Nueva IA predice tu próxima respuesta a partir de tus conversaciones pasadas

Los investigadores del MIT han desarrollado un sistema basado en LLM que aprende patrones recurrentes a partir de semanas de conversaciones reales de una persona, para predecir su probable próximo comportamiento conversacional.

Si la IA pudiera realmente acceder a tu vida, y pudiera realmente permitirse conocerte durante un período prolongado o incluso continuo, probablemente podría aprender a predecir tus acciones, decisiones – e incluso lo que probablemente vas a decir a continuación; todo basado en lo que ha asimilado de miles de horas analizando tus interacciones.

Los que estamos acostumbrados a usar Modelos de Lenguaje a Gran Escala (LLM) como ChatGPT y Claude ya habremos notado esta tendencia a la ‘anticipación de necesidades’, claramente basada en nuestros historiales de uso; y, presumiblemente, la hemos recibido con agrado, ya que la retención de memoria y el contexto ahora son un punto crítico de fricción al desarrollar una relación de trabajo con un sistema de IA.

Sin embargo, proporcionar información ad hoc y incluso ‘transmitida en vivo’ sobre tu vida y comunicaciones a un sistema de IA operado por una empresa con fines de lucro es, razonablemente, un potencial riesgo de privacidad y seguridad; aunque el servicio sería mucho más útil para ti, la tentación de la empresa de compartir tus datos, combinada con el riesgo de una vergonzosa y publicada filtración en línea o exfiltración, podría convertir este nivel de integración IA/humano en una perspectiva poco prudente.

Si pudiéramos tener cosas agradables…

Bueno, tuve que dejar de lado esa ‘advertencia de servicio público’ antes de abordar un interesante nuevo artículo del MIT que parece existir en un mundo mejor, donde datos de este tipo podrían aislarse en círculos seguros y realmente confiables, de modo que el verdadero poder de la IA analítica pueda dirigirse al beneficio genuino del individuo.

El nuevo trabajo propone un sistema donde, con el permiso del usuario y con su control sobre los datos obtenidos, un reloj inteligente que lleva puesto registra continuamente sus conversaciones para extraer patrones de comportamiento:

From the new MIT paper, an illustration of the proposed behavioral prediction pipeline. Conversations collected over several weeks reveal a recurring behavioral pattern, which is then used to predict the user’s likely next behavior and deliver a smartwatch reminder before the anticipated action occurs. Source

El artículo – titulado Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – describe un experimento donde más de 1.000 horas de conversaciones naturalistas (es decir, oportunistas, del mundo real) de 14 participantes fueron recopiladas mediante relojes inteligentes, transcritas, convertidas en historiales de comportamiento estructurados y suministradas a Gemini 2.5 Pro, junto con indicaciones específicas de comportamiento y reglas conductuales extraídas, para predecir el probable próximo comportamiento conversacional de cada usuario.

(Y ahora puede quedar claro por qué este nuevo artículo necesita algo de contexto sobre la privacidad)

El nuevo estudio es, en efecto, un experimento de campo para la publicación de 2026 Mind Mapper de (algunos de) los autores*, que extiende ese trabajo anterior al poner su teoría en práctica y probar si los patrones conductuales obtenidos pueden predecir verdaderamente el próximo comportamiento conversacional de un usuario en tiempo real, en lugar de simplemente describir tendencias recurrentes.

The four authors state:

‘Nuestros resultados muestran que los patrones de comportamiento específicos de la situación extraídos de conversaciones longitudinales pueden mejorar significativamente las predicciones de las tendencias conductuales verbales de los usuarios. Una fortaleza clave de nuestro enfoque es representar estos patrones como conductas condicionadas por el contexto y legibles por humanos, con condiciones de excepción explícitas que los usuarios pueden inspeccionar y refinar.’

‘Los participantes valoraron esta transparencia, [varios apreciando] la posibilidad de leer, corregir y establecer metas personales para sus patrones inferidos.’

‘Los participantes también reflexionaron sobre sus propias estrategias para cambiar el comportamiento, sugiriendo cómo los sistemas proactivos podrían ayudar redirigiendo la atención, ofreciendo alternativas y mostrando replanteamientos vinculados a sus metas.’

‘Esto apunta a una IA anticipatoria que trabaja con los usuarios — fundamentando las intervenciones en patrones que reconocen y en estrategias que ya encuentran efectivas.’

Método

El mencionado Mind Mapper es la base del nuevo sistema, ofreciendo un flujo de trabajo diseñado para aprender reglas conductuales recurrentes a partir de semanas de conversaciones registradas por smartwatch, en lugar de intentar predecir directamente el habla futura, o basarse en conjuntos de datos genéricos o previos. En el flujo de trabajo de Mind Mapper, todas las conversaciones registradas fueron transcritas, anonimizadas y procesadas a través de una pipeline GPT‑5**.

(Tenga en cuenta que debido a las protecciones del artículo anterior, no podemos, como solemos hacer, proporcionar imágenes del mismo, ya que las versiones de baja resolución disponibles públicamente son ilegibles)

From the new paper … etc

La pipeline genera reglas conductuales candidatas ‘if‑then’ (es decir, reglas que vinculan situaciones conversacionales con respuestas probables); busca evidencia de apoyo y contradictoria; fusiona reglas superpuestas; descarta hipótesis débiles; y asigna estimaciones de confianza y probabilidad.

Los sujetos

Catorce adultos de habla inglesa llevaron el smartwatch durante su vida diaria normal durante siete a diez días. Un detector de actividad de voz en el dispositivo registró a los sujetos solo cuando percibió la presencia de habla, enviando clips de audio de 2‑3 minutos a un servidor remoto para su procesamiento.

Los participantes recibieron $100 y debían informar a cualquier persona cercana que las conversaciones estaban siendo grabadas, y obtener el consentimiento de otras personas antes de cada interacción.

Transcripción y Verificación

Los clips de audio fueron procesados usando el modelo Nova-3-meeting de Deepgram, que transcribió las conversaciones y distinguió entre hablantes. Después de esto, se utilizó SpeechBrain como modelo de verificación de hablante, comparando la voz del participante con una muestra de registro de 20 segundos.

El modelo spaCy de Reconocimiento de Entidades Nombradas (NER) sustituyó cualquier nombre mencionado, así como otra información de identificación personal, por marcadores anónimos. El audio original fue luego eliminado, y solo se almacenaron transcripciones cifradas con AES‑256‑GCM localmente en el smartwatch.

Después del período de recolección, los participantes pudieron revisar cada una de sus transcripciones conversacionales a través de una interfaz web, eliminando cualquier contenido que no quisieran incluir en el estudio y corrigiendo etiquetas de hablantes o contexto conversacional cuando fuera necesario.

En promedio, solo el 0,16 % de las transcripciones fueron eliminadas, y el 2,48 % de los segmentos fueron marcados como mal clasificados, dejando un conjunto de datos de 15 066 enunciados entre los 14 participantes – con un 57 % atribuido al portador del dispositivo y un 43 % a otros hablantes. La longitud media de los enunciados fue de 49 palabras.

(Sin embargo, aunque el artículo no lo menciona, se puede asumir que los participantes se mantuvieron relativamente vigilantes para no involucrarse en intercambios verbales muy personales mientras llevaban el reloj.)

Las transcripciones se limpiaron adicionalmente eliminando intercambios muy breves, así como disfluencias comunes del habla como ‘err’ y ‘um’; y luego fusionando oraciones fragmