Negli ultimi anni molte strategie di AI sovrana hanno immaginato scenari basati su cluster nazionali e partnership con hyperscaler. Oggi due cambiamenti tecnologici e un vincolo strutturale sul parco dispositivi africano rendono quella premessa obsoleta: i grandi modelli non sono l’unica via praticabile, e la potenza utile può risiedere nei telefoni che le persone già possiedono.
Il primo cambiamento riguarda la dimensione e l’efficacia dei modelli: un modello da 3 miliardi di parametri addestrato su un corpus mirato può competere con un modello generale da 70 miliardi di parametri in compiti specifici. Versioni leggere come Phi-4Gemma 3Mistral 7B e le release da 1B e 3B di Llama 3.2 possono essere adattate e fine-tun ed su infrastrutture accademiche locali, evitando la dipendenza da supercomputer nazionali. Questo approccio riduce i costi di addestramento di un ordine di grandezza sostanziale e apre la possibilità di sviluppare strumenti mirati per salute, agricoltura e amministrazione.
Prove pratiche: ricerca linguistica in Africa e modelli leggeri
Un esempio concreto è la rete di ricerca pan-africana che ha costruito benchmark di NLP per 52 lingue africane con risorse limitate. Il progetto dimostra che è possibile creare capacità linguistiche locali senza budget sovrano enorme, senza un supercomputer e senza dipendere da un hyperscaler. La strada non è priva di sfide — risorse finanziarie scarse e incertezze legali persistono — ma la fattibilità tecnica è un fatto consolidato: comunità con mezzi ridotti possono generare risultati rilevanti, che un progetto governativo tradizionale rischierebbe di non eguagliare senza investire molto di più.
Modelli piccoli e costi
Un modello addestrato e ottimizzato per uno scopo specifico ha una curva di costo completamente diversa rispetto a quella dei grandi foundation model. In termini pratici, la differenza di costo per addestramento può arrivare a valori dell’ordine di migliaia rispetto ai grandi modelli, rendendo strategicamente sensato per molti governi preferire modelli compatti per funzioni come triage per la tubercolosiscreening materno o assistenza agricola.
Inferenza on-device: perché conta per i paesi a basso e medio reddito
Il secondo cambiamento è la diffusione dell’inferenza al bordo. Modelli che girano sul dispositivo evitano la necessità di un centro dati per ogni richiesta: dal 2026 si attendono modelli da 7 miliardi di parametri su hardware di fascia media e modelli da 13 miliardi di parametri sui flagship entro il 2026, grazie a chip come quelli targati Qualcomm e Google Tensor. Questo significa che l’interazione che coinvolge pazienti, agricoltori o cittadini può avvenire con minori costi di larghezza di banda, latenza inferiore, meno trasferimenti transfrontalieri di dati e maggiore privacy di default.
Per chi opera in contesti a risorse limitate, spostare la computazione verso il dispositivo è particolarmente rilevante: un operatore sanitario comunitario che esegue uno strumento di triage su uno smartphone Android evita costi ricorrenti di API cloud e dipendenze infrastrutturali lontane.
Il vincolo decisivo: la base di dispositivi in Africa
Le statistiche sul parco dispositivi africano chiariscono il limite operativo di questa strategia. L’Africa concentra il 33 percento della popolazione mondiale ancora non connessa; la copertura è migliorata — il divario dalla rete è passato dal 41 percento al 9 percento tra il 2015 e il 2026 — e il cosiddetto usage gap è calato, arrivando al 64 percento. Tuttavia la penetrazione degli smartphone rimane bassa: nel 2026 solo il 24 percento della popolazione africana possedeva uno smartphone, rispetto a una media globale del 56 percento.
Il problema principale oggi non è il segnale ma il dispositivo: nel 2026 il prezzo mediano di uno smartphone entry-level in sub-Saharan Africa era di $39pari a circa il 26 percento del PIL pro capite mensile. Per il 40 percento più povero della popolazione quel singolo telefono rappresenta il 64 percento del reddito mensile; per il 20 percento più povero raggiunge il 87 percento. Le donne pagano in media il 32 percento del reddito mensile per lo stesso dispositivo che gli uomini acquistano con il 23 percento. Inoltre solo il 40 percento degli abbonati africani alla banda mobile accede a internet con uno smartphone 4G o 5G; il resto utilizza 3G o feature phone, insufficienti per l’on-device inference.
Interventi politici concreti sono già emersi: il caso del Sud Africa che ha eliminato le accise sui dispositivi entry-level sotto R2,500 (circa $150) all’inizio del 2026 è un esempio pratico. Secondo stime aggregate, colmare il divario di utilizzo del mobile in Africa entro il 2030 potrebbe generare circa $700 billion aggiuntivi al PIL del continente.
Un ulteriore confronto mette in prospettiva le scelte di spesa: la strategia canadese da $2 billion per compute sovrano equivale in ordine di grandezza a sovvenzionare decine di milioni di smartphone sub-<$40; la missione indiana da $1.25 billion potrebbe finanziare dispositivi con NPU per tutti gli operatori sanitari comunitari del continente africano e lasciare risorse per il fine-tuning open-source dei modelli che girerebbero su quegli apparati. In breve, fondi analoghi a quelli spesi per infrastrutture GPU potrebbero essere riallocati per diffondere capacità AI pratiche ed immediate.
La traiettoria tecnica favorisce soluzioni distribuite: modelli piccoli più inferenza locale su dispositivi accessibili e ottimizzati per le lingue e i bisogni locali. Il nodo politico resta la negoziazione sulle regole e sui termini: una singola amministrazione contro grandi venditori avrà difficoltà, mentre una coalizione coordinata di governi potrebbe ottenere condizioni migliori per accesso, sovvenzioni e governance dei modelli.
