AI dla świata poza Silicon Valley: czego globalna branża AI może nauczyć się od afrykańskiej sceny startupowej


Kiedy AI jest naprawdę budowane dla wszystkich – lekcje z Nairobi
Globalna debata o AI od lat zdominowana jest przez tych samych aktorów: wielkie amerykańskie laboratoria, europejskie organy regulacyjne i inwestorów z Doliny Krzemowej. Kto rzadko pojawia się w tej dyskusji, to miliardy ludzi, których codzienność wygląda fundamentalnie inaczej niż rzeczywistość przeciętnego uczestnika konferencji o AI – z wolnym internetem, starszymi urządzeniami i procesami biznesowymi, które nadal dokumentowane są na papierze. Właśnie tutaj wkracza kenijski startup Fastagger, a jego historia to coś znacznie więcej niż regionalna historia sukcesu. To lustro, które pokazuje całej branży AI, co się dzieje, gdy technologię naprawdę konsekwentnie projektuje się z perspektywy użytkownika.
Martwy punkt konferencji o AI
Mutembei Kariuki, współzałożyciel Fastagger, uczestniczył w 2019 roku w konferencji na Uniwersytecie Tokijskim poświęconej przyszłości AI. Wtedy – jeszcze przed publicznym uruchomieniem wielkich chatbotów – zauważył coś znamiennego: Afryka nie została wspomniana w ani jednej prezentacji. Ten martwy punkt zmotywował go, aby wspólnie ze współzałożycielami Jude Mwendą i Stephanie Njerenga zbudować inny rodzaj firmy zajmującej się AI.
Efektem jest Auni, asystent business intelligence, który trafił na rynek w 2024 roku i jest już wykorzystywany przez około 6 000 małych i średnich przedsiębiorstw – w tym fryzjerów, restauracje i małych producentów w Nairobi. Kluczowa osobliwość techniczna: podstawowe funkcje systemu działają w pełni offline na niedrogich telefonach komórkowych, bez zapytań do chmury. To nie jest kompromis funkcjonalny, lecz świadoma decyzja architektoniczna wynikająca z rzeczywistych warunków życia użytkowników.
Mobile Money jako baza danych – niedoceniany fundament
Kto myśli o zastosowaniach AI dla przedsiębiorstw, zazwyczaj myśli o systemach ERP, bazach danych CRM lub infrastrukturach chmurowych. W Kenii sytuacja dotycząca danych wygląda fundamentalnie inaczej. Ponad 80 procent kenijskich dorosłych korzysta z usług Mobile Money, takich jak M-Pesa – a przechowywane tam dane transakcyjne są często jedynym ustrukturyzowanym źródłem danych, jakie małe firmy mają w ogóle do dyspozycji.
Fastagger nie potraktował tego faktu jako ograniczenia, lecz jako punkt wyjścia. Zespół opracował dostosowany model OCR – oparty na istniejącej technologii open-source – specjalnie wytrenowany do niezawodnego odczytywania często źle sformatowanych, opatrzonych pieczątkami i błędami wyciągów PDF mobilnych serwisów płatniczych. Wyodrębnione dane są lokalnie na urządzeniu przekształcane w ustrukturyzowane tabele; połączenie z internetem jest wymagane jedynie do głębszych analiz.
„Zadaliśmy sobie pytanie: jak wystarczająco szybko nadgonić dystans dla Afryki? Jak wystarczająco szybko tworzyć dane treningowe i jak wystarczająco szybko dostarczać je do ludzi?" – Mutembei Kariuki, współzałożyciel Fastagger
Te pytania brzmią początkowo bardzo specyficznie dla afrykańskiego kontekstu. Nie są nimi jednak. Są uniwersalne – i w większości projektów AI na świecie są po prostu stawiane zbyt późno lub wcale.
Edge AI jako zasada strategiczna, nie rozwiązanie awaryjne
Dla Dr. Maika Bunzela, założyciela i dyrektora zarządzającego mabucon.eu, przykład Fastaggera ilustruje punkt, który jest istotny również dla przedsiębiorstw w Europie Środkowej: Wydajność systemu AI mierzy się nie parametrami modelu, lecz rzeczywistą użytecznością w kontekście użytkownika. Jeśli fryzjer w Nairobi nie ma stabilnego dostępu do internetu, chmurowa AI analityczna jest dla niego bezużyteczna – niezależnie od tego, jak precyzyjne są jej modele. Ta sama zasada dotyczy hal produkcyjnych z ograniczoną infrastrukturą sieciową, mobilnych rzemieślników czy branż z rygorystycznymi wymogami ochrony danych (RODO), które utrudniają przesyłanie danych do zewnętrznych chmur.
Techniczny termin określający to podejście to Edge AI – czyli wnioskowanie AI odbywające się bezpośrednio na urządzeniu końcowym lub lokalnie w sieci, bez stałego połączenia z chmurą. Fastagger udowadnia, że takie podejście nadaje się nie tylko do przypadków niszowych, lecz może stanowić fundament kompletnego modelu biznesowego. Połączenie lekkich sieci neuronowych do strukturyzacji dokumentów z konwencjonalnym oprogramowaniem OCR do rozpoznawania tekstu pokazuje ponadto: dobra architektura AI rzadko oznacza wybór najpotężniejszego dostępnego modelu – to raczej umiejętne łączenie odpowiednich narzędzi.
