Accelerating Disaster Response with GiveDirectly’s Nick Allardice

Summary & Insights

A 72-year-old woman in drought-stricken rural Kenya used a one-time $1,000 cash transfer to buy a massive water tank, fill it with clean water twice a month, and start a small business selling it to her neighbors. This story perfectly encapsulates the radical, human-centered philosophy of GiveDirectly: the most effective form of aid is often unconditional cash, because individuals on the ground possess the best information to solve their own unique problems.

GiveDirectly operates at the intersection of fintech, humanitarian aid, and economic research, having delivered over a billion dollars directly to people in poverty and crisis. The organization was born from two concurrent revolutions: the mobile money wave that allowed digital banking via SIM cards in regions like Africa, and the rise of randomized controlled trials (RCTs) in development economics, which consistently showed that direct cash transfers frequently yield better outcomes than traditional, top-down aid programs like vouchers or shipped goods. CEO Nick Allardyce, drawing from his background scaling Change.org, applies a tech mindset to overcome bureaucratic inertia, focusing on speed, efficiency, and dignity.

A significant portion of the conversation delves into how GiveDirectly leverages AI and machine learning to transform humanitarian response. This includes using satellite imagery and AI for rapid damage assessment after disasters, analyzing anonymized mobile phone data patterns to identify displaced or impoverished populations in conflict zones like the DRC, and employing flood forecasting models to send “anticipatory action” cash before a predicted disaster strikes. These tools enable a shift from slow, physical logistics to fast, digital targeting, aiming to reach the most vulnerable people within days, not months.

Looking forward, Allardyce sees a future where AI makes humanitarian action increasingly predictive and precise. He envisions “anticipatory action” becoming more reliable and targeting becoming hyper-granular, ensuring limited resources stretch further. However, he highlights critical gaps in the tech world that need addressing for this future to be equitable, such as the lack of AI performance benchmarks and training data for low-resource languages and contexts, which are essential for tools to be useful in the communities that need them most.

Surprising Insights

Cash Outperforms “Smart” Aid: Rigorous studies reveal that simply giving people the cash equivalent of a traditional aid program’s budget often achieves significantly better outcomes, as recipients use it for their most urgent, context-specific needs—which outside planners can rarely anticipate.
AI for Preemptive Disaster Relief: GiveDirectly is using flood forecasting AI to send money to people before a disaster hits, allowing them to protect assets and move to safety, which is far more effective and dignified than waiting for recovery aid.
Privacy Concerns Are Local: In focus groups with recipient communities, people expressed less concern about institutional data use and more worry about privacy within their own communities—they didn’t want neighbors knowing their business, highlighting a nuanced perspective on data ethics.
Vouchers Are Often Sold at a Loss: Even designated “food vouchers” provided in crises are frequently sold by recipients for half their value to get cash for other pressing needs like shelter or medicine, underscoring the inflexibility of many traditional aid models.
The Targeting Gold Standard is Impractical: The traditional method for identifying vulnerability—in-person surveys about roof materials and asset ownership—is slow and expensive, creating a major opportunity for AI-driven methods using mobile data or imagery to be both faster and comparably accurate.

Practical Takeaways

Donate Cash, Not Goods: When supporting poverty or crisis relief, prioritize organizations that offer direct cash transfers, as this empowers recipients, reduces overhead, and is backed by strong evidence of effectiveness.
Advocate for Inclusive AI Development: If you work in tech, push for resources to be allocated to building AI benchmarks and training models for low-resource languages and low-connectivity environments; this is crucial for preventing a new digital divide.
Speed Builds Trust in Crises: In humanitarian contexts, the fastest way to build trust with a community is to deliver tangible support quickly. A few people receiving direct help and vouching for it can be more effective than lengthy awareness campaigns.
Design for the Lowest Tech Denominator: Innovations aimed at global impact must be tested for accessibility on basic feature phones and in low-connectivity environments to ensure they don’t exclude the most vulnerable populations.

