Le monde débat sans fin de qui remporte la course à l’IA. Je suis africain ; j’ai étudié et bâti l’IA en Allemagne — et, pour ma part, je n’y ai jamais vu de course. J’y vois une ouverture. Premier volet d’une série : pourquoi, et ce que nous bâtissons.

Quelque chose de rare est en train de se produire : l’intelligence devient abondante. Les savoirs, les modèles, les outils autrefois rares, coûteux et sous clé s’ouvrent à tous, et deviennent chaque mois moins chers et plus performants.

On en fait surtout une compétition — qui bâtira le modèle le plus puissant, les États-Unis ou la Chine, l’Europe redoutant tout bas d’avoir déjà perdu. Je laisse cette course à ceux qui la courent. (Sangeet Paul Choudary défend, de façon convaincante, l’idée qu’ils courent peut-être la mauvaise : à mesure que l’intelligence devient abondante, l’avantage se déplace de celui qui possède le modèle le plus puissant vers celui qui le transforme en valeur réelle. À lire.) Mais, à mon sens, il n’y a jamais eu de course, tout simplement.

Pour l’Afrique, cette abondance n’est ni une menace à contenir ni une ligne d’arrivée où elle serait à la traîne. C’est une matière première. Quand la capacité devient bon marché et ouverte, le terrain est prêt pour le geste que l’Afrique a déjà accompli — un bond en avant — et cette fois sur plusieurs fronts à la fois : santé, agriculture, finance, infrastructures, gouvernance. C’est le moment de l’Afrique. Et nous avions déjà commencé à bâtir pour lui : j’ai lancé leapfrogging.africa, conçu le modèle et réuni les premiers partenaires bien avant qu’on ne présente tout cela comme une course. Nous ne cherchions à battre personne. Nous avons vu l’ouverture.

Subscribe now

Un mot sur mon parcours, car il éclaire tout ce qui suit. Je suis africain. Je suis venu en Allemagne étudier l’informatique et l’IA, j’ai passé des années comme chercheur au DFKI — le plus grand centre de recherche indépendant en IA au monde, et un pionnier du domaine depuis 1988 — et j’en ai lancé une spin-off d’IA financée par du capital-risque, ce qui m’a fait connaître de l’intérieur la technologie comme le marché. leapfrogging.africa est né directement de cette expérience. Le DFKI est, par vocation, tourné vers l’application : universités, industrie et pouvoirs publics s’y coordonnent pour transformer la recherche en applications et en entreprises réelles — sans le moindre capital-risque au départ. Le capital est venu après, vers les entreprises que ce travail a fait naître, la mienne parmi elles. C’est cet ordre qu’il faut retenir : on bâtit d’abord le moteur qui rend les entreprises dignes d’être financées, et le capital — abondant et mobile — finit par affluer. C’est ce moteur que leapfrogging.africa entend adapter et déployer à travers l’Afrique — IA appliquée et entrepreneuriat, à l’échelle du continent.

Application et coordination — pas les modèles de fondation

Voici le cœur du sujet — et c’est une opportunité, pas une compétition. Quand l’intelligence est abondante, la ressource rare — et précieuse — n’est plus le modèle. Ce sont deux choses menées ensemble, et bien menées. La première, l’application : mettre cette intelligence au service de problèmes réels, dans les secteurs et les usages qui comptent vraiment, en l’adaptant aux réalités, aux forces et aux besoins d’un lieu précis. La seconde, la coordination : orchestrer les personnes, les outils et les systèmes pour la déployer de façon fiable et à grande échelle. Un modèle, seul, ne fait qu’énumérer ce qu’on pourrait faire. La valeur et l’impact reviennent à celui qui l’applique au bon problème et le mène à bien.

Cela redéfinit toute la question de savoir qui est « en avance ». Construire le plus grand modèle de fondation n’allait jamais être le terrain de l’Afrique, et le poursuivre lui coûterait une décennie. Mais ce n’est jamais là que réside la valeur durable. Elle réside dans l’application adaptée, soutenue par une coordination solide — et ce travail commence à peine, pour tout le monde. C’est aussi pourquoi tout ce que nous faisons, y compris notre recherche, est guidé par l’application, et non l’inverse.

Pourquoi c’est le terrain de l’Afrique

C’est ici que le récit habituel s’inverse. Les conditions que l’on range d’ordinaire sous « l’Afrique est en retard » sont, à bien y regarder, autant d’atouts pour ce travail précis.

L’Afrique n’est pas prisonnière d’infrastructures héritées — aucun investissement ancien à défendre, aucune vieille manière de faire à protéger. Elle a une longue expérience des environnements complexes où se croisent de nombreux acteurs — précisément ce qu’exige la coordination. Et ses contraintes de ressources — puissance de calcul limitée, électricité intermittente, bande passante réduite, pression permanente sur les coûts — ne font pas que la freiner : elles imposent l’innovation frugale dont le reste du monde, gourmand en énergie et rivé à ses centres de données, aura bientôt besoin à grande échelle.

Et ce n’est pas un vœu pieux : c’est ce qu’on observe depuis vingt ans. L’Afrique n’a jamais tiré de lignes téléphoniques en cuivre jusqu’à chaque village ; elle est passée directement au mobile et a mis un téléphone dans presque toutes les mains. Elle n’a pas attendu que les agences bancaires et les cartes de paiement parviennent à tous ; elle a sauté au mobile money — et, loin de se contenter de l’adopter, elle l’a inventé et révolutionné pour le reste du monde. À chaque fois, s’affranchir de l’étape héritée qui n’a jamais servi qu’une poignée n’a pas laissé l’Afrique à la traîne : cela l’a placée en tête. L’IA est le prochain bond du même genre. Ne refaisons pas le chemin d’un autre sur des décennies ; allons droit là où va la valeur — IA appliquée, edge computing, solutions frugales qui marchent dans les conditions africaines, et marchent donc partout.

Le monde compte déjà bien assez de gens qui peaufinent des modèles dans des centres de données. Ce qui lui manque cruellement, ce sont des gens capables de faire fonctionner l’intelligence là où l’infrastructure ne les aidera pas — sur un appareil alimenté au solaire, hors ligne, toute la journée, de façon fiable. Ce n’est pas une spécialité hypothétique. C’est le quotidien, ici. Et c’est une position défendable à l’échelle mondiale, pas un lot de consolation.

Ce qu’est vraiment leapfrogging.africa

Soyons clairs sur ce dont il s’agit, car c’est plus vaste qu’une école ou un produit. leapfrogging.africa est un mouvement pour bâtir et relier des écosystèmes d’IA à travers le continent — d’un pays à l’autre, d’un secteur à l’autre. L’unité d’ambition n’est ni un diplômé ni une application ; c’est un écosystème qui transforme l’intelligence en solutions déployées et détenues par des Africains — en agriculture, santé, finance, mines, infrastructures et gouvernance — puis un réseau de ces écosystèmes, coordonné par-delà les frontières.

C’est une ambition continentale ; la méthode doit donc être tout l’inverse du grandiose. On ne lance pas un continent. On commence petit et on le prouve : quelques pays pilotes, une poignée de partenaires engagés, un nœud qui fonctionne — réel et mesuré. Puis on réplique. Le but n’est pas d’assigner un rôle à chaque pays, mais de créer une incitation : un pays — ou une région — peut devenir un pôle d’excellence dans les secteurs qui comptent pour lui, aussi loin qu’il choisit de s’engager. L’agritech là où l’agriculture porte l’économie, l’IA de santé là où le besoin est le plus aigu, la fintech bâtie sur l’avance du continent en mobile money, les mines, la logistique ou l’énergie là où ce sont des forces locales — une IA adaptée aux conditions réelles, pas générique, avec l’edge computing et la frugalité en ressources comme force technique partagée. Chaque nœud est ancré dans les universités et l’industrie locales, le tout relié en un ensemble coordonné. Piloter, valider, passer à l’échelle. Le réseau est le produit.

