Strategia World Banku dotycząca małej AI podważa wyścig po większe modele

Strategia World Banku dotycząca małej AI zachęca kraje rozwijające się do wdrażania ukierunkowanych systemów gotowych do użycia na urządzeniach mobilnych, mimo że branża ściga się w tworzeniu coraz większych i kosztowniejszych modeli. Narzędzia te rozwiązują konkretne problemy, korzystają z węższych zbiorów danych i mogą działać przy ograniczonej łączności. Podejście to przenosi uwagę z przewagi w benchmarkach na pytanie, czy AI może dostarczać użyteczną wiedzę ekspercką za pośrednictwem urządzeń i sieci, które ludzie już mają.

Główny specjalista ds. wiedzy World Banku, Paschal Donohoe, przedstawił tę argumentację podczas spotkań World Banku i Międzynarodowego Funduszu Walutowego w Bangkoku. Powiedział Guardianowi, że lokalnie dostosowana AI mogłaby skompresować osiągnięcia rozwojowe, które wcześniej wymagały stuleci, do kilku dekad. To ambitne twierdzenie, lecz stojący za nim konflikt jest bezpośredni: graniczna AI zależy od kosztownej infrastruktury skoncentrowanej w zamożnych gospodarkach, podczas gdy mała AI ma działać w ramach lokalnych ograniczeń.

Strategia nie twierdzi, że mniejsze systemy mogą zastąpić każdy model graniczny. Zakłada natomiast, że większość gospodarek rozwijających się powinna priorytetowo traktować wdrażanie i lokalne dostosowanie, zanim spróbuje samodzielnie budować najbardziej zaawansowane systemy. Ten wybór wywiera presję na rządy, instytucje rozwojowe i dostawców technologii, aby udowodnili, że wyspecjalizowana AI może wyjść poza pojedyncze projekty pilotażowe.

Inicjatywa World Banku dotycząca małej AI zmienia cel rozwoju

World Bank redefiniuje postęp AI wokół dostępnych usług, a nie rozmiaru modelu stanowiącego ich podstawę.

Mała AI oznacza przystępne cenowo systemy zaprojektowane do wąskich zadań, lokalnych języków i zwykłych urządzeń. Model może analizować obraz uprawy, wspierać badania przesiewowe w medycynie albo przekazywać porady przez połączenie głosowe. Nie musi odpowiadać na każde pytanie ani rywalizować w szerokich benchmarkach akademickich.

Ten węższy zakres odróżnia to podejście od modeli ogólnego przeznaczenia rozwijanych przez firmy takie jak OpenAI, Google, Anthropic i Meta. Systemy te wymagają rozległej mocy obliczeniowej podczas szkolenia. Ich najbardziej zaawansowane usługi zależą również od infrastruktury chmurowej i niezawodnej łączności w trakcie użytkowania.

World Bank twierdzi, że kraje rozwijające się mogą zacząć gdzie indziej. Jego mapa drogowa rozwoju rekomenduje trzy etapy: wdrożenie istniejących narzędzi, dostosowanie ich do warunków lokalnych oraz przejście w kierunku rozwoju technologii granicznych dopiero wtedy, gdy krajowe możliwości uzasadniają ten wydatek.

Ta sekwencja jest kluczowa dla propozycji. Rząd nie potrzebuje własnego modelu ogólnego przeznaczenia przed wdrożeniem poradnictwa rolniczego wspieranego przez AI. Klinika nie potrzebuje stałego szerokopasmowego internetu, jeśli wyspecjalizowany system przesiewowy może działać lokalnie i synchronizować dane później.

Donohoe opisał tę różnicę na przykładzie AgriConnect, rolniczej inicjatywy World Banku w Indiach. Rolnicy potrzebują informacji o glebie, które odnoszą się do ich upraw, lokalizacji i języków. Kraj nie może zapewnić obecności naukowca zajmującego się rolnictwem przy każdym małym gospodarstwie, lecz system oparty na telefonie mógłby rozpowszechniać część tej wiedzy eksperckiej.