Một phụ nữ 72 tuổi ở vùng nông thôn Kenya khô hạn đã sử dụng khoản tiền mặt 1.000 đô la Mỹ một lần để mua một bồn chứa nước lớn, đổ đầy nước sạch hai lần mỗi tháng và bắt đầu một công việc kinh doanh nhỏ bán nước cho hàng xóm. Câu chuyện này minh họa hoàn hảo triết lý cấp tiến, lấy con người làm trung tâm của GiveDirectly: hình thức viện trợ hiệu quả nhất thường là tiền mặt không điều kiện, bởi chính những cá nhân tại địa phương mới sở hữu thông tin tốt nhất để giải quyết những vấn đề đặc thù của riêng họ.

GiveDirectly hoạt động ở giao điểm của fintech (công nghệ tài chính), viện trợ nhân đạo và nghiên cứu kinh tế, đã chuyển trực tiếp hơn một tỷ đô la cho những người nghèo và gặp khủng hoảng. Tổ chức này ra đời từ hai cuộc cách mạng diễn ra đồng thời: làn sóng tiền di động cho phép ngân hàng số qua SIM ở các khu vực như châu Phi, và sự trỗi dậy của các thử nghiệm đối chứng ngẫu nhiên (RCT) trong kinh tế phát triển – những nghiên cứu này liên tục chỉ ra rằng chuyển tiền mặt trực tiếp thường mang lại kết quả tốt hơn so với các chương trình viện trợ truyền thống, áp đặt từ trên xuống như phiếu mua hàng hoặc hàng hóa vận chuyển. Giám đốc điều hành Nick Allardyce, xuất phát từ nền tảng mở rộng quy mô Change.org, áp dụng tư duy công nghệ để vượt qua sức ì quan liêu, tập trung vào tốc độ, hiệu quả và phẩm giá.

Một phần đáng kể của cuộc thảo luận đi sâu vào cách GiveDirectly tận dụng AI và học máy để chuyển đổi hoạt động ứng phó nhân đạo. Điều này bao gồm việc sử dụng hình ảnh vệ tinh và AI để đánh giá thiệt hại nhanh chóng sau thảm họa, phân tích các mẫu dữ liệu điện thoại di động ẩn danh để xác định các nhóm người di tản hoặc nghèo đói ở các vùng xung đột như CHDC Congo, và sử dụng các mô hình dự báo lũ lụt để gửi tiền cho hành động “ứng phó dự báo” trước khi một thảm họa được dự báo xảy ra. Những công cụ này cho phép chuyển đổi từ hoạt động hậu cần vật lý chậm chạp sang nhắm mục tiêu số nhanh chóng, nhằm tiếp cận những người dễ bị tổn thương nhất trong vòng vài ngày, chứ không phải vài tháng.

Nhìn về tương lai, ông Allardyce thấy một viễn cảnh nơi AI làm cho hành động nhân đạo ngày càng mang tính dự báo và chính xác. Ông hình dung “hành động ứng phó dự báo” sẽ trở nên đáng tin cậy hơn và việc nhắm mục tiêu sẽ trở nên siêu chi tiết, đảm bảo nguồn lực hạn chế được sử dụng hiệu quả hơn. Tuy nhiên, ông nhấn mạnh những khoảng trống quan trọng trong thế giới công nghệ cần được giải quyết để tương lai này trở nên công bằng, chẳng hạn như thiếu các điểm chuẩn hiệu suất AI và dữ liệu đào tạo cho các ngôn ngữ và bối cảnh có nguồn lực thấp – những yếu tố thiết yếu để các công cụ trở nên hữu ích trong các cộng đồng cần chúng nhất.

