นักวิจัยด้านความปลอดภัยของ AI เสนอแนวทางใหม่ที่เรียกว่า "Reverse Game Theory" หรือ Mechanism Design เพื่อแก้ปัญหาเรื่องการจัดลำดับเป้าหมาย (Alignment) แทนการพยายามทำความเข้าใจการทำงานภายในโมเดลที่ซับซ้อน วิธีการนี้จะเน้นการออกแบบระบบที่จูงใจให้ AI เลือกปฏิบัติในสิ่งที่ถูกต้องเพราะเป็นทางเลือกที่มีประโยชน์ต่อตัวโมเดลมากที่สุด
กลไกที่นำเสนอรวมถึงการสร้างระบบที่ให้ AI ตรวจสอบกันเอง (Auditor-Solver) และการใช้ระบบรางวัลที่อ้างอิงจากความสอดคล้องของคำตอบระหว่างโมเดล เพื่อป้องกันพฤติกรรมการแกล้งแสดงประสิทธิภาพต่ำ (Sandbagging) หรือการหลอกลวงผู้ทดสอบ โดยแนวคิดนี้ได้รับแรงบันดาลใจจากทฤษฎีทางเศรษฐศาสตร์และระบบยุติธรรมของมนุษย์ เพื่อทำให้การทำตามกฎกลายเป็นพฤติกรรมที่สมเหตุสมผลที่สุดสำหรับอัลกอริทึม
