La rete Masakhane nasce nel 2018 da un’intuizione di due ricercatrici sudafricane e viene lanciata nel 2019 a Nairobi: in meno di otto anni i suoi dataset di valutazione — MasakhaNER, MasakhaNER 2.0, MasakhaPOS, IrokoBench — sono diventati il metro con cui si misurano i modelli linguistici su decine di lingue africane. Ma l’etichetta “ricerca dal basso” oggi racconta metà della storia: Masakhane è una fondazione registrata in Kenya con finanziamenti milionari da IDRC, Gates Foundation e Google.org. Il ritratto di chi ci lavora, e di cosa cambia quando il volontariato diventa infrastruttura.
Nel 2021 un gruppo di volontari madrelingua si è messo a leggere articoli di giornali locali nigeriani, etiopi, ruandesi, kenioti, e a marcare parola per parola quali fossero nomi di persona, quali di organizzazione, quali di luogo. Lo strumento si chiamava ELISA, le lingue erano dieci: amarico, hausa, igbo, kinyarwanda, luganda, luo, pidgin nigeriano, swahili, wolof, yoruba. Il risultato — MasakhaNER, pubblicato sulla rivista TACL con David Ifeoluwa Adelani come primo autore — è stato il primo grande dataset pubblico di named entity recognition per lingue africane. Ha vinto il Best Paper Award all’AfricaNLP Workshop dello stesso anno.
Qui sta il punto in cui entra l’intelligenza artificiale, ed è utile essere precisi perché è il punto che quasi tutti saltano. Masakhane non ha costruito in primo luogo modelli: ha costruito il terreno su cui i modelli vengono misurati. Un sistema di riconoscimento delle entità nominate è un modello di apprendimento automatico addestrato a classificare ogni token di una frase; un modello linguistico di grandi dimensioni è un’altra cosa ancora. Entrambi, però, per essere valutati hanno bisogno di testo annotato da esseri umani che quella lingua la parlano. Senza quel testo, dire che un modello “funziona in swahili” è un’affermazione senza numeri dietro. I dataset di valutazione sono la parte dell’infrastruttura di cui nessuno parla e senza la quale il resto è aria.
Prima c’era JW300
Per capire la discontinuità bisogna sapere da cosa si partiva. Per molte lingue africane, prima dei dataset comunitari, l’unico corpus aperto disponibile era JW300: una raccolta di contenuti religiosi tradotti per scopi missionari. Un modello di traduzione addestrato lì dentro impara una lingua con un lessico, un registro e un universo di riferimenti molto particolari. Provate a chiedergli di tradurre un bollettino sanitario, un contratto o una conversazione tra adolescenti.
Masakhane — in isiZulu significa “costruiamo insieme” — nasce nel 2018 dall’intuizione di due ricercatrici sudafricane di machine learning, Jade Abbott e Laura Martinus, che individuano quel vuoto di ricerca e decidono che non si colma aspettando che lo colmi qualcun altro. Il lancio formale arriva nel 2019 al Deep Learning Indaba di Nairobi, la conferenza che da anni fa da punto di raccolta per la comunità africana di machine learning. Tra i membri fondatori c’è Vukosi Marivate, dell’Università di Pretoria, uno dei motori dell’Indaba stesso.
Il metodo, prima dei risultati
Il contributo di Masakhane che ha avuto più riconoscimenti formali non è un dataset: è un paper sul metodo. Participatory Research for Low-resourced Machine Translation: A Case Study in African Languages, firmato Nekoto et al. nel 2020 con una lista di autori lunghissima — la lista è il messaggio — ha vinto il primo Wikimedia Foundation Research Award of the Year nel 2021.
La tesi è semplice e scomoda: nella ricerca sulle lingue a bassa disponibilità di risorse, il collo di bottiglia non è il modello, è la relazione con chi la lingua la parla. Il modo standard di procedere — un laboratorio del nord del mondo raccoglie dati, pubblica, i parlanti compaiono eventualmente nei ringraziamenti — produce risultati fragili e non lascia nulla sul posto. Il modo partecipativo mette gli annotatori nella lista degli autori e nella definizione del problema. Costa di più in coordinamento e produce comunità che l’anno dopo sono ancora lì.
Da quel metodo discende tutto il resto. MasakhaNER 2.0, presentato a EMNLP nel 2022, estende l’impianto a venti lingue africane con entità di persona, organizzazione, luogo e data, e training set che vanno da circa mille a circa ottomila frasi per lingua. Poi MasakhaPOS, per l’etichettatura morfosintattica. Poi, nel 2024, IrokoBench: un benchmark pensato esplicitamente per valutare i grandi modelli linguistici sulle lingue africane, cioè per rispondere con dei numeri alla domanda che i comunicati stampa risolvono con un aggettivo.
