Zwei Variablen, die entscheiden, ob KI Afrika überspringt

Der IWF hat gerade sein erstes ernsthaftes ökonomisches Modell zu KI in Subsahara-Afrika veröffentlicht, und die Mathematik dahinter ist überraschend leicht zu verstehen, auch ohne Ökonomie-Hintergrund. Sie erklärt etwas, woran ich in den letzten Jahren aus verschiedenen Richtungen gearbeitet habe.

Die zwei Zahlen, auf die es ankommt

Der IWF hat dasselbe Produktivitätsmodell, das für die USA und Europa verwendet wird, auf Subsahara-Afrika angewandt.

Unter aktuellen Bedingungen fügt KI der Produktivität der Region über das nächste Jahrzehnt 0,2 % hinzu. In einem Szenario mit hoher Adoption werden daraus 2,1 %, mit einem BIP-Effekt von etwa 4 %.

Das ist ein Unterschied um den Faktor 10. Gleiche Technologie, gleiche Region, gleiches Jahrzehnt.

Was entscheidet also, welche Zahl man bekommt? Ganz sicher nicht die Technologie. Es sind die Bedingungen drumherum.

Um zu sehen, warum, muss man ins Modell selbst schauen — und das ist einfacher, als man erwarten würde.

Das ganze Modell sind drei multiplizierte Zahlen

Nimm die Notation weg, und das Framework des IWF sagt: Produktivitätsgewinn gleich

Exposure × Adoption × Einsparung

• Exposure: Welchen Anteil der Arbeit kann KI überhaupt berühren?
• Adoption: Welcher Anteil der Unternehmen nutzt sie tatsächlich?
• Einsparung: Wenn sie genutzt wird — wie viel produktiver wird jede Aufgabe?

Die Multiplikation ist der entscheidende Teil. Wenn eine der drei Zahlen nahe null liegt, liegt das Gesamtergebnis nahe null — und dann ist egal, wie gut die Technologie wird.

Setz jetzt die aktuellen Zahlen für Subsahara-Afrika ein:

• Exposure: Nur etwa 22 % (0,22) der Jobs werden von KI nennenswert berührt, gegenüber rund 55 % in Europa.
• Adoption: unter 10 % (0,1), zwei- bis dreimal niedriger als in Europa oder Amerika. Multipliziere diese zwei kleinen Zahlen miteinander, dann mit einer Einsparung von rund 10 % pro Aufgabe — und du landest bei 0,2 %.

Die Gleichung sagt dir genau, wo der Hebel liegt. An der dritten Zahl kannst du wenig ändern, weil die Einsparung pro Aufgabe von der Technologie selbst bestimmt wird. Aber die ersten beiden werden von uns bestimmt. Exposure und Adoption sind keine unantastbaren Naturgesetze. Sie sind die Ergebnisse von Entscheidungen über Infrastruktur, Produkte und Politik.

Alles, woran ich gearbeitet habe, sitzt irgendwo in diesen zwei Variablen.

Denk dir KI wie Elektrowerkzeuge in einem Dorf ohne Strom

Stell dir vor, du schickst einen Container voller Elektrowerkzeuge in ein Dorf ohne Stromnetz.

Die Werkzeuge funktionieren einwandfrei. Die Menschen sind handwerklich begabt. Aber nichts passiert, weil die Werkzeuge etwas brauchen, das das Umfeld noch nicht bereitstellt.

Das ist die Adoptionsvariable in physischer Form. KI steigert die Produktivität, wenn sie mit zuverlässigem Strom, Konnektivität, Fähigkeiten und Institutionen gepaart wird.

Ökonomen nennen das „komplementäre Bedingungen“, aber ich denke dabei lieber an das Stromnetz. Und das Netz-Problem ist nicht abstrakt. Achtundsiebzig Prozent der Unternehmen in der Region berichten von routinemäßigen Stromausfällen und verlieren 8,4 % ihres Jahresumsatzes, gegenüber einem globalen Durchschnitt von 5,2 %. Sechsundachtzig Prozent der nigerianischen Unternehmen besitzen oder teilen sich einen Generator.

