Zadeh nel 1973 affermò che più aumenta la complessità di un sistema, più diminuisce la nostra capacità di fare considerazioni precise e significative riguardo al suo comportamento, fino ad una soglia oltre la quale significatività e precisione diventano caratteristiche mutuamente esclusive.
L'approccio che ne seguì, parte dall'osservazione che gli elementi chiave del pensare umano non sono numeri, bensì etichette (labels) di insiemi fuzzy, che come abbiamo già visto sono classi di oggetti nei quali la transizione tra appartenenza a non appartenenza non è brusca, ma graduale. La fuzziness del pensiero umano ci suggerisce quindi che la logica che ne stà alla base non è ne bivalente ne multivalente, bensì si tratta di una logica formata da verità fuzzy, connettivi fuzzy, regole fuzzy...che è in grado di supportare veritè parziali, imprecisione e soggettività. Pensiamo ad esempio ad una delle peculiarità del pensiero umano, la capacità di sintetizzare informazioni, che significa estrarre da gruppi di grandi masse di dati solo quei sotto gruppi che sono rilevanti per un determinato fine. Per sua natura un riassunto è un'approssimazione di ciò che viene sintetizzato, e il cervello umano trae vantaggio dalla tolleranza a questa approssimazione, attraverso la codificazione delle informazioni più rilevanti, raggruppandole in insiemi fuzzy che vengono etichettati. Questo approccio presenta tre caratteristiche principali:

1) l'utilizzo di variabili linguistiche i cui valori non sono numeri ma parole in linguaggio naturale o artificiale , al posto o in aggiunta alle variabili numeriche;
2) l'individuazione di semplici relazioni tra variabili attraverso affermazioni condizionali fuzzy;
3) la caratterizzazione di relazioni complesse tra variabili attraverso algoritmi fuzzy.

In questa parte di lavoro si porrà l'attenzione soprattutto sulle variabili linguistiche, mentre gli altri argomenti verranno solo accennati dal momento che non verranno utilizzati in seguito nel caso applicativo.

Uno dei concetti chiave è la nozione di fuzzy set elementare che sostituisce la nozione di unità di misura, unità che difficilmente si presta all'analisi dei sistemi umani. Il ruolo giocato dalle unità di misura viene sostituito da uno o più insiemi fuzzy elementari, dai quali vengono generati altri insiemi fuzzy attraverso l'utilizzo di modificatori linguistici come molto, abbastanza, più o meno, essenzialmente, completamente, ecc..
Consideriamo la caratteristica bellezza per la quale non esiste una unità di misura o una scala numerica, ma è possibile definirla solo attraverso degli esempi, associando ad ogni elemento u di un sottoinsieme di oggetti in un dato universo del discorso U, il grado di appartenenza di u al fuzzy set etichettato "bellezza". Per esempio il grado di appartenenza di Anna alla classe delle belle donne è 0,9, quello di Maria è 0,8, quello di Lisa è 0,7. Questo set di donne costituisce il fuzzy set elementare che fa da referente per definire il significato di molto bella, più o meno bella, abbastanza bella, ecc. come fuzzy set di U. In questo modo questi valori linguistici generati dal fuzzy set elementare hanno un ruolo simile a quello dei multipli di unità di misura. In generale un concetto è fuzzy se corrisponde ad una classe di oggetti che non hanno dei confini ben precisi, ad esempio, ovale, innamorato, giovane, amico, sono fuzzy, mentre sposato, fratello, maschio non lo sono. Si può notare che il concetto di amico è più complesso di fratello, e quello di innamorato è più complesso di sposato; quindi più i concetti sono complessi, più tendono ad essere fuzzy. È in questo senso che la fuzziness può essere vista come vicina alla complessità. Spesso inoltre la questione se un concetto è o meno fuzzy può essere risolto applicando un semplice modificatore come molto, al concetto in questione; infatti ai concetti non fuzzy non è possibile applicarlo (uno non può essere molto sposato mente può essere molto intelligente). Come può essere definito un concetto fuzzy? Ci sono varie possibilità: (a) dando una definizione "da vocabolario"; (b) scrivendo un saggio; (c) approssimandolo ad un concetto fuzzy attraverso un concetto non fuzzy e dando una precisa definizione a quest'ultimo. Un classico esempio di (c) è la definizione di recessione come la condizione che si verifica quando il PIL scende durante due successivi trimestri. Il concetto fuzzy in questo caso è stato definito con uno non fuzzy ma semplice da capire. Questo a scapito di una semplificazione che rischia di arrivare ad un punto di inutilità.
L'approccio alternativo è basato sulla nozione di algoritmo fuzzy dove la definizione di un concetto fuzzy F è espresso con un algoritmo di riconoscimento fuzzy, che non è altro che una rappresentazione algoritmica della funzione di appartenenza di un fuzzy set, il quale agisce su un determinato oggetto u e fornisce il grado di compatibilità di u con F o il grado di appartenenza di u al fuzzy set etichettato F. Supponiamo che il concetto di recessione economica sia definito dall'algoritmo fuzzy RECESSIONE. Allora, agendo su dati economici rilevanti, RECESSIONE dovrebbe dare il grado al quale i dati i questione sono compatibili con il concetto di recessione definito dall'algoritmo.
Un algoritmo fuzzy ha la forma di un questionario ramificato nel quale domande e risposte sono fuzzy , e per sua natura si adattano bene a concetti che sono intrinsecamente fuzzy, cioè che non possono essere approssimati attraverso un concetto non fuzzy, senza diventare irrealistici.