Celem referatu jest przedstawienie dyskursu dotyczącego tzw. „sztucznej inteligencji” (AI) z perspektywy środowiska data science. Jest to środowisko zajmujące się AI od strony technicznej i metodologicznej. Autor przeprowadził trzyletnie badania etnograficzne data science w Polsce. Data science traktował jako społeczny świat / arenę zgodnie z podejściem Adele E. Clarke. Jednym z najważniejszych wyników tego badania jest wgląd w dyskurs o AI: uczestnicy społecznego świata data science traktują pojęcie „AI” jako nie-techniczne. Postrzegają to pojęcie jako opakowanie dla szeregu różnych technologii, w tym dla modeli uczenia maszynowego. Autor przedstawia używanie pojęcia „AI” przede wszystkim jako praktykę biznesowych rzeczników świata społecznego data science. Jest to praktyka nastawiona na oczarowywanie odbiorców nie-technicznych. Ma ona na celu wywoływanie wrażenia, że AI to technologie magiczne, tzn. imponujące, bezkosztowe i bezproblemowe. W odróżnieniu od tego, w społecznym świecie data science używa się technicznego pojęcia modelu uczenia maszynowego. Przygotowywanie modelu uczenia maszynowego postrzegane jest w społecznym świecie data science nie jako magia, a jako majsterkowanie tzn. coś żmudnego, eksperymentalnego, o niepewnych rezultatach. Autor zwraca uwagę na narzędzia cyfrowe, charakterystyczne dla dyskursu technicznego i nie-technicznego. Dla uczestników społecznego świata data science właściwym narzędziem do dyskutowania o uczeniu maszynowym jest kod w języku programowania Python – to dyskurs techniczny. Ten świat społeczny za narzędzie charakterystyczne dla dyskutowania o AI uznaje prezentacje multimedialne w PowerPoint – to dyskurs nie-techniczny. Kod w języku Python jest w data science egzemplifikacją realnej sprawczości technicznej, bowiem w tym języku zaimplementowane są najpopularniejsze narzędzia (tzw. pakiety) do budowania modeli uczenia maszynowego. To w tym języku wykonuje się konkretne modele na zasadzie majsterkowania. Kolorowe slajdy w PowerPoint są egzemplifikacją technicznie nierealnych lub niejasnych, ale pozornie imponujących obietnic, składanych przez biznesowych rzeczników świata data science po to, aby oczarowywać np. potencjalnych klientów lub decydentów. Z badań autora wynika ponadto, że w społecznym świecie data science nie ma jednoznacznej zgody co do tego, czy opakowywanie uczenia maszynowego w „magiczną” AI leży w interesie świata data science.