决定 AI 是否跳过非洲的两个变量
IMF 刚刚发布了它针对撒哈拉以南非洲的第一个严肃的 AI 经济模型，其中的数学出奇地好懂，即使你没有经济学背景也一样。它解释了我过去几年从不同方向一直在做的一些事情。
两个关键数字
IMF 把用于美国和欧洲的同一套生产率模型，套在了撒哈拉以南非洲身上。
在当前条件下，未来十年 AI 为该地区生产率带来的提升是 0.2%。在高采用率情景下，这个数字变成 2.1%，对 GDP 的影响约为 4%。
这是 10 倍的差距。同样的技术，同样的地区，同样的十年。
那么，是什么决定你拿到哪个数字？肯定不是技术。是技术周围的条件。
要明白为什么，你得看模型内部——它比你想的简单。
整个模型就是三个数相乘
剥掉那些符号，IMF 的框架说的是：生产率收益等于——
接触度 × 采用率 × 节省率
- 接触度（Exposure）： AI 实际能触及多大比例的工作？
- 采用率（Adoption）： 有多大比例的企业实际在用它？
- 节省率（Savings）： 用上之后，每项任务的效率能提高多少？
乘法才是关键。三个数中任何一个接近零，整个结果就接近零——技术再好也无济于事。
现在代入撒哈拉以南非洲当前的数字：
- 接触度： 只有约 22%（0.22）的工作被 AI 实质性触及，而欧洲大约是 55%。
- 采用率： 不到 10%（0.1），比欧洲或美洲低两到三倍。把这两个小数字相乘，再乘上大约 10% 的单任务节省率，你就落在了 0.2%。
这个等式精确地告诉你杠杆在哪里。第三个数字你做不了什么，因为任务层面的节省是由技术本身决定的。但前两个由我们决定。接触度和采用率不是碰不得的物理定律。它们是基础设施、产品和政策决策的结果。
我做过的所有事情，都落在这两个变量的某处。
把 AI 想象成没通电的村庄里的电动工具
想象把一集装箱电动工具运到一个没有电网的村庄。
工具完好无损。村民们手艺娴熟。但什么都不会发生，因为工具需要的东西，环境还提供不了。
这就是采用率变量的实体形态。AI 只有在与可靠的电力、网络、技能和制度配套时，才会提升生产率。
经济学家把这些叫作"互补条件"，但我更愿意把它们看作电网。而电网问题一点也不抽象。该地区 78% 的企业报告经常停电，年销售额因此损失 8.4%，全球平均水平是 5.2%。86% 的尼日利亚企业自备或共用发电机。
当你的基线是"电可能没来"，一个依赖云端的工具就很难卖出去，无论演示多么惊艳。
"低接触度"这个数字，部分是测量手法的产物
有意思的地方来了——我认为 IMF 自己的报告，正在悄悄反驳它自己的头条数字。
接触度的测量方法，是把工作分解成任务，然后问：现在的 AI 能做这项任务吗？
按这个方法，农业的得分接近零，因为农民的任务大多是体力活……AI 总不能种玉米吧？
但看看换一个问题会发生什么：不问"AI 能做农民的任务吗？"，而问"AI 能填上农民的信息缺口吗？"
该地区典型的作物产量只有潜力的 25–33%。这从来不是技能问题……仅仅是因为他们缺乏关于天气、土壤、病虫害、价格和时机的实时信息。一项针对 AI 驱动的短信咨询服务的随机试验发现，单季产量提高 16.6%，收入提高 23%。通过短信。在功能机上。不需要电网。
IMF 把这个逻辑放进了自己的模型。仅把 AI 延伸到农业一项，就能增加 0.8 个百分点——整个框架里最大的单一杠杆，是现状总量的四倍。
接触度说的不是工作本身。说的是你用什么方式把智能送达。
用任务自动化来衡量，农业是"未被触及"的；用决策支持来衡量，它就是这片大陆上最大的机会。
同样的重新取景也适用于非正规商业——先记住这个念头。
跟着钱走：消费者陷阱
在讲乐观的部分之前，我们得先坐下来面对不舒服的部分。这一节，我希望你感受到它的分量。
假设拉各斯的一家企业采用了 AI 工具，生产率提高了 20%。好结果，对吧？现在追踪一下钱的去向。
订阅以美元定价。模型跑在弗吉尼亚或都柏林的服务器上。芯片来自一家公司，云来自三家。于是每个月，一家挣奈拉的企业把钱换成美元，把价值送上一条它在任何一层都没有参与的价值链。
现在把这件事乘以整个经济体。数百万家企业，个个更有生产力，个个都在为同一种进口投入品把本币换成美元。
就个体而言，这非常理性。就整体而言，这是对汇率的持续压力，是对一套以别人的货币定价、按别人的规则治理的基础设施日益加深的结构性依赖。
这就是我所说的"消费 AI"与"参与 AI"的区别。消费者关系把收益集中在生产端，从使用端抽取价值。这个循环我们以前见过——原材料出去，制成品进来，价值在别处被截留。这一次的大宗商品是智能，但几何结构是旧的。
IMF 用机构化的语言说了这件事：对外国供应商的依赖，以及"昂贵、集中、被地缘政治碎片化塑造"的基础设施。我用更直白的语言写过，在这里。