Wenn deine Grundannahme lautet „der Strom ist vielleicht nicht an“, ist ein cloudabhängiges Tool schwer zu verkaufen — egal wie beeindruckend die Demo ist.

Die „niedrige Exposure“ ist zum Teil ein Messtrick

Hier wird es interessant — und hier argumentiert der IWF-Bericht, wie ich finde, leise gegen seine eigene Schlagzeilenzahl.

Die Exposure-Messung funktioniert, indem man Jobs in Aufgaben zerlegt und fragt: Kann aktuelle KI diese Aufgabe erledigen?

Nach dieser Methode liegt die Landwirtschaft nahe null, weil die Aufgaben eines Bauern überwiegend körperlich sind … KI kann ja keinen Mais pflanzen, oder?

Aber sieh, was passiert, wenn man eine andere Frage stellt: nicht „Kann KI die Aufgaben des Bauern erledigen?“, sondern „Kann KI die Informationslücken des Bauern schließen?“

Typische Ernteerträge in der Region liegen bei 25–33 % des Potenzials. Das war nie ein Könnensproblem … es liegt schlicht daran, dass Echtzeit-Informationen über Wetter, Boden, Schädlinge, Preise und Timing fehlen. Eine randomisierte Studie zu einem KI-gestützten SMS-Beratungsdienst fand eine Ertragssteigerung von 16,6 % und ein Einkommensplus von 23 % in einer einzigen Saison. Per SMS. Auf einfachen Handys. Ohne Stromnetz.

Der IWF hat diese Logik durch sein eigenes Modell laufen lassen. Allein die Ausweitung von KI auf die Landwirtschaft fügt 0,8 Prozentpunkte hinzu — der größte einzelne Hebel im gesamten Framework, viermal so groß wie die Gesamtsumme unter aktuellen Bedingungen.

Exposure handelt nicht vom Job selbst. Sie handelt davon, wie man die Intelligenz ausliefert.

Misst man Landwirtschaft an Aufgabenautomatisierung, ist sie unexponiert — misst man sie an Entscheidungsunterstützung, wird sie zur größten Chance des Kontinents.

Dasselbe Reframing gilt für den informellen Handel — merk dir den Gedanken.

Folge dem Geld: die Konsumentenfalle

Vor dem optimistischen Teil müssen wir den unbequemen Teil aushalten. Das ist der Abschnitt, in dem du das Gewicht spüren sollst.

Angenommen, ein Unternehmen in Lagos führt KI-Tools ein und wird 20 % produktiver. Gutes Ergebnis, oder? Jetzt verfolge, wohin das Geld fließt.

Das Abo ist in Dollar bepreist. Das Modell läuft auf Servern in Virginia oder Dublin. Die Chips kamen von einem Unternehmen, die Cloud von dreien. Also wechselt ein Unternehmen, das in Naira verdient, jeden Monat in Dollar und schickt Wert einen Stack hinauf, an dem es nicht beteiligt ist — auf keiner Ebene.

Multipliziere das jetzt über eine Volkswirtschaft. Millionen Unternehmen, alle produktiver, alle tauschen lokale Währung in Dollar für denselben importierten Input.

Individuell ist das völlig rational. Kollektiv ist es anhaltender Druck auf den Wechselkurs — und eine wachsende strukturelle Abhängigkeit von Infrastruktur, die in fremder Währung bepreist ist und nach fremden Regeln regiert wird.

Das meine ich mit dem Unterschied zwischen KI konsumieren und an ihr teilhaben. Eine Konsumentenbeziehung konzentriert die Gewinne am Punkt der Produktion und extrahiert sie am Punkt der Nutzung. Diese Schleife haben wir schon gesehen — Rohstoffe raus, Fertigwaren rein, Wertschöpfung woanders. Die Ware ist diesmal Intelligenz, aber die Geometrie ist alt.