C’est ici que la thèse de la coordination cesse d’être abstraite. Un tel écosystème ne tient que si la capacité est détenue localement — on ne peut pas coordonner ce qu’on ne sait pas exécuter — et si les universités, l’industrie et les pouvoirs publics y siègent en copropriétaires et partenaires, non en bailleurs. Le capital et les entrepreneurs viennent ensuite — non comme point de départ, mais comme ce qu’un écosystème qui fonctionne attire et produit : le moteur d’abord, et le capital est ce qu’un moteur crédible finit par attirer, en investisseur plutôt qu’en bailleur ; les entrepreneurs transforment des personnes formées et de la recherche en entreprises, en produits et en emplois. (Comment attirer effectivement ce capital — et pourquoi le moteur est l’élément décisif — fera l’objet d’un article à part.) Rien de tout cela n’a à être inventé de zéro : un modèle réunissant tous ces acteurs a fait ses preuves depuis des décennies — en Europe, aux États-Unis et ailleurs. L’idée n’est pas de l’importer tel quel ; c’est que nous n’avons pas à passer quarante ans à redécouvrir ce qui marche. Le même instinct de leapfrogging vaut pour les institutions : nous partons de là où ce modèle est arrivé, et nous l’adaptons sans ménagement à l’Afrique et au défi du moment. C’est l’échafaudage sur lequel l’écosystème s’appuie — important, mais pas la destination.

Là où tout commence : celles et ceux qui bâtissent

Un écosystème continental repose malgré tout sur une ressource rare : des personnes réellement capables de déployer l’IA dans les conditions africaines. Sans elles, chaque couche au-dessus se loue à quelqu’un d’autre. Le premier pas fondateur — la graine dont naît tout le reste — est donc le capital humain.

C’est le rôle de notre initiative phare, ALIT Africa (the Applied Learning Institute for Technology) : en partenariat avec des universités africaines établies, former des personnes à déployer l’IA dans des conditions réelles — appliquée aux secteurs locaux, pensée pour l’edge computing et la frugalité en ressources, adaptée aux langues et aux marchés africains. C’est aussi le premier endroit où nous appliquons à nous-mêmes cette logique du bond — jusque dans la manière d’apprendre. La maîtrise y prime sur le temps passé sur les bancs : c’est le niveau atteint, non le calendrier, qui décide qu’on est qualifié. ALIT, c’est là que leapfrogging.africa commence — pas ce qu’il est. (Cela fera l’objet du prochain article : ce qu’est ALIT, comment il fonctionne, et pourquoi l’éducation elle-même est l’un des domaines où l’Afrique peut faire le bond.)

Car le choix de fond est net, et il se joue maintenant. La transformation portée par l’IA en Afrique sera soit détenue et opérée par des institutions africaines, soit concédée sous licence par des fournisseurs étrangers ; soit bâtie sur une expertise africaine, soit dépendante de consultants extérieurs ; soit conçue pour les contextes africains, soit adaptée — maladroitement — d’ailleurs. Je sais quelle version je veux aider à bâtir.

C’est le premier d’une série régulière — la stratégie, le modèle d’écosystème, les partenaires, les obstacles, et le lent travail concret de la construction, en public, à mesure qu’elle avance.

La question n’a jamais été de savoir si l’Afrique prend part à l’ère de l’IA. C’est de savoir si nous transformons l’abondance en capacité, à grande échelle — nos pays bâtissant ensemble vers un même but plutôt que de se courir les uns après les autres.

Si cela vous parle, suivez la série. Et si vous préférez bâtir plutôt que lire — c’est la meilleure des invitations : écrivez-moi à alit@leapfrogging.africa.

Leap. Build. Own.

Il faut le reconnaître : le cadrage de la « mauvaise course » États-Unis–Chine que j’évoque en ouverture s’inspire de l’essai de Sangeet Paul Choudary et de son livre Reshuffle*, qui soutiennent que l’effet durable de l’IA est de rendre l’intelligence abondante et de déplacer l’avantage vers la coordination et l’exécution. J’ai braqué la même lentille sur un continent dont il ne parlait pas — et pour lequel nous avions déjà commencé à bâtir.*

Subscribe now

La première partie l’a montré : en Afrique, la question de l’IA et de l’emploi n’est ni la protection ni la dérive, mais la création délibérée. Place au concret — les nouvelles catégories de travail que fait émerger l’intelligence abondante, et la stratégie pour les bâtir. Deuxième partie sur deux.

La première partie défendait une thèse : dans la plupart des pays d’Afrique, l’IA est moins une menace pour les emplois formels existants — ils sont relativement peu nombreux — que la matière première pour bâtir les nombreux autres dont le continent a besoin. Et l’approche qui convient n’est ni celle des États-Unis, qui laissent faire le marché, ni celle de la Chine, qui défend les emplois existants, mais la création délibérée de travail nouveau.

Mais une thèse n’est pas un plan. « L’IA va créer des emplois » n’est qu’un slogan tant qu’on ne peut pas nommer ces emplois ni les mesures qui les font naître. Voici donc le concret : à quoi ressemble réellement ce travail, et ce que contiendrait une stratégie pour le construire.

Partons du point clé de la première partie. Dans une grande partie de l’Afrique, ce qui manque n’est pas le travail à accomplir — ce sont des personnes capables de l’accomplir de façon productive. L’objectif n’est donc pas de protéger un effectif, ni de courir après les emplois que l’externalisation voudra bien offrir. Il est de maximiser le nombre de personnes que l’intelligence abondante rend productives. Ce simple changement de perspective change ce que l’on construit.

Le travail nouveau que le bond en avant fait naître

L’erreur est d’imaginer que l’IA ne fait que supprimer des emplois. L’histoire est claire : les technologies à usage général créent aussi des catégories de travail que personne n’aurait su nommer à l’avance — et l’Afrique peut construire ces catégories délibérément, au lieu d’attendre de voir lesquelles apparaîtront. Plusieurs se dessinent déjà :

• Intégrateurs d’IA pour les petites entreprises — celles et ceux qui déploient, adaptent et font tourner au quotidien les outils d’IA qui rendent les PME productives. La plupart des petites entreprises n’engageront jamais un grand cabinet de conseil ; quelqu’un de local fera le travail technique, le conseil et la maintenance — souvent la même personne. Et il y en a énormément à faire.

• Spécialistes des langues locales — celles et ceux qui adaptent, évaluent et maintiennent les systèmes en wolof, bambara, yoruba, swahili, lingala, amharique, et les centaines de langues que les modèles mondiaux négligent. Bien menée, c’est une activité qualifiée et durable — l’inverse de l’annotation ponctuelle et mal payée contre laquelle la première partie mettait en garde. C’est la couche de conception et de qualité, celle qui se situe au-dessus de l’étiquetage brut des données, et non l’étiquetage lui-même.

• Conseillers agricoles et opérateurs d’outils d’IA — celles et ceux qui apportent aux exploitations l’irrigation intelligente, les capteurs de culture et les robots de terrain, et qui aident les agriculteurs à tirer parti de ce que ces outils révèlent. Avec cet appui, un seul agriculteur peut travailler une surface qui en exigeait auparavant plusieurs.

• Agents de santé assistés par l’IA — un nouveau profil de soignant pour un nouveau modèle de soins : des points de santé qui recueillent les données au plus près des habitants, reliés par la télémédecine et l’IA à des spécialistes parfois éloignés. Ce modèle apporte un bon diagnostic et un bon suivi aux zones rurales sans construire de grands hôpitaux partout — et il faut des personnes formées pour recueillir les données, faire fonctionner les appareils et accompagner les patients, ainsi que les techniciens qui font tenir l’ensemble.

• Gestionnaires de coopératives de données — un rôle plus récent et moins éprouvé : aider les coopératives, les municipalités et les associations à collecter, gouverner et exploiter leurs propres données au lieu de les céder. Émergent plutôt qu’établi — mais le besoin est déjà visible.

Et sous-tendant toutes ces catégories, la plus vaste de toutes : les micro-entrepreneurs outillés par l’IA — des personnes qui utilisent l’intelligence abondante pour proposer de la traduction, du design, de la comptabilité, du marketing, des services touristiques, de l’aide aux achats, et cent autres choses ; une seule personne pouvant désormais accomplir le travail qui exigeait naguère une petite équipe. Ce n’est pas la prévision d’un chiffre précis. C’est la forme d’une opportunité — et son ampleur est à la mesure du besoin.

Remarquez ce que la plupart ont en commun. Elles se situent au point de rencontre entre l’intelligence et une réalité locale à laquelle il faut l’adapter — et ce point est difficile à délocaliser. Toutes les tâches ne restent pas locales : le travail de données brut file déjà vers le pays le moins cher, comme le rappelait la première partie. Mais la couche de la relation — connaître le secteur, la langue, la communauté, les conditions, et être digne de confiance pour déployer au sein de tout cela — est bien plus difficile à piloter de loin. C’est là que se trouve le travail durable et mieux rémunéré.

Une réserve : beaucoup de ces activités commencent comme du travail à la tâche ou des gagne-pain informels, non comme des postes salariés — et l’avertissement de la première partie sur le bas extractif du marché vaut ici aussi. Le rôle d’une stratégie est d’aider ce travail à progresser vers la stabilité et la propriété, non de se féliciter de son volume brut. C’est précisément à cela que sert une stratégie, par opposition à un slogan.

Industrialiser par l’intelligence — usines comprises

Prenons du recul : tout cela dépasse une simple liste d’emplois — c’est une autre manière de se développer. L’Afrique a toujours besoin d’industrie : elle possède des minerais et des récoltes qu’il faut transformer, et le faire sur place, au lieu d’exporter les matières premières pour importer les produits finis, c’est ainsi que la valeur reste sur le continent. Le bond en avant ne consiste donc pas à se passer des usines. Il consiste à ne pas refaire le lent chemin qui y mène.

Cet ancien chemin suivait un ordre immuable : bâtir d’abord l’industrie lourde et les grandes usines comme principal moteur d’emplois ; des décennies plus tard, développer les services ; plus tard encore, une large vague d’entrepreneuriat — chaque étape attendant la précédente. L’intelligence abondante supprime la nécessité d’attendre. L’Afrique peut bâtir des usines intelligentes qui transforment les ressources locales avec moins de personnel, mais plus qualifié, et développer en même temps une vaste couche de services et de petites entreprises outillés par l’IA — au lieu de considérer les grandes usines comme le seul lieu d’où vient le travail.

Sous tout cela se joue un basculement : du grand et centralisé vers le petit et local. Longtemps, l’échelle a rimé avec la taille — une usine géante, un hôpital central, une grande école — tout circulant vers ce centre et depuis ce centre, à grands frais et à grand risque. L’IA, l’automatisation et la robotique changent la donne. Elles rendent les petites unités locales assez efficaces pour valoir la peine d’être construites : la production peut alors s’installer là où sont les ressources, et les services là où les gens en ont réellement besoin, au lieu de tout transporter vers un centre et depuis lui. Pensez aux boulangeries : non pas une usine géante qui cuit pour tout un pays et expédie le pain partout, mais une boulangerie dans chaque quartier, qui produit ce dont ce quartier a besoin. La même chose devient possible pour les usines, les cliniques et les écoles — un réseau de petites unités locales plutôt que quelques géants.

Et petit ne veut pas dire isolé. Les unités sont connectées et partagent ce qu’elles apprennent : les robots d’une usine transmettent leur expérience aux robots d’une autre ; des exploitations sous des climats différents échangent ce qui marche ; des cliniques mettent en commun ce qu’elles observent. Un site central unique ne connaît jamais qu’une seule réalité. Un réseau de sites locaux apprend de plusieurs à la fois — chaleur, froid, poussière, sols et usages différents — et s’améliore d’autant plus vite. Décentralisé mais coordonné l’emporte sur grand et centralisé. Cette coordination — de nombreuses unités locales qui apprennent comme une seule — est la vraie force sur laquelle repose toute cette approche.

On retrouve ce mouvement dans tous les secteurs. Dans l’agriculture : irrigation intelligente, capteurs et robots sur de nombreuses petites exploitations plutôt qu’une ferme géante. Dans la santé : des points de collecte de données locaux, la télémédecine et des objets connectés qui accompagnent les gens au jour le jour — gérer les maladies chroniques, orienter la nutrition, repérer tôt les problèmes — au lieu de quelques hôpitaux centraux coûteux. À chaque fois, la logique est la même : appliquer l’intelligence maintenant, et placer la capacité là où sont les gens et les ressources, plutôt que de bâtir d’abord de coûteuses infrastructures du XXe siècle et de tout centraliser autour d’elles. Bien menée, cette approche est à la fois meilleure et moins chère — et, dans la santé, elle maintient une main-d’œuvre plus saine et plus productive tout en évitant l’explosion des coûts qui pèse sur les économies plus riches.

Voilà ce que « leapfrogging » veut vraiment dire ici : non pas sauter l’industrie, mais la bâtir sous une forme nouvelle — plus petite, locale, connectée, et tout à la fois. L’Afrique peut atteindre une économie moderne — usines, services et entrepreneuriat ensemble — sans passer des décennies à y grimper étape par étape. Cela s’appuie sur une force déjà présente sur le continent, l’entrepreneuriat informel, au lieu de la contrarier ; tout le monde ne devient pas salarié, et beaucoup deviennent entrepreneurs. L’occasion est de faire de l’intelligence abondante un chemin plus rapide et plus intelligent qu’aucun de ceux empruntés jusqu’ici.

La stratégie qui la construit

Rien de tout cela n’est automatique — c’était l’avertissement de la première partie. La création délibérée exige des mesures délibérées. Une véritable stratégie d’emploi par l’IA, par opposition à une stratégie de protection, mobiliserait des leviers comme ceux-ci :

• Programmes nationaux d’apprentissage et de formation professionnelle en IA — traiter les compétences d’IA appliquée comme les époques passées traitaient les métiers manuels.

• Services de vulgarisation de l’IA — calqués sur les réseaux de vulgarisation agricole déjà en place, pour mettre le conseil à la portée des agriculteurs et des petites entreprises.

• Un corps de déploiement de l’IA — une capacité organisée pour amener l’IA dans les services publics et les PME, créant au passage les emplois d’intégrateurs évoqués plus haut.

• Une commande publique favorable aux startups d’IA locales — utiliser la demande de l’État pour développer les capacités nationales plutôt que de les importer.

• Des fonds d’entrepreneuriat en IA — des capitaux dirigés vers la couche des micro et petites entreprises, là où se fera l’essentiel de la création d’emplois.

• Des modèles de fondation et d’application en langues locales — traités comme une infrastructure publique, car tout le reste en dépend.

• Une alphabétisation massive à l’IA et par l’IA — la couche de base qui permet à toute la population de participer, et non à une mince élite.

Rien d’exceptionnel dans tout cela. Ce sont les instruments ordinaires de la politique industrielle, dirigés vers une cible que d’autres ne visent pas — ni protéger les emplois d’hier, ni attendre le marché, mais bâtir les conditions pour que le travail de demain existe.

Là où la stratégie prend racine

Chaque élément de cette liste repose sur le même socle — celui de tout ce que fait leapfrogging.africa : des personnes réellement capables de déployer l’IA dans les conditions africaines. Sans elles, les emplois d’intégrateurs, le corps de déploiement, les modèles en langues locales et les micro-entreprises se louent tous ailleurs — et la stratégie retombe dans la simple consommation.

C’est le rôle d’ALIT Africa à l’extrémité appliquée, et celui de l’éducation comme pilier à part entière de leapfrogging.africa en dessous — du primaire et du secondaire à la formation professionnelle et continue, et conçue comme l’intelligence abondante le permet désormais : adaptative, fondée sur la maîtrise, où c’est le niveau atteint, et non le calendrier, qui décide du moment où quelqu’un est qualifié. L’éducation n’est pas à côté de la stratégie d’emploi. Elle estla stratégie d’emploi, vue depuis sa source. C’est le pilier « emploi » de tout l’argumentaire de leapfrogging.africa : si l’intelligence devient un bien courant, alors l’avantage compétitif de l’Afrique, c’est le nombre de personnes qu’elle peut rendre capables de l’appliquer — travailleurs, opérateurs, bâtisseurs et entrepreneurs, à grande échelle.

Ce que personne n’a jamais fait

Un dernier point, et c’est le plus important, car il est facile de le perdre de vue dans le quotidien.

Aucun pays dans l’histoire ne s’est industrialisé en disposant d’une intelligence abondante dès le départ. Ni le Royaume-Uni. Ni l’Allemagne. Ni les États-Unis. Ni la Chine. Chacun a d’abord bâti son économie moderne, et n’a dû y ajouter l’intelligence que plus tard — ce qui est précisément ce qu’une grande partie du monde peine aujourd’hui à faire.

L’Afrique pourrait être la première à bâtir de larges pans d’une économie moderne avec une intelligence abondante disponible dès le premier jour. Ce n’est pas un lot de consolation pour être arrivée en retard. C’est une position de départ qu’aucune nation industrialisée avant elle n’a jamais connue.

D’autres cherchent comment protéger la main-d’œuvre d’hier, ou espèrent que le marché tranchera la question à leur place. L’Afrique a une tâche plus rare, et une chance plus rare : concevoir l’avenir avant que l’ancien modèle ne s’installe — et faire en sorte que les emplois qu’elle crée soient détenus ici.

Leap. Build. Own.

[Lien Partie 1]

Les deux superpuissances de l’IA gèrent son effet sur l’emploi de façons très différentes : l’une laisse largement faire le marché, l’autre pilote depuis le sommet. Aucune des deux ne convient à l’Afrique, car toutes deux supposent un vaste stock d’emplois formels qui, ici, n’a jamais été bâti à la même échelle. Ce n’est pas une raison pour laisser filer, ni pour se mettre sur la défensive. C’est une raison d’avoir une stratégie. Première partie sur deux : comment faire de l’IA, non plus une menace pour l’emploi, mais ce qui finit enfin par en créer — inspirée d’un récent article de Katrin Bennhold dans le New York Times sur la Chine et l’emploi face à l’IA.

Tout est parti d’un article de Katrin Bennhold dans le New York Times. Elle y décrit deux manières très différentes dont l’effet de l’IA sur l’emploi se déploie chez les deux superpuissances de l’IA.

Aux États-Unis, la réponse consiste essentiellement à ne pas intervenir. Les grands laboratoires courent après la superintelligence — des machines censées dépasser l’intelligence humaine, et pas seulement l’égaler — pendant que l’État reste en retrait, en supposant que le marché absorbera le choc de lui-même. Il n’y a pas vraiment de plan : laisser faire le marché est la stratégie. Appelons cela le laissez-faire.

En Chine, c’est tout autre chose. Pékin a inscrit la question de l’emploi dans son plan quinquennal et est passé à l’acte : pression sur les entreprises pour éviter les licenciements, salariés licenciés soutenus devant les tribunaux, formations financées, et même l’émergence d’un champ universitaire pour déterminer qui crée la valeur une fois les machines arrivées. Appelons cela la protection : l’État gère activement l’effet sur la main-d’œuvre existante.

Deux approches très différentes — mais le même postulat de départ. Toutes deux tiennent pour acquis un vaste stock d’emplois formels (chaînes de production, centres d’appels, postes de bureau) et se jouent autour de ce que l’IA lui fait subir. L’une laisse ce stock être bouleversé, l’autre le défend. Dans les deux cas, c’est ce stock qui est au cœur du débat.

La plupart des pays d’Afrique n’ont jamais bâti ce stock d’emplois formels à une échelle comparable. Et cela change la question.

L’Afrique part d’un autre point de départ

Dans la plus grande partie du continent, le problème central de l’emploi n’est pas trop peu d’emplois après l’IA. C’est trop peu d’emplois, tout court — et une population jeune qui arrive plus vite qu’aucune économie formelle ne parvient à l’absorber.

Près de 85 % de l’emploi en Afrique subsaharienne est informel — petite agriculture, commerce de rue, services de proximité — contre une moyenne mondiale d’environ 58 %. Chaque année, plus de 10 millions de jeunes entrent sur le marché du travail africain, et la croissance actuelle ne crée qu’environ 3 millions d’emplois formels pour les accueillir. Selon une estimation, la seule Afrique subsaharienne devra créer de l’ordre de 15 millions d’emplois par an d’ici 2030 rien que pour suivre le rythme des nouveaux arrivants — et d’ici 2050, la région ajoutera plus de 620 millions de personnes à sa population en âge de travailler, la plus forte expansion de ce type au monde.

Un débat construit autour de ce que l’IA fait subir à un stock d’emplois formels — le laisser être bouleversé ou le défendre — est en réalité un débat pour les grandes économies industrialisées. Il répond à une question que ne se posent ni une grande partie de l’Afrique, ni d’autres économies jeunes et largement informelles.

Pourquoi aucune des deux réponses ne convient

Transposez chacune de ces approches à l’Afrique, et le décalage saute aux yeux.

Le laissez-faire suppose un marché d’emplois formels qui fonctionne, que l’IA viendrait rebattre. Là où ce marché est mince, « laisser faire » ne produit pas une redistribution certes chaotique mais dynamique. Cela produit une dérive : l’IA étrangère est consommée, la valeur qu’elle crée est captée ailleurs, et l’économie locale hérite du bas extractif de la chaîne, sans le haut productif. Ici, la passivité n’est pas neutre. C’est un choix : celui de laisser passer l’occasion.

La protection échoue pour la raison inverse : ici, il y a bien moins à protéger. Défendre le stock plus réduit d’emplois formels qui existent bel et bien passe à côté de l’essentiel — de la même manière, et pour la même raison, que « posséder le modèle le plus puissant » était la mauvaise course. Le vrai défi n’est pas d’amortir les emplois perdus à cause de l’IA ; c’est de créer les nombreux autres dont l’économie a encore besoin.

Reste une troisième posture, et c’est la bonne : ni la dérive, ni la défense, mais la création délibérée. La question de l’IA et de l’emploi, en Afrique, n’est pas « combien d’emplois vont survivre ? ». C’est « combien pouvons-nous en construire — et allons-nous le faire délibérément ? ».

Ce mot — délibérément — change tout. La phrase la plus utile de l’article du Times ne porte pas sur les méthodes chinoises, dont l’essentiel ne se transpose pas de toute façon. C’est sa conclusion : les décideurs ont une marge de manœuvre. La direction que prend cette technologie est un choix, pas la météo. Et cette marge de manœuvre va à l’encontre des deux autres approches à la fois — la dérive du laissez-faire comme le réflexe passéiste de la protection. Elle mène à la stratégie. Ce que contient cette stratégie fera l’objet de la deuxième partie. La première établit qu’il faut en avoir une.

Soyons clairs sur les limites de cette affirmation, car elles comptent. Je ne dis pas qu’aucun emploi africain n’est menacé — certains le sont, et j’y viendrai franchement. Je dis où se situe l’essentiel. Pour un continent dont le défi central est un manque d’emplois, et non leur destruction soudaine, la posture qui convient n’est ni passive ni défensive. Elle est proactive.

L’intelligence devient une infrastructure

Commençons par comprendre pourquoi cette création est même possible — pourquoi l’IA abondante est ici un levier plutôt qu’une menace.

L’intention affichée de la Chine est d’utiliser l’IA pour augmenter ses travailleurs plutôt que les remplacer, en rendant plus productifs ceux qui occupent déjà un emploi formel. Reprenez cette intention et dirigez-la vers une autre cible : non pas les personnes en emploi, mais l’immense masse des sous-employés — le petit exploitant agricole, le commerçant de marché, le micro-entrepreneur, l’agent de santé communautaire, le petit dispensaire. Ils sont ici bien plus nombreux que les employés de bureau, et c’est tout l’enjeu.

De même que les routes, l’électricité et l’internet sont chacun devenus des infrastructures sur lesquelles une économie entière pouvait s’appuyer, l’intelligence abondante devient une infrastructure cognitive — et elle arrive sur l’économie informelle comme une capacité brute. Un diagnostic de maladie des cultures sur un simple smartphone transforme l’intuition d’un agriculteur en décision, et permet à un seul conseiller agricole d’atteindre bien plus de producteurs qu’auparavant. Un conseil en langue locale transforme un commerçant privé de données de marché en quelqu’un qui peut fixer ses prix et planifier. Un agent de santé assisté par l’IA peut prendre en charge, en toute sécurité, des cas qui exigeaient auparavant d’orienter le patient à des centaines de kilomètres. Rien de tout cela n’est un emploi salarié dans une tour de bureaux. C’est un multiplicateur de productivité posé sur l’économie qui fait déjà vivre la majeure partie du continent — un plancher que l’on relève pour ceux qui s’y tiennent.

Cela révèle la nature réelle de la pénurie. Les gouvernements demandent d’ordinaire : comment créer des emplois ? La bonne question est plutôt : comment accroître la capacité productive ? — car, dans une grande partie de l’Afrique, ce qui manque n’est pas le travail à accomplir, mais des personnes capables de l’accomplir de façon productive. Quand l’intelligence devient une infrastructure, des millions de gens jusque-là exclus du travail productif faute de formation, d’outils ou d’institutions peuvent soudain y accéder. La ressource rare n’est plus l’intelligence : c’est l’humain capable de l’appliquer.

Le vrai bond en avant : s’affranchir des modèles dépassés, pas de la technologie

C’est ici que le mot leapfrogging doit être employé avec précision, car sa version courante est trop étroite.

La plupart des gens entendent « leapfrogging » et pensent : sauter le téléphone fixe, sauter les agences bancaires, sauter l’ordinateur de bureau — passer directement à la technologie la plus récente. Vrai, jusqu’à un certain point. Mais le vrai bond en avant ne consiste pas à sauter une technologie. Il consiste à s’affranchir d’un modèle d’organisation dépassé.

