quale la domanda viene trasformata in produttività e valore economico. Leadership del settore privato, ma solo dopo che le infrastrutture e i dati hanno creato le condizioni necessarie.
3-Capitale umano: Formazione di sviluppatori e diffusione delle competenze sull’IA nelle imprese: il livello delle competenze che determina se la tecnologia riesca effettivamente a trasformarsi in capacità istituzionale. Finanziato attraverso investimenti pubblici.
4-Politiche & Governance: Quadri normativi per la protezione dei dati, regole per gli appalti pubblici, sandbox regolatorie: le condizioni strutturali che permettono a tutti gli altri interventi di rafforzarsi reciprocamente anziché procedere in modo frammentato. In assenza di questo elemento, tutte le altre aree di intervento finiscono per operare come soluzioni temporanee e isolate.

Queste cinque aree non competono tra loro per gli stessi capitali e non possono funzionare indipendentemente l’una dall’altra. Il capitale segue logiche proprie: tende naturalmente a dirigersi verso opportunità in cui il rischio è mitigato e il rendimento atteso è elevato. Il pilastro Economia è in grado di attrarre investimenti privati solo quando Infrastrutture e Dati hanno già ridotto il livello di rischio. Al contrario, Capitale umano e Governance richiedono finanziamenti pubblici o sovrani e contributi a fondo perduto, poiché non generano un ritorno economico diretto. Eppure sono proprio queste le condizioni indispensabili senza le quali il capitale privato, da solo, non è in grado di produrre risultati su larga scala. La finanza per lo sviluppo che costruisce data center senza sviluppare al contempo l’ecosistema di politiche, competenze e dati necessario attorno ad essi equivale a costruire una presa elettrica senza realizzare la rete che la alimenta.

Il quadro dei 100 Diffusion Pathways introduce una distinzione che la maggior parte delle analisi trascura: la diffusione dell’intelligenza artificiale non è una misura dell’adozione dell’IA generativa. È una misura della capacità di un sistema, ossia del grado in cui una società ha creato le condizioni necessarie affinché l’intelligenza artificiale, in qualunque forma, possa essere adottata in modo sicuro e produttivo nella vita economica e civile.

Questa distinzione è fondamentale perché il metodo di misurazione più diffuso — contare gli utenti dell’IA generativa in rapporto alla popolazione in età lavorativa — sottostima sistematicamente ciò che sta realmente accadendo, soprattutto nei contesti in cui l’innovazione è progredita oltre il paradigma dominante dei prodotti di IA. Se si misura la diffusione attraverso l’utilizzo dei prodotti, si finisce per progettare programmi finalizzati semplicemente ad ampliare l’accesso ai prodotti stessi.

Se invece la diffusione viene misurata in termini di capacità, allora gli interventi si concentrano sugli investimenti in infrastrutture, governance e competenze che consentono alle comunità di creare e governare autonomamente il proprio futuro nell’intelligenza artificiale. Lo strumento di misurazione, in altre parole, determina il tipo di intervento.

Il caso di Luweero non rappresenta un episodio isolato. I segnali più significativi che la domanda di IA stia iniziando a svilupparsi provengono da innovatori che operano in contesti caratterizzati da risorse limitate, lingue poco rappresentate nei modelli di IA, ambienti in cui la connettività è scarsa e comunità agricole che il mercato dominante dell’intelligenza artificiale non ha finora considerato una priorità.

L’intelligenza artificiale vocale nell’Africa orientale rappresenta il parallelo più evidente. Assistenti vocali costruiti su modelli compressi e ottimizzati per i contesti locali vengono oggi impiegati per l’inserimento degli agricoltori nei programmi di supporto, per la consulenza agricola e per la raccolta di dati nelle aree rurali, dove i limiti di alfabetizzazione e le carenze di connettività rendono inaccessibili le soluzioni di IA basate sul testo. Un singolo tecnico agricolo incaricato di assistere 5.000 agricoltori è un problema che difficilmente può essere risolto con strumenti tradizionali. Un assistente vocale capace di fornire consulenza ventiquattr’ore su ventiquattro nella lingua dell’agricoltore e di funzionare direttamente sul dispositivo anche in assenza di connessione Internet rappresenta invece un tipo completamente diverso di intervento.