Der IWF sagt das in institutioneller Sprache: Abhängigkeit von ausländischen Anbietern, Infrastruktur, die „teuer, konzentriert und von geopolitischer Fragmentierung geprägt“ ist. Ich habe hier in deutlicherer Sprache darüber geschrieben.

So oder so: Der Produktivitätsgewinn ist real, und die Extraktion ist real. Beides stimmt gleichzeitig, und jede ehrliche Strategie muss beides aushalten.

Governance ist eine Verhandlungsposition, kein Regelbuch

Das ist die Frage, aus der NEAIF entstanden ist, das KI-Governance-Framework, das ich für den nigerianischen Kontext veröffentlicht habe.

Die meisten Governance-Frameworks setzen beim Deployment an: Systeme existieren, Menschen nutzen sie — wie regulieren wir? Für Brüssel mag das die beste Frage sein, aber für Abuja ist es die falsche erste Frage, denn sie setzt voraus, dass man bereits Hebelwirkung über die Systeme hat. Hat man aber nicht.

Stell es dir vor wie das Erscheinen bei einer Handelsverhandlung ohne irgendetwas, das die Gegenseite will. Die anderen verkaufen Triebwerke, Langstreckendrohnen, Siliziumchips, Enterprise-SaaS-Abos — und alles, was du hast, ist eine „wachsende Bevölkerung mit immensem Potenzial“ und ein schwindender Vorrat an rohem Kakao.

Du kannst so viele Regeln schreiben, wie du willst. Niemand hat einen Grund, sich an deinen Tisch zu setzen — es sei denn, es gibt eine Gelegenheit zur Ausbeutung.

Was dir einen Platz am Tisch gibt? Vor allem Daten. KI-Systeme hungern nach Daten, die sie nicht haben — lokale Sprachen, lokale Handelsmuster, lokale landwirtschaftliche Bedingungen. Ein Land, das gut verwaltete, hochwertige lokale Datensätze kontrolliert, hat etwas zu tauschen. Ein Land, das das nicht tut, ist ein Regelnehmer.

Das ist das Argument von Governing by Data, dem Begleit-Framework zu NEAIF: Baue zuerst die Datenposition auf, denn sie verwandelt Governance von einer Compliance-Übung in einen Verhandlungschip.

Manches davon habe ich übrigens falsch eingeschätzt. Ich habe unterschätzt, wie lange Governance-Arbeit ohne institutionelle Rückendeckung braucht, um Fuß zu fassen, und gelernt, dass früh sein und lesbar sein zwei sehr verschiedene Dinge sind. Dass der IWF jetzt dasselbe Terrain modelliert, beweist die Frameworks nicht automatisch — aber es zeigt deutlich, dass die Diskussion endlich einen gemeinsamen Bezugspunkt hat.

Was uns die Mobile-Money-Geschichte lehrt

Jetzt kommt der ermutigende Teil, und wir besprechen ihn anhand des IWF-eigenen Beispiels.

Subsahara-Afrika hat nie Festnetze in großem Maßstab gebaut. Mobiltelefone kamen, und die Region übersprang die Festnetz-Ära komplett. Heute hält sie 1,2 Milliarden der weltweit 2,1 Milliarden registrierten Mobile-Money-Konten.

Der Weltmarktführer wurde auf einer übersprungenen Schicht gebaut.

Der Mechanismus zählt mehr als das Ergebnis. M-Pesa funktionierte, weil es die Menschen genau dort abholte, wo sie waren: einfache Handys, Bargeldwirtschaft, keine Bankkonten. Es verlangte von den Nutzern nicht, erst „gebankt“ zu werden. Es machte die alte Voraussetzung überflüssig.

Das ist das Entwurfsmuster: Zieh die Menschen nicht die alte Treppe hinauf. Bau den neuen Boden unter ihre Füße.

Bauen für die Schicht, die gerade entsteht

Wende dieses Muster auf den Handel an, und du bekommst die Wette hinter Paylo.

Stell dir eine Händlerin vor, die in Aba Schuhe verkauft. Sie ist gut in ihrem Geschäft. Ihre gesamte kommerzielle Existenz läuft über WhatsApp und Bargeldtransfers.