Le monde développé a bâti ses économies en créant d’abord des millions d’emplois de bureau, administratifs et de back-office — et il dépense aujourd’hui une énergie politique considérable à chercher comment les automatiser sans provoquer de rupture sociale. L’Afrique n’a pas à entrer dans ce piège pour devoir ensuite en ressortir. Elle peut sauter toute l’étape qui consiste à fabriquer des emplois administratifs à faible valeur pour les démanteler une génération plus tard, et construire d’emblée un travail à plus forte valeur, porté par l’IA. C’est un saut bien plus grand que d’enjamber un câble dans le sol. C’est sauter tout un détour économique.

La couche humaine est le moteur d’emplois

Et déployer l’IA dans les conditions africaines ne se contente pas de rendre les travailleurs existants plus productifs. Cela crée des catégories de travail entièrement nouvelles — et le modèle existe déjà.

Chaque saut africain précédent a fait exactement cela. Le mobile money en est l’exemple le plus clair. Il n’a pas seulement numérisé les paiements ; il a bâti un vaste réseau humain pour les faire fonctionner. Le réseau d’agents M-Pesa, au seul Kenya, dépasse aujourd’hui 300 000 points de service — plus de points de présence que toutes les banques du pays réunies. C’était une catégorie d’emplois qui n’existait pas avant le saut : des centaines de milliers de personnes gagnant leur vie à l’interface humaine entre une nouvelle technologie et des populations qui ne pouvaient pas se servir seules. La technologie n’a pas retiré l’humain de la boucle. Elle a créé la boucle et y a placé des humains.

Le déploiement de l’IA a besoin de la même couche, et il en a cruellement besoin — des gens pour adapter les modèles aux langues locales, les ajuster aux conditions réelles d’un secteur, les faire tourner là où l’infrastructure ne suivra pas, et livrer le service à ceux qui ne toucheront jamais une API brute. Ce que sont concrètement ces emplois, et comment une stratégie les construit délibérément, fera l’objet de la deuxième partie. Ce qu’il faut retenir pour l’instant, c’est que ce sont des emplois nouveaux que le saut engendre — et non d’anciens emplois qu’il défend.

Trois points dont cet argument doit tenir compte

Un argument sérieux nomme ses propres faiblesses. Celui-ci en a trois.

1. Certains emplois africains sont bel et bien menacés. Le Kenya, l’Afrique du Sud, le Nigeria et l’Égypte comptent de véritables emplois d’externalisation (BPO), de centres d’appels et de back-office — exactement le type de travail que l’IA peut automatiser. Pire : la voie de l’externalisation de services, que l’Inde a gravie jusqu’à la prospérité, risque de disparaître avant qu’une grande partie de l’Afrique ne l’atteigne. Si l’IA automatise l’externalisation d’entrée de gamme, cette première marche s’efface avant que la plupart du continent ne puisse y poser le pied. C’est réel, et cela renforce l’argument au lieu de l’affaiblir — c’est précisément pourquoi la stratégie ne peut pas consister à courir après le modèle d’externalisation que tout le monde est en train d’automatiser, mais à construire la couche supérieure: celle du déploiement.

2. « l’IA va créer des emplois » n’est qu’un slogan tant que personne ne construit la couche qui les crée. Rien de tout cela n’est automatique — et c’est exactement là que le laissez-faire échoue en Afrique. Sans capacités locales, le continent consomme l’IA étrangère et ne capte rien du travail qui l’entoure. L’augmentation a lieu ; la valeur, elle, s’en va. L’opportunité est conditionnelle, et la condition, c’est le capital humain et la coordination. Ce n’est pas une faille dans l’argument. C’est la raison même pour laquelle une stratégie délibérée est indispensable.

3. Le travail d’IA bas de gamme qui existe déjà a été synonyme d’exploitation. Le travail de données que l’Afrique connaît déjà est un avertissement, pas un modèle. Le magazine TIME a rapporté que des travailleurs kényans entraînant les filtres de sécurité de ChatGPT gagnaient moins de deux dollars de l’heure, en triant des contenus violents et éprouvants ; une grande plateforme s’est ensuite retirée du Kenya du jour au lendemain, laissant des milliers de personnes sans ressources. Voilà à quoi ressemblent les « emplois de l’IA » quand le travail est extractif et que la valeur se trouve ailleurs — et c’est la meilleure raison de viser plus haut, vers la propriété, plutôt que de compter les volumes tout en bas.

Nommer ces faiblesses n’affaiblit pas la thèse de la création. Cela définit ce à quoi doit ressembler une bonne création : locale, détenue localement, et qui monte en gamme.

Qui crée la valeur quand l’intelligence est bon marché ?

Ce qui nous ramène à la question la plus étrange de l’article du Times — celle autour de laquelle des chercheurs chinois bâtissent tout un champ d’étude : qui crée la valeur après l’IA ?

Quand l’intelligence elle-même est abondante et presque gratuite, la valeur revient à celui qui l’applique et l’adapte à un problème réel, dans un lieu réel. En Afrique, dans l’immense majorité des cas, celui qui l’applique est une personne — l’agent, l’opérateur, le bâtisseur, le travailleur augmenté. La réponse à « qui crée la valeur après l’IA » n’est donc ni une machine, ni un laboratoire. C’est un emploi. Toute la tâche consiste à faire en sorte qu’il y en ait assez, qu’ils montent en gamme, et qu’ils soient détenus ici.

Voilà pour la thèse. Le plan d’action — les emplois précis que l’ère de l’IA rend possibles, et la stratégie qui les construit délibérément — fera l’objet de la deuxième partie.

Leap. Build. Own.

Cet article part de la chronique de Katrin Bennhold dans le New York Times sur l’approche chinoise de l’IA et de l’emploi. Les chiffres sur l’emploi informel et le déficit d’emplois proviennent de l’OIT et du rapport 2026 de la Fondation Mastercard sur l’emploi des jeunes en Afrique ; la projection de population active, de la Banque mondiale ; et les chiffres sur les agents de mobile money, des propres publications de Safaricom. Les éléments sur le travail de données sont tirés des reportages de TIME de 2023 et de la couverture ultérieure du secteur.

Part one argued that Africa’s AI-and-jobs question is neither protection nor drift, but deliberate creation. This is the playbook: the new categories of work abundant intelligence opens up, and the strategy that builds them on purpose. Part two of two.

Part one made a case: for most of Africa, AI isn’t a threat to a workforce that barely exists — it’s the raw material for building one. And the approach that fits is neither the American one of leaving it to the market nor the Chinese one of defending existing jobs, but the deliberate creation of new work.

A case, though, is not a plan. “AI will create jobs” is a slogan until you can name the jobs and name the moves that produce them. So here is the substance: what the work actually looks like, and what a strategy to build it would contain.

Start from the key point of part one. The scarcity in much of Africa isn’t work to be done — it’s people able to do it productively. Which means the goal isn’t to protect a headcount or to chase whatever jobs the outsourcing market happens to provide. It’s to maximize the number of people that abundant intelligence makes productive. That single change of focus changes what you build.

New work the leap creates

The mistake is to imagine AI only subtracts jobs. History is clear that general-purpose technologies also create categories of work nobody could have named beforehand — and Africa can build those categories deliberately rather than waiting to see which ones appear. Several are already visible:

• AI integrators for small business — people who deploy, adapt, and keep running the AI tools that let SMEs become productive. Most small firms will never hire a global consultancy; someone local will do the technical work, the advisory work, and the maintenance — often the same person. There is an enormous amount of it.

• Local-language specialists — the people who adapt, evaluate, and maintain systems in Bambara, Wolof, Yoruba, Swahili, Lingala, Amharic, and the hundreds of languages the global models neglect. Done right, this is skilled, ongoing work — the opposite of the one-off, low-paid annotation part one warned about. It’s the design-and-quality layer that sits above raw data labeling, not the labeling itself.

• Agricultural AI advisors and tool operators — the people who bring smart irrigation, crop sensors, and field robots to farms, and help farmers act on what those tools show. With this support, one farmer can work land that used to need several.

• AI-supported health workers — a new profile of health worker for a new model of care: data-capturing health stations close to where people live, linked by telemedicine and AI to specialists who may be far away. It brings good diagnosis and monitoring to rural areas without building large hospitals everywhere — and it needs people trained to capture data, run the devices, and support patients, plus the technicians who keep it all working.

