Enligt en analys i MIT Technology Review missförstår många AlphaGo-framgången som ren intuition. AlphaGo kombinerade ett policy-nätverk som föreslog sannolika drag med ett sök-system som byggde och utvärderade ett omfattande spelträd. Detta tvådelade tillvägagångssätt motsvarar Kahnemans system 1 (snabb intuition) och system 2 (långsam, deliberativ analys). Moderna stora språkmodeller (LLM) fungerar däremot bara som system 1: de förutsäger nästa token utan ett explicit, inspekterbart epistemiskt tillstånd eller en separat resonemangsmodul.

Försök att införa "chain-of-thought" i LLM-system ger en illusion av resonemang, men de saknar en tydlig separation mellan kunskap och bearbetning och kan ofta fabricera sina resonemang efter att svaret redan är valt. Detta är problematiskt i hög-risk-områden som medicin, där både slutsats och metod måste kunna granskas.

Författaren föreslår att framtida AI-system bör återgå till AlphaGos arkitektur: ett explicit spel- eller kunskapsträd som dokumenterar alla övervägda hypoteser, evidens och osäkerheter, vilket möjliggör transparent och spårbar resonemang.