Ungefähr 700 Millionen Menschen weltweit leben in extremer Armut (und müssen mit weniger als 2,15 US-Dollar pro Tag auskommen). Die Beseitigung der Armut ist eines der Ziele für nachhaltige Entwicklung der Vereinten Nationen, aber die Messung der Armut ist eine Herausforderung, vor allem weil die Datenerhebung teuer und zeitaufwändig ist. Künstliche Intelligenz (KI) kann Daten nicht nur schnell analysieren, sondern auch ein breiteres Personenspektrum erreichen und Muster erkennen, die Experten möglicherweise übersehen. Die Weltbank entwickelt außerdem KI-Tools, um Nahrungsmittelkrisen und gewalttätige Konflikte vorherzusagen und Erkenntnisse aus Daten zu Hilfseinsätzen zu gewinnen.

Allerdings weisen KI-Modelle Probleme mit der Verzerrung auf und übersehen möglicherweise die ärmsten Menschen, für die keine digitalen Daten erfasst werden. Dennoch ist das derzeitige Armutsbewertungssystem ebenso unvollkommen. Herkömmliche Methoden wie Haushaltsbefragungen sind zeitaufwändig und kostspielig, aber KI in Kombination mit Satellitenbildern und Mobilfunkdaten kann arme Gebiete und Einzelpersonen effizienter identifizieren. Beispielsweise nutzte ein Forschungsteam der Stanford University in den Vereinigten Staaten KI, um Satellitenbilder zu analysieren und die Armutsniveaus in afrikanischen Dörfern erfolgreich vorherzusagen. Der Effekt war vergleichbar mit Felduntersuchungen, die Kosten wurden jedoch erheblich gesenkt.

Beispielsweise nutzte das Sozialversicherungsprogramm „NOVISSI“ im westafrikanischen Land Togo KI, um Mobiltelefonnutzungsmuster und Satellitenbilder zu analysieren, um Hilfsgelder in Höhe von 34 Millionen US-Dollar genau zuzuweisen. Ähnliche Projekte laufen auch in anderen afrikanischen Ländern. Obwohl KI-Vorhersagen nicht ganz genau sind, ist ihre Fähigkeit, schnell zu reagieren, in Notsituationen von entscheidender Bedeutung.

Obwohl KI Potenzial bei der Armutsbekämpfung gezeigt hat, warnen Experten jedoch davor, sie mit Vorsicht einzusetzen. KI kann Feldbefragungen insbesondere bei der mehrdimensionalen Armutsmessung nicht vollständig ersetzen. Angesichts von Budgetbeschränkungen und wirtschaftlichen Schocks könnte KI jedoch ein entscheidendes Instrument sein, um Hilfe in die Hände derjenigen zu bringen, die sie am dringendsten benötigen. In Zukunft könnte die Kombination von KI und Feldbefragungen eine neue Richtung für die Arbeit zur Armutsbekämpfung darstellen.


Den ärmsten Dörfern und Gemeinden wird Vorrang eingeräumt. Wir haben Deep-Learning-Algorithmen auf hochauflösende Satellitenbilder angewendet, um mikroskopische Schätzungen des Wohlstands pro 2,4 Kilometer (km) Gitterzelle (oben links) zu erstellen, diese Schätzungen mit Informationen zur Bevölkerungsdichte für jede Gitterzelle (oben Mitte) kombiniert und diese Informationen verwendet, um die 100 ärmsten Landkreise in Togo zu identifizieren (oben rechts).
Mithilfe fundierter Wohlstands- und Armutsdaten, die im Rahmen einer großen Telefonumfrage unter aktiven Mobiltelefonnutzern gesammelt wurden, trainierten die Forscher einen Algorithmus für maschinelles Lernen, um den Wohlstand jedes Mobiltelefonbenutzers abzuschätzen (oben links). In den 100 ärmsten Landkreisen (rote Verteilung rechts) werden diejenigen mit einem geschätzten Verbrauch von weniger als 1,25 US-Dollar pro Tag vorrangig in das Novissi-Programm aufgenommen (gestrichelte vertikale Linie). Diese Menschen sind viel ärmer als der durchschnittliche Einwohner Togos (blaue Verteilung). Quelle: Josh Blumenstock, University of California, Berkeley, 11. Januar 2021: Josh Blumenstock, University of California, Berkeley, 11. Januar 2021.