Model nadal potrzebuje wiarygodnych danych rolniczych i lokalnej walidacji. Potrzebuje też interfejsu, z którego rolnicy potrafią korzystać, co może oznaczać komunikację głosową zamiast tekstu. Mała AI opisuje więc więcej niż kompaktowy model. To strategia dostarczania usług zorganizowana wokół określonego użytkownika, ograniczonego środowiska i mierzalnego zadania.

Argumentacja World Banku pojawia się w momencie, gdy inwestycje w AI pozostają skoncentrowane wokół dużych modeli i wspierającej je infrastruktury. Ten rynek nagradza ogólne możliwości, globalne platformy i częste aktualizacje modeli. Projekty rozwojowe zwykle potrzebują czegoś mniej efektownego: przewidywalnego działania w odniesieniu do lokalnego problemu, w trudnych warunkach operacyjnych.

Właśnie dlatego wywiad o małej AI ma znaczenie. World Bank prosi kraje, by traktowały lokalizację jako główny produkt, a nie jako funkcję dodatkową wdrażaną po uruchomieniu systemu.

Ta zmiana modyfikuje również sposób mierzenia sukcesu. Mniejszy system nie musi przewyższać modelu granicznego w każdym teście. Musi zapewniać użyteczny wynik przy akceptowalnym koszcie, w wymaganym języku, na dostępnym sprzęcie i z zabezpieczeniami odpowiednimi dla danego kontekstu.

Propozycja przekształca pytanie rozwojowe z „Czy ten kraj może zbudować wiodący model?” na „Czy ten kraj może zapewnić lepsze decyzje tam, gdzie brakuje wiedzy eksperckiej?”. To bardziej praktyczny cel, ale wymaga też mocniejszych dowodów z terenu.

Dlaczego większe modele słabo pasują do lokalnych ograniczeń

Wyścig modeli granicznych zakłada infrastrukturę, której znaczna część świata rozwijającego się jeszcze nie posiada.

Raport World Banku z 2026 roku stwierdza, że AI rozpowszechnia się szybciej niż wcześniejsze technologie ogólnego przeznaczenia. Silnik parowy potrzebował około 80 lat, by dotrzeć do krajów o niższych dochodach, elektryczność około 40 lat, a internet około 20 lat. Kraje o średnich dochodach wygenerowały połowę globalnego ruchu ChatGPT w ciągu sześciu miesięcy od jego uruchomienia.

Szybka dyfuzja nie oznacza jednak równego dostępu. World Bank podaje, że 2,2 miliarda ludzi nadal nie ma dostępu do internetu. Jego brief dotyczący małej AI informuje również, że kraje o niskich dochodach odpowiadają za mniej niż jeden procent wykorzystania ChatGPT.

Podział ten staje się wyraźniejszy po uwzględnieniu infrastruktury. W Afryce Subsaharyjskiej prawie jedna trzecia szkół wiejskich nie ma niezawodnego dostępu do energii elektrycznej. Ponad dwie trzecie nie ma też pewnego dostępu do internetu, według ustaleń Banku dotyczących rozwoju AI.

Usługa chmurowa może być technicznie dostępna, a mimo to w praktyce pozostawać nieosiągalna. Niestabilne zasilanie przerywa działanie urządzeń i sprzętu sieciowego. Drogie dane mobilne ograniczają wielokrotne korzystanie. Wysokie opóźnienia mogą sprawiać, że narzędzia interaktywne są frustrujące. Interfejs skoncentrowany na tekście wyklucza osoby, które nie potrafią czytać w obsługiwanym języku.

Rozwój technologii granicznych tworzy kolejną barierę. Zaawansowane modele wymagają wyspecjalizowanych chipów, dużych centrów danych, rozległych danych treningowych i doświadczonych badaczy. Zasoby te pozostają skoncentrowane w niewielkiej liczbie firm i krajów.

Wcześniejszy raport World Banku o fundamentach AI wykazał, że kraje o wysokich dochodach odpowiadały za 87 procent znaczących modeli AI według stanu na lipiec 2025 roku. Posiadały również 86 procent startupów AI i 91 procent skumulowanego finansowania venture capital dla startupów AI.

