Neue KI sagt Ihre nächste Antwort aus Ihren vergangenen Gesprächen voraus

Forscher am MIT haben ein LLM‑basiertes System entwickelt, das wiederkehrende Muster aus mehreren Wochen realer Gespräche einer Person lernt, um ihr wahrscheinliches nächstes Gesprächsverhalten vorherzusagen.

Wenn KI wirklich Zugriff auf Ihr Leben erhalten und tatsächlich über einen längeren oder sogar fortlaufenden Zeitraum hinweg die Erlaubnis bekommen könnte, Sie kennenzulernen, könnte sie wahrscheinlich Ihre Handlungen, Entscheidungen – und sogar das nächste, was Sie wahrscheinlich sagen werden – vorhersagen; alles basierend auf dem, was sie aus tausenden Stunden der Analyse Ihrer Interaktionen aufgenommen hat.

Diejenigen von uns, die Large‑Language‑Models (LLMs) wie ChatGPT und Claude nutzen, haben diese Tendenz zur „Bedarfsantizipation“ längst bemerkt, eindeutig basierend auf unseren Nutzungshistorien; und vermutlich haben wir sie begrüßt, da die Gedächtnis‑ und Kontext‑Retention nun ein kritischer Reibungspunkt in der Entwicklung einer funktionierenden Beziehung zu einem KI‑System.

Allerdings ist es, vernünftigerweise gesagt, ein ad hoc und sogar sogar ‘Live‑Stream’-Informationen über das eigene Leben und die Kommunikation zur Verfügung zu stellen, an eine von einem profitorientierten Unternehmen betriebene KI, ein potenzielle Datenschutz‑ und Sicherheitsgefahr; während der Dienst für Sie deutlich nützlicher werden würde, könnte die Versuchung des Unternehmens, Ihre Daten zu teilen, kombiniert mit dem Risiko eines peinlichen und veröffentlichten Online‑Leaks oder einer Exfiltration, diese Form der KI‑Mensch‑Integration zu einer unklugen Aussicht machen.

Wenn wir uns schöne Dinge leisten könnten…

Nun, ich musste diese ‘öffentliche Service‑Warnung’ erst einmal aus dem Weg räumen, bevor ich mich mit einem interessanten neuen Papier des MIT beschäftige, das offenbar in einer besseren Welt existiert, in der Daten dieser Art in sichere und wirklich vertrauenswürdige Kreise eingeschlossen werden könnten, sodass die wahre Leistungsfähigkeit analytischer KI zum echten Nutzen des Einzelnen eingesetzt werden kann.

Die neue Arbeit schlägt ein System vor, bei dem – mit Erlaubnis des Nutzers und seiner Kontrolle über die gewonnenen Daten – eine Smartwatch, die er trägt, kontinuierlich seine Gespräche aufzeichnet, um Verhaltensmuster zu extrahieren:

Aus dem neuen MIT-Papier, eine Abbildung der vorgeschlagenen Verhaltensvorhersage‑Pipeline. Über mehrere Wochen gesammelte Gespräche zeigen ein wiederkehrendes Verhaltensmuster, das dann verwendet wird, um das wahrscheinliche nächste Verhalten des Nutzers vorherzusagen und eine Smartwatch‑Erinnerung zu senden, bevor die erwartete Handlung eintritt. Quelle

Das Papier – mit dem Titel Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – beschreibt ein Experiment, bei dem über 1.000 Stunden naturalistischer (d. h. opportunistischer, real‑weltlicher) Gespräche von 14 Teilnehmenden mittels Smartwatches aufgezeichnet, transkribiert, in strukturierte Verhaltenshistorien umgewandelt und an Gemini 2.5 Pro übergeben wurden, zusammen mit verhaltensspezifischen Eingabeaufforderungen und extrahierten Verhaltensregeln, um das wahrscheinliche nächste Gesprächsverhalten jedes Nutzers vorherzusagen.

