Pasquinelli arriva a conclusioni molto importanti:

Osservando attentamente come gli strumenti statistici concepiti per valutare le capacità cognitive e discriminare la produttività delle persone si sono trasformati in algoritmi, diventa evidente un aspetto più profondo dell’automazione. Infatti, lo studio della metrologia del lavoro e dei comportamenti rivela che l’automazione emerge in alcuni casi dalla trasformazione degli stessi strumenti di misura in tecnologie cinetiche. Gli strumenti per la quantificazione del lavoro e la discriminazione sociale sono diventati “robot” a tutti gli effetti. (…) l’IA è il culmine della lunga evoluzione dell’automazione del lavoro e della quantificazione della società. I modelli statistici di machine learning non appaiono, infatti, radicalmente diversi ma piuttosto omologhi alla progettazione delle macchine industriali: sono infatti costituiti dalla stessa intelligenza analitica dei compiti e dei comportamenti collettivi, seppur con un grado di complessità (cioè numero di parametri) più elevato. Come le macchine industriali la cui progettazione è emersa gradualmente attraverso attività di routine e regolazioni per tentativi ed errori, gli algoritmi di apprendimento automatico adattano il loro modello interno ai modelli nei dati di addestramento attraverso un processo comparabile di tentativi ed errori. . Si  può dire che la progettazione di una macchina e il modello di un algoritmo statistico seguano una logica simile: entrambi si basano sull’imitazione di una configurazione esterna di spazio, tempo, relazioni e operazioni. (…) L’ascesa di modelli di base di grandi dimensioni negli ultimi anni (…) dimostra come un singolo algoritmo di deep learning possa essere addestrato su un vasto set di dati integrato (comprendente testo, immagini, parlato, dati strutturati e segnali 3D) e utilizzato per automatizzare un’ampia gamma di attività cosiddette a valle (risposta alle domande, analisi del sentiment, estrazione di informazioni,  generazione di testo, didascalie delle immagini, generazione di immagini, trasferimento di stile, riconoscimento di oggetti, seguito di istruzioni, ecc.) (…) Un aspetto importante dell’apprendimento automatico che i modelli di base dimostrano è che l’automazione dei singoli compiti, la codifica del patrimonio culturale e l’analisi dei comportamenti sociali non hanno distinzioni tecniche: possono essere eseguiti dallo stesso processo di modellazione statistica.In conclusione, l’apprendimento automatico può essere visto come il progetto per automatizzare il processo stesso di progettazione delle macchine e la creazione di modelli, vale a dire, l’automazione della teoria del lavoro dell’automazione stessa. In questo senso, l’apprendimento automatico e, in particolare, i modelli di base di grandi dimensioni rappresentano una nuova definizione di Macchina Universale, poiché la loro capacità non è solo quella di eseguire compiti computazionali, ma di imitare il lavoro e i comportamenti collettivi in generale. La svolta che l’apprendimento automatico è arrivato a rappresentare non è quindi solo l'”automazione della statistica”, come a volte viene descritto l’apprendimento automatico, ma l’ automazione dell’automazione, portando questo processo alla scala della conoscenza collettiva e del patrimonio culturale. Inoltre, l’apprendimento automatico può essere considerato come la prova tecnica della graduale integrazione dell’automazione del lavoro con la governance sociale. Emergendo dall’imitazione della divisione del lavoro e della psicometria, i modelli di machine learning si sono progressivamente evoluti verso un paradigma integrato di governance che l’analisi dei dati aziendali e i suoi vasti datacenter ben esemplificano. (M. Pasquinelli, “The Eye of the Master: A Social History of Artificial Intelligence” – traduzione in proprio)