Kraje te stanowiły 17 procent światowej populacji. Ta nierównowaga oznacza, że większość gospodarek rozwijających się będzie korzystać z technologii zbudowanej gdzie indziej, jeśli nie znajdzie realnej ścieżki lokalnego dostosowania.

Mała AI próbuje zmniejszyć tę zależność, nie udając, że może ją całkowicie wyeliminować. Wyspecjalizowany model może zostać dostosowany na podstawie istniejącego otwartego lub własnościowego modelu bazowego. Może wykorzystywać mniej zasobów obliczeniowych, działać na telefonie lub laptopie i koncentrować się na danych istotnych dla konkretnego regionu.

Nie sprawia to, że infrastruktura przestaje mieć znaczenie. Każdy system AI nadal zależy od energii elektrycznej, urządzeń, utrzymania i pewnej formy potoku danych. Szkolenie lub aktualizowanie lokalnego modelu może wymagać przetwarzania w chmurze, nawet jeśli codzienne korzystanie odbywa się offline.

Różnica dotyczy progów wejścia. Mała AI obniża minimalny poziom infrastruktury potrzebny do świadczenia usługi. Pozwala instytucjom rozpocząć od ograniczonego zastosowania, jednocześnie z czasem poprawiając łączność, umiejętności i zdolności obliczeniowe.

World Bank porządkuje te wymagania wokół czterech fundamentów: łączności, mocy obliczeniowej, kontekstu i kompetencji. Łączność obejmuje dostęp do energii elektrycznej i internetu. Moc obliczeniowa obejmuje chipy, centra danych i usługi chmurowe. Kontekst oznacza istotne dane, instytucje i języki. Kompetencje obejmują umiejętności techniczne oraz zdolność do odpowiedzialnego korzystania z systemów.

Słabość w którymkolwiek z tych obszarów może zatrzymać wdrożenie. Model zdrowotny o wysokiej trafności nadal zawiedzie, jeśli klinika nie może utrzymać swojego urządzenia. Asystent rolniczy nie pomoże, jeśli jego rekomendacje odzwierciedlają glebę i pogodę z innego regionu. Interfejs w lokalnym języku jest niewystarczający, gdy użytkownicy nie ufają instytucji zbierającej ich dane.

Presja spoczywa więc nie tylko na firmach technologicznych. Rządy muszą poprawiać podstawową infrastrukturę i zamówienia publiczne. Uniwersytety i programy szkoleniowe muszą rozwijać lokalną wiedzę ekspercką. Instytucje międzynarodowe muszą finansować ocenę, a nie wyłącznie projekty pilotażowe. Dostawcy muszą wspierać interoperacyjne systemy zamiast zamykać usługi publiczne w ramach jednej platformy.

Lokalne dostosowanie jest mechanizmem, a nie funkcją

Mała AI działa tylko wtedy, gdy lokalna wiedza zmienia model, interfejs i usługę wokół niego.

World Bank twierdzi, że importowanie usługi AI nie jest tym samym co jej dostosowanie. Model szkolony głównie w warunkach krajów o wysokich dochodach może generować porady sprzeczne z lokalnym prawem, warunkami rolniczymi, praktykami medycznymi lub normami społecznymi. Samo tłumaczenie nie rozwiąże tych różnic.

Język jest jedną z widocznych części problemu. Modele często działają nierówno w różnych językach, zwłaszcza gdy brakuje wysokiej jakości danych treningowych. Nawet trafne odpowiedzi pisemne nie dotrą do użytkowników, którzy polegają na komunikacji głosowej lub podstawowych telefonach.

Bank proponuje dostarczanie usług przez wiadomości tekstowe, połączenia głosowe i lekkie aplikacje. Kanały te mają znaczenie, ponieważ odpowiadają istniejącym zachowaniom. Rolnik może zadać pytanie głosowo. Pracownik ochrony zdrowia może użyć narzędzia przesiewowego offline. Nauczyciel może otrzymać wsparcie w prowadzeniu lekcji bez utrzymywania stałego połączenia z dużym modelem chmurowym.