Những Hiểu Biết Đáng Ngạc Nhiên

Tiền Mặt Vượt Trội Hơn Viện Trợ “Thông Minh”: Các nghiên cứu chặt chẽ cho thấy chỉ cần trao cho người dân số tiền mặt tương đương với ngân sách của một chương trình viện trợ truyền thống thường đạt được kết quả tốt hơn đáng kể, vì người nhận sử dụng nó cho những nhu cầu cấp thiết và đặc thù theo ngữ cảnh của họ – điều mà các nhà hoạch định bên ngoài hiếm khi lường trước được.

AI Cho Cứu Trợ Thảm Họa Mang Tính Phòng Ngừa: GiveDirectly đang sử dụng AI dự báo lũ lụt để gửi tiền cho người dân trước khi thảm họa ập đến, cho phép họ bảo vệ tài sản và di chuyển đến nơi an toàn, điều này hiệu quả và tôn trọng phẩm giá hơn nhiều so với việc chờ đợi viện trợ khắc phục hậu quả.

Mối Quan Tâm Về Quyền Riêng Tư Mang Tính Địa Phương: Trong các nhóm tập trung với cộng đồng đối tượng thụ hưởng, mọi người ít bày tỏ lo ngại về việc sử dụng dữ liệu thể chế và quan tâm nhiều hơn đến quyền riêng tư trong chính cộng đồng của họ – họ không muốn hàng xóm biết chuyện của mình, làm nổi bật một góc nhìn sắc thái về đạo đức dữ liệu.

Phiếu Mua Hàng Thường Bị Bán Lỗ: Ngay cả những “phiếu mua thực phẩm” được chỉ định cung cấp trong khủng hoảng cũng thường xuyên bị người nhận bán với giá bằng một nửa để lấy tiền mặt cho các nhu cầu cấp bách khác như chỗ ở hoặc thuốc men, cho thấy sự thiếu linh hoạt của nhiều mô hình viện trợ truyền thống.

Tiêu Chuẩn Vàng Trong Nhắm Mục Tiêu Là Không Thực Tế: Phương pháp truyền thống để xác định mức độ dễ bị tổn thương – khảo sát trực tiếp về vật liệu lợp mái và quyền sở hữu tài sản – rất chậm và tốn kém, tạo ra một cơ hội lớn cho các phương pháp dựa trên AI sử dụng dữ liệu di động hoặc hình ảnh để vừa nhanh hơn vừa có độ chính xác tương đương.

Những Bài Học Thực Tiễn

Quyên Góp Tiền Mặt, Không Phải Hàng Hóa: Khi hỗ trợ cứu trợ nghèo đói hoặc khủng hoảng, hãy ưu tiên các tổ chức cung cấp chuyển khoản tiền mặt trực tiếp, vì điều này trao quyền cho người nhận, giảm chi phí quản lý và được hỗ trợ bởi bằng chứng mạnh mẽ về hiệu quả.

Ủng Hộ Phát Triển AI Bao Trùm: Nếu bạn làm việc trong lĩnh vực công nghệ, hãy thúc đẩy việc phân bổ nguồn lực để xây dựng các điểm chuẩn AI và đào tạo mô hình cho các ngôn ngữ có nguồn lực thấp và môi trường kết nối kém; điều này rất quan trọng để ngăn chặn một khoảng cách số mới.

Tốc Độ Xây Dựng Niềm Tin Trong Khủng Hoảng: Trong bối cảnh nhân đạo, cách nhanh nhất để xây dựng niềm tin với một cộng đồng là nhanh chóng cung cấp hỗ trợ hữu hình. Một vài người nhận được sự giúp đỡ trực tiếp và xác nhận điều đó có thể hiệu quả hơn các chiến dịch nâng cao nhận thức kéo dài.

Thiết Kế Cho Mẫu Số Công Nghệ Thấp Nhất: Các đổi mới nhằm tạo tác động toàn cầu phải được kiểm tra về khả năng tiếp cận trên các điện thoại phổ thông cơ bản và trong môi trường kết nối kém để đảm bảo chúng không loại trừ những nhóm dân cư dễ bị tổn thương nhất.

