ในระบบ AI ที่ประกอบด้วยหลายส่วนงาน (Compound AI) การระบุว่าส่วนประกอบใดมีผลต่อความสำเร็จของงาน (Attribution) มักทำได้ยากและใช้ทรัพยากรสูง วิธีการเดิมอย่าง SHAP ต้องอาศัยการรันระบบซ้ำหลายครั้งกับชุดข้อมูลย่อยต่างๆ ซึ่งไม่สามารถทำได้ในระบบที่เชื่อมต่อผ่าน API ภายนอกหรือมีความซับซ้อนสูง
BOHM (Zero-Cost Hierarchical Attribution) แก้ปัญหานี้โดยการดึงค่าการมีส่วนร่วมโดยตรงจากค่าน้ำหนักการเลือกเส้นทาง (routing weights) ที่ระบบมีอยู่แล้ว ทำให้ไม่มีต้นทุนส่วนเพิ่ม (zero marginal cost) และยังสามารถระบุความสำคัญได้ในทุกระดับของลำดับชั้น (hierarchy) ผลการทดสอบกับ LLM 18 โมเดลพบว่า BOHM ให้ผลลัพธ์ที่ใกล้เคียงกับวิธี SHAP อย่างมาก แต่ประหยัดทรัพยากรมากกว่าถึง 9,000 เท่า