To wyzwanie związane z projektowaniem informacji w takim samym stopniu jak z projektowaniem modelu. Instytucje muszą łączyć wyniki techniczne z lokalnymi rejestrami, profesjonalnym osądem i wiedzą operacyjną. Podobne zasady łączenia wiedzy mają znaczenie wszędzie tam, gdzie ogólna AI ma współpracować z konkretnymi, zaufanymi źródłami.

Rolnictwo stanowi wyraźny przykład. Użyteczny system potrzebuje więcej niż ogólnego rozumienia nauki o uprawach. Może potrzebować regionalnych danych pogodowych, informacji o warunkach glebowych, wzorcach występowania szkodników, kalendarzach sadzenia i porad zatwierdzonych przez lokalnych ekspertów.

Zastosowania w ochronie zdrowia wiążą się z wyższą stawką. World Bank wskazuje na przenośne systemy przesiewowe w kierunku gruźlicy, które nie wymagają stałego dostępu do szerokopasmowego internetu. Takie narzędzia mogą rozszerzać ograniczone możliwości kliniczne, lecz muszą zostać zwalidowane względem populacji i warunków, w których działają.

Błędna rekomendacja rolnicza może zmniejszyć zbiory. Błędna rekomendacja medyczna może opóźnić leczenie. Wąski zakres ogranicza część ryzyk, ponieważ twórcy mogą zdefiniować i przetestować zamierzone zadanie. Nie eliminuje jednak potrzeby nadzoru człowieka ani eskalacji problemów.

Narzędzia edukacyjne wiążą się z podobnym kompromisem. Lekkie systemy korepetytorskie mogą oferować ćwiczenia i informacje zwrotne tam, gdzie nauczyciele mają ograniczony czas. Jednak efekty w nauce zależą od zgodności z programem nauczania, jakości języka, dostępu do urządzeń oraz możliwości monitorowania przez nauczycieli sposobu korzystania z systemu.

Mała AI może uzupełniać pracę specjalistów, obsługując powtarzalne analizy lub rozszerzając ich zasięg. Nie powinna stać się pretekstem do unikania inwestycji w nauczycieli, lekarzy, specjalistów rolniczych ani instytucje publiczne.

Najbardziej wiarygodne wdrożenia jasno określą, w których miejscach system wspiera człowieka. Narzędzie do analizy upraw może wskazywać prawdopodobnego szkodnika i zalecać przekazanie niepewnych przypadków pracownikowi doradztwa rolniczego. Urządzenie przesiewowe może priorytetyzować pacjentów do oceny klinicznej, zamiast wydawać ostateczną diagnozę.

Lokalne dostosowanie zmienia również to, kto kontroluje powstałą usługę. Rządy potrzebują dostępu do danych o wydajności, procedur audytu oraz metod zmiany dostawcy. W przeciwnym razie kompaktowy model może tworzyć taką samą zależność od dostawcy jak duża platforma chmurowa.

Modele open source mogą obniżać bariery, ponieważ deweloperzy mogą kontrolować i modyfikować większą część systemu. Przenoszą też odpowiedzialność na lokalne organizacje, które muszą utrzymywać oprogramowanie, zarządzać bezpieczeństwem i weryfikować aktualizacje.

Modele proprietary mogą zapewniać lepsze wsparcie lub silniejsze ogólne możliwości. Mogą również narażać instytucje na zmieniające się warunki, zdalne przerwy w działaniu usług i decyzje cenowe pozostające poza lokalną kontrolą. Właściwy wybór będzie zależał od zastosowania, lecz zamówienia powinny gwarantować dostęp do lokalnych danych i ciągłość operacyjną.

Interoperacyjność jest zatem częścią mechanizmu. Bank Światowy zaleca, aby systemy krajowe współpracowały z wieloma platformami i dostawcami. Zmniejsza to ryzyko, że jeden dostawca stanie się nierozerwalnie związany z usługą publiczną.

