人工智能的另一項新應用成為人們解決問題的工具。儘管人工智能擅長推理，但研究人員都知道，人工智能並不只有推理。為了創造出能夠在現實生活中解決問題的人工智能，科學家們認為，他們需要一台能夠將推理和知識相結合的機器。例如，一台應用於神經系統科學的電腦必須像合格的神經系統科學家一樣，瞭解該學科的相關概念、事實、表述、研究方法、模型、隱喻和其他方面。
這意味著程序員突然需要擔負起「知識工程師」的重任，他們必須充當各領域專家的角色，並且將他們的知識提煉成計算機能夠讀取的規則，生成的程序被稱為「專家系統」。該系統是在廣泛收集概率性規則「如果……那麼……」的基礎上建立的。有人曾經使用名為「DENDRAL」的專家系統進行過嘗試，這個程序能夠幫助有機化學家確定未知的有機分子。DENDRAL的創造者愛德華·費根鮑姆（Edward Feigenbaum）對最早記載人工智能歷史的一位作家帕梅拉·麥考達克（Pamela McCorduck）說道：「有一段時間，人工智能領域的其他人都與我們保持一定的距離。我想他們可能不敢靠近DENDRAL，因為它涉及化學。但是人們還是會毫不吝嗇地發出驚奇的感歎，因為它就像是化學界的博士一樣。」
另一個類似的項目名為「MYCIN」，用於為腦膜炎等嚴重感染狀況提供合適的抗生素用藥劑量。MYCIN像一個真正的醫生一樣，能夠將程序員之前收集的概率性證據匯總起來，並據此得出結論。人們不斷對之前的經驗進行歸納，直到它們變得像下面的「規則」：
如果……需要治療的感染是腦膜炎，感染類型為真菌感染，培養染劑上沒有有機體，患者不是易感染病患並且曾經到過球孢子菌病盛行的地區，患者是黑種人、黃種人或印度人，並且腦髓液檢測中的隱球菌抗原不是陽性，那麼……隱球菌有50%的可能並非是造成感染的有機物之一。
這些概率規則本身並沒有什麼了不起。然而，如果達到數百條，通常就能夠找到正確答案。DENDRAL和MYCIN都只是實驗室的實驗，並沒有真正應用到現實世界。相比之下，名為「XCON」的專家系統則要成功得多。誕生於1978年的XCON並不像DENDRAL和MYCIN那樣具有改變世界的雄心壯志。它既不能幫助科學家創立假設，也不能幫助醫生治療傳染病，而是通過為客戶選擇正確的系統來協助工程師設置VAX超級計算機[4]。簡而言之，XCON就是世界上最偉大的「百事通」店員。
XCON的出現使大企業首次對人工智能產生了興趣，它們不再將人工智能簡單視為未來演示。只要專家系統能夠為它們賺錢，企業們並不在乎它們到底是真正的人工智能還是「巧妙的編程」。1980年，XCON在數字設備公司（DEC）位於新罕布什爾州塞勒姆的工廠首次投入使用。到1986年，XCON就已經處理了80 000份訂單，每年約為數字設備公司節約2 500萬美元，準確率高達95%—98%。人們開玩笑稱，如果它能夠娶了老闆的女兒，未來甚至能夠當上公司的首席執行官。
其他企業很快也開始公開露面，為需要專家系統的企業客戶提供解決方案。在油井鑽探作業中，地層傾角顧問（Dipmeter Advisor）能夠對地質構造進行分析。著名的糧食市場顧問（Grain Marketing Advisor）的目標是幫助農民進行恰當的營銷，並儲存糧食作物。1986年10月《電腦世界》（Computer World）雜誌上的一則廣告做出了這樣的問答：「你如何充分利用專家系統技術的優勢讓員工改進當前軟件上現有的數據處理應用？只有Teknowledge公司能夠給你答案。公司將在你所在的地區免費舉行為期半天的研討會。」
1985年，約有150家公司投資10億美元想要開展人工智能業務。這一年，美國人工智能協會召開的一場會議和國際人工智能聯合大會共吸引了近6 000名參會者，其中一多半是風險投資家、獵頭和媒體。1987年，並非電腦研究前沿陣地的《財富》雜誌盛讚「軟盤上的直播專家」的到來。研究人員在人工智能歷史上首次變得和史蒂夫·喬布斯、比爾·蓋茨等個人電腦界的新貴一樣富有。
有趣的是，像馬文·明斯基這樣經驗豐富的研究者卻在迴避這樣的情況。我們往往以為，人工智能保守派在經歷了20多年辛苦工作後一定急於尋求回報。而實際上，這些人都在提心吊膽地等待最後的結果。好在這並沒有花費他們太多的時間。就像20世紀90年代後期投機性的互聯網泡沫一樣，倡導者們對專家系統能力的高估到了危險的程度。其中有一本教科書十分推崇「打電話規則」，稱「使用專家系統打一通電話，家裡的所有問題都能夠在10—30分鐘解決」。專家系統的基本概念是十分可靠的，但是仍存在一些問題。專家系統十分昂貴，需要不斷更新，並且是反直覺的，當規則增多時準確率就會下降。斯圖爾特·羅素（Stuart Russell）和彼得·諾威格（Peter Norvig）在《人工智能：一種現代方法》（Artificial Intelligence: A Modern Approach）這本教科書中寫道：「隨著規則集的不斷壯大，規則間的不良交互作用就會越來越平常，於是，從業人員發現，添加規則時，必須『調整』其他規則的可信度。」
1987年財年結束時，兩大開發專家系統的公司Teknowledge和Intellicorp損失了數百萬美元。其他人工智能企業的情況更糟糕，幾乎瀕臨破產，員工和公司高管們露宿街頭。溫暖了一陣之後，人工智能的第二個冬天到來了。