Das wohl bekannteste Modell geht auf die Wissenschaftler Agnar Aamodt (http://www.idi.ntnu.no/~agnar/eng.html) und Enric Plaza (http://www.iiia.csic.es/People/enric.html) zurück, die das Grundprinzip des Case-Based Reasoning als einen Prozess mit vier Phasen, den so genannten CBR-Zyklus, beschrieben haben (Quelle: siehe unten).

1. Retrieve. Ausgehend von einer gegebenen Problembeschreibung gilt es, in der Fallbasis ein möglichst ähnliches Problem zu ermitteln. Die Herausforderung in dieser Phase besteht darin, die Ähnlichkeit der Problembeschreibungen zu bestimmen.
2. Reuse. Die Lösung des Falls, der dem vorgegebenen am ähnlichsten ist, wird als ein erster Lösungsvorschlag übernommen. Damit hat man einen Ausgangspunkt für die Lösung des neuen Problems.
3. Revise. Nicht stets kann man das aktuelle Problem exakt so lösen wie das frühere. In der Revise-Phase überprüft man die zuvor gewonnene Ausgangslösung und passt sie gegebenenfalls an die konkreten Bedingungen an.
4. Retain. Der überarbeitete Fall wird schließlich in der Fallbasis abgespeichert und steht damit für zukünftige Anfragen zur Verfügung. Auf diese Weise lernt das System mit jedem weiteren gelösten Problem hinzu und verbessert so seine Leistungsfähigkeit.

Case-Based Reasoning hat sich besonders in Anwendungssystemen für den Kundendienst, so genannten Help-Desk-Systemen, bewährt, wo man es z. B. zur Diagnose und Therapie von Kundenproblemen nutzt. In jüngerer Zeit setzt man es verstärkt in (Produkt-)Beratungssystemen ein, beispielsweise in dem E-Commerce, sowie zur Klassifikation von Texten.

Als vorteilhaft gilt, dass CBR auch bei schlecht strukturierten und unvollständig beschriebenen Problemen angewendet werden kann. In dem Gegensatz zu benachbarten Konzepten (siehe unten) genügt anfänglich schon eine vergleichsweise kleine Sammlung von Referenzfällen, die durch die Arbeit mit dem CBR-System nach und nach anwächst. Auch in Anwendungsdomänen, deren genaue Wirkungszusammenhänge nicht vollständig bekannt sind, eignet sich CBR.

Wie immer, wenn man mit Analogien argumentiert, ist darauf zu achten, dass die vom System generierten Lösungsvorschläge für das vorliegende Problem adäquat sind, ob also beispielsweise die Voraussetzungen, auf denen die historische Lösung basierte, stets noch erfüllt sind usw. (Veralterung des Wissens).

Das Case-Based Reasoning ist ein Teilgebiet der Künstlichen Intelligenz und kann hierin zu den maschinellen Lernenverfahren gerechnet werden. Der Lernprozess basiert auf Analogie, in dem Unterschied zu dem Lernen durch Induktion und Deduktion). Aufgrund zahlreicher Anwendungsmöglichkeiten in Unternehmen (siehe oben) beschäftigt man sich nicht ca. in der (Kern-)Informatik, sondern auch in der Wirtschaftsinformatik mit CBR.

• Aamodt, Agnar; Plaza, Enric: Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches, AICOM 7 (1994) 1, S. 39-59; PDF-Version (http://www.iiia.csic.es/People/enric/AICom.pdf).
• Richter, Michael M.: Fallbasiertes Schließen. In: Görz, Günther; Rollinger, Claus-Rainer; Schneeberger, Josef (Hrsg.): Handbuch der Künstlichen Intelligenz. 4. Auflage, München/Wien 2003, S. 407-430. ISBN 3486272128.