一位72歲的肯亞農村婦女生活在乾旱地區，她利用一次性的1,000美元現金轉帳購買了一個大型儲水罐，每月兩次注滿潔淨用水，並開始向鄰居售水的小生意。這個故事完美體現了GiveDirectly徹底以人為本的理念：最有效的援助形式往往是無條件的現金給予，因為在地民眾最清楚如何解決自身獨特的困境。

GiveDirectly立足於金融科技、人道援助與經濟研究的交叉領域，已向貧困與危機中的人群直接發放超過十億美元。該組織誕生於兩場同步發生的革命：一是行動支付的浪潮，讓非洲等地區能透過SIM卡實現數位銀行服務；二是隨機對照試驗在發展經濟學中的興起，這些研究一再證明，直接現金轉移往往比傳統自上而下的援助計劃（如發放代金券或實物物資）產生更好的結果。執行長Nick Allardyce憑藉其在Change.org擴展業務的背景，以科技思維克服官僚慣性，專注於速度、效率與尊嚴。

文中相當篇幅深入探討GiveDirectly如何運用人工智慧與機器學習革新人道應對工作。這包括利用衛星影像與AI進行災後快速損害評估，分析匿名化的手機數據模式以識別剛果民主共和國等衝突地區的流離失所或貧困人口，以及運用洪水預測模型在預測災害發生「之前」發放「預警行動」現金。這些工具使人道援助從緩慢的實體物流轉向快速的數位鎖定，目標是在數日而非數月內觸及最脆弱的群體。

展望未來，Allardyce預見一個AI使人道行動越來越具預測性與精準度的時代。他設想「預警行動」將更可靠，鎖定目標將極度細緻化，從而讓有限資源發揮更大效益。然而，他指出科技領域存在必須解決的關鍵缺口，才能實現公平的未來，例如缺乏AI性能基準以及針對資源匱乏語言和情境的訓練數據，而這些對於工具在最需要它們的社區中發揮作用至關重要。

令人意外的洞察

現金優於「聰明」援助：嚴謹研究顯示，單純給予人們相當於傳統援助計畫預算的現金，往往能產生顯著更好的結果，因為受助者會將其用於最緊急、最符合自身情境的需求——這些需求外界規劃者很少能預見。

AI用於預防性災害救助：GiveDirectly正運用洪水預測AI在災害襲擊「之前」向人們發放資金，使他們能保護資產並轉移至安全地帶，這比等待災後復原援助更為有效且更有尊嚴。

隱私憂慮是地方性的：在接受援助社區的焦點小組討論中，人們對機構使用數據的擔憂較少，更多是擔心「社區內部」的隱私問題——他們不希望鄰居知道自己的事務，這凸顯了數據倫理的細微差異。

代金券常被折價出售：即使在危機中提供的專用「食品代金券」，也常被受助者以半價出售以換取現金，來應對住所或藥品等其他迫切需求，這暴露了許多傳統援助模式的僵化。

傳統鎖定黃金標準不切實際：識別脆弱性的傳統方法——當面詢問屋頂材料與資產狀況——既緩慢又昂貴，這為利用手機數據或影像的AI驅動方法創造了巨大機會，後者既能更快，準確性也可比擬。

