友谊的细节，包括用户与其朋友的相似度，来解决企业的“核心业务挑战”。FBL不仅为广告商提供了基于人口统计和消费者偏好的定位能力，它还提供了“忠诚度预测”服务，搜索超过20亿的用户群，发现数百万人有从一个品牌跳槽到竞争对手的“风险”。被试者准备好“被广告积极定位，这些广告可以先发制人，完全改变他们的决定”。
资本利用人工智能对个人交流进行语法化的另一个例子是b谷歌的联邦学习项目。这在2017年被宣布为“去中心化”边缘AI，即“机器学习模型直接在用户的智能手机上进行训练”。b谷歌现在可以通过一个应用程序将AI训练委托给Android手机，该应用程序将读取用户的文件，改进他们的数字档案的个性化，并将这些信息转发给广告客户，同时将原始数据“完好无损”地保存在手机上，而不是将其存放在谷歌的服务器上。尽管谷歌选择以这种方法的用户隐私优势为特色，但联邦学习为公司带来了许多其他更自利的优势。“去中心化”AI在用户设备上“本地”运行，不依赖网络连接，“意味着更少的功耗，……最小的延迟和更快的机器学习处理”，并且实际上可以访问“更多的用户数据”，而不是实际上可以收集到云中的远程服务器(Kulian 2017，重点补充)。
在2008年金融危机之后，似乎企业拥有的社交媒体的影响力越来越大，实际上可能会扩大社会异议的可能性。2011年爆发的占领、集会和骚乱浪潮被广泛称为“Facebook(或Twitter或YouTube)革命”。尽管这一称谓因其荒谬的技术决定论而受到广泛而恰当的批评(例如tawill - souri 2012)，这些起义的一个特征仍然是抗议者广泛使用社交媒体平台和移动电话网络(尽管还有老式的实地组织和面对面交流)。这促成了抗议活动的快速动员和传染性传播，尽管也可能导致了他们后来的政治一致性和短暂持久力问题(Dyer-Witheford 2015)。
然而，在这些动荡之后，两个与人工智能相关的发展给网络化的反资本主义运动带来了重大问题。
automating the social factory .
99