Mechanistická interpretovatelnost zkoumá, co se děje uvnitř AI modelu, když vytváří svůj výstup. Místo pouhého porovnání vstupu a výsledné odpovědi hledá v jeho aktivacích, reprezentacích a propojeních konkrétní mechanismy, které stojí za určitým chováním. Díky tomu může odhalit, proč model používá správnou nebo chybnou strategii, a pomoci s kontrolou bezpečnosti i spolehlivosti.
