A IA para o desenvolvimento sustentável pode ampliar o acesso a serviços e oportunidades, mas também pode aprofundar desigualdades. Na palestra “AI for Sustainable Development – Making Digital Transformation Inclusive”, Richa Singh, líder de Desenvolvimento de Talentos do Programa das Nações Unidas para o Desenvolvimento (PNUD), mostrou por que uma solução só pode ser considerada inclusiva quando funciona para as pessoas em sua língua, em seu contexto e nas condições reais de acesso à tecnologia.
O PNUD atua em 170 países e territórios no combate à pobreza e à desigualdade. Para uma organização com esse alcance, não basta oferecer a mesma ferramenta a todos: é necessário compreender quem ela deixa de atender e envolver essas pessoas na construção das respostas.
“A IA será o maior instrumento de igualdade de todos os tempos ou a pior fonte de injustiça”, alertou Singh.
A língua define quem participa
Uma ferramenta pode parecer acessível porque está disponível na internet e, ainda assim, não compreender as pessoas que deveriam usá-la. Esse é o risco de soluções desenvolvidas principalmente com dados em inglês quando precisam atender comunidades que falam línguas com menor presença digital.
“Inglês apenas não é inclusivo”, afirmou Singh.
A questão vai além de traduzir menus ou respostas. Um assistente de voz destinado a apoiar um serviço de saúde, por exemplo, precisa reconhecer pronúncias, nomes de lugares e formas locais de descrever sintomas. Se falha nesses elementos, a pessoa pode não conseguir explicar o que precisa — mesmo que a resposta final apareça em sua língua.
A inclusão digital também depende de condições materiais. O PNUD destaca que acesso à internet e a dispositivos não é suficiente sem habilidades para usar a tecnologia e conteúdos relevantes para o contexto local.
Traduzir não é localizar
Na visão de Singh, a localização não deve acontecer apenas depois que um produto foi desenvolvido em inglês. Ela precisa orientar o projeto desde o início.
Isso significa reunir dados na língua das pessoas que usarão a solução, trabalhar com especialistas que conheçam o vocabulário e os serviços locais e testar as respostas em situações reais. Também significa voltar às comunidades depois do lançamento para descobrir o que a ferramenta não entendeu e o que precisa ser corrigido.
“Localização é um modelo operacional, não apenas a entrega final”, resumiu.
Na palestra, Singh apresentou o caso de Ruanda, onde, segundo ela, parceiros locais reuniram mais de 2 mil horas de dados de voz em kinyarwanda para aprimorar modelos de fala. O exemplo ilustra por que a participação local importa: sem dados e avaliações produzidos por quem conhece a língua, é difícil construir um sistema que a compreenda com confiabilidade.
Comunidades precisam construir, não só testar
A inclusão também depende de quem desenvolve e mantém a tecnologia. Se uma comunidade participa apenas da etapa final, apontando falhas de um produto já definido por outras pessoas, sua influência sobre o resultado é limitada.
Singh defendeu parcerias com universidades, especialistas e representantes locais para produzir dados, desenvolver competências e compartilhar decisões. Em Gana, ela mencionou a formação de profissionais capazes de criar soluções adequadas ao contexto do país. Um texto do PNUD registra que a Kwame Nkrumah University of Science and Technology capacitou mais de 200 pessoas em aprendizado de máquina e ciência de dados, com foco em aplicações pertinentes ao contexto africano.
Esse investimento faz diferença depois do piloto. Equipes locais podem avaliar respostas, reconhecer problemas que alguém de fora não perceberia e continuar aprimorando a solução conforme necessidades e modos de falar mudam.
Inclusão atravessa toda a estratégia
Singh situou a língua dentro de uma questão mais ampla: a transformação digital precisa ser pensada para incluir, e não apenas para alcançar um grande número de usuários.
Na estrutura apresentada pelo PNUD, a inclusão ocupa o centro de cinco dimensões: pessoas, conectividade, governo, regulação e economia. Elas ajudam a examinar o projeto por diferentes ângulos. As pessoas afetadas estão participando das decisões? A ferramenta funciona nos dispositivos e nas conexões disponíveis? Há capacidade institucional para mantê-la? Existem regras de proteção e responsabilidades claras? O benefício gerado pode ser sustentado e chegar à comunidade?
Essas perguntas precisam acompanhar o desenvolvimento, não surgir apenas como uma avaliação ao final. Uma ferramenta pode funcionar bem em laboratório, mas falhar onde a conexão é instável. Pode responder em uma língua local, mas ignorar os termos usados para encontrar um serviço. Pode chegar a muitos usuários sem oferecer um benefício que eles considerem relevante.
Em serviços críticos, a supervisão humana permanece
Os limites da tecnologia ficam mais evidentes em tarefas relacionadas à saúde ou ao abastecimento alimentar. Nesses contextos, interpretar incorretamente um endereço, uma orientação ou uma necessidade pode ter consequências sérias.
Singh reconheceu que os sistemas atuais ainda não são confiáveis a ponto de substituir integralmente pessoas em tarefas críticas. Por isso, ampliar uma solução exige definir quem responde pelo conteúdo e pela qualidade das respostas, registrar falhas e manter a possibilidade de encaminhar casos para atendimento humano.
A melhoria depende de um ciclo contínuo: pessoas testam a ferramenta em tarefas reais, conferem o resultado e relatam dificuldades; especialistas revisam os dados e os conteúdos; equipes técnicas fazem ajustes; e a solução volta a ser testada com quem a utiliza. Não basta contar quantas interações aconteceram. É preciso saber se a pessoa conseguiu realizar o que precisava, com segurança e compreensão.
Começar pequeno pode revelar o essencial
“Comece com uma tarefa real. Projete para a língua que tem maior probabilidade de ficar de fora”, recomendou Singh.
A proposta oferece um ponto de partida concreto. Em vez de anunciar uma plataforma multilíngue ampla, uma equipe pode escolher um serviço específico e investigar como ele funciona para pessoas que costumam ser pouco representadas nos dados de treinamento. O teste pode revelar problemas de vocabulário, conectividade, qualidade das respostas ou ausência de apoio humano.
Ao corrigir esses problemas com participação da comunidade, a organização constrói algo mais duradouro do que uma tradução: desenvolve conhecimento e capacidade local para continuar melhorando a experiência.
Uma IA inclusiva não nasce pronta com a tradução de uma interface. Ela se constrói com dados locais, participação das comunidades, avaliação contínua e responsabilidade sobre os resultados. É esse trabalho que permite transformar o alcance da tecnologia em benefícios reais para quem mais precisa dela.
