A história do progresso humano é, em muitos aspectos, a história da difusão das tecnologias. Entre esses avanços, alguns — o que economistas chamam de tecnologias de uso geral — tiveram o maior impacto na humanidade. A prensa tipográfica democratizou o conhecimento. A máquina a vapor impulsionou a indústria. A eletricidade transformou a vida cotidiana e viabilizou a computação. E a internet conectou o mundo, acelerando a troca de ideias, o comércio e a colaboração além das fronteiras.
Cada uma dessas tecnologias transformou a sociedade não apenas pela invenção, mas pela difusão — a maneira como milhões de pessoas passaram a integrar essas tecnologias em suas vidas, trabalhos e aprendizado.
A inteligência artificial é a próxima grande tecnologia de uso geral — e a tecnologia que mais rapidamente se espalhou na história humana. Em menos de três anos, mais de 1,2 bilhão de pessoas já utilizaram ferramentas de IA, uma taxa de adoção mais rápida que a da internet, do computador pessoal ou mesmo do smartphone. Contudo, assim como outras tecnologias de uso geral anteriores, seus benefícios não estão se espalhando de forma igualitária. O uso de IA no Norte Global é aproximadamente o dobro do registrado no Sul Global. Sem esforços específicos, essa diferença definirá quem se beneficiará da IA nas próximas décadas.
As três forças da difusão
Cada avanço tecnológico transformador avança por meio de três forças:
- Frontier builders — os inventores e pioneiros que expandem os limites do que é possível. Na IA, são os pesquisadores e criadores de modelos que ampliam os limites da inteligência.
- Infrastructure builders — engenheiros, empreendedores e instituições que escalam as inovações por meio de redes, ferramentas e habilidades. Na IA, esses construtores de infraestrutura fornecem o poder de computação e conectividade que tornam possível a inteligência em grande escala.
- Users — indivíduos, empresas e governos que usam, adaptam e aplicam novas tecnologias para resolver problemas reais.
A história ensina que o progresso acelera quando as três forças evoluem juntas. Edison criou a lâmpada — mas foi preciso redes de energia e usuários cotidianos para tornar a eletricidade universal. O mesmo vale para a IA.
O que mostram os dados
Como tecnologia de uso geral, a IA se apoia em três outras: eletricidade, conectividade e computação. Sua adoção é mais rápida onde essas bases existem, e mais lenta onde não existem. Cerca de quatro bilhões de pessoas — metade do mundo — ainda não têm o básico necessário para usar IA.
A adoção de IA no Norte Global é aproximadamente o dobro da registrada no Sul Global, com a diferença aumentando rapidamente em países onde o PIB per capita é inferior a US$ 20.000. Em alguns países do Norte Global, mais da metade da população em idade ativa utiliza IA, enquanto em partes da África Subsaariana e da Ásia, algumas das nações menos desenvolvidas têm taxas de adoção abaixo de 10%.
Uma nova barreira está surgindo: o idioma. Nações em que predominam línguas menos conhecidas — como Malawi ou Laos — apresentam menor adoção, mesmo após ajuste para PIB e acesso à internet.
Alguns países — Singapura, Emirados Árabes Unidos, Noruega e Irlanda — se destacam como líderes em adoção de IA, provando que forte acesso à tecnologia, educação e coordenação de políticas pode impulsionar a adoção rápida mesmo sem desenvolvimento de modelos de fronteira ou data centers locais.
Da perspectiva dos Frontier Builders, o número de modelos de IA continua crescendo, enquanto a diferença de desempenho entre eles diminui. Os Estados Unidos, liderados pelo GPT-5 da OpenAI, permanecem na vanguarda, com a China apenas seis meses atrás. Apenas sete países — Estados Unidos, China, França, Coreia do Sul, Reino Unido, Canadá e Israel — estão entre os 200 melhores modelos, e a distância entre o líder (EUA) e o último desses (Israel) é de apenas 11 meses.
