Im Gegensatz zu den streng funktionalen traditionellen Industrierobotern ist der Baxter menschenähnlich proportioniert. Er hat zwei Arme, deren Schultergelenke sich auf der gleichen Höhe wie bei einem ausgewachsenen Menschen befinden. Dort, wo beim Menschen der Kopf wäre, hat der Baxter einen Bildschirm, auf dem im Normalbetrieb zwei Augen zu sehen sind, die dorthin blicken, wo der Roboter als nächstes hingreifen wird. Geht etwas schief, wird das Gesicht auf dem Bildschirm traurig, oder es schaut verwirrt drein. Der Roboter wird nicht irgendwo fest installiert, sondern er steht auf einem Gestell mit Rollen, das einfach am jeweils vorgesehenen Arbeitsort arretiert wird. Über verschiedene Kameras, die am Rumpf und an den Armen integriert sind, orientiert sich Baxter in seiner Umgebung.
Es gibt drei verschiedene Methoden der Programmierung von Baxter, von denen die einfachste gleichzeitig die derzeit spektakulärste ist: Wenn man den Roboter etwa darauf programmieren will, Werkstücke vom Band in Kisten zu sortieren, ruft man die entsprechende Funktion auf dem Bildschirm auf, greift sich einen der Arme und zeigt der Maschine direkt, von welcher ungefähren Zone des Fließbandes sie Teile einsammeln soll. Die Assoziation zum Zeigen und Vorspielen bei Kindern ist naheliegend. Danach zeigt man dem Roboter noch, wie die einzusammelnden Teile aussehen und wo die Kiste steht, in der sie landen sollen.

Eine andere Ausprägung des Narrative-Science-Systems, bei dem die Firma auch schon Konkurrenten hat, ist die Generierung der verpflichtenden Quartalsberichte für börsennotierte Unternehmen. Diese Berichte werden meist ohnehin nur von ein paar Dutzend Investmentanalysten gelesen und ausgewertet – und von Börsen-Handelsalgorithmen. Das Prinzip der Berichtgenerierung bleibt gleich: Aktuelle Geschäftszahlen, die aus der Unternehmenssoftware extrahiert worden sind, werden mit denen aus den vergangenen Quartalen, Zahlenwerken über die Situation in den verschiedenen Absatzmärkten und weiteren relevanten Daten zum Faktengrundgerüst für den Bericht zusammengestellt.
Die Berichtgenerierungssoftware erzeugt dann daraus nach den gleichen Methoden wie bei der automatischen Sportberichterstattung einen Fließtext, wenn gewünscht mit Tabellen, der sich nicht ohne weiteres von solchen unterscheiden läßt, die von Menschen geschrieben wurden. Bei Quartalsberichten sind die teilweise gesetzlich vorgeschriebenen Inhalte und die daraus abgeleitete Struktur ohnehin noch mal ähnlicher und wiederkehrender als bei Sportberichten. Niemand erwartet hier literarische Höchstleistungen. Im Gegenteil: Die Algorithmen auf der anderen Seite, die zur Auswertung solcher Quartalsberichte geschrieben wurden, funktionieren besser, wenn weitgehend auf sprachliche Dekorationen verzichtet wird.

Auch menschliche Kreativität, die bisher als nicht oder nur begrenzt durch Algorithmen ersetzbar galt, ist in einigen Bereichen weitaus weniger unersetzbar als angenommen. Ein drastisches Beispiel hierfür liefert die Firma Narrative Sciences, die es sich zum Ziel gesetzt hat, ihre Software Geschichten erzählen zu lassen. Wie es sich für ein gewinnorientiertes Start-up gehört, geht es dabei nicht um Märchen oder Sagen, sondern um Quartalsberichte von Unternehmen und – durchaus beeindruckend – um Sportberichterstattung.
Durch Analyse von Millionen von Zeitungsartikeln über in den USA beliebte Sportarten wie Baseball oder Basketball, die mit den über jedes Spiel erfaßten Daten über Spielaktionen, Ballbesitz, Tore, statistische Auffälligkeiten und Rekorde und so weiter verglichen wurden, lernten die Systeme von Narrative Science, wie Menschen über ein Spiel schreiben. Typische Phrasen und Wortverbindungen der Sportberichterstattung für die jeweiligen Situationen wurden extrahiert und in einer Datenbank gespeichert. Ergibt sich aus den Daten des Spiels, über das die Software gerade einen Bericht schreibt, eine ähnliche Situation, werden die dazugehörigen Satzbestandteile zur Beschreibung herausgesucht.
Aus dem Kontext der Daten und daraus, wann in der von der Software belieferten Zeitung diese Satzbausteine zuletzt verwendet wurden – man will schließlich keine zu auffälligen Wiederholungen von Formulierungen –, und weiteren Modulen, die unter anderem auf korrekten Satzbau und Grammatik achten, ergeben sich letztendlich die fertigen Sätze und Absätze eines Artikels. Die nackten, formalisierten Daten werden zu einer Geschichte, wie sie ein Mensch erzählen würde.

»Machine Learning« verfolgt den Ansatz, etwas der Intelligenz Vergleichbares durch die Sammlung und Analyse von großen Informationsmengen zu erzeugen und die Fehler durch Einbeziehung der Reaktionen des Menschen auf die Ergebnisse fortwährend zu reduzieren. Man kann es sich als automatisches Erfahrungslernen vorstellen, gespeist aus Zusammenhängen und Gemeinsamkeiten von Informationen. Zunächst ging es um die Auswertung von Texten. Gefüttert werden diese Algorithmen heute aber mit den nunmehr reichlich vorhandenen Datenschätzen, die wir in unserem digitalisierten Leben erzeugen. Egal ob Einkäufe, Blog-Postings, Bewegungsdaten, Kreditaufnahme oder Arbeitstätigkeit – praktisch alles hinterlässt digitale Spuren, die von derzeit meist noch separaten Systemen gespeichert und analysiert werden können. Es werden neue Erkenntnisse gewonnen und Informationen eingeordnet, die zuvor entweder zuviel Rechenleistung erforderten oder für die es bisher schlicht keine ausreichende Datenbasis gab.