La IA en África: dónde la oportunidad es real y qué sigue frenándola

De la inteligencia artificial en África se habla casi siempre como de un salto tecnológico inevitable o como de una historia de exclusión. Ninguno de los dos encuadres es exacto. La realidad es más concreta: la adopción se concentra en sectores donde la IA resuelve un problema comercial inmediato, y está limitada por condiciones de infraestructura y de datos que ningún modelo puede arreglar.

Dónde se despliega realmente la IA:

Los servicios financieros van muy por delante, por una razón estructural. El dinero móvil creó lo que falta en casi todos los mercados emergentes: datos de transacción densos y frecuentes sobre decenas de millones de personas sin historial crediticio formal.

Esos datos sostienen una calificación crediticia basada en el comportamiento observado y no en garantías o nóminas. Prestamistas de todo el continente evalúan la solvencia a partir de los flujos de dinero móvil, las recargas de saldo y las pautas de devolución, lo que hace posibles pequeños préstamos a una escala que el análisis tradicional nunca habría alcanzado de forma rentable. La detección de fraude, el cobro automatizado y la atención al cliente en lenguas locales siguen la misma lógica.

La agricultura es el segundo ámbito, y cuenta porque el sector emplea a una parte considerable de la población activa. Las imágenes por satélite combinadas con datos meteorológicos permiten prever cosechas, detectar plagas y enfermedades a partir de fotografías y ofrecer seguros agrícolas indexados que pagan según la lluvia medida en lugar de una costosa inspección de campo. Los servicios de asesoramiento por SMS o por voz llegan a agricultores sin teléfono inteligente, una decisión de diseño deliberada e importante.

Los sistemas sanitarios recurren a la IA donde los especialistas escasean frente a la necesidad. El apoyo al diagnóstico de tuberculosis, el cribado de cáncer de cuello uterino, el triaje radiológico y la previsión de las cadenas de suministro de medicamentos abordan todos ellos cuellos de botella creados por la falta de personal, no por la falta de tecnología.

La tecnología del lenguaje es una fortaleza investigadora netamente africana. Iniciativas impulsadas por comunidades han construido conjuntos de datos, sistemas de traducción y modelos de voz para lenguas largo tiempo ausentes de los grandes sistemas de IA, entre ellas el suajili, el amárico, el yoruba, el hausa, el zulú y muchas más. Ese trabajo trasciende el continente: figura entre los esfuerzos más serios del mundo por hacer que la IA funcione más allá de un puñado de lenguas dominantes.

La restricción de infraestructura:

El límite determinante no es el talento ni las ideas. Es el cómputo y la electricidad.

Entrenar o servir grandes modelos exige centros de datos, y los centros de datos exigen electricidad fiable a escala industrial. La fiabilidad de la red sigue siendo una restricción seria en buena parte del continente, y la generación de respaldo encarece mucho los costes. Donde hay capacidad, se concentra en un número reducido de polos, principalmente Sudáfrica, Kenia, Nigeria, Egipto y Marruecos.

La consecuencia práctica es que la mayoría de los despliegues africanos de IA usan modelos entrenados en otros lugares, a los que se accede por internet desde centros de datos extranjeros. Eso sirve para muchas aplicaciones, pero crea dependencia de infraestructura ajena, expone los costes al tipo de cambio, añade latencia y plantea cuestiones de residencia de los datos allí donde la norma exige almacenamiento local.

Varios gobiernos han anunciado iniciativas nacionales de capacidad de cómputo, y la inversión internacional en centros de datos africanos ha aumentado. Es la variable más determinante para los próximos años.

La conectividad y su coste siguen desigualmente repartidos. La inversión en cables submarinos ha ampliado mucho el ancho de banda, pero el coste de los datos en relación con la renta sigue decidiendo qué productos pueden triunfar. Los sistemas pensados para conectividad permanente de alta velocidad fracasan donde esa premisa no se cumple, razón por la cual el SMS, el USSD y las interfaces de voz siguen importando.

El problema de los datos:

Los sistemas de IA reflejan los datos con los que se entrenaron, y los contextos africanos están infrarrepresentados en los conjuntos que hay detrás de los grandes modelos.

Esto se manifiesta de forma concreta. Los modelos médicos entrenados sobre todo con poblaciones europeas y norteamericanas pueden comportarse de otro modo con pacientes africanos. Los modelos agrícolas entrenados con agricultura industrial no se trasladan sin más a parcelas de pequeños productores con cultivos asociados. Los sistemas de voz manejan mal los acentos y las lenguas de África. La visión artificial entrenada con infraestructura extranjera interpreta mal el estado local de carreteras y edificios.

La respuesta ha sido crear conjuntos de datos locales: lento, caro, poco vistoso y, sin embargo, el verdadero cuello de botella. Las organizaciones que construyen corpus de lenguas africanas, conjuntos locales de imagen médica y datos agrícolas anclados en el terreno hacen el trabajo que decidirá si estos sistemas funcionan.

Competencias, y adónde va el talento:

Las universidades africanas forman titulados capaces en matemáticas, estadística e informática, y varios grupos de investigación producen trabajo en aprendizaje automático reconocido internacionalmente. Grandes tecnológicas operan centros de investigación e ingeniería en el continente.

La dificultad persistente es la retención. Los ingenieros con experiencia consiguen salarios globales, y el trabajo remoto ha hecho accesible el empleo internacional sin mudarse. Eso eleva las rentas individuales y las remesas, y a la vez dificulta que las empresas locales formen equipos senior. Las organizaciones que retienen talento suelen ofrecer o participación en empresas en crecimiento o un trabajo de relevancia local evidente.

La regulación llega por la vía de la privacidad:

Casi todos los países africanos cuentan ya con legislación de protección de datos, con frecuencia inspirada en los principios europeos, y con reguladores activos en los mercados mayores. En la práctica es hoy la principal restricción jurídica al despliegue de IA: rige qué datos pueden recogerse, cómo pueden usarse, las transferencias transfronterizas y las decisiones automatizadas que afectan a personas.

Están surgiendo estrategias y marcos propios de IA en el plano nacional y continental, que por lo general subrayan el desarrollo y la creación de capacidades junto a las salvaguardas. Las empresas presentes en varios mercados africanos afrontan la misma fragmentación que en otras partes: principios ampliamente similares, requisitos apreciablemente distintos.

Qué funciona de verdad:

El patrón de los aciertos es constante. Resolver un problema local concreto y caro. Disenar para la infraestructura que existe, no para la que uno quisiera. Construir o adquirir datos genuinamente locales. Dar por supuestos el ancho de banda limitado, la electricidad intermitente y los dispositivos básicos, y tratarlos como requisitos de diseño y no como obstáculos pasajeros.

Los fracasos siguen un patrón igual de constante: soluciones importadas que presuponen condiciones que no se dan, pilotos que no sobreviven al contacto con la realidad operativa y proyectos optimizados para la demostración en lugar del despliegue.

La perspectiva realista:

África no liderará a corto plazo el desarrollo de modelos de frontera; eso exige una concentración de cómputo que hoy no existe en el continente. No es esa la competición relevante.

La cuestión de fondo es si las organizaciones africanas construirán los datos, las aplicaciones y la infraestructura para aplicar estos sistemas a problemas que importan localmente, y si capturarán el valor de hacerlo. Con ese criterio la trayectoria es realmente positiva, impulsada por sectores donde el argumento comercial es inmediato, y limitada sobre todo por la electricidad, el cómputo y los datos, no por la ambición ni por la capacidad.