في مناطق أخرى من العالم، يستخدم تعلم الآلة لتحديد استحقاق الحصول على قروض صغيرة، على أساس السلوك المتبع في استخدام الهاتف المحمول (راجع دراسة Björkegren and Grissen 2020). على سبيل المثال، حصل أكثر من ربع البالغين في كينيا على قروض باستخدام هواتفهم المحمولة. إلا أنه إذا كان من الأرجح أن تتم الموافقة على حصول الأشخاص الذين لديهم عدد أكبر من الأصدقاء على فيسبوك على قروض، فقد يفكر بعض مقدمي الطلبات في الإسراع بإضافة أصدقاء. في نهاية المطاف، يمكن أن يجعل هذا الأمر من الصعب على الأنظمة استهداف الأشخاص المقصودين. وفي دراسة أجريت بالتعاون مع مركز بوسارا في كينيا، وجدنا أن الناس يمكنهم التعلم وتعديل سلوكهم في استخدام الهواتف الذكية استجابة لهذه القواعد الخوارزمية (دراسة Björkegren، Blumenstock، and KnightK، تصدر قريبا). وأوضحنا إلى أي مدى تحسن أداء عملية تعديل إثبات المفهوم ليناسب الخوارزمية التي تتوقع هذه الاستجابات. على الرغم من هذا، ليس بمقدور التكنولوجيا وحدها التغلب على المشكلات التي تنشأ أثناء التطبيق، فجزء كبير من التحدي المتمثل في إنشاء هذه الأنظمة هو ضمان أنه يمكن التعويل عليها في الظروف الواقعية. من ناحية أخرى، تتطلب بعض الأنظمة تعديلات قبل أن يمكن تحقيق الاستفادة منها. على سبيل المثال، يجب على المعلمين في كثير من الدول الأقل دخلا التعامل مع فصول فيها أعداد كبيرة من الطلاب بموارد محدودة. وفي سيراليون، أطلق أحد الشركاء المحليين نظاما على أساس تجريبي لروبوت دردشة باستخدام الذكاء الاصطناعي لمساعدة المعلمين، يسمى "ذي تيتشر أيه آي TheTeacher.AI"، الذي يماثل نموذج الذكاء الاصطناعي ChatGPT، ولكنه معدل ليناسب المناهج الدراسية وطرق التدريس المحلية ويمكن الوصول إليه حتى إن كان الاتصال بالإنترنت ضعيفا. في المرحلة التجريبية، لم يتمكن عدد كبير من المعلمين من صياغة أسئلة بطريقة تجعلهم يحصلون على إجابات مفيدة، إلا أن مجموعة صغيرة منهم بدأت استخدام النظام بصورة منتظمة ليساعدهم في مفاهيم عملية التدريس وإعداد الدروس وإنشاء مواد تعليمية لاستخدامها في الفصول (راجع دراسة Choi and others 2023). وتطلب الأمر تدريبا وتجريبا حتى تمكن المعلمون من استخدامه في الواقع العملي. وقد لا تظهر استخدامات الذكاء الاصطناعي بوضوح على الفور لأولئك الذين ينتظرون الحصول على مزايا، فاكتشاف الاستخدامات الكثيرة سيتوقف على التجربة والخطأ وتشارك التطبيقات التي تساعد على هذا الأمر. من المحتمل أن يكون استيعاب قدرات الذكاء الاصطناعي أصعب على الأشخاص في الدول الأقل دخلا، حيث تتدنى مهارات القراءة والكتابة والحساب، ويكون المقيمون أقل إلماما بالبيانات الرقمية والخوارزميات التي تعالج هذه المعلومات. على سبيل المثال، اكتشفنا في تجربتنا الميدانية في نيروبي، كينيا، أنه من الصعب شرح خوارزميات بسيطة ذات أرقام سالبة وكسور للمقيمين من ذوي الدخل المنخفض. إلا أن فريقنا اكتشف طرقا أبسط لتوصيل هذه المفاهيم. فقد كان واضحا عندما استجاب الناس للخوارزميات أنهم استوعبوا المفهوم. إلا أنه لا يزال من الصعب فهم أنظمة الذكاء الاصطناعي المعقدة، حتى على الباحثين في هذه التكنولوجيا. ستتطلب أنظمة الذكاء الاصطناعي استثمارا في البنية التحتية المعرفية، ولا سيما في الاقتصادات النامية، حيث تستمر فجوات البيانات ويقل تمثيل الفئات الفقيرة عما يجب من الناحية الرقمية. في الواقع، لا تتطلب بعض التطبيقات معرفة المستخدمين كيفية عمل الخوارزميات. على سبيل المثال، يمكن أن يفيد نظام توصيات نتفليكس للأفلام المستخدمين حتى إن لم يفهموا الطريقة التي تختار بها الخوارزميات المحتوى الذي تظن أنه سيروق لهم. وبالمثل، في أزمة إنسانية ما، قد يرى صانعو السياسات أنه من المقبول استخدام خوارزمية "الصندوق الأسود" المبهمة، على غرار ما فعلته حكومة توجو لمواجهة جائحة كوفيد- 19... يتبع.