• Data-cooperative stewards — a newer, less proven role: helping cooperatives, municipalities, and associations gather, govern, and benefit from their own data instead of surrendering it. Emerging rather than established — but the need is already visible.

And running underneath all of them, the largest category of all: AI-enabled micro-entrepreneurs — people using abundant intelligence to offer translation, design, bookkeeping, marketing, tourism services, procurement help, and a hundred other things, one person now able to do the work that once took a small team. This is not a forecast of a precise number. It’s the shape of an opportunity — and its scale matches the scale of the need.

Notice what most of these have in common. They sit at the point where intelligence meets a local reality it has to be adapted to — and that point is hard to move offshore. Not every task stays local: raw data work already flows to whichever country is cheapest, as part one’s warning showed. But the relationship layer — knowing the sector, the language, the community, the conditions, and being trusted to deploy inside them — is much harder to run from far away. That is where the durable, better-paid work sits.

One caveat: many of these begin as gig work or informal livelihoods, not salaried posts — and part one’s warning about the extractive bottom of the market applies here too. The task of a strategy is to help this work move toward stability and ownership, not to celebrate its raw numbers. Which is exactly what a strategy, as opposed to a slogan, is for.

Industrialize through intelligence — factories included

Step back, and this adds up to something bigger than a jobs list — a different way to develop. Africa still needs industry: it has minerals and crops that have to be processed and transformed, and doing that at home, instead of exporting raw materials and importing finished goods, is how value stays on the continent. So the leap is not about skipping factories. It’s about not repeating the slow path to them.

That old path ran in a fixed order: first build heavy industry and giant factories as the main engine of jobs; decades later, grow services; later still, a broad wave of entrepreneurship — each stage waiting for the one before. Abundant intelligence removes the need to wait. Africa can build smart factories that process local resources with fewer but more skilled people, and at the same time grow a large layer of AI-empowered services and small businesses — instead of treating giant factories as the only place work comes from.

Underneath this is a shift from giant and central to small and local. For a long time, scale meant size — one huge factory, one central hospital, one big school — with everything moved to and from it at high cost and risk. AI, automation, and robotics change that. They make small, local units efficient enough to be worth building, so production can sit where the resources are and services where people actually need them, instead of hauling everything to and from one center. Think of bakeries: not one giant plant baking for a whole country and shipping bread everywhere, but a bakery in each area, making what that area needs. The same now becomes possible for factories, clinics, and schools — a network of small, local units instead of a few giants.

And small doesn’t mean isolated. The units are connected, and they share what they learn: robots in one factory pass on their experience to robots in another; farms in different climates exchange what works; clinics pool what they see. A single central site only ever knows one reality. A network of local ones learns from many at once — different heat, cold, dust, soil, and daily use — and improves faster because of it. Decentralized but coordinated beats big and central. That coordination — many local units learning as one — is the real strength this whole approach is built on.

You can see the move across sectors. In farming, smart irrigation, sensors, and robots on many small holdings rather than one giant farm. In health, local data stations, telemedicine, and wearable devices that follow people day to day — managing chronic conditions, guiding nutrition, catching problems early — instead of a few costly central hospitals. Each time the logic is the same: apply intelligence now, and put the capability where the people and the resources are, rather than first building expensive 20th-century infrastructure and centralizing everything around it. Done well, the result is better and cheaper at once — and, in health, it keeps the workforce healthier and more productive while avoiding the runaway costs that strain richer economies.

That is what leapfrogging really means here: not skipping industry, but building it in a new shape — smaller, local, connected, and all at once. Africa can reach a modern economy — factories, services, and entrepreneurship together — without spending decades climbing there one stage at a time. It works with the continent’s existing strength in informal entrepreneurship rather than against it; not everyone becomes an employee, and many become entrepreneurs. The opportunity is to turn abundant intelligence into a faster, smarter path than anyone has taken before.

The strategy that builds it

None of this is automatic — that was the warning of part one. Deliberate creation requires deliberate moves. A serious AI-employment strategy would reach for tools like these:

• National AI apprenticeship and vocational programs — treating applied AI skills the way earlier eras treated trades.

• AI extension services — modeled on the agricultural extension networks that already exist, putting advisory capability within reach of farmers and small businesses.

• An AI deployment corps — organized capacity to bring AI into public services and SMEs, creating the integrator jobs above in the process.

• Public procurement that favors local AI startups — using government demand to grow domestic capability rather than import it.

• AI entrepreneurship funds — capital aimed at the micro- and small-enterprise layer where most of the job creation will actually happen.

• Local-language foundation and application models — treated as public infrastructure, because everything else depends on them.

• Mass AI literacy — the base layer that lets the whole population participate rather than a thin elite.

These are not unusual. They’re the ordinary instruments of industrial policy, pointed at a target others aren’t aiming for — not protecting yesterday’s jobs, not waiting on the market, but building the conditions for tomorrow’s work to exist.

Where the strategy is anchored

Every item on that list rests on the same foundation, which is why it’s the foundation of everything leapfrogging.africadoes: people who can actually deploy AI under African conditions. Without them, the integrator jobs, the deployment corps, the local-language models, and the micro-enterprises all get rented from somewhere else — and the strategy collapses back into consumption.

That’s the role of ALIT Africa at the applied end, and of education as a full pillar of leapfrogging.africa beneath it — running from primary and secondary through vocational and professional training, and built the way abundant intelligence now allows: adaptive, mastery-based, with readiness rather than the calendar deciding when someone is qualified. Education isn’t adjacent to the jobs strategy. It is the jobs strategy, seen from its source. This is the employment pillar of the whole leapfrogging.africa argument: if intelligence is becoming a commodity, then Africa’s competitive advantage is the number of people it can make able to apply it — workers, operators, builders, and entrepreneurs, at scale.

The thing no one has ever done

One last point, and it’s the biggest, because it’s easy to miss in the day-to-day.

No country in history has industrialized with abundant intelligence available from the start. Britain didn’t. Germany didn’t. America didn’t. China didn’t. Every one of them built its modern economy first, and only later had to add intelligence into it — which is exactly what much of the world is now struggling to do.

Africa could be the first to build large parts of a modern economy with abundant intelligence available on day one. That’s not a consolation prize for arriving late. It’s a starting position no earlier industrializer ever had.

Others are working out how to protect yesterday’s workforce, or hoping the market resolves the question for them. Africa has the rarer task, and the rarer chance: to design the future before the old system is in place — and to make sure the jobs it builds are owned here.

Leap. Build. Own.

Link to Part one

The world’s two AI superpowers are handling AI’s effect on jobs in very different ways — one largely leaves it to the market, the other manages it from the top. Neither fits Africa, because both assume a stock of jobs that here was mostly never built. That isn’t a reason to drift, and it isn’t a reason to defend. It’s a reason to have a strategy. Part one of two on turning AI from a threat to jobs into the thing that finally creates them — prompted by Katrin Bennhold's recent New York Times piece on China and AI jobs.

This started with a New York Times article by Katrin Bennhold. In it, she describes two very different ways AI's effect on jobs is unfolding in the world's two AI superpowers.

In the United States, the response is essentially hands-off. The frontier labs are chasing superintelligence (machines meant to surpass human intelligence, not just match it) and the state has largely stood back, on the assumption that disruption sorts itself out. There isn’t really a plan; leaving it to the market is the approach. Call it laissez-faire.

In China, it looks very different. Beijing has written the employment problem into its five-year plan and started acting on it — leaning on companies against layoffs, backing dismissed workers in court, pushing retraining, even spawning an academic field to work out who creates value once the machines arrive. Call it protection: the state actively managing the effect on the existing workforce.

Two very different approaches but the same underlying premise. Both take as given a large stock of formal jobs (factory lines, white-collar desks, knowledge workers) and turn on what AI does to it. One lets that stock be disrupted; the other defends it. Either way, that stock is what the debate is about.

For most of Africa, that stock was mostly never built. And that changes the question.

Africa starts from a different place

The dominant labor problem across most of the continent isn’t too few jobs left after AI. It’s too few jobs, full stop — and a young population arriving faster than any formal economy is absorbing it.

Around 85% of employment in sub-Saharan Africa is informal — smallholder farming, street trading, small-scale services — against a world average near 58%. Every year, more than 10 million young people enter the African labor market, and current growth patterns produce roughly 3 million formal jobs to meet them. By one estimate, sub-Saharan Africa alone will need to create on the order of 15 million new jobs a year by 2030 just to keep pace with new entrants — and between now and 2050 the region will add more than 620 million people to its working-age population, the fastest such expansion anywhere in the world.