(Und jetzt wird vielleicht klar, warum dieses neue Papier etwas Kontext zum Datenschutz benötigt)

Die neue Studie ist im Wesentlichen ein Feldexperiment zu (einem Teil) der vorherigen 2026‑Veröffentlichung der Autoren, Mind Mapper*, das diese frühere Arbeit erweitert, indem die Theorie in die Praxis umgesetzt wird, und prüft, ob gewonnene Verhaltensmuster tatsächlich das nächste Gesprächsverhalten eines Nutzers in Echtzeit vorhersagen können, anstatt lediglich wiederkehrende Tendenzen zu beschreiben.

‘Unsere Ergebnisse zeigen, dass situationsspezifische Verhaltensmuster, die aus longitudinalen Gesprächen gewonnen wurden, die Vorhersage der verbalen Verhaltensneigungen der Nutzer signifikant verbessern können. Ein zentraler Vorteil unseres Ansatzes besteht darin, diese als menschenlesbare, kontext‑bedingte Verhaltensmuster mit expliziten Ausnahmebedingungen darzustellen, die Nutzer einsehen und verfeinern können.’

‘Die Teilnehmenden schätzten diese Transparenz, da sie die Möglichkeit hatten, die abgeleiteten Muster zu lesen, zu korrigieren und persönliche Ziele dafür festzulegen.’

‘Die Teilnehmenden reflektierten zudem über ihre eigenen Strategien zur Verhaltensänderung und zeigten auf, wie proaktive Systeme helfen könnten, indem sie Aufmerksamkeit umleiten, Alternativen anbieten und Umformulierungen, die mit ihren Zielen verknüpft sind, hervorheben.’

‘Dies weist auf eine antizipative KI hin, die mit den Nutzern zusammenarbeitet – Interventionen verankern sich in Mustern, die sie erkennen, und in Strategien, die sie bereits als wirksam empfinden.’

Methode

Der zuvor erwähnte Mind Mapper bildet die Grundlage für das neue System und bietet einen Arbeitsablauf, der darauf ausgelegt ist, wiederkehrende Verhaltensregeln aus Wochen von von Smartwatches aufgezeichneten Gesprächen zu lernen, anstatt direkt zukünftige Sprache vorherzusagen oder sich auf generische bzw. frühere Datensätze zu stützen.

Im Mind‑Mapper‑Arbeitsablauf wurden alle aufgezeichneten Gespräche transkribiert, anonymisiert und durch eine mehrstufige GPT‑5‑Pipeline** verarbeitet.

(Bitte beachten Sie, dass wir aufgrund des Schutzes des älteren Papiers, wie üblich, keine Bilder daraus bereitstellen können, da die öffentlich verfügbaren Versionen mit niedriger Auflösung unleserlich sind.)

Illustration der Verhaltensvorhersage‑Pipeline. Über mehrere Wochen gesammelte Gespräche werden in kontextabhängige Verhaltensregeln umgewandelt, die mit unterstützenden und widersprüchlichen Evidenzen verfeinert werden, bevor sie auf neue Gespräche angewendet werden, um die wahrscheinlichste nächste Gesprächsantwort des Nutzers vorherzusagen.

Die Pipeline erzeugt Kandidaten‑„Wenn‑dann“‑Verhaltensregeln (d. h. Regeln, die Gesprächssituationen mit wahrscheinlichen Reaktionen verknüpfen); sucht nach unterstützenden und widersprüchlichen Evidenzen; fügt überlappende Regeln zusammen; verwirft schwache Hypothesen und weist Konfidenz‑ sowie Wahrscheinlichkeits­schätzungen zu.

Die Probanden

Vierzehn englischsprachige Erwachsene trugen die Smartwatch im normalen Alltag für sieben bis zehn Tage. Ein geräteinterner Sprachaktivitätsdetektor zeichnete die Probanden nur auf, wenn er Sprache wahrnahm, und sendete 2‑3‑minütige Audioclips an einen entfernten Server zur Verarbeitung.

Die Teilnehmenden erhielten 100 $ und mussten jede Person in ihrer Nähe darüber informieren, dass Gespräche aufgezeichnet werden, sowie die Zustimmung anderer Personen vor jeder solchen Interaktion einholen.