Tuttavia, gli smartphone costituiscono soltanto circa la metà delle connessioni mobili presenti in Africa. Per questo motivo, l’architettura della domanda deve integrarsi con le infrastrutture di telecomunicazione già esistenti: menu USSD, servizi di consulenza tramite SMS, sistemi vocali IVR (Interactive Voice Response) e WhatsApp. Gli sviluppatori africani distribuiscono consigli agricoli generati dall’intelligenza artificiale attraverso l’infrastruttura SMS di Africa’s Talking e la rete di agricoltori basata su USSD di Hello Tractor: canali che non richiedono connessione Internet, smartphone né competenze digitali. Non si tratta di una soluzione di ripiego, bensì di una precisa scelta progettuale che incontra la domanda là dove essa esiste realmente.

Ciò che rende possibile tutto questo è un’innovazione strutturale nel modo in cui vengono organizzate le infrastrutture per l’intelligenza artificiale. Gli innovatori stanno sperimentando modelli di partenariato trilaterale: coalizioni tra governi nazionali, istituzioni regionali per lo sviluppo e laboratori locali di intelligenza artificiale che mettono in comune la capacità di calcolo, condividono quadri di governance e coordinano l’implementazione in modi che nessun singolo attore sarebbe in grado di sostenere autonomamente. Questi rappresentano i prototipi di una diversa architettura di diffusione dell’IA, nella quale le condizioni abilitanti vengono costruite dalle stesse comunità che ne hanno bisogno.

L’Italy–India–Kenya AI Voice Pathway, guidato dall’UNDP AI Hub for Sustainable Development e citato nella Dichiarazione congiunta Modi–Meloni dell’aprile 2026, costituisce il primo prototipo operativo di questa architettura trilaterale su scala nazionale. Il supercomputer italiano Leonardo, gestito da CINECA, ha fornito l’infrastruttura per l’addestramento dei modelli. La EkStep Foundation dell’India ha contribuito con la piattaforma di orchestrazione VoicERA. Gli sviluppatori africani — Crane AI Labs in Uganda e MsingiAI Kenya, i cui modelli di riconoscimento vocale (ASR) e sintesi vocale (TTS) Sauti sono considerati i migliori modelli pubblicati a livello mondiale per la lingua swahili — hanno fornito i modelli linguistici, la conoscenza dei contesti culturali e l’implementazione sul campo. Il 20 maggio 2026 il programma ha realizzato la sua prima dimostrazione dal vivo, alla presenza di ambasciatori e sostenitori, presso il Padiglione Italia durante GITEX Kenya. Questo è il tipo di percorso che l’AI 10 Billion Initiative è stata concepita per replicare e portare su larga scala.

Tre elementi devono svilupparsi in una precisa sequenza, non semplicemente in parallelo.

Infrastrutture integrate con l'energia. Non è possibile creare domanda di intelligenza artificiale in contesti dove l’elettricità è strutturalmente insufficiente. La discussione sui data center e quella sulle infrastrutture energetiche devono procedere insieme: imporre requisiti di localizzazione dei dati senza investire nella produzione e distribuzione di energia significa adottare politiche prive delle condizioni necessarie per essere attuate. Per questo motivo, il pilastro Infrastrutture dell’AI 10 Billion Initiative considera questa integrazione un requisito imprescindibile.

Un sistema di misurazione che descriva ciò che accade realmente. La coalizione Diffusion Pathways sta sviluppando un quadro di valutazione alternativo che misuri la capacità di adottare e governare l’intelligenza artificiale, anziché il semplice utilizzo delle applicazioni di IA. Si tratta dello strumento necessario per dimostrare a governi, istituzioni finanziarie per lo sviluppo e investitori privati che gli indicatori oggi utilizzati sottostimano i progressi effettivi e identificano in modo errato i settori in cui è necessario intervenire.

La legislazione come fattore abilitante fondamentale. Tutte le iniziative volte a costruire la domanda di IA rappresentano, in fondo, soluzioni temporanee finché non esiste una solida base normativa. Norme sulla localizzazione dei dati, requisiti di investimento in capacità di calcolo collegati all’accesso ai mercati e procedure di approvvigionamento dell’intelligenza artificiale per le istituzioni pubbliche costituiscono le condizioni che permettono agli investimenti infrastrutturali di produrre effetti duraturi e cumulativi. La lezione di M-Pesa è illuminante: il suo successo non ha richiesto campagne per favorirne la diffusione. Ha richiesto soprattutto chiarezza normativa. Una volta create le condizioni appropriate, l’adozione è seguita in modo pressoché inevitabile.