Da perspectiva dos Infraestrutucture Builders, os Estados Unidos e China juntos hospedam 86% da capacidade global de data centers, evidenciando a alta concentração da base da IA.
Medição do progresso global da IA
Para entender essa transformação, propomos três índices complementares:
- AI Frontier Index – mede os modelos de fronteira do mundo por desempenho e inovação.
- AI Infrastructure Index – captura onde existe capacidade para construir, treinar e escalar IA.
- AI Diffusion Index – reflete onde a IA está sendo adotada.
Juntos, mostram não apenas quem está construindo IA, mas quem pode se beneficiar dela. No fim das contas, o valor da inteligência artificial será julgado não pelo número de modelos produzidos, mas pela extensão dos benefícios sociais.
A importância da difusão
Há trinta anos, o Banco Mundial publicou The East Asian Miracle[1], um relatório que buscou explicar como algumas economias do leste asiático alcançaram crescimento sem precedentes. Sua conclusão foi clara: a adoção e adaptação de tecnologias desenvolvidas em outros lugares — e não necessariamente a invenção dessas tecnologias — pode impulsionar a transformação nacional. Poucas comparações ilustram isso tão claramente quanto Coreia do Sul e Filipinas.
Em 1960, os dois países eram bastante semelhantes. Cada um tinha uma renda per capita de cerca de US$ 2.000 (ajustado para 2025), com demografia e níveis educacionais comparáveis. Contudo, quando manufatura moderna, industrialização voltada para exportação e acesso ampliado à educação superior se tornaram viáveis, a Coreia do Sul abraçou e escalou esses motores de crescimento.
No final dos anos 1970, o governo sul-coreano identificou semicondutores como prioridade estratégica e fez parcerias com o setor privado para investir estrategicamente. Por meio de acordos de licenciamento, expertise em engenharia e parcerias — apoiados por P&D governamental, incentivos fiscais e investimentos em infraestrutura — os fabricantes de semicondutores coreanos rapidamente se estabeleceram como líderes globais.
A economia da Coreia do Sul disparou, crescendo 6,2% ao ano e dobrando o padrão de vida a cada onze anos. Em contraste, a economia filipina cresceu 1,8% ao ano, próximo à média mundial, permanecendo mais atrelada a commodities primárias, especialmente agricultura, mineração e serviços de terceirização.
PIB real per capita – Filipinas vs. Coreia do Sul
O que começou como dois países em condições semelhantes tornou-se duas economias muito diferentes. Hoje, a Coreia do Sul é conhecida não por inventar semicondutores, mas por produzi-los melhor, mais rápido e mais barato que qualquer outro lugar, continuando a ser potência global na fabricação de chips de memória. O sucesso se deve, em grande parte, ao domínio e escala da tecnologia digital e à construção de indústrias ao redor dela. Serve de exemplo de como a adoção tecnológica e a colaboração entre setor público e privado impulsionaram uma das nações mais avançadas do mundo.
A difusão mais rápida da história humana
A inteligência artificial emergiu como a mais recente tecnologia de uso geral da nossa era. Sua adoção — ultrapassando um bilhão de usuários em menos de três anos — ilustra uma velocidade de difusão que poucas tecnologias anteriores, como rádio, internet ou smartphone, conseguiram igualar. [3,4]
Percentual de famílias nos EUA
No entanto, sob os números de destaque, padrões conhecidos de difusão desigual já aparecem. Em países como Emirados Árabes Unidos ou Singapura, mais da metade da população em idade ativa utiliza IA. Em outras regiões, especialmente na África Subsaariana e partes da Ásia, a adoção em muitos países permanece abaixo de 10%. [5]. Essa diferença se deve não apenas ao acesso às ferramentas de IA, mas reflete disparidades mais amplas de infraestrutura, educação e idioma.
Os Emirados Árabes Unidos (59,4%) e Singapura (58,6%) lideram o uso de IA entre adultos em idade ativa, reflexo do investimento de longo prazo em conectividade digital e habilidades.