Badania użytkowników jako rdzeń rozwoju AI
To, co metodologicznie wyróżnia Fastaggera spośród wielu projektów AI, to konsekwentne stosowanie etnograficznych badań użytkowników. Założyciele spędzali całe dni robocze na obserwowaniu fryzjerów i restauratorów przy pracy, zanim podjęli jakąkolwiek decyzję produktową. Brzmi to jak oczywistość – w praktyce tworzenia AI jednak nią nie jest.
Efekt: Auni automatycznie dostarcza właścicielowi salonu w Nairobi prosty harmonogram pokazujący, kiedy jego lokal jest najbardziej oblegany. Dzięki temu dostrzega, że spokojniejsze godziny poranne może wykorzystać na załatwianie spraw. Restauracja rybna, która wcześniej musiała mozolnie identyfikować lojalnych stałych klientów przez ręczną analizę setek paragonów SMS, otrzymuje teraz automatycznie spriorytetyzowaną listę i może oferować tym klientom ukierunkowane rabaty. To nie są spektakularne zastosowania AI – to precyzyjne rozwiązania konkretnych wąskich gardeł w codziennej pracy.
- Automatyczna identyfikacja godzin szczytu i godzin o niższych obrotach
- Rozpoznawanie lojalnych stałych klientów na podstawie danych transakcyjnych
- Spersonalizowane wiadomości reaktywacyjne dla nieaktywnych klientów
- Przetwarzanie danych offline zapewniające niezawodność bez stabilnego internetu
- Integracja z istniejącą infrastrukturą Mobile Money zamiast wprowadzania nowych danych
Czego globalne tworzenie AI może się z tego nauczyć
Daniel Björkegren, ekonomista z Columbia University, badający implikacje AI dla krajów rozwijających się, wskazuje, że upowszechnienie prostych telefonów komórkowych w Afryce Subsaharyjskiej niekoniecznie stanowi wadę – lecz być może otwiera inne, autonomiczne formy korzystania z AI. Ta perspektywa jest ważna: kto akceptuje ograniczenia technologiczne jako warunki projektowania zamiast walczyć z nimi jak z przeszkodami, często tworzy rozwiązania bardziej niezawodne i zorientowane na użytkownika.
Dla Dr. Maika Bunzla, założyciela i dyrektora zarządzającego mabucon.eu, prawdziwe przesłanie modelu Fastagger tkwi w zasadzie obowiązującej w każdej branży: wdrożenia AI rzadko kończą się niepowodzeniem z powodu samej technologii – przyczyną jest raczej to, że technologia nie została dostosowana do operacyjnych realiów użytkownika. Dotyczy to zarówno salonu fryzjerskiego w Nairobi, jak i średniej wielkości przedsiębiorstwa w Bawarii, które chce wdrożyć wspomaganą przez AI automatyzację procesów.
Implikacje dla firm w Europie
Lekcję płynącą ze środowiska AI w Nairobi można przełożyć na konkretne rekomendacje działania:
- Dostępność danych przede wszystkim: Jakie ustrukturyzowane dane już istnieją w firmie – nawet jeśli nie są przechowywane w systemie ERP? Dane z płatności mobilnych, systemy kasowe, korespondencja e-mailowa czy ręcznie sporządzone notatki mogą służyć jako baza do trenowania i analizy, jeśli zostanie opracowana odpowiednia warstwa przetwarzania.
- Minimalizowanie zależności od infrastruktury: Aplikacje AI, które zatrzymują się przy problemach z siecią lub awariach chmury, są kruche. Architektury hybrydowe z przetwarzaniem brzegowym (edge) znacząco zwiększają niezawodność operacyjną.
- Poważne traktowanie kontekstu użytkowania: Mistrz, który ma pełne ręce roboty, potrzebuje innych form interakcji niż pracownik biurowy. Rozwiązania AI muszą wpisywać się w tok pracy – nie odwrotnie.
- Preferowanie małych, precyzyjnych rozwiązań: Zoptymalizowany model, który niezawodnie realizuje konkretne zadanie, tworzy więcej realnej wartości niż model ogólny, który wiele zadań wykonuje przeciętnie.
Perspektywy: kontekstualna AI jako kolejny poziom dojrzałości
Globalny rynek AI wchodzi właśnie w fazę, w której surowa wydajność modeli staje się coraz bardziej towarem powszechnym (commodity). To, co w przyszłości będzie odróżniać firmy i deweloperów, to zdolność do kontekstualnej adaptacji – czyli sztuka osadzania wydajnych modeli w taki sposób, by działały niezawodnie w określonych środowiskach, dla określonych grup użytkowników i z określonymi źródłami danych.
Fastagger z Nairobi nie zrobił tego w reakcji na presję rynkową, lecz jako założycielskie przekonanie. To sprawia, że firma jest zaskakująco dobrym wzorem dla każdego, kto poważnie myśli o zorientowanym na użytkownika rozwoju AI – niezależnie od tego, na jakim rynku działa. Kolejna generacja praktycznych aplikacji AI nie będzie pochodzić z największych centrów danych, lecz od zespołów, które najlepiej rozumieją, jak ich użytkownicy naprawdę pracują.