Judea Pearl, en la Universidad de California en Los Ángeles, publica en 1988 "Probabilistic Reasoning in Intelligent Systems", obra que establece las redes bayesianas como marco matemático riguroso para representar y calcular relaciones de probabilidad e incertidumbre entre múltiples variables interconectadas. Hasta entonces, los sistemas de inteligencia artificial basados en reglas lógicas rígidas —como los sistemas expertos de la generación de Feigenbaum— manejaban mal la incertidumbre inherente al razonamiento sobre el mundo real, donde la evidencia es incompleta y las relaciones causales son probabilísticas, no deterministas. Pearl representa estas relaciones como un grafo dirigido donde cada nodo es una variable y cada conexión indica una dependencia probabilística directa, permitiendo calcular de forma eficiente cómo la evidencia observada en algunas variables actualiza la probabilidad de otras variables relacionadas, incluso en sistemas con cientos de variables interconectadas. Pearl extiende posteriormente este marco, en los años noventa y dos mil, hacia una teoría formal y rigurosa de la causalidad —distinguiendo matemáticamente correlación de causalidad mediante su "cálculo do"—, proporcionando herramientas que permiten a sistemas de inteligencia artificial razonar no solo sobre qué eventos suelen ocurrir juntos sino sobre qué efectos produciría intervenir activamente sobre una variable, distinción fundamental para aplicaciones médicas, económicas y de política pública basadas en datos.