MIT запускает Project AI Evidence: $10 млн на исследование AI в борьбе с бедностью

12 февраля 2026 — Abdul Latif Jameel Poverty Action Lab (J-PAL) при MIT объявила о запуске Project AI Evidence (PAIE) — инициативы по исследованию применения искусственного интеллекта для борьбы с бедностью. Первый раунд финансирования покрывает 8 исследовательских проектов в Кении, Индии, Италии и других странах.

Что такое Project AI Evidence

Миссия

PAIE — это исследовательская инициатива, которая:

Оценивает эффективность AI-решений в борьбе с бедностью
Соединяет правительства, tech-компании и НКО с экономистами MIT
Масштабирует работающие решения

Почему это важно

AI быстро внедряется в развивающихся странах, но:

Мало доказательств эффективности
Риск навредить уязвимым группам
Нужны рандомизированные исследования (RCT)

J-PAL — лидер в проведении RCT в развивающихся странах (Нобелевская премия 2019).

8 профинансированных проектов

1. AI-тьюторы в Кении

Страна: Кения Фокус: Персонализированное образование

Суть: Исследование эффективности AI-чатботов как дополнительных учителей в школах с нехваткой преподавателей.

Методология:

200 школ, 10,000 учеников
Контрольная группа vs AI-тьютор
Измерение: тесты, посещаемость, вовлечённость

Ожидания: AI-тьюторы могут заполнить gap в странах, где на 1 учителя приходится 100+ учеников.

2. Снижение гендерного bias в найме (Индия)

Страна: Индия Фокус: Рынок труда

Суть: Может ли AI-скрининг резюме снизить дискриминацию женщин на рынке труда?

Проблема: Традиционный HR часто отсеивает женщин на этапе резюме.

Гипотеза: AI, обученный игнорировать гендер, даст женщинам больше шансов на интервью.

Методология:

Партнёрство с рекрутинговыми агентствами
A/B тестирование AI vs человеческий скрининг
Отслеживание: интервью, офферы, зарплаты

3. AI-диагностика в сельских клиниках (Индия)

Страна: Индия (сельские районы) Фокус: Здравоохранение

Суть: Эффективность AI-ассистентов для диагностики в клиниках с ограниченными ресурсами.

Контекст: В сельской Индии часто нет врачей, только медсёстры с базовым образованием.

Решение: AI-система, анализирующая симптомы и рекомендующая лечение.

Измерение: Точность диагнозов, время до лечения, исходы пациентов.

4. AI для раннего предупреждения о засухе (Кения)

Страна: Кения Фокус: Сельское хозяйство

Суть: Использование спутниковых данных и AI для прогноза засухи и раннего предупреждения фермеров.

Потенциал:

Ранняя информация о засухе
Рекомендации по культурам
Планирование ресурсов

5. Чатботы для финансовой грамотности (Бразилия)

Страна: Бразилия Фокус: Финансовая инклюзия

Суть: AI-чатботы для обучения финансовой грамотности в малообеспеченных районах.

Проблема: Низкая финансовая грамотность ведёт к долговым ловушкам.

Решение: Доступный 24/7 консультант по WhatsApp.

6. AI-оптимизация социальных выплат (Италия)

Страна: Италия Фокус: Социальная защита

Суть: Использование AI для выявления людей, имеющих право на выплаты, но не получающих их.

Проблема: Многие не знают о доступных программах или не могут справиться с бюрократией.

7. Автоматизированный мониторинг лесов (Индонезия)

Страна: Индонезия Фокус: Экология и средства к существованию

Суть: AI-мониторинг вырубки лесов с автоматическими алертами для местных сообществ.

8. AI-переводчики для мигрантов (Европа)

Страны: Германия, Италия, Греция Фокус: Интеграция мигрантов

Суть: Эффективность AI-переводчиков для интеграции мигрантов в систему здравоохранения и образования.

Методология J-PAL

Рандомизированные контролируемые исследования (RCT)

J-PAL использует "золотой стандарт" доказательной политики:

Рандомизация — случайное распределение в группы
Контроль — группа без вмешательства
Измерение — объективные метрики до и после
Масштаб — тысячи участников

Почему это важно для AI

Много AI-проектов заявляют "мы помогаем бедным", но:

Нет доказательств эффективности
Могут навредить (bias, privacy)
Ресурсы тратятся впустую

RCT даёт ответ: работает или нет.

Финансирование

Структура

Общий бюджет PAIE: ~$10 млн на 3 года
Первый раунд: 8 проектов, ~$5 млн
Второй раунд: ожидается в 2027

Доноры

Eric and Wendy Schmidt Fund for Strategic Innovation
Mastercard Foundation
Другие филантропы

Гранты

Типы грантов:

Pilot ($50-150K) — начальное тестирование
Full RCT ($200-500K) — полноценное исследование

Кто участвует

Исследователи

MIT — экономисты и AI-специалисты
J-PAL affiliates — 400+ исследователей в 80+ странах
Локальные партнёры — университеты в странах исследований

Технические партнёры

Google DeepMind (консультации)
Microsoft AI for Good
Локальные AI-стартапы

Правительства

Министерство образования Кении
NITI Aayog (Индия)
Муниципалитеты в Бразилии и Италии

Критика и вызовы

Этические вопросы

Проблема: AI эксперименты на уязвимых группах.

Ответ J-PAL: Строгие этические комитеты, informed consent, право выхода.

Масштабирование

Проблема: Работает в эксперименте ≠ работает в масштабе.

Ответ: PAIE включает фазу масштабирования для успешных проектов.

Технологический разрыв

Проблема: AI требует интернета, смартфонов, электричества.

Ответ: Проекты адаптированы (SMS, feature phones, offline режимы).

Влияние на индустрию

Для AI-компаний

Доказательная база — что работает, что нет
Партнёрства — с ведущим исследовательским центром
Репутация — "AI for Good" с реальными данными

Для правительств

Политика на основе данных — не "кажется полезным", а "доказано эффективно"
Экономия — не тратить деньги на неработающие решения
Масштабирование — понятный путь от пилота к программе

Для НКО

Методология — как правильно оценивать AI-проекты
Финансирование — доступ к грантам PAIE
Сеть — подключение к экосистеме J-PAL

Для России

Применимость

Методология J-PAL универсальна. Российские исследователи могут:

Подать на гранты (открыто для всех)
Адаптировать протоколы для своих проектов
Использовать результаты для обоснования решений

Аналогичные инициативы

В России пока нет аналога PAIE, но есть:

AI-проекты в образовании (Сбер, Яндекс)
Цифровизация госуслуг
Телемедицина в регионах

Не хватает: строгих RCT для оценки эффективности.

Заключение

Project AI Evidence — это попытка привнести научную строгость в хайп вокруг "AI for Good". Вместо красивых презентаций — рандомизированные исследования с тысячами участников.

Ключевые выводы:

8 проектов — образование, здравоохранение, финансы, экология
RCT методология — золотой стандарт доказательств
Развивающиеся страны — Кения, Индия, Бразилия, Индонезия
$10 млн — серьёзное финансирование
Масштабирование — от пилота к национальным программам

Через 2-3 года мы узнаем, какие AI-решения реально помогают бедным, а какие — маркетинг.

Интересуетесь AI for Good? Подписывайтесь на @AI_and_zarubejka — следим за исследованиями и результатами!