Difusão da IA pela economia
Os blocos de construção da IA
A adoção da IA está fortemente correlacionada com o PIB. Países do Norte Global apresentam taxas de uso significativamente maiores, enquanto muitos do Sul Global ficam para trás.
Para entender isso, é útil observar os “blocos de construção” da IA:
- Eletricidade: alimenta dispositivos e data centers que tornam a IA possível.
- Data centers: formam a espinha dorsal das redes globais — incluindo a internet — e são essenciais para treinar e executar modelos de IA.
- Internet: conecta usuários à IA e permite o fluxo de dados.
- Habilidades digitais e em IA: começam com a capacidade de usar um computador e navegar no mundo digital.
- Idioma: determina quem pode usar a IA e como ela é moldada.
Difusão da IA e PIB
Países que investiram em infraestrutura digital e cujos cidadãos têm habilidades para usar ferramentas de IA em um idioma que dominam apresentam taxas de adoção muito superiores. Por exemplo, o rápido crescimento da IA em Singapura — com 59% da população em idade ativa utilizando IA [5] — é resultado de décadas de investimento deliberado em infraestrutura digital e educação. Desde os anos 1980, o governo lançou sucessivos esforços para conectar a nação com internet de alta velocidade e expandir o acesso a computadores nas escolas [8]. Nos anos 1990 e 2000, iniciativas nacionais posicionaram a tecnologia digital como central para o crescimento econômico e serviços públicos. Ao mesmo tempo, Singapura investiu fortemente em capital humano, fortalecendo a educação STEM e promovendo parcerias entre universidades, indústria e governo [9]. Essa estratégia consistente e de longo prazo criou uma população altamente conectada e digitalmente letrada — uma base essencial que permitiu ao país adotar rapidamente a IA e competir na nova economia digital.
Eletricidade
O acesso confiável à eletricidade está fortemente correlacionado ao PIB per capita e é fundamental para a adoção da IA. Energia confiável e acesso à eletricidade são bases críticas para a vida e o trabalho, alimentando residências, dispositivos, data centers e empresas. Sem eletricidade consistente, comunidades ficam impossibilitadas de participar plenamente da economia digital, conectar-se à internet, acessar saúde moderna ou apoiar avanços educacionais.
Enquanto muitos países já alcançaram cobertura universal de eletricidade, 18 dos 20 países com maiores déficits de acesso estão na África Subsaariana [14]. Como resultado, a região agora representa 85% da população mundial sem eletricidade — contra 50% em 2010 [15]. Globalmente, mais de 750 milhões de pessoas não têm acesso à eletricidade, limitando sua capacidade de participar da economia digital [16].
Acesso à eletricidade por economia
Data centers
A nova geração de grandes modelos de linguagem exige não apenas poder computacional para treinamento, mas também infraestrutura significativa para operação. A inferência — o momento em que as pessoas realmente usam esses modelos — geralmente ocorre na nuvem. Isso não significa que cada país precise de seu próprio data center. Tecnicamente, pessoas de qualquer lugar podem acessar serviços de IA hospedados no exterior. Mas a proximidade importa.
Reduzir a distância física entre data centers e clientes faz com que os dados viagem menos, minimizando o tempo de resposta. Isso é crítico para a experiência do usuário e o desempenho das aplicações; repetidas vezes, estudos mostram que até atrasos modestos reduzem o uso de serviços online [18]. A proximidade também pode reduzir custos de banda larga e gerar eficiências de rede. E cada vez mais países e regiões possuem leis que exigem que certos dados, como os governamentais, de saúde e financeiros, sejam armazenados e processados internamente.
Por isso, governos e empresas investem em colocar data centers próximos de seus cidadãos e clientes. Hoje, o mapa da infraestrutura de IA revela uma verdade preocupante: a maioria dos data centers de IA está concentrada no Norte Global. Apenas alguns existem no Sul Global.
