Les modèles de langage progressent rapidement, mais leur capacité à raisonner sur des relations de cause à effet reste souvent limitée par des chaînes d’inférence implicites et difficiles à vérifier. Dans ce contexte, l’article **Causal-Audit** propose une approche dédiée aux questions d’intervention « sans contexte », où le modèle doit inférer des effets causaux sans s’appuyer sur un document ou un environnement externe fourni au moment de la requête.
La méthode remplace la prédiction de bout en bout par un raisonnement structuré sur un **graphe causal explicite**, organisé en **quatre étapes modulaires**. L’idée centrale consiste à construire ce graphe en tenant compte dès le départ de la **variable cible**, utilisée comme contrainte principale lors de l’expansion. D’après les auteurs, ce choix permet de limiter l’introduction de variables non pertinentes, de relations causales trompeuses et de bruit dans le raisonnement.
Le cadre introduit aussi un mécanisme d’**agrégation d’évidences causales au niveau des chemins**. Plutôt que de s’appuyer sur une seule chaîne causale, le système combine plusieurs trajectoires dans le graphe et cherche à modéliser à la fois les effets qui se renforcent et ceux qui se compensent. Cette conception vise à améliorer la robustesse des réponses face à des interventions complexes, un point souvent délicat pour les approches fondées uniquement sur le langage naturel.
Selon le résumé arXiv, les expériences menées sur **trois benchmarks** montrent des performances supérieures à celles de méthodes existantes basées sur les LLM. Les auteurs mettent surtout en avant un bénéfice complémentaire: la production de **traces de raisonnement interprétables et auditables**. À ce stade, les détails complets sur les jeux de données, l’ampleur des gains ou les limites opérationnelles devront être examinés dans le papier pour évaluer la portée réelle de la contribution.