Nach der Messung des IWF hat ihr Job eine KI-Exposure nahe null. Die E-Commerce-Ära ist größtenteils an ihr vorbeigegangen, weil Websites zu viel kosteten, Plattformen zu viel nahmen und zentralisierte Logistik sie nicht erreichte.

Doch unter ihr verändert sich gerade etwas: Menschen beginnen, KI-Assistenten zu fragen, was sie kaufen sollen. „Wo bekomme ich gute Lederschuhe in meiner Nähe?“ Wenn diese Frage gestellt wird, antwortet die KI aus den strukturierten Handelsdaten, die sie erreichen kann. Heute existiert unsere Händlerin in dieser Antwort nicht — schlicht weil sie keine Oberfläche hat, die die KI sehen kann. Noch passiert ihr nichts Dramatisches, aber jeder Käufer, der eine KI fragt statt sich umzuhören, ist ein Käufer, von dessen Existenz sie nie erfahren hat.

Also bauen wir genau das. Paylo gibt ihr einen Laden, der zuerst strukturierte Daten ist und erst danach eine Webseite. Wir betreiben einen MCP-Server — eine Standardschnittstelle, über die KI-Systeme unseren Händlerkatalog direkt abfragen können, so wie Apps eine Datenbank abfragen. Wir erkennen, wenn KI-Plattformen die API ansteuern, und können so in Echtzeit zusehen, wie sich die Discovery-Schicht formt.

Beachte, was die Händlerin über KI lernen muss, damit das funktioniert: absolut nichts.

Sie listet ihre Schuhe. Die Schicht erledigt den Rest — so wie ein M-Pesa-Nutzer nie Telekommunikationsinfrastruktur verstehen musste. In den Begriffen des Modells: Wir warten nicht darauf, dass sie exponiert wird. Wir stellen die Exposure her und legen sie ihr in die Hand.

Und beachte, was das mit der Extraktionsschleife von vorhin macht. Discovery passiert auf ausländischen Modellen — diese Schicht kontrollieren wir noch nicht. Aber die Händlerbeziehung, die Transaktion, die Handelsdaten, die lokalen Schienen? Die bleiben zu Hause. Das ist eine Teilhabeposition, keine Konsumposition. Partiell, unvollkommen, aber strukturell anders.

Das Fenster ist real

Das Fazit des IWF ist unverblümt: Die Lücke zwischen den Pfaden ist das Zehnfache, der Standardpfad ist der niedrige, und die Entscheidungen, die gerade jetzt getroffen werden, bestimmen, welcher Pfad gilt.

Solche Fenster bleiben nicht offen. Netzwerkeffekte und Skaleneffekte bedeuten, dass frühe Positionen sich aufzinsen — der Bericht selbst warnt, dass digitale Industrien sich konzentrieren und dass Nachzügler am Ende Infrastruktur von den Frühen mieten. Jedes Jahr des Treibenlassens macht den niedrigen Pfad schwerer zu verlassen.

Ich finde das eher klärend als alarmierend, weil es die Arbeit lesbar macht.

• Beweg die Adoptionszahl: Stromnetz, Konnektivität, Produkte, die einen Stromausfall überleben.
• Beweg die Exposure-Zahl: Baue Oberflächen dort, wo die Messung behauptet, es gäbe nichts.
• Halte die Gewinne: Datenpositionen und Governance, die dir etwas zum Verhandeln geben.

Verschiedene Menschen arbeiten an verschiedenen Teilen. Frameworks sind einer, Produkte ein anderer, und die Struktur aufzuschreiben ein dritter.

Nichts davon ist fertig — darum ist es wichtig, das IWF-Papier als das zu nehmen, was es ist: ein Datenpunkt, der die Diskussion leichter macht, statt ein düsteres Urteil über unsere gemeinsame Zukunft.

Dieser Text gehört zusammen mit Infrastructure doesn’t pitch well, yet it wins anyway. Es ist dasselbe Fenster, gesehen von der Kapitalseite.