Localização dos Data Centers de IA
Internet
O acesso à internet é outro habilitador fundamental para a adoção da IA. Em todo o mundo, vemos que quando a conectividade aumenta, a adoção acompanha. Na Zâmbia, por exemplo, a taxa nacional de adoção de IA é de apenas 12%. Mas entre aqueles com acesso à internet, o índice sobe para 34% — quase três vezes mais. Esse padrão se repete em países com níveis similares de conectividade. Do Paquistão à Costa do Marfim, do Zimbábue à Gâmbia, da Guatemala ao Quênia, Nepal e Honduras, a história é a mesma. A conectividade é a porta de entrada — um passo essencial para participar da economia da IA.
Conectividade à Internet por Economia
Habilidades digitais e em IA
Para participar plenamente de uma economia movida por IA, as pessoas precisam de habilidades digitais e técnicas para usar ferramentas de IA de forma produtiva e responsável. Sem essa base, a IA corre o risco de se tornar uma tecnologia acessível apenas a uma parcela da sociedade — aprofundando desigualdades ao invés de ampliar oportunidades.
A alfabetização digital básica é o primeiro passo: entender como navegar em plataformas digitais, avaliar informações e se engajar com segurança online. Mas o uso efetivo da IA exige habilidades adicionais. É necessário desenvolver fluência em como a IA funciona, como pode ser aplicada na vida cotidiana e no trabalho, e como usá-la de forma criativa e crítica. Para muitos, isso significa requalificação ou atualização de competências para se adequar a novas demandas profissionais, enquanto para outros abre caminhos para novas profissões em áreas como ciência de dados, desenvolvimento de software ou engenharia de IA. Assim como máquinas industriais exigiam conhecimento mecânico, as ferramentas de IA atuais exigem novas formas de competência digital.
Adoção Digital Global por Economia
Idioma
Diferente de tecnologias anteriores, a IA é construída sobre dados — principalmente linguagem humana. A web aberta, onde está armazenada a maior parte do conhecimento humano, é o principal conjunto de dados para IA. No entanto, metade desse conteúdo está em inglês, mesmo que apenas 5% da população mundial seja nativa nesse idioma. [22], [23] Para línguas de poucos recursos, os modelos de IA costumam ser menos proficientes — ou até inexistentes[24].
Essa diferença exclui milhões de pessoas: no Malawi, menos de 4% falam inglês fluentemente, enquanto a maioria depende de idiomas como Chichewa, Chitumbuka ou Chiyao, quase ausentes na web e nos grandes modelos de linguagem (LLMs) [25]. O resultado é uma barreira sistêmica: mesmo com acesso à eletricidade, infraestrutura digital e habilidades digitais, a IA continua inacessível quando as pessoas não podem utilizá-la em seu próprio idioma.
O volume de conteúdo na web aberta varia enormemente entre idiomas. O suaíli, falado por mais de 200 milhões de pessoas, tem mais de 500 vezes menos conteúdo digital que o alemão, apesar de números semelhantes de falantes[23]. Nossa análise mostra que países de idioma com poucos recursos adotam IA a taxas 20% menores que países de idiomas com muitos recursos — mesmo sob condições semelhantes de PIB e conectividade [27]. O desempenho dos modelos em diferentes idiomas, como mostrado no estudo de Xuan et al [28], indica que até os modelos de ponta alcançam cerca de 80% de precisão em inglês, mas caem abaixo de 55% para alguns idiomas de poucos recursos, como Yoruba (YO), uma das três principais línguas da Nigéria, falada por mais de 50 milhões de pessoas em toda a África.
Essas lacunas não são apenas técnicas; determinam quem pode acessar os benefícios da IA em educação, saúde, agricultura, finanças e serviços públicos. Para algumas comunidades, como os falantes de Māori na Nova Zelândia, o bilinguismo com inglês torna a questão uma de preservação cultural. Mas para outras — como Hausa na Nigéria e Níger, ou Guarani no Paraguai — desbloquear a IA em línguas locais é o único caminho para acesso significativo.