實用建議

捐贈現金，而非物資：在支持貧困或危機救助時，優先選擇提供直接現金轉移的組織，因為這能賦予受助者權力、降低營運開銷，且有強力證據支持其有效性。

倡導包容性AI發展：若你在科技領域工作，應推動資源分配以建立針對資源匱乏語言和低連線環境的AI基準與訓練模型；這對於防止新的數位鴻溝至關重要。

速度在危機中建立信任：在人道救援情境中，與社區建立信任最快的方式是迅速提供實質幫助。少數人獲得直接援助並為其背書，可能比冗長的宣導活動更有效。

為最低技術門檻設計：旨在產生全球影響的創新，必須在基本功能手機和低連線環境中測試其可及性，以確保不會排除最脆弱的群體。

Una mujer de 72 años en una zona rural de Kenia azotada por la sequía utilizó una transferencia única de efectivo de 1.000 dólares para comprar un enorme tanque de agua, llenarlo con agua potable dos veces al mes y poner en marcha un pequeño negocio vendiéndosela a sus vecinos. Esta historia encapsula perfectamente la filosofía radical y centrada en las personas de GiveDirectly: la forma más eficaz de ayuda suele ser el efectivo sin condiciones, porque las personas sobre el terreno poseen la mejor información para resolver sus propios problemas específicos.

GiveDirectly opera en la intersección entre la tecnología financiera, la ayuda humanitaria y la investigación económica, y ha entregado directamente más de mil millones de dólares a personas en situación de pobreza y crisis. La organización nació de dos revoluciones simultáneas: la ola del dinero móvil, que permitió la banca digital mediante tarjetas SIM en regiones como África, y el auge de los ensayos controlados aleatorizados (RCT, por sus siglas en inglés) en la economía del desarrollo, que mostraron de manera consistente que las transferencias directas de efectivo suelen producir mejores resultados que los programas tradicionales de ayuda de arriba abajo, como vales o bienes enviados. El director ejecutivo, Nick Allardyce, basándose en su experiencia escalando Change.org, aplica una mentalidad tecnológica para superar la inercia burocrática, con foco en la rapidez, la eficiencia y la dignidad.

Una parte importante de la conversación profundiza en cómo GiveDirectly aprovecha la IA y el aprendizaje automático para transformar la respuesta humanitaria. Esto incluye el uso de imágenes satelitales e IA para una evaluación rápida de daños tras desastres, el análisis de patrones de datos anonimizados de teléfonos móviles para identificar poblaciones desplazadas o empobrecidas en zonas de conflicto como la RDC, y el empleo de modelos de predicción de inundaciones para enviar efectivo de “acción anticipatoria” antes de que ocurra un desastre previsto. Estas herramientas permiten pasar de una logística física lenta a una focalización digital rápida, con el objetivo de llegar a las personas más vulnerables en cuestión de días, no de meses.

De cara al futuro, Allardyce ve un escenario en el que la IA hará que la acción humanitaria sea cada vez más predictiva y precisa. Imagina que la “acción anticipatoria” se volverá más fiable y que la focalización será hiperdetallada, garantizando que los recursos limitados rindan más. Sin embargo, señala vacíos críticos en el mundo tecnológico que deben abordarse para que este futuro sea equitativo, como la falta de puntos de referencia de rendimiento de la IA y de datos de entrenamiento para lenguas y contextos de bajos recursos, elementos esenciales para que estas herramientas sean útiles en las comunidades que más las necesitan.

Perspectivas sorprendentes

El efectivo supera a la ayuda “inteligente”: Estudios rigurosos revelan que simplemente dar a las personas el equivalente en efectivo del presupuesto de un programa tradicional de ayuda suele lograr resultados significativamente mejores, ya que los beneficiarios lo destinan a sus necesidades más urgentes y específicas de su contexto, algo que los planificadores externos rara vez pueden anticipar.

IA para ayuda ante desastres antes de que ocurran: GiveDirectly está utilizando IA de predicción de inundaciones para enviar dinero a las personas antes de que golpee un desastre, permitiéndoles proteger sus bienes y ponerse a salvo, lo que resulta mucho más eficaz y digno que esperar a la ayuda de recuperación.

Las preocupaciones por la privacidad son locales: En grupos focales con comunidades receptoras, las personas expresaron menos preocupación por el uso institucional de los datos y más inquietud por la privacidad dentro de sus propias comunidades: no querían que sus vecinos conocieran sus asuntos, lo que pone de relieve una perspectiva matizada sobre la ética de los datos.

