AI技術的早期應用曾被廣泛地嘲諷。專家系統取得了一些實用的效益，但範圍不廣，但它的規則管理(rule management)的作法則在實務界引發了廣泛地應用，造成「規則管理系統(BRMS)」的興起，也更促成了今日美歐等先進企業中「決策管理系統(DMS)」的興起。
台灣企業在AI應用上是落後歐美的。當年我們在ERP應用上落後了十多年，如今在DMS應用上也落後了十年以上。《人工智慧在台灣》指出台灣企業應找對發展的方向，即選定正確的題目，這是非常正確的訴求，但書中建議的方向不太正確，會使企業界失掉了取得low hanging fruits（挑軟柿子吃）的大好機會，我在後面會再說明。為什麼呢？讓我們看看國外應用的經驗。 我們要先了解決策的三個分類，簡示如下圖。
圖中的OD在台灣習稱「作業性決策」，在大陸則被統一稱為「運營決策」，這是AI能最快產生效益的領域。IBM公司在推廣的ODM (Operational Decision Management)就是指這類OD的決策管理。 我進一步把決策系統的演進內容簡要總括在下圖中。
現今決策管理系統中，由電腦來處理的知識來源有兩大類：規則與模型。
己知的知識，不論是由專家提供或是企業內部累積的經驗，要外化為規則(rules)而由規則引擎(rule engine)來自動處理，不再需要由軟體工程師來編寫程式。
還不知道的知識，則由機器學習(ML)來找出關聯性（其或是因果關係），建成規則集(rule set)或預測的模型(models)以協助決策，這稱為預測式分析學(Predictive Analytics, PA)。
這裡涉及的內容與術語很多，我另外寫文章來做說明，此不贅述。
由這些歷程來看，有兩個問題要澄清：(1)沒有數據(data)就沒有AI應用？(2)專家系統已進寒冬？
手握一個石頭，若手鬆開了，請問石頭往哪個方向走？知道地心引力原理的人都知道石頭會往下落。不知道地心引力原理的人僅憑經驗也會知道答案，不需要分析任何的數據。再問：手握大小不同的兩個石頭，由一米高的地方鬆手，一起開始往下落，何者會先著地呢？有不少人會答錯喲，以為較重的石頭會先落地。人群中只要有一個人（專家）知道地心引力及空氣浮力的原理，就可立即提供「兩個石頭同時落地」的正確答案，其他人拿這個答案來應用即可。
製造企業經常在面臨「應採購多少原物料？應製造多少產品？要不要委外加工…？」的決策問題，內部有幾個人會去計算淨需求呢？一個也沒有吧，用MRP（物料需求展開）就解了。用人去算還保證答案是錯的（除非企業規模很小而訂單量也很少）。
這就是早期專家系統及今日決策管理系統的強大魅力所在！
因此，《人工智慧在台灣》第118頁中所述『以今天的技術來說，大數據及機器學習是發展人工智慧的必要條件』是太過武斷了。沒有大數據就沒有AI應用？這當然是錯的！我們只能說「沒有大數據就沒有機器學習」。