Embora a divisão linguística permaneça um desafio, ela também representa uma das maiores oportunidades da IA. Grandes modelos de linguagem (LLMs) agora tornam possível construir sistemas de tradução de alta qualidade e até treinar novos modelos com muito menos dados que antes. Porque esses modelos aprendem representações semânticas compartilhadas, o conhecimento adquirido em um idioma pode beneficiar outro, fenômeno conhecido como transferência cross-lingual. Nesse sentido, superar a barreira linguística não é apenas uma tarefa técnica, mas uma chance de garantir que a IA realmente sirva toda a humanidade, em todos os idiomas.
Cobertura de idiomas em recursos de IA
Tecnologias de uso geral precisam de construtores e usuários para evoluir
Construtores e usuários: dois lados de cada GPT
Cada tecnologia de uso geral depende de dois grupos: construtores e usuários. Construtores expandem as capacidades da tecnologia — criando, refinando e escalando — enquanto usuários aplicam para resolver problemas reais e levá-la a novos contextos. Essa interação gera ubiquidade: conforme usuários experimentam, orientam o foco dos construtores, e à medida que os construtores avançam a fronteira, abrem novas oportunidades para os usuários.
Tecnologias de uso geral prosperam quando são úteis e flexíveis — atendendo necessidades comuns e adaptando-se a múltiplas aplicações. Computadores, antes restritos a salas fechadas, agora estão por toda parte.
Na IA, os construtores incluem pesquisadores de ponta e provedores de infraestrutura, enquanto os usuários vão de indivíduos a empresas. Ambos são essenciais: sem construtores, o progresso estagna; sem usuários, a inovação perde direção.
Construtores
No lado dos construtores, temos dois tipos de organizações: frontier builders (construtores de ponta) e infrastructure builders (construtores de infraestrutura).
Frontier Builders
São organizações na vanguarda do desenvolvimento de modelos de IA. Incluem grandes laboratórios de IA que criam modelos fundacionais (por exemplo, OpenAI, Microsoft, Anthropic, Google, Mistral, DeepSeek, Alibaba, etc.), impulsionando o estado da arte em arquiteturas, algoritmos e técnicas de treinamento.
Além disso, surgiu uma comunidade open-source de IA como construtora vital do ecossistema. Open builders incluem pesquisadores, entusiastas e empresas que liberam ferramentas, modelos e bibliotecas de IA sob licenças open-source. Eles promovem acessibilidade e personalização dos modelos, muitas vezes ajustando LLMs em versões menores e mais eficientes para uso geral.
Por exemplo, o lançamento dos modelos LlaMA com pesos abertos pela Meta catalisou uma onda de inovação comunitária — mais de 7 mil variantes foram desenvolvidas na plataforma Hugging Face em poucos meses após a estreia do LlaMA [29]. Outros laboratórios seguiram: a OpenAI agora oferece versões open-weights do GPT, e o Google, através da subsidiária Deep Mind, oferece a família de modelos Gemma.
Para medir a fronteira, analisamos a origem dos principais modelos e conjuntos de dados de IA. Uma das primeiras observações é que o número de modelos e sua qualidade aumentou rapidamente ao longo do tempo, enquanto o preço por token caiu substancialmente em relação aos modelos anteriores.
Para calcular o índice de fronteira, calculamos uma pontuação composta de benchmarks:
Modelos de IA por desempenho, custo e data de lançamento
- Programação: média dos benchmarks SciCode e LiveCodeBench
- Conhecimento: média dos benchmarks MMLU-Pro e HLE
- Raciocínio: benchmark Long-context reasoning (LCR)
- Acompanhamento de instruções: benchmark ifbench
- Recuperação de informação : benchmark GQPA
Nossa métrica é a média simples das cinco pontuações acima. Os benchmarks utilizados incluem:
- SciCode — testa programação científica em Python, verificando se os códigos passam em testes unitários.
- LiveCodeBench — avalia habilidade geral de programação em tarefas ao vivo com testes ocultos.
- MMLU-Pro — versão mais difícil do MMLU com ~12 mil questões em várias disciplinas para avaliar conhecimento amplo e raciocínio.