Równie ważne jest zarządzanie danymi. Lokalne dostosowanie często wymaga wrażliwych danych dotyczących zdrowia, edukacji, finansów lub rolnictwa. Instytucje potrzebują jasnych zasad dotyczących zgody, przechowywania, ponownego wykorzystania i dostępu. Społeczności potrzebują też praktycznego sposobu na kwestionowanie szkodliwych decyzji.

Wartość rozwojowa wynika z połączenia sprawnego modelu z godnym zaufania systemem świadczenia usług. Bez takiego otoczenia mała AI jest jedynie mniejszym oprogramowaniem.

Luka dowodowa może pochłonąć obietnicę

Największa niepewność nie dotyczy tego, czy małe modele mogą działać na ograniczonym sprzęcie, lecz tego, czy udane pilotaże mogą stać się niezawodnymi usługami publicznymi.

Bank Światowy przedstawia realne zastosowania w rolnictwie, ochronie zdrowia i edukacji. Przykłady te pokazują, że wyspecjalizowana AI może działać w warunkach ograniczeń. Nie dowodzą jednak, że każde wdrożenie przyniesie trwałe korzyści w skali kraju.

Pilotaże często otrzymują dedykowane finansowanie, uwagę ekspertów i starannie dobranych użytkowników. Rozszerzenie skali wprowadza trudniejsze warunki. Urządzenia się psują. Personel się zmienia. Dane ulegają zmianom. Lokalne agencje przejmują koszty utrzymania, których nie było podczas początkowej próby.

Model może również dobrze działać w laboratorium, a zawodzić w kontakcie z rzeczywistymi użytkownikami. Zdjęcia mogą być niewyraźne. Akcenty mogą różnić się od próbek treningowych. Sprzęt medyczny może różnić się między klinikami. Rolnicy mogą opisywać objawy lokalnymi określeniami, których system nie rozpoznaje.

Dlatego ocena musi mierzyć rezultaty usług, a nie tylko dokładność modelu. Asystenta upraw należy oceniać według tego, czy rolnicy podejmują lepsze decyzje i chronią plony. Narzędzie przesiewowe należy oceniać według wyników klinicznych, pominiętych przypadków, fałszywych alarmów i jakości skierowań.

Rządy potrzebują także porównań z prostszymi alternatywami. Nowe narzędzie AI może sprawiać wrażenie użytecznego, choć nie dostarcza większej wartości niż przeszukiwalny poradnik, lepsze call center lub dodatkowe szkolenia dla pracowników pierwszej linii. Ograniczone budżety rozwojowe czynią takie porównanie niezbędnym.

Bank przyznaje, że kraje potrzebują lepszych ram zamówień publicznych i oceny. Wiele pilotaży już trwa, lecz instytucje nie zawsze wiedzą, które z nich przynoszą rezultaty. Skalowanie słabych projektów zmarnowałoby ograniczone zasoby i podważyło zaufanie publiczne.

Kolejne ryzyko tworzą uprzedzenia. Lokalne dane mogą być niepełne lub odzwierciedlać nierówny dostęp do usług publicznych. Trenowanie modelu na takich danych może odtwarzać te wzorce. Mały model może także mieć mniejszą zdolność radzenia sobie z nietypowymi przypadkami poza swoją wąską dziedziną.

Ryzyko dla prywatności nie maleje wraz z liczbą parametrów. Aplikacja działająca na telefonie nadal może zbierać wrażliwe informacje zdrowotne, dane lokalizacyjne, nagrania głosowe lub rejestry gospodarstw. Działanie offline może ograniczać część zagrożeń, lecz synchronizacja i aktualizacje modeli tworzą dodatkowe punkty ryzyka.

Bezpieczeństwo również staje się trudne, gdy urządzenia są szeroko rozproszone. Starsze telefony mogą nie mieć aktualnych zabezpieczeń. Lokalne aplikacje mogą pozostawać niezałatane. Atakujący mogą manipulować danymi wejściowymi, kraść dane lub zmieniać rekomendacje.

