如果给AI一个“将销售额翻倍”的目标，它可以分解实现目标所需的措施，并在考虑资源和时间的情况下比较各种选项。但即使是同一个“将销售额翻倍”的目标，其理由也可能不同。是为了维持企业的持续经营，是为了筹措新的投资，是为了追赶竞争对手，还是因为组织规模扩大本身就被视为成功？目标的意义会随着理由而改变。
如果只处理目标，这些差异就会被排除在同一个目标函数之外。AI可以理性地寻找接近给定数值的方法，却无法处理为什么需要这个数值。当现实条件发生变化时，它可能会在只调整手段的同时继续维持同一个目标。然而，如果支撑目标的理由已经消失，那么在改进手段之前，可能需要先重新验证目标。
假设扩大销售额的理由是“确保足够的利润，以维持现有就业”。后来，固定成本下降，即使销售额大幅降低，也足以维持就业。此时，将销售额翻倍这一目标的必要性已经发生变化。相反，如果理由是“筹集投资资金，以便将服务提供到新的地区”，那么即使条件发生同样的变化，也可能得出不同的判断。目标的有效性无法仅从目标本身进行评估。
因此，“为什么是这个目标？”并不是补充说明，而是推理结构的一部分。如果明确地将目标与理由关联起来，就可以看出行动之后的现实影响了哪一个假设。如果理由仍然成立，它就构成继续维持目标的依据；如果理由发生变化，则可以触发重新验证。不能只是询问一次理由，然后将其固定下来。理由本身也必须被视为会随着时间和经验而变化的事物。
此外，人们并不总能从一开始就完整地解释自己的理由。一个人可能会说自己“想要成长”，但通过对话和行动，可能会逐渐明确，其实想要的是更多自由时间、得到他人的认可，或扩大社会影响。如果AI把最初的解释固定为真正的动机，那么后来出现的理解就会被当作例外处理。
这里，推理的作用并不是猜测人类隐藏的动机，而是梳理明确表达的目标和理由、行动后出现的反应以及条件变化之间存在怎样的不一致，使本人能够重新描述自己的理由。AI与其诊断说“你真正想要的是认可”，不如提出这样的问题：“你最初把成长作为理由，但最近的选择更优先考虑自由时间。这种差异会影响目标吗？”
这也不是说推理越深入越好。如果对每一个小目标都无限追问理由，行动就会变得不可能。需要深入处理的，是那些重新确认理由可能改变判断的场景——例如，改变目标的成本很高、长期影响很大，或者现实反馈了一个重要差异时。推理资源应根据目的的重要性和不确定性来分配。
在Sai＊aus的内部效率表征中，在必要范围内将“这个人想做什么”与“为什么想做这件事”关联起来同样具有意义。如果只以紧凑形式保留目标，处理会更轻，但之后检验有效性所需要的依据就会丢失。反过来，也并不是保存所有背景细节就好。设计上需要保留那些可能改变未来判断的理由和假设，同时压缩不需要保留的内容。
对于支持目标实现的AI来说，准确理解给定的目的很重要。但如果人的目的可能发生变化，那么需要理解的对象就不能只是目标的措辞。只有同时表征哪些理由支撑着目标，以及条件发生哪些变化时需要重新验证，才能把行动后的现实重新反馈到目的之中。
在优化之前追问“为什么是这个目标？”，并不只是为了怀疑目标。它也可能让继续坚持目标的理由变得更加清晰。如果行动强化了理由，目标就会比以前更加稳固。如果理由发生变化，目标也可以重新打开讨论。高级推理不仅是快速到达给定的目的，也包括能够区分：在什么条件下可以继续固定这一目的，以及在什么条件下应当再次对它提出问题。
不是答案，而是理解。