- HLE (Humanity’s Last Exam) — questões acadêmicas adversariais testando raciocínio de alto nível; recompensa respostas semanticamente corretas.
- AA-LCR — mede raciocínio em contexto longo, exigindo recuperação e síntese em documentos extensos.
- IFBench — avalia a execução precisade instruções em tarefas abertas.
- GPQA Diamond — benchmark de perguntas e respostas de nível de pós-graduação em ciências, projetado para testar raciocínio profundo sem consulta à web.
Com os resultados dessa métrica, calculamos qual modelo foi o melhor em cada momento do passado. Para cada país, selecionamos o modelo de melhor desempenho já criado. Usando a data de lançamento desse modelo, verificamos há quanto tempo um modelo com o mesmo desempenho estava na fronteira. Isso determina nossa métrica “meses até a fronteira”. Por exemplo, quando DeepSeek V3.1 foi lançado em setembro de 2025, seu desempenho era mais próximo ao GPT-o3 da OpenAI, lançado em abril, cinco meses antes.
Infrastructure Builders
Infraestrutura de IA inclui sistemas físicos e energéticos que viabilizam treinamento e inferência de modelos, principalmente data centers, conectividade e energia. Como um data center exige eletricidade confiável e acesso à rede, sua presença serve como forte indicador de infraestrutura.
Nem todos os data centers são iguais; variam em tamanho, propósito e capacidade computacional. O melhor indicador de escala é o uso de eletricidade. Embora instalações de IA dependam cada vez mais de GPUs, o crescimento mais lento da infraestrutura ainda é a construção e operação de data centers.
Para medir a capacidade regional, usamos estimativas da International Energy Agency (IEA) sobre capacidade de data centers em gigawatts, fornecendo a visão mais abrangente de recursos computacionais globais em meados de 2025.
Usuários de IA (difusão)
A medição da difusão de IA — a extensão em que a IA é adotada e usada em setores e populações — é inerentemente complexa. Abordagens tradicionais baseadas em pesquisa muitas vezes carecem de precisão ou abrangência.
A Microsoft possui uma visão única para avaliar essa difusão em escala. Ao analisar telemetria agregada e anonimizada de mais de um bilhão de dispositivos Windows, podemos estimar a prevalência de uso relacionado à IA em diferentes regiões. Embora esse conjunto de dados exclua dispositivos não-Windows, corrigimos essa limitação incorporando dados de terceiros sobre a participação de mercado do Windows e a distribuição relativa de uso desktop versus mobile.
Apesar de não ser perfeito, essa metodologia fornece um indicador robusto e consistente para medir a difusão real de IA globalmente ao longo do tempo. Os dados incluem informações de todos os principais modelos de IA.
O Que Podemos Aprender da Análise Cruzada dos Dados
· Difusão Mais Rápida da História
Com mais de 1,2 bilhão de usuários em menos de 36 meses, a IA tornou-se a tecnologia de adoção mais rápida da história humana. Os dados mostram que a adoção de IA não é difícil quando as pessoas têm acesso a um computador ou smartphone conectado. No entanto, quando eletricidade, conectividade e habilidades digitais são considerados, quase metade da humanidade — cerca de 4 bilhões de pessoas — ainda carece das capacidades básicas para usar IA. Enquanto o próximo bilhão de usuários pode ser conquistado relativamente fácil, o progresso tende a estagnar à medida que chegamos a populações limitadas por essas barreiras estruturais.
· Divisão Norte–Sul
O mapa de difusão da IA revela um contraste marcante entre o Norte Global e o Sul Global. A adoção de IA no Norte Global é de aproximadamente 23%, comparado a apenas 13% no Sul Global. A adoção correlaciona fortemente com PIB per capita, com disparidades mais acentuadas em países abaixo de US$ 20 mil de PIB per capita — faixa que inclui todos os países menos desenvolvidos.