Chi ci lavora
Il ritratto collettivo è più interessante di qualsiasi singola biografia. Jade Abbott, co-fondatrice, oggi è CTO e co-fondatrice di Lelapa AI, una società che fa ricerca applicata sulle lingue africane: il passaggio dalla rete informale all’impresa è una delle traiettorie possibili. David Adelani, che ha guidato MasakhaNER, è a McGill e Mila in Canada con una Canada CIFAR AI Chair: è la traiettoria accademica, con il nodo irrisolto che comporta, cioè che una parte della competenza costruita in Africa finisce in istituzioni nordamericane ed europee.
Kathleen Siminyu presiede il board della Masakhane Research Foundation. Hatem Haddad siede nel board. Everlyn Asiko Chimoto è partita da ottomila coppie di frasi luhya-inglese e oggi organizza AfricaNLP e KenyaNLP: è la traiettoria dell’organizzatrice, quella che tiene in piedi le conferenze dove la comunità si riconosce.
Sulla dimensione della rete i numeri sono volutamente imprecisi, e vale la pena dirlo invece di scegliere la cifra più vistosa. Una survey accademica del 2022 parla di oltre mille membri; fonti giornalistiche scrivono “migliaia”. Sui modelli e i dataset pubblicati, un preprint cita oltre quattrocento modelli e oltre venti dataset, una ricognizione del 2025 conta 359 modelli e 25 dataset sull’account Hugging Face dell’organizzazione. Nessuna di queste cifre è confermata ufficialmente da Masakhane. Anche le citazioni di MasakhaNER cambiano con il contatore: circa 341 su Google Scholar, tra 90 e 105 su Dimensions. Chi scrive di infrastrutture dovrebbe indicare sempre quale misuratore sta usando.
La parte che l’etichetta “dal basso” non copre più
C’è una narrazione comoda su Masakhane — volontari africani che costruiscono gratis quello che poi i grandi laboratori prendono senza dire grazie — e va maneggiata con cura, perché la documentazione disponibile racconta una storia diversa e in qualche modo più complicata.
IrokoBench, il benchmark del 2024, è stato finanziato dal Lacuna Fund, co-fondato da Rockefeller Foundation, Google.org e dall’IDRC canadese; ha usato crediti di calcolo Oracle, un Cohere For AI Research Grant e crediti API concessi da OpenAI per poter valutare GPT-3.5 e GPT-4. Sono tutti nei ringraziamenti. Il Masakhane Consortium si è visto finanziare quattro proposte su sei dal Lacuna Fund, con Knowledge4All sul piano operativo, Strathmore CIPIT su quello legale e Bantucracy su quello etico.
Oggi Masakhane Research Foundation ha sede a Kilifi, in Kenya. Il progetto The Masakhane AI languages hub è finanziato dall’IDRC con 5.360.000 dollari canadesi su trentasette mesi. A settembre 2025 è arrivato un grant della Gates Foundation alla fondazione per sviluppare modelli e strumenti linguistici. L’African Languages Hub ha aperto un bando per dataset in cinquanta lingue africane con il sostegno di Google.org, del FCDO britannico, dell’IDRC e della Gates Foundation.
Questo non annulla il discorso sull’estrattivismo dei dati, che resta centrale nel modo in cui Masakhane parla di sé e del proprio lavoro. Lo sposta. La domanda non è più “chi prende senza citare”, perché i crediti ci sono e sono tracciabili. La domanda è cosa succede a una comunità di ricerca partecipativa quando diventa un ente con milioni di dollari in bilancio, scadenze di rendicontazione, un board e dei donatori istituzionali che hanno priorità proprie. Il metodo premiato da Wikimedia nel 2021 funzionava perché nessuno doveva rispondere a un ciclo di grant. Ora qualcuno deve.
Una cosa che il dibattito italiano sulla sovranità linguistica dei modelli raramente nota: Masakhane non ha costruito il primo sistema di traduzione per yoruba, swahili o amarico, e non lo rivendica. I suoi primati documentati riguardano i dataset con cui si valuta. È una posizione strategicamente più forte di quanto sembri. Chi controlla il benchmark decide cosa conta come “funziona”, e quella è l’unica leva che una comunità senza GPU proprie può tenere stretta mentre tutti gli altri addestrano.