So a debate built around what AI does to a stock of formal jobs — whether to let it be disrupted or to defend it — is really a debate for the large industrialized economies. It answers a question that much of Africa, along with other young, largely informal economies, doesn’t have.

Why neither answer fits

Carry each approach to Africa, and the mismatch shows.

The laissez-faire approach assumes a functioning market of formal jobs for AI to reshuffle. Where that market is thin, “let it happen” doesn’t produce a messy-but-dynamic reallocation. It produces drift: foreign AI gets consumed, the value it generates is captured elsewhere, and the local economy inherits the extractive bottom of the supply chain without the productive top. Passivity isn’t neutral here. It’s a decision to miss the opening.

The protection approach fails for the opposite reason — there’s little to protect. Defending a stock of formal jobs that was never created is the wrong fight, in the same way, and for the same reason, that “who owns the smartest model” was the wrong race. You cannot cushion the loss of jobs that don’t exist.

Which leaves a third posture, and it’s the one that fits: not drift, not defense, but deliberate creation. Africa’s AI-and-jobs question isn’t “how many jobs survive?” It’s “how many can we build — and will we build them on purpose?”

That phrase — on purpose — is the whole thing. The most useful line in that Times article isn’t about China’s methods, most of which don’t transplant anyway. It’s the conclusion: policymakers have agency. The direction of this technology is a choice, not a weather system. And agency cuts against both other approaches at once — against the drift of laissez-faire and against the backward-looking reflex of protection. It points at strategy. What that strategy actually contains is part two. Part one is the case for having one at all.

Let me be clear about the limits of this claim, because they matter. This is not a claim that no African job is exposed — some are, and I’ll come to them squarely. It’s a claim about where the weight sits. For a continent whose defining challenge is a jobs gap, not a jobs cliff, the posture that fits is neither passive nor defensive. It’s proactive.

Intelligence becomes infrastructure

Start with why creation is even possible — why abundant AI is leverage here rather than a threat.

China’s stated instinct is to use AI to augment its workers rather than replace them, making people already in formal jobs more productive. Take that instinct and point it at a different target: not the employed, but the vast underemployed — the smallholder farmer, the market trader, the micro-entrepreneur, the community health worker, the small clinic. There are far more of them here than there are office workers, and that is the point.

Just as roads, electricity, and the internet each became infrastructure a whole economy could build on, abundant intelligence becomes cognitive infrastructure — and it lands on the informal economy as raw capability. A phone-based crop-disease diagnosis turns a farmer’s guesswork into a decision, letting one extension officer reach far more farmers than before. A local-language advisory turns a trader with no market data into one who can price and plan. An AI-supported health worker can safely handle cases that used to require a referral hundreds of kilometers away. None of this is a salaried job in a tower. It’s a productivity multiplier laid over the economy that already employs most of the continent — lifting the floor for the people standing on it.

This exposes what the shortage really is. Governments habitually ask how do we create jobs? The sharper question is how do we increase productive capacity? — because the binding scarcity in much of Africa isn’t work to be done, it’s people able to do it productively. When intelligence becomes infrastructure, millions who were locked out of productive work by lack of training, tools, or institutions can suddenly enter it. The scarce resource stops being the intelligence and becomes the human able to apply it.

The real leap: skipping obsolete models, not technology

Here’s where the word leapfrogging has to be used precisely, because the common version is too small.

Most people hear “leapfrogging” and think: skip landlines, skip bank branches, skip desktops — jump straight to the newer technology. True as far as it goes. But the deeper leap isn’t skipping a technology. It’s skipping an obsolete organizational model.

The developed world built its economies by first creating millions of clerical, administrative, and back-office jobs — and is now spending enormous political energy working out how to automate them without social rupture. Africa does not have to walk into that trap and back out of it. It can skip the entire stage of manufacturing low-value clerical work only to dismantle it a generation later, and build higher-value, AI-enabled work from the start. That is a far bigger leap than skipping a wire in the ground. It’s skipping a whole economic detour.

The human layer is the job engine

And deploying AI under African conditions doesn’t just make existing workers more productive. It creates entirely new categories of work — and we have the template.

Every prior African leap did exactly this. Mobile money is the clearest case. It didn’t only digitize payments; it built a vast human network to run them. M-Pesa’s agent footprint in Kenya alone now exceeds 300,000 outlets — more points of presence than every bank in the country combined. That was a job category that did not exist before the leap: hundreds of thousands of people earning a living at the human interface between a new technology and communities that couldn’t self-serve. The technology didn’t remove the human from the loop. It created the loop and put humans in it.

AI deployment needs the same layer, and needs it badly — people to localize models, adapt them to a sector’s real conditions, operate them where the infrastructure won’t help, and deliver the service to those who will never touch a raw API. What those jobs actually are, and how a strategy deliberately builds them, is the subject of part two. The point for now is that they are new jobs the leap generates — not old jobs it defends.

Three things this argument has to account for

A serious case names its own weak points. This one has three.

First: Some African jobs really are exposed. Kenya, South Africa, Nigeria, and Egypt have real business-process-outsourcing, call-center, and back-office employment — exactly the kind of work AI can automate away. Worse, the services-outsourcing path that India climbed to prosperity may be pulled away before much of Africa reaches it: if AI automates entry-level outsourcing, that first step is gone before most of the continent can climb onto it. This is real, and it sharpens the argument rather than weakening it — it’s exactly why the strategy can’t be to chase the outsourcing model everyone else is automating, but to build the deployment layer above it.

Second: “AI will create jobs” is just a slogan unless someone builds the layer that creates them. None of this is automatic — and this is exactly where laissez-faire fails Africa. Without local capability, the continent consumes foreign AI and captures none of the work around it. The augmentation happens; the value leaves. The opportunity is conditional, and the condition is human capital and coordination. That’s not a hole in the argument. It’s the reason a deliberate strategy is the whole point.

Third: The low-end AI work that exists today has been exploitative. The AI data work Africa already has is a warning, not a model. TIME reported that Kenyan workers training ChatGPT’s safety filters earned under two dollars an hour, sorting through graphic and disturbing content; one major platform later pulled out of Kenya overnight, leaving thousands stranded. That is what “AI jobs” look like when the work is extractive and the value sits elsewhere — and it’s the strongest reason to aim higher, toward ownership, rather than to count volume at the bottom.

Naming these doesn’t weaken the case for creation. It defines what good creation has to look like: local, owned, and climbing.

Who creates value when intelligence is cheap?

Which brings us back to the strangest question in that Times article — the one Chinese scholars are building a whole field to answer: who creates value after AI?

When intelligence itself is abundant and nearly free, value belongs to whoever applies and adapts it to a real problem in a real place. In Africa, overwhelmingly, that applier is a person — the agent, the operator, the builder, the augmented worker. So the answer to “who creates value after AI” isn’t a machine, and isn’t a lab. It’s a job. The task is to make sure there are enough of them, that they climb, and that they’re owned here.

That’s the case. The playbook — the specific jobs the AI age makes possible, and the strategy that builds them on purpose — is part two.

Leap. Build. Own.

Link to Part two

This article takes off from Katrin Bennhold’s New York Times column on China’s approach to AI and employment. Figures on informal employment and the jobs gap are drawn from the ILO and the Mastercard Foundation’s 2026 Africa Youth Employment Outlook; the working-age projection from the World Bank; and the mobile-money agent figures from Safaricom’s own reporting. The data-work accounts are from TIME’s 2023 reporting and subsequent coverage of the sector.

Link to Part two

Stanford’s DeLM — Decentralized Multi-Agent Systems with Shared Context — tries the opposite. There is no central orchestrator. Parallel agents claim subtasks from a shared queue, read the accumulated verified progress, reason locally, and write back compact verified updates to a shared context that everyone builds on. Coordination happens through the shared substrate, not through a controller.

And on the benchmarks, it holds up. According to the paper, DeLM beats the strongest baseline by up to 10.5 points on SWE-bench Verified — at roughly half the cost per task — and improves on LongBench-v2 Multi-Doc QA across four frontier model families.

I’m not reading this as “central control is bad.” The paper doesn’t claim that, and neither do I. But two things stay with me, and both sit at the center of what I write about here.

First: coordination doesn’t always need someone in charge. The reflex — in AI and in institutions alike — is that to align many actors you need a controller. DeLM is a clean reminder that a good shared, verified context plus simple rules can carry a lot of that load, and sometimes carry it better.