Los vales suelen venderse con pérdidas: Incluso los “vales de alimentos” proporcionados en crisis con frecuencia son vendidos por los beneficiarios por la mitad de su valor para conseguir efectivo para otras necesidades urgentes, como refugio o medicinas, lo que subraya la rigidez de muchos modelos tradicionales de ayuda.

El estándar de oro para la focalización es poco práctico: El método tradicional para identificar la vulnerabilidad —encuestas presenciales sobre materiales del techo y propiedad de activos— es lento y caro, lo que crea una gran oportunidad para que métodos impulsados por IA que usan datos móviles o imágenes sean más rápidos y con una precisión comparable.

Conclusiones prácticas

Dona efectivo, no bienes: Al apoyar el alivio de la pobreza o la respuesta a crisis, prioriza organizaciones que ofrezcan transferencias directas de efectivo, ya que esto empodera a los beneficiarios, reduce los costos generales y está respaldado por sólida evidencia de eficacia.

Defiende un desarrollo inclusivo de la IA: Si trabajas en tecnología, impulsa la asignación de recursos para construir puntos de referencia y entrenar modelos de IA para lenguas de bajos recursos y entornos con baja conectividad; esto es crucial para evitar una nueva brecha digital.

La rapidez genera confianza en las crisis: En contextos humanitarios, la forma más rápida de generar confianza con una comunidad es entregar apoyo tangible con rapidez. Que unas pocas personas reciban ayuda directa y den fe de ella puede ser más eficaz que largas campañas de sensibilización.

Diseña para el mínimo común denominador tecnológico: Las innovaciones orientadas al impacto global deben probarse para garantizar su accesibilidad en teléfonos básicos y en entornos con baja conectividad, a fin de no excluir a las poblaciones más vulnerables.

Uma mulher de 72 anos, em uma área rural do Quênia assolada pela seca, usou uma transferência única de US$ 1.000 em dinheiro para comprar um enorme tanque de água, enchê-lo com água limpa duas vezes por mês e iniciar um pequeno negócio vendendo essa água aos vizinhos. Essa história encapsula perfeitamente a filosofia radical e centrada no ser humano da GiveDirectly: a forma mais eficaz de ajuda muitas vezes é o dinheiro sem condicionalidades, porque as pessoas no terreno possuem as melhores informações para resolver seus próprios problemas específicos.

A GiveDirectly atua na interseção entre fintech, ajuda humanitária e pesquisa econômica, tendo transferido diretamente mais de um bilhão de dólares para pessoas em situação de pobreza e crise. A organização nasceu de duas revoluções simultâneas: a onda do dinheiro móvel, que permitiu serviços bancários digitais por meio de cartões SIM em regiões como a África, e a ascensão dos ensaios controlados randomizados (RCTs) na economia do desenvolvimento, que demonstraram repetidamente que transferências diretas de dinheiro frequentemente geram resultados melhores do que programas tradicionais de ajuda, de cima para baixo, como vales ou bens enviados. O CEO Nick Allardyce, valendo-se de sua experiência na expansão da Change.org, aplica uma mentalidade tecnológica para superar a inércia burocrática, com foco em rapidez, eficiência e dignidade.

Uma parte significativa da conversa explora como a GiveDirectly utiliza IA e aprendizado de máquina para transformar a resposta humanitária. Isso inclui o uso de imagens de satélite e IA para avaliação rápida de danos após desastres, a análise de padrões de dados anonimizados de telefones celulares para identificar populações deslocadas ou empobrecidas em zonas de conflito como a RDC, e o uso de modelos de previsão de enchentes para enviar dinheiro de “ação antecipatória” antes que um desastre previsto aconteça. Essas ferramentas permitem uma mudança de uma logística física e lenta para um direcionamento digital rápido, com o objetivo de alcançar as pessoas mais vulneráveis em dias, e não em meses.