Istnieje także ryzyko polityczne. Agencje publiczne mogą wykorzystywać AI do automatyzacji kwalifikowalności, egzekwowania przepisów lub nadzoru bez odpowiednich mechanizmów odwoławczych. System zaprojektowany dla efektywności może osłabiać prawa, jeśli osoby nim dotknięte nie mogą zrozumieć ani zakwestionować jego decyzji.

Wpływ na pracę wymaga podobnej powściągliwości. Bank Światowy szacuje, że 4,5 procent istniejących miejsc pracy w gospodarkach o niskich i średnich dochodach jest zagrożonych automatyzacją przez generatywną AI. Porównywalny szacunek dla krajów o wysokich dochodach wynosi 14,2 procent.

Jednocześnie Bank szacuje, że AI może znacząco podnieść produktywność w 16,2 procent miejsc pracy w gospodarkach rozwijających się. To wartość zbliżona do szacowanych 18,7 procent dla krajów o wysokich dochodach.

Liczby te wspierają strategię uzupełniania pracy ludzi, lecz nadal są to szacunki dla całej gospodarki. Rzeczywiste wyniki będą zależeć od sektora, zawodu, zachowania pracodawców i siły negocjacyjnej pracowników. Wzrost produktywności nie przekłada się automatycznie na wyższe płace ani lepsze warunki pracy.

Stanowisko Banku Światowego jest takie, że kraje rozwijające się powinny koncentrować się na wzmacnianiu ograniczonej dostępnej wiedzy eksperckiej. Jest to wiarygodne w sektorach, gdzie zbyt mało specjalistów obsługuje duże populacje. Staje się mniej przekonujące, jeśli instytucje wykorzystują AI głównie do redukcji zatrudnienia lub osłabiania rozliczalności.

Kolejna niepewność dotyczy koncentracji rynku. Mała AI może być budowana na technologii kontrolowanej gdzie indziej. Kraj może uniknąć budowy centrum danych, a mimo to zależeć od zagranicznych chipów, usług chmurowych, wag modeli lub interfejsów programowania aplikacji.

Lokalizacja może więc ograniczać jedną formę zależności, zachowując inną. Rządy powinny analizować cały łańcuch dostaw, w tym to, kto kontroluje aktualizacje, dostęp do danych i wsparcie techniczne.

Tezę Banku Światowego, że AI może skompresować stulecie rozwoju do dekady, należy odczytywać jako stwierdzenie potencjału, a nie prognozę. Rozwój gospodarczy zależy od instytucji, edukacji, infrastruktury, zdrowia publicznego, handlu, finansów i stabilności politycznej. Oprogramowanie nie może zastąpić tych fundamentów.

Mała AI jest najbardziej wiarygodna, gdy usprawnia określoną usługę w ramach tego większego systemu. Jest mniej wiarygodna, gdy przedstawia się ją jako skrót pozwalający ominąć podstawowe inwestycje.

Trzy sygnały pokażą, czy mała AI może zostać skalowana

Kolejnym testem będzie to, czy rządy potrafią przekształcić wyspecjalizowane modele w mierzalne, łatwe w utrzymaniu usługi bez tworzenia nowych zależności.

Pierwszym sygnałem są rygorystyczne dowody ze wdrożeń na większą skalę. Rządy i instytucje rozwojowe powinny publikować wyniki porównujące usługi wspierane przez AI z istniejącymi metodami. Najbardziej użyteczne badania obejmą wskaźniki błędów, koszty operacyjne, rezultaty dla użytkowników oraz działanie w różnych językach i regionach.

Pozytywne wyniki w rolnictwie, ochronie zdrowia lub edukacji wzmocniłyby tezę Banku Światowego o małej AI. Powtarzające się niepowodzenia pilotaży lub słabe porównania pokazałyby, że niskokosztowe wdrożenie nie gwarantuje znaczącego wpływu.