Second: the win here is efficiency, not a bigger model. Same models, coordinated better, at half the cost. That’s the applied layer — where durable value is migrating, and where builders who have had to be resource-efficient hold an edge.

And it rhymes with how I think the next ecosystems should be built: not one hub commanding everything, but a network of nodes building on a shared foundation, coordinating without a bottleneck. Decentralized coordination, done well, isn’t a compromise. On this evidence, it can be the better design.

Paper: Decentralized Multi-Agent Systems with Shared Context (Stanford, via arXiv).

Intelligence is becoming abundant — and for Africa that’s raw material, not a finish line we’re behind on. Why, and what we’re building.

Something the world hasn’t seen in a long time is underway: intelligence is becoming abundant. The knowledge, the models, the tools that used to be scarce, costly, and gated are pouring into the open and getting cheaper and more capable by the month.

Most of the noise around this treats it as a contest — who builds the smartest model, the US or China, with Europe quietly fearing it has already lost. I’ll leave that race to the people running it. (Sangeet Paul Choudary argues, persuasively, that they may be running the wrong one — that as intelligence becomes abundant, advantage shifts from whoever owns the smartest model to whoever turns it into real-world value. It’s worth reading.) But from where I stand, it was never a race at all.

For Africa, this abundance isn’t a threat to defend against or a finish line it’s behind on. It’s raw material. When capability becomes cheap and open, the ground is set for exactly the move Africa has made before — a leap — and this time across many fronts at once: education, health, agriculture, finance, infrastructure, governance, etc. That is Africa’s moment. And we’d already begun building for it: I initiated leapfrogging.africa, architected the model, and brought in the first partners well before any of this was cast as a race. We weren’t trying to beat anyone. We saw the opening.

A word on where I’m standing, since it shapes all of this. I’m African. I came to Germany to study computer science and AI, spent years as a researcher at DFKI — the world’s largest independent AI research center, and a pioneer in the field since 1988 — and spun a venture-backed AI company out of it, which is how I came to know both the technology and the market from the inside. leapfrogging.africa grew directly out of that experience. DFKI is application-driven by design: universities, industry, and government coordinating to turn research into real applications and companies, with no venture capital at the table. Capital came afterward, to the companies that work produced, mine among them. That order is the part worth carrying: you build the engine that makes companies worth funding, and capital — abundant and mobile — comes looking. That’s the engine leapfrogging.africa is built to adapt and scale across Africa — applied AI and entrepreneurship at continental scale.

Application and coordination — not foundation models

Here is the part that matters, and it reads as an opportunity, not a contest. When intelligence is abundant, the scarce thing — and the valuable thing — is no longer the model. It’s two things done well together. The first is application: putting that intelligence to work on real problems, in the sectors and use cases that actually matter, adapted to the realities, strengths, and needs of a specific place. The second is coordination: orchestrating the people, tools, and systems to deploy it reliably and at scale. A model on its own just lists things that could be done. Value and impact belong to whoever applies it to the right problem and gets it done.

That reframes the whole question of who is “ahead.” Building the biggest foundation model was never going to be Africa’s game, and chasing it would waste a decade. But that was never where the lasting value sits. It sits in adapted application backed by strong coordination — and that work has barely begun, for anyone. It’s also why everything we do, including our research, is driven by application rather than the other way around.

Subscribe now

Why this is Africa’s terrain

This is where the conventional story inverts. The conditions usually filed under “Africa is behind” are, on closer inspection, advantages for exactly this kind of work.

Africa is unconstrained by legacy infrastructure — there is no sunk cost in the old way of doing things to defend. It is deeply experienced in navigating complex, multi-stakeholder environments, which is precisely what coordination demands. And its resource constraints — limited compute, intermittent power, thin bandwidth, relentless cost pressure — don’t merely hold it back; they force the efficiency innovation that the rest of an energy-hungry, datacenter-bound world is about to need at scale.

And this is not wishful thinking — it’s the pattern of the last twenty years. Africa never strung copper landlines to every village; it went straight to mobile and put a phone in nearly every hand. It never waited for bank branches and debit cards to reach everyone; it jumped to mobile money, and didn’t merely adopt the idea but pioneered and revolutionized it for the rest of the world. Each time, skipping the legacy stage that only ever served a few didn’t leave Africa behind — it put Africa in front. AI is the next leap of exactly that kind. Don’t replay decades of someone else’s path; skip to where the value is heading — applied AI, edge computing, resource-efficient solutions that work in African conditions and therefore work anywhere.

The world already has enough people fine-tuning models in datacenters. What it lacks, badly, is people who can make intelligence work where the infrastructure won’t help them — on a solar-powered device, offline, all day, reliably. That is not a hypothetical specialty. It is daily life here. And it is a defensible global position, not a consolation prize.

What leapfrogging.africa actually is

So let me be clear about what this is, because it’s bigger than any one school or product. leapfrogging.africa is a movement to build and connect AI ecosystems across the continent — across countries and across industries. The unit of ambition isn’t a graduate or an app; it’s an ecosystem that turns intelligence into deployed, African-owned solutions in agriculture, health, finance, mining, infrastructure, and governance — and then a network of those ecosystems, coordinated across borders.

That’s a continental claim, so the method has to be the opposite of grandiose. You don’t launch a continent. You start small and prove it: a few pilot countries, a handful of committed partners, one working node made real and measured. Then you replicate. The aim isn’t to assign each country a role but to create an incentive: a country — or a region — can grow into an excellence hub in the sectors that matter to it, as deeply as it chooses to engage. Agritech where farming drives the economy, health AI where the need is sharpest, fintech built on the continent’s mobile-money lead, mining, logistics, or energy where those are local strengths — AI adapted to real conditions, not generic, with edge computing and resource efficiency running across all of it as a shared technical strength. Each node is anchored to local universities and industry, all stitched into a coordinated whole. Pilot, validate, scale. The network is the product.

This is where the coordination thesis stops being abstract. An ecosystem like this only holds together if capability is owned locally — you cannot coordinate what you cannot execute — and if universities, industry, and government sit in it as co-owners and partners rather than donors. Capital and entrepreneurs come next — not as the starting point, but as what a working ecosystem attracts and produces: the engine comes first, and capital is what a credible engine eventually draws, as an investor rather than a donor; entrepreneurs turn trained people and research into companies, products, and jobs. (How that capital actually gets drawn — and why the engine is the decisive thing — is a post of its own).

None of this has to be invented from zero: a multi-stakeholder model along these lines has been proven over decades — in Europe, the US, and beyond. The point isn’t to import it wholesale; it’s that we don’t have to spend forty years rediscovering what works. The same leapfrog instinct applies to institutions: we start where that model arrived and adapt it, hard, for Africa and the challenge at hand. It’s the scaffolding the ecosystem stands on — important, but not the destination.

Where it starts: the people who build

A continental ecosystem still rests on one scarce resource: people who can actually deploy AI under African conditions. Without them, every layer above gets rented from someone else. So the foundational first step — the seed the rest grows from — is human capital.

That’s the role of our flagship initiative, ALIT Africa (the Applied Learning Institute for Technology): working with established African universities to train people to put AI to work under real conditions — applied to local sectors, built for edge computing and resource efficiency, adapted to African languages and markets. It’s also the first place we apply the leap to ourselves, including to how people learn — mastery over seat-time, with readiness rather than the calendar deciding when someone is qualified. ALIT is where leapfrogging.africa starts. It is not what leapfrogging.africa is. (It gets its own piece next: what it is, how it works, and why education itself is one of the areas Africa can leap.)

Because the underlying choice is stark, and it’s being made right now. AI-driven transformation in Africa will either be owned and operated by African institutions or licensed from foreign providers; built on African expertise or dependent on outside consultants; designed for African contexts or adapted, awkwardly, from elsewhere. I know which version I want to help build.

This is the first of a regular series — the strategy, the ecosystem model, the partners, the obstacles, and the slow real work of building it, in public, as it happens.

The question was never whether Africa takes part in the AI era. It’s whether we turn abundance into capability at scale — our countries building together toward the same goal rather than each racing the next.

If that resonates, follow along. And if you’d rather build it than read about it, that’s the better invitation — reach me at alit@leapfrogging.africa.

Share

Credit where it’s due: the US–China “wrong race” framing I gesture at up top is drawn from Sangeet Paul Choudary’s essay and his book Reshuffle*, which argue that AI’s lasting effect is to make intelligence abundant and to shift durable advantage toward coordination and execution. I’ve pointed the same lens at a continent he wasn’t writing about — and that we’d already been building for.*