Transkription und Überprüfung

Audioclips wurden mit Deepgrams Nova‑3‑Meeting‑Modell verarbeitet, das Gespräche transkribierte und zwischen Sprechern unterschied. Anschließend wurde SpeechBrain als Sprecher‑Verifikationsmodell eingesetzt, das die Stimme des Teilnehmenden mit einer 20‑Sekunden‑Enrollmentsprobe abglich.

Das spaCy‑Modell für Named Entity Recognition (NER) ersetzte alle genannten Namen sowie weitere persönlich identifizierbare Informationen durch anonyme Platzhalter. Das Originalaudio wurde anschließend gelöscht, und nur AES‑256‑GCM‑verschlüsselte Transkripte wurden lokal auf der Smartwatch gespeichert.

Nach dem Erhebungszeitraum konnten die Teilnehmenden ihre eigenen Gesprächstranskripte über eine Weboberfläche prüfen, alles, was sie nicht in die Studie aufnehmen wollten, löschen und bei Bedarf Sprecherkennzeichnungen oder Gesprächskontext korrigieren.

Im Durchschnitt wurden nur 0,16 % der Transkripte entfernt und 2,48 % der Segmente als fehlklassifiziert markiert, sodass ein Datensatz von 15.066 Äußerungen der 14 Teilnehmenden entstand – davon 57 % dem Träger und 43 % anderen Sprechern zugeordnet. Die durchschnittliche Äußerungslänge betrug 49 Wörter.

(Obwohl das Papier dies nicht anspricht, kann man davon ausgehen, dass die Teilnehmenden beim Tragen der Uhr relativ wachsam blieben, um nicht in sehr persönliche verbale Austauschsituationen verwickelt zu werden.)

Die Transkripte wurden weiter bereinigt, indem sehr kurze Austauschsequenzen sowie gängige Sprachflüssigkeitsstörungen wie „err“ und „um“ entfernt wurden; anschließend wurden fragmentierte Sätze zu vollständigen Äußerungen zusammengeführt. Dadurch reduzierte sich der endgültige Datensatz auf 9.901 Äußerungen.

Zur Bewertung des Ansatzes wurde Gemini 2.5 Pro gebeten, die nächste Gesprächsantwort jedes Teilnehmenden basierend auf dem bisherigen Gesprächsverlauf vorherzusagen. Seine Leistung wurde anschließend über drei Eingaben hinweg verglichen: nur Gesprächshistorie; komprimierte Gesprächszusammenfassungen; und die neuen Mind‑Mapper‑Verhaltensregeln, wodurch der Beitrag der erlernten Muster direkt gemessen werden konnte.

GPT‑5 wurde als automatisierter Richter eingesetzt, um die Vorhersagen zu bewerten, wobei eine separate menschliche Evaluation die Zuverlässigkeit seiner Beurteilungen bestätigte.

Daten und Tests

Die Testergebnisse zeigen, dass die getesteten Basis‑Methoden vom muster‑basierten Ansatz der Autoren deutlich übertroffen wurden, wobei die Genauigkeit kontinuierlich zunahm, je mehr Gesprächsdaten gesammelt wurden:

Testergebnisse zum Vergleich von drei Vorhersageansätzen. Links verbessert sich die Vorhersagegenauigkeit stetig, sobald mehr Gesprächsdaten verfügbar werden, jedoch nur, wenn das eingesetzte System Verhaltensmuster lernt, während die Basis‑Ansätze kaum Veränderung zeigen. Rechts erzielt derselbe Ansatz deutlich höhere Werte bei von Teilnehmenden als Absicht‑zur‑Änderung gekennzeichneten Gesprächen.

Die Autoren argumentieren, dass das System besonders effektiv bei der Vorhersage von Verhaltensweisen war, die die Teilnehmenden ausdrücklich ändern wollten.