Crane AI Labs — laboratorio di intelligenza artificiale con sede operativa a Kampala e sede centrale ad Abu Dhabi, le cui scelte infrastrutturali e il cui impegno a favore della sovranità digitale sono richiamati più volte nel corso delle sessioni di lavoro del programma Diffusion Pathways — è stato citato sul palco del Google I/O 2026 dal team di prodotto Gemma di Google DeepMind. e menzionato, insieme a MedGemma, Cell2Sentence e al sistema ucraino E-Permit, come caso di riferimento per gli sviluppatori che stanno personalizzando i modelli Gemma al fine di renderli accessibili a comunità linguistiche tradizionalmente poco servite. Crane AI Labs è inoltre presente nel Gemmaverse, la vetrina pubblica di Google dedicata ai più importanti casi di implementazione dei modelli Gemma a livello mondiale.

L’aspetto economico è importante quanto il riconoscimento ricevuto. Nei mercati in cui il ricavo medio per utente può non superare mai pochi dollari all’anno, il modello dominante di distribuzione dell’intelligenza artificiale basato sul cloud — che prevede un costo per ogni chiamata API — è strutturalmente insostenibile. L’esecuzione dei modelli direttamente sul dispositivo elimina completamente questo costo variabile. Il costo di ogni inferenza tende praticamente a zero e, per la prima volta, la struttura economica di un prodotto di intelligenza artificiale destinato ai consumatori diventa sostenibile. Non si tratta di un semplice miglioramento dell’efficienza. È la differenza tra un modello di business che può funzionare in Africa e uno che, invece, non può funzionare.

"Smettete di aspettare che l'infrastruttura Internet diventi perfetta. L'efficienza di modelli come Gemma significa che oggi è già possibile costruire un'intelligenza artificiale di livello mondiale, progettata per funzionare offline, al servizio della propria comunità." — Bakunga Bronson, cofondatore di Crane AI Labs

L’impronta istituzionale di Crane AI Labs dimostra cosa possa produrre un approccio che costruisce prima le condizioni abilitanti e solo successivamente distribuisce la tecnologia: la distribuzione di servizi di consulenza agricola attraverso la rete di agricoltori di Hello Tractor; l’installazione del primo sistema NVIDIA DGX Spark dell’Africa orientale; una delle prime versioni in lingue africane della famiglia di modelli aperti NVIDIA Nemotron. Nell’aprile 2026, durante gli Spring Meetings della Banca Mondiale a Washington, il lavoro di Crane AI Labs sull’intelligenza artificiale offline è stato presentato nell’ambito della sessione dedicata alla Small AI, alla presenza di ministri delle finanze, governatori delle banche centrali e dirigenti delle principali istituzioni finanziarie internazionali per lo sviluppo.

La presenza nel Gemmaverse segnala un aspetto fondamentale: quando gli innovatori riescono a risolvere i problemi più complessi dal lato della domanda — le barriere linguistiche, i limiti di connettività e la sostenibilità economica dell’IA eseguita direttamente sui dispositivi — anche la filiera globale dell’offerta comincia a seguirli. La strategia di Google di rendere disponibili i pesi dei modelli ha creato le condizioni che hanno reso possibile l’innovazione di Crane AI Labs. A sua volta, il lavoro di implementazione di Crane sta dimostrando sia l’esistenza di un mercato sia il valore sociale di questo approccio. È proprio questa la sequenza che l’AI 10 Billion Initiative intende replicare: non una serie di casi isolati, ma un’intera architettura di sviluppo dell’intelligenza artificiale fondata sulla costruzione della domanda e destinata a essere estesa a tutto il continente africano.

Gli innovatori africani non stanno aspettando che le infrastrutture diventino perfette, che i grandi operatori globali del cloud estendano i propri servizi ai segmenti meno redditizi del mercato o che vengano definiti tutti i quadri normativi prima di iniziare a innovare. Stanno costruendo simultaneamente sia le condizioni necessarie sia gli strumenti tecnologici. L’ostetrica di Luweero, l’assistente vocale che fornisce consulenza a 5.000 agricoltori e il partenariato trilaterale tra Italia, India e Kenya non rappresentano casi eccezionali. Sono la dimostrazione concreta che, quando le condizioni abilitanti vengono sviluppate nella giusta sequenza, la domanda non deve essere creata artificialmente: è sempre esistita.

* Keyzom Ngodup Massally, Direttrice dell’ AI Hub per lo Sviluppo Sostenibile e Responsabile del Programma Digital & AI, Programma delle Nazioni Unite per lo Sviluppo (UNDP)

* Uyoyo Zino Edosio, Responsabile dell’Innovazione e del Digitale, Banca Africana di Sviluppo