Olhando para o futuro, Allardyce vê um cenário em que a IA torna a ação humanitária cada vez mais preditiva e precisa. Ele imagina a “ação antecipatória” tornando-se mais confiável e o direcionamento ficando hipergranular, garantindo que recursos limitados rendam mais. No entanto, ele destaca lacunas críticas no mundo da tecnologia que precisam ser resolvidas para que esse futuro seja equitativo, como a falta de benchmarks de desempenho de IA e de dados de treinamento para idiomas e contextos com poucos recursos, que são essenciais para que as ferramentas sejam úteis nas comunidades que mais precisam delas.

Percepções Surpreendentes

Dinheiro supera a ajuda “inteligente”: Estudos rigorosos revelam que simplesmente dar às pessoas o equivalente em dinheiro ao orçamento de um programa tradicional de ajuda frequentemente produz resultados significativamente melhores, pois os beneficiários o usam para suas necessidades mais urgentes e específicas do contexto — algo que planejadores externos raramente conseguem prever.

IA para ajuda prévia a desastres: A GiveDirectly está usando IA de previsão de enchentes para enviar dinheiro às pessoas antes que um desastre aconteça, permitindo que elas protejam seus bens e se desloquem para locais seguros, o que é muito mais eficaz e digno do que esperar por ajuda de recuperação.

As preocupações com privacidade são locais: Em grupos focais com comunidades beneficiárias, as pessoas demonstraram menos preocupação com o uso institucional de dados e mais receio com a privacidade dentro das próprias comunidades — elas não queriam que os vizinhos soubessem de sua vida, destacando uma perspectiva sutil sobre ética de dados.

Vales frequentemente são vendidos com prejuízo: Mesmo “vales-alimentação” fornecidos em crises são frequentemente vendidos pelos beneficiários por metade do valor para obter dinheiro para outras necessidades urgentes, como abrigo ou medicamentos, o que ressalta a rigidez de muitos modelos tradicionais de ajuda.

O padrão-ouro de direcionamento é impraticável: O método tradicional para identificar vulnerabilidade — pesquisas presenciais sobre materiais do telhado e posse de bens — é lento e caro, criando uma grande oportunidade para métodos orientados por IA que usam dados móveis ou imagens e que podem ser mais rápidos e comparavelmente precisos.

Conclusões Práticas

Doe dinheiro, não bens: Ao apoiar ações de combate à pobreza ou de resposta a crises, priorize organizações que ofereçam transferências diretas de dinheiro, pois isso empodera os beneficiários, reduz custos operacionais e é respaldado por fortes evidências de eficácia.

Defenda o desenvolvimento inclusivo de IA: Se você trabalha com tecnologia, pressione para que recursos sejam destinados à criação de benchmarks de IA e ao treinamento de modelos para idiomas com poucos recursos e ambientes de baixa conectividade; isso é crucial para evitar uma nova divisão digital.

Rapidez gera confiança em crises: Em contextos humanitários, a maneira mais rápida de construir confiança com uma comunidade é oferecer apoio tangível rapidamente. Algumas pessoas recebendo ajuda direta e dando seu testemunho podem ser mais eficazes do que longas campanhas de conscientização.

Projete para o menor denominador tecnológico: Inovações voltadas para impacto global devem ser testadas quanto à acessibilidade em celulares básicos e em ambientes de baixa conectividade, para garantir que não excluam as populações mais vulneráveis.

GiveDirectly president and CEO Nick Allardice explains how his team uses AI, mobile money, and satellite imagery to send cash directly to people living in poverty and crisis, often within days of a disaster. He describes how AI-powered tools help forecast floods in places like Nigeria, Bangladesh, and Mozambique, and how “anticipatory action” can get money to families before disaster strikes.

Learn more about the AI Podcast: ai-podcast.nvidia.com