· Líderes em Difusão de IA
As maiores taxas de adoção de IA são observadas nos Emirados Árabes Unidos, Singapura, Noruega e Irlanda — países que nem sempre são vistos como potências em IA. Embora os Emirados Árabes Unidos tenham começado a desenvolver seus próprios modelos, eles ainda não estão na fronteira tecnológica, indicando que infraestrutura robusta, coordenação de políticas e preparo digital podem impulsionar adoção rápida mesmo sem desenvolvimento de fronteira.
· Concentração de Infraestrutura
A capacidade de data centers permanece altamente concentrada, com Estados Unidos e China representando cerca de 86% do poder computacional global. Esses mesmos países lideram no número e desempenho de modelos de IA de fronteira, ocupando as posições #1 e #2, respectivamente.
· Encurtamento da Fronteira
Apenas sete países atualmente hospedarem modelos de IA de nível frontier — Estados Unidos, China, Coreia do Sul, França, Reino Unido, Canadá e Israel — mas a diferença de desempenho está diminuindo. Com base em nossas métricas comparativas, a China está menos de seis meses atrás dos EUA, e Israel, em sétimo lugar, menos de um ano atrás do frontier. Essa aceleração sugere que a difusão na fronteira é mais rápida do que em revoluções tecnológicas anteriores.
Fonte dos Dados de Difusão de IA
Referências
[1] B. Eugene Nancy M., Campos, Jose Edgardo L., Kim, Chang-Shik, Corden, W. Max, MacDonald, Lawrence [editor], Pack, Howard, Page, John, Sabor, Richard, Stiglitz, Joseph, “The East Asian miracle : economic growth and public policy (Vol. 1 of 2) : Main report,” World Bank. Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://documents.worldbank.org/en/publication/documents-reports/documentdetail/975081468244550798
[2] World Bank, “GDP per capita, PPP (current international $),” World Development Indicators, World Bank Open Data, 30 de maio de 2024. [Online]. Disponível em: https://data.worldbank.org/indicator/NY.GDP.PCAP.PP.CD
[3] “Opinion | You Are What You Spend – The New York Times.” Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://www.nytimes.com/2008/02/10/opinion/10cox.html
[4] H. Ritchie, E. Mathieu, M. Roser, e E. Ortiz-Ospina, “Internet,” Our World in Data, abr. 2023, Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://ourworldindata.org/internet
[5] A. Misra e J. Wang et al., “Measuring AI Diffusion: A Population-Normalized Metric for Tracking Global AI Usage.”, Microsoft AI for Good Lab, 2025. https://aka.ms/AI_Diffusion_Technical_Report
[6] “World Development Indicators | DataBank.” Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://databank.worldbank.org/reports.aspx?source=2&series=NY.GDP.PCAP.CD&country=
[7] “Taiwan GDP per Capita: USD | Economic Indicators | CEIC.” Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://www.ceicdata.com/en/taiwan/sna-08-reference-year2021-gdp-by-expenditure-current-price-annual/gdp-per-capita-usd
[8] “Our milestones,” Smart Nation Singapore. Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://www.smartnation.gov.sg/about/milestones/
[9] “(PDF) STEM Education in Singapore,” in ResearchGate. doi: 10.1007/978-981-16-1357-9_3.