Eine Validierungsstudie mit 40 unabhängigen menschlichen Bewertern bestätigte die automatisierte Bewertung und platzierte die muster‑basierte Methode in 43 % der getesteten Szenarien an der Spitze, verglichen mit 24 % für vollen Kontext; 18 % für Zero‑Shot; und 15 % für narrative Zusammenfassungen.

Die menschlichen Bewertungen stimmten eng mit der modellbasierten Bewertung in Bezug auf kommunikative Absicht, Spezifität und funktionale Komplexität überein, was die Autoren als Bestätigung für den Einsatz automatisierter Richter bei Gesprächsverhalten ansehen.

Zwei Anschlussstudien untersuchten, wie Menschen auf ihre extrahierten Muster reagierten und ob diese Vorhersagen tatsächlich helfen können, Gewohnheiten zu ändern. Die Teilnehmenden prüften zunächst ihre Regeln, um Verhaltensweisen zu markieren, die sie ablegen wollten, wobei einige Monate später zurückkehrten, um die von ihnen getesteten Strategien zu besprechen und welche Art von Assistent‑„Anstößen“ im Alltag wirklich hilfreich wären.

Die Teilnehmenden markierten 114 Gewohnheiten, die sie ablegen wollten, verteilt auf 912 Gesprächsmomente. Bei Tests mit diesen Austauschen übertraf die muster‑basierte Methode die Standardansätze um etwa 40 %; die Autoren argumentieren, dass das System am besten funktioniert, wenn es tief verwurzelte Gewohnheiten antizipiert, die Menschen aktiv ändern möchten.

‘Insgesamt liefern unsere Ergebnisse den Nachweis, dass personenspezifisches verbales Verhalten aus longitudinalen Gesprächsdaten vorhergesagt werden kann.’

‘Dies eröffnet neue Möglichkeiten für potenziell zukünftige kontext‑bewusste, antizipative, proaktive und personalisierte KI‑Systeme.’

Fazit

Abgesehen von stark staatlich regulierten Anwendungen, vor allem im Bereich der staatlichen Gesundheitsversorgung und psychiatrischer Szenarien, und ohne jegliche offene oder stillschweigende Zwangsmaßnahmen für die Teilnahme (wie etwa reduzierte staatliche Versicherungsprämien, falls sie teilnehmen)… ist es schwer, sich eine Nutzung dieses Ansatzes vorzustellen, die die Privatsphäre und persönliche Unversehrtheit der Teilnehmenden nicht gefährden würde – insbesondere wenn sie mit agentenhaften Einheiten verknüpft ist, die aufgezeichnete Gesprächsdaten mit digitalen oder anderen Daten des Individuums korrelieren könnten.

Das MIT‑Papier zeichnet einen interessanten und vage therapeutischen Kontext für den Ansatz (z. B. kontext‑bewusste Erinnerungen an die Ernährung); jedoch scheint ein solches Schema eher das aggressive Interesse und die Investitionen von Werbetreibenden, Bewährungs‑ und Gefängnisbehörden, Versicherern und einer beträchtlichen Anzahl anderer Unternehmens‑ oder Staatsakteure anzuziehen, die mehr über unsere Gedanken erfahren möchten.

Falls es jemals ein überzeugendes Argument für abgegrenzte, vollständig nutzer‑eigene lokale KI gab, dann ist es in Systemen wie diesem, die solch gravierende Implikationen bei einer Verletzung haben.

Dennoch hat die Geschichte von Werbung und Überwachungstechnologie in den letzten Jahren zu einer Verbraucher‑Gleichgültigkeit geführt – könnte diese Gleichgültigkeit wirklich auch auf ein System so invasiv und allgegenwärtig wie dieses ausgedehnt werden?

* Eine wesentlich stärker geschützte Veröffentlichung, für die keine hochauflösenden Bilder öffentlich verfügbar sind, obwohl der Text durch ein paar Hürden lesbar ist.

** Nicht, dass wir übertreiben, aber das ältere Papier ist deutlich schwerer zugänglich, also bitte bleiben Sie hartnäckig!

Erstmals veröffentlicht am Donnerstag, 20. August 2026