Dowody muszą obejmować również użytkowników, których najłatwiej wykluczyć. Systemy powinny być testowane z osobami korzystającymi ze starszych telefonów, słabszych połączeń, różnych dialektów i mającymi ograniczone kompetencje cyfrowe. Średnia wydajność może ukrywać poważne luki w dostępie.

Drugim sygnałem są inwestycje w cztery fundamenty. Mała AI zmniejsza wymagania infrastrukturalne, lecz nadal potrzebuje energii elektrycznej, łączności, dostępu do mocy obliczeniowej, lokalnych danych i wykwalifikowanych ludzi. Rządy muszą finansować te uzupełniające elementy, zamiast traktować lekkie modele jako ich zamienniki.

Bank Światowy wspiera Mission 300, którego celem jest zapewnienie do 2030 roku dostępu do energii elektrycznej 300 milionom ludzi w Afryce Subsaharyjskiej. Postępy w takich inicjatywach zdecydują o tym, czy usługi cyfrowe będą niezawodnie docierać do wiejskich szkół, klinik i przedsiębiorstw.

Inwestycje w umiejętności powinny wykraczać poza twórców modeli. Specjaliści ds. zamówień muszą umieć oceniać twierdzenia techniczne. Nauczyciele i pracownicy ochrony zdrowia muszą rozpoznawać ograniczenia systemu. Regulatorzy potrzebują metod badania szkód. Lokalni badacze potrzebują dostępu do danych i zasobów ewaluacyjnych.

Jeśli te zdolności będą rozwijane wraz z wdrożeniami, mała AI może stać się częścią potencjału instytucjonalnego. Jeśli zewnętrzni wykonawcy zachowają pełną kontrolę techniczną, projekty mogą zniknąć po zakończeniu finansowania.

Trzecim sygnałem będzie to, czy kraje zachowają wybór między dostawcami. Agencje publiczne powinny wymagać przenośnych danych, udokumentowanych interfejsów, dostępu do audytu i praktycznych planów wyjścia. Powinny unikać systemów, które nie mogą działać bez chmury jednego dostawcy lub jego proprietary workflow.

Otwarte technologie mogą pomóc, lecz sama otwartość nie wystarczy. Rządy potrzebują organizacji zdolnych do ich utrzymania. Potrzebują również praktyk bezpieczeństwa, jasnej rozliczalności i długoterminowego finansowania.

Różnorodność dostawców wzmocniłaby tę strategię, utrzymując konkurencyjność lokalnego dostosowania. Rosnąca zależność od kilku globalnych dostawców osłabiłaby ją, nawet gdyby wdrażane modele pozostały małe.

Sygnały te staną się widoczne w decyzjach zakupowych, niezależnych ocenach, krajowych planach AI i wynikach usług publicznych. Zapowiedzi modeli będą mniej informacyjne niż dowody, że usługa w klinice, szkole lub gospodarstwie nadal działa po zakończeniu okresu pilotażowego.

Bank Światowy wskazał wiarygodną alternatywę dla traktowania rozwoju modeli frontier jako jedynej drogi do AI. Jego najważniejszy wniosek brzmi: użyteczność zależy od kontekstu, sposobu dostarczania usługi i gotowości instytucjonalnej.

Trudniejsze pytanie dotyczy tego, czy rządy i fundatorzy wesprą mało efektowną pracę stojącą za tym wnioskiem. Lokalne zbiory danych muszą być utrzymywane. Pracownicy pierwszej linii potrzebują szkoleń. Systemy wymagają audytów, aktualizacji i procesów odwoławczych. Infrastruktura nadal wymaga inwestycji.

Czytelnicy powinni obserwować wdrożenia, które publikują mierzalne wyniki i zapewniają lokalnym instytucjom trwałą kontrolę. Projekty te pokażą, czy mała AI Banku Światowego stanie się praktyczną strategią rozwoju, czy kolejnym cyklem obiecujących pilotaży. Następnym znaczącym kamieniem milowym nie jest większy model. Jest nim mniejszy system, który nadal działa, dociera do wykluczonych użytkowników i przynosi wyniki możliwe do zweryfikowania przez niezależnych ewaluatorów.