[10] World Bank, “Population, total,” World Development Indicators, World Bank Open Data, 30 de maio de 2024. [Online]. Disponível em: https://data.worldbank.org/indicator/SP.POP.TOTL
[11] “Share of the population with access to electricity,” Our World in Data. Acessado em: 12 de setembro de 2025. [Online]. Disponível em: https://ourworldindata.org/grapher/share-of-the-population-with-access-to-electricity
[12] “Facts and Figures 2024 – Internet use.” Acessado em: 12 de setembro de 2025. [Online]. Disponível em: https://www.itu.int/itu-d/reports/statistics/2024/11/10/ff24-internet-use
[13] ITU. (n.d.). SDG-related ICT indicators. International Telecommunication Union. Recuperado em 29 de outubro de 2025, de https://www.itu.int/en/ITU-D/Statistics/Pages/SDGs-ITU-ICT-indicators.aspx
[14] “Tracking SDG 7 | Progress Towards Sustainable Energy.” Acessado em: 15 de setembro de 2025. [Online]. Disponível em: https://trackingsdg7.esmap.org/
[15]“ieg.worldbankgroup.org/sites/default/files/Data/reports/Ap_WBG_Elec_Africa_2015-24.pdf?utm_source=chatgpt.com.” Acessado em: 14 de setembro de 2025. [Online]. Disponível em: https://ieg.worldbankgroup.org/sites/default/files/Data/reports/Ap_WBG_Elec_Africa_2015-24.pdf
[16] “Access to electricity – SDG7: Data and Projections – Analysis,” IEA. Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://www.iea.org/reports/sdg7-data-and-projections/access-to-electricity
[17] “Share of the population with access to electricity,” Our World in Data. Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://ourworldindata.org/grapher/share-of-the-population-with-access-to-electricity?tab=line&country=~OWID_WRL
[18] O. Nilsson e N. Yngwe, “API Latency and User Experience: What Aspects Impact Latency and What are the Implications for Company Performance?”.
[19] Z. Hawkins, V. Lehdonvirta, e B. Wu, “AI Compute Sovereignty: Infrastructure Control Across Territories, Cloud Providers, and Accelerators,” 20 de junho de 2025, Social Science Research Network, Rochester, NY: 5312977. doi: 10.2139/ssrn.5312977.
[20] “Individuals using the Internet – ITU DataHub.” Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://datahub.itu.int/data/?i=11624
[21] “Digital Adoption Index,” World Bank. Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://www.worldbank.org/en/publication/wdr2016/Digital-Adoption-Index
[22] “Languages by number of native speakers | List, Top, & Most Spoken | Britannica.” Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://www.britannica.com/topic/languages-by-number-of-native-speakers-2228882
[23] “Statistics of Common Crawl Monthly Archives by commoncrawl.” Acessado em: 11 de setembro de 2025. [Online]. Disponível em: https://commoncrawl.github.io/cc-crawl-statistics/plots/languages
[24] “Mind the (Language) Gap: Mapping the Challenges of LLM Development in Low-Resource Language Contexts | Stanford HAI.” Acessado em: 10 de setembro de 2025. [Online]. Disponível em: https://hai.stanford.edu/policy/mind-the-language-gap-mapping-the-challenges-of-llm-development-in-low-resource-language-contexts
[25] E. Kayambazinthu, “The Language Planning Situation in Malawi,” Journal of Multilingual and Multicultural Development, vol. 19, no. 5, pp. 369–439, set. 1998, doi: 10.1080/01434639808666363.
[26] “Multilingual education, the bet to preserve indigenous languages and.” Acessado em: 12 de setembro de 2025. [Online]. Disponível em: https://www.unesco.org/en/articles/multilingual-education-bet-preserve-indigenous-languages-and-justice
[27] A. Misra, S. W. Zamir, W. Hamidouche e J. Lavista Ferres, “AI Diffusion in Low Resource Language Countries”, Microsoft AI for Good Lab, 2025. https://aka.ms/AI_Diffusion_Low_Resource_Language_Countries
[28] W. Xuan et al, “MMLU-ProX: A Multilingual Benchmark for Advanced Large Language Model Evaluation,” arXiv preprint arXiv:2503.10497, 2025. [Online]. Disponível em: https://arxiv.org/abs/2503.10497. Acessado em: 29 de outubro de 2025.
[29] S. Goldman, “Forget ChatGPT, why Llama and open source AI win 2023,” VentureBeat. [Online]. Disponível em: https://venturebeat.com/ai/forget-chatgpt-why-llama-and-open-source-ai-win-2023. Acessado em: 29 de outubro de 2025.
[30] Artificial Analysis, “AI Model & API Providers Analysis,” ArtificialAnalysis.ai, 2025. [Online]. Disponível em: https://artificialanalysis.ai/.