Badania pokazują, że duże modele językowe mają fundamentalne problemy z odkrywaniem relacji przyczynowych, ponieważ uczy się ich na danych obserwacyjnych bez możliwości testowania hipotez. Naukowcy zaproponowali podejście wykorzystujące agenty interwencyjne, które mogą aktywnie eksperymentować i testować związki przyczynowe zamiast tylko analizować dane. To ważne dla zrozumienia ograniczeń LLM i rozwoju bardziej zaawansowanych systemów AI zdolnych do rzeczywistego reasoning przyczynowego.