无论哪种说法，生产率的提升是真实的，抽取也是真实的。两件事同时为真，任何诚实的战略都必须同时握住这两点。
治理是一个谈判位置，不是一本规则手册
正是这个问题催生了 NEAIF——我针对尼日利亚语境发布的 AI 治理框架。
大多数治理框架从部署出发：系统已经存在，人们在用，我们怎么监管？这对布鲁塞尔来说也许是最好的问题，但对阿布贾来说，它是错误的第一个问题——因为它假设你已经对这些系统握有筹码，而你没有。
想象一下，你去参加一场贸易谈判，手里却没有任何对方想要的东西。别人在卖喷气发动机、长航程无人机、硅芯片、企业级 SaaS 订阅，而你全部的筹码是"一个潜力巨大、不断增长的人口"，和一批日益萎缩的可可原料。
规则你爱写多少写多少。除非存在可供利用的机会，否则没有人有理由坐到你的桌前。
什么能给你一个席位？主要是数据。AI 系统对它们没有的数据如饥似渴——本地语言、本地商业形态、本地农业条件。一个掌握着治理良好、高质量本地数据集的国家，手里是有东西可以交易的。没有的国家，就只能接受别人定的规则。
这就是 Governing by Data（NEAIF 的配套框架）的论点：先建立数据位置，因为它能把治理从一项合规作业，变成一枚谈判筹码。
顺便说一句，这里面有些事我判断错了。我低估了治理工作在没有机构背书的情况下获得关注需要多长时间，也学到了"做得早"和"被看懂"是截然不同的两件事。IMF 如今给同一片地形建模，并不自动证明这些框架是对的，但它强有力地表明：这场对话终于有了一个共同的参照点。
移动支付的故事教给我们什么
现在是令人鼓舞的部分，我们就用 IMF 自己的例子来讲。
撒哈拉以南非洲从未大规模建设过固话网络。手机来了，这个地区干脆整个跳过了固话时代。今天，全球 21 亿个注册移动支付账户中，有 12 亿个在这里。
世界第一，建立在一个被跳过的层之上。
机制比结果更重要。M-Pesa 之所以成功，是因为它在人们所在的位置接住了他们：功能机、现金经济、没有银行账户。它没有要求用户先去"开户"。它让旧的前提条件变得不再必要。
这就是那个设计范式：不要把人拽上旧楼梯。在他们脚下铺出新的楼层。
为正在成形的那一层而建
把这个范式用到商业上，你就得到了 Paylo 背后的那个赌注。
想象一位在 Aba 卖鞋的商户。她生意做得很好。她全部的商业活动都跑在 WhatsApp 和现金转账上。
按 IMF 的测量方法，她的工作与 AI 的接触度接近零。电商时代基本上跳过了她，因为网站太贵，平台抽成太狠，中心化的物流也到不了她那里。
而她脚下正在发生这样的变化：人们开始问 AI 助手该买什么。"我附近哪里能买到质量好的皮鞋？"当这个问题被提出时，AI 会从它能够触达的任何结构化商业数据中作答。今天，我们这位商户不存在于那个答案里，仅仅因为她没有一个 AI 看得见的界面。眼下她还没有遭遇什么戏剧性的变故，但每一个去问 AI 而不是四处打听的买家，都是一个她从来不知道其存在的买家。
所以我们建的就是这个。Paylo 给她一个店面——首先是结构化数据，其次才是网页。我们运行一个 MCP 服务器——一个标准接口，让 AI 系统可以像应用查询数据库那样，直接查询我们的商户目录。我们检测访问 API 的 AI 平台，从而实时看到发现层的成形。
注意，要让这一切运转，这位商户需要学习多少 AI 知识：零。
她把鞋上架，剩下的交给这一层——就像 M-Pesa 的用户从来不需要理解电信基础设施一样。用模型的话说，我们不是在等她"被触及"。我们在制造接触度，然后把它递到她手上。
再注意这对前面那个抽取循环意味着什么。发现发生在国外的模型上——那一层我们还控制不了。但商户关系、交易、商业数据、本地的支付轨道呢？这些留在本土。这是一个参与者的位置，不是消费者的位置。局部的，不完美的，但在结构上不同。
窗口期是真实的
IMF 的结论很直白：两条路径之间差 10 倍，默认路径是低的那条，而此刻正在做出的选择，决定哪条路径成立。
这样的窗口不会一直开着。网络效应和规模经济意味着早期位置会复利增长——报告本身就警告说，数字产业会走向集中，后来者最终只能向先行者租用基础设施。每漂移一年，低路径就更难脱身一分。
我觉得这让人清醒，而不是让人恐慌，因为它让该做的工作变得清晰可读。
- 推动采用率这个数字： 电网、网络连接、能在停电中活下来的产品。
- 推动接触度这个数字： 在测量结果说"这里什么都没有"的地方，建起界面。
- 守住收益： 用数据位置和治理，给自己攒下可以上桌谈判的东西。
不同的人在做不同的部分。框架是一块，产品是另一块，把结构写下来是第三块。
这一切都还没有完成，所以重要的是按 IMF 这篇论文的本来面目去看它：一个让对话更容易展开的数据点，而不是对我们共同未来的一纸判决。
这篇文章与《基础设施不好路演，但它终究会赢》是一对。同一扇窗口，从资本那一侧看过去。