Sedangkan faktor ketiga adalah kemajuan dalam jaringan saraf dalam. Artificial Neural Network (ANN) menggantikan model Traditional Machine Learning (TML), untuk mengembangkan model yang presisi dan akurat. Beberapa kemajuan terbaru dalam visi komputer, merevolusi pemrosesan gambar. Teknik ML yang berkembang, mengubah cara pelatihan dan penerapan model secara fundamental. Ini menghasilkan model yang dapat memprediksi secara akurat, bahkan ketika dilatih dengan data terbatas.
Ketiga faktor di atas senada dikonfirmasi Shion, 2025, dalam "What are the Factors Affecting the Growth of Artificial Intelligence?". Juga Sergey Pomytkin, 2025, dalam "What Factors Will Drive AI Revolution in Next Few Years: Models/algorithms, Hardware Optimization, Architecture and interoperability?" Terdapat keterkaitan tiga faktor di atas, menciptakan efek kupu-kupu pada AI lewat pelipatgandaan kemampuan ML-nya. Berlipatgandanya kapasitas perangkat ML ini, merevolusi kemampuan belajar yang mengubah total wajah AI. Ini dibanding pengembangan awalnya.
Sedangkan efek kupu-kupu yang disebabkan AI, terkemuka dalam "The AI Butterfly Effect: The Force Multiplier That’s Reshaping Customer Service", yang ditulis Michele Carlson, 2025. Pada tulisan itu Carlson menyebut, yang terjadi bukan hanya pergeseran teknologi, melainkan penggandaan kekuatan. Kehadirannya menyebabkan definisi baru cara berbisnis, maupun interaksi bisnis dengan pelanggan. Efek kupu-kupu kompleks yang dipicu oleh inovasi kecil, mendorong transformasi besar-besaran di seluruh industri. Reaksinya berantai, menghadirkan era modernisasi dan kemajuan mutakhir di berbagai industri.
Di sisi hadapannya perubahan yang menguntungkan, muncul persoalan yang berkaitan dengan data. Faktor bias misalnya, menjadi hal yang tak terhindarkan. Ini memengaruhi pembentukan algoritma pembangun kecerdasan, yang bisa menyebabkan terjadinya diskriminasi, tindakan tak tepat maupun melesetnya rekomendasi.
Diskriminasi perlakuan berperspektif gender, warna kulit maupun status, dapat terjadi akibat ketaksadaran input data. Data yang terinput: laki-laki terbaca berprofesi di ruang publik: CEO, personal angkatan bersenjata maupun penegak hukum. Ini membiaskan perempuan, yang serta-merta dianggap tak cakap di bidang-bidang itu. Seluruhnya lantaran data perempuan pada bidang profesi ruang publik minim. Sedangkan tindakan tak tepat, dapat terjadi pada pengobatan kanker yang deteksinya menggunakan sensor. Perangkat yang bekerja, berdasar data dari pasien dari Eropa, sementara pasien yang didiagnosis berasal dari Asia. Perbedaan warna kulit, membiaskan tampilan gejala penyakit. Kanker berstadium akhir pasien Asia terbaca sebagai berstadium awal.