AI 模型主要通过统计分析和关于数据关系的结构化假设来确定因果关系。与简单的相关性检测不同，因果推断要求模型考虑混淆因素，并区分直接和间接影响。因果图（例如，有向无环图或 DAG）等技术有助于形式化关于变量如何相互影响的假设。例如，一个分析药物是否能改善健康的模型可能会使用 DAG 来表示年龄、既往病史和剂量等因素。通过显式地对这些关系建模，AI 可以调整可能扭曲结果的变量，从而隔离药物的直接影响。
一种常见的方法是反事实推理，即模型估计如果特定输入变量发生变化，结果会发生什么变化。例如，在推荐系统中，开发者可以通过比较用户在有和没有产品横幅的情况下，来测试显示产品横幅（原因）是否会增加购买量（结果）。随机对照试验 (RCT) 是此处的黄金标准，但当 RCT 不可行时，会使用倾向评分匹配或工具变量等方法。这些技术通过统计平衡基于观察到的特征的组来模拟随机化。例如，电子商务平台可能会分析历史数据，通过匹配具有相似浏览历史和人口统计特征的用户来模拟价格变化的影响。
当存在未观察到的混淆因素或反馈循环时，会出现挑战。诸如 do-calculus（来自 Judea Pearl 的框架）或结构方程建模之类的工具通过形式化干预（例如，改变变量）如何在系统中传播来解决此问题。在实践中，DoWhy 或 CausalML 等库可以帮助开发人员实现这些方法。例如，分析交通模式的开发人员可能会使用 DoWhy 来模拟添加自行车道（干预）如何影响通勤时间，并调整天气和一天中的时间。然而，因果推断本质上仍然是基于假设的——如果其底层假设（例如，图结构）与现实相符，模型才能近似真理。这强调了除了技术工具之外，还需要领域专业知识。