Vantagens:
Qualidade superior: as redes permitem análises superiores às conseguidas com técnicas estatísticas.
Competitividade: empresas que tenham conseguido redes bem elaboradas possuem maior poder de fogo frente aos seus concorrentes, dado que essa é uma tecnologia ainda nova e pouco conhecida.
Auto-aprendizado: não necessitam de conhecimentos de especialistas para tomar decisões; elas se baseiam unicamente nos exemplos históricos que lhes são fornecidos: não é necessário informar porque tal situação resultou em tal decisão no passado, ou porque tal decisão resultou em tal consequência.
Implementação mais rápida: o tempo necessário para se implementar uma rede é menor que o utilizado para a construção de um sistema especialista equivalente, além do menor custo envolvido.
Imunidade a falhas: como as unidades da rede operam em paralelo, a destruição ou defeito em um de seus nodos não torna a rede inoperante, podendo até mesmo não causar grandes problemas em seu funcionamento (a exemplo do que ocorre com o cérebro humano).
Capacidade de generalização: mesmo com dados incompletos ou imprecisos as redes podem preencher as lacunas sem sofrer degradação; é algo parecido com a interpolação e extrapolação da estatística, porém operacionalmente muito diferente.
Imunidade a ruídos: os dados reais sempre contêm ruído (variações aleatórias adicionadas aos valores originais); as redes conseguem separar o ruído da informação relevante, tendo sido utilizadas mesmo como filtros de dados.
Adaptabilidade: uma vez construída uma rede eficiente em dada aplicação, ela pode sem utilizada em aplicações de tempo-real, sem necessidade de ter sua arquitetura alterada a cada atualização; basta que seja retreinada com base nos novos dados históricos que forem surgindo.
Democratização: através de arquiteturas e algoritmos gerais que podem ser enlatados em softwares e hardwares de rede, os executivos poderão se utilizar dessa ferramenta, à medida em que as redes se tornarem mais conhecidas, sem necessidade de construir outros tipos de redes ou de desenvolver novos algoritmos (embora haja aplicações onde tais enlatados não funcionem).
Desvantagens:
Resultados desconcertantes: as redes podem chegar a conclusões que contrariem as regras e teorias estabelecidas, bem como considerar dados irrelevantes como básicos; somente o bom senso do profissional experiente saberá tratar tais casos.
Treinamento demorado: o treinamento de uma rede, dependendo da aplicação, pode ser demorado (horas ou mesmo dias).
Hardware high-tec: o hardware necessário para o treinamento deve ser de processamento rápido: um PC pode ser suficiente, mas um Cray é sempre uma possibilidade não desprezível; pode ser necessário placas especiais de processamento paralelo, além do inevitável coprocessador aritmético.
Caixa-preta: é impossível saber porque a rede chegou a tal conclusão; seus critérios decisórios são encriptados, não se sabendo até o momento que pesos são relevantes à tomada de uma dada decisão; os milhares de pesos não aceitam interpretação e nem são passíveis de interpretação lógica: sabe-se apenas que funcionam.
Volume grande de dados: para uma rede poder aprender corretamente necessita de milhares de dados históricos; a carência de dados passados relevantes em quantidade suficiente torna a rede inaplicável.
Preparação de dados: os dados de entrada necessitam de tratamento prévio: devem ser normalizados, em alguns casos fuzzificados (usando fuzzy logic) e devem ser cuidadosamente selecionados para que a rede seja corretamente ensinada a agir: dados de má qualidade produzem resultados falhos (como por exemplo omitir algum parâmetro importante no treinamento).
Trabalho artesanal: não há regras gerais para se determinar o volume de dados de entrada para treinamento, quantas hidden units devem ser utilizadas, a melhor estratégia de treinamento, que percentagem de dados deve ser destinada ao treinamento e ao teste da rede: esses parâmetros só podem ser estabelecidos através de bom-senso, experiência com redes e de tentativa-e-erro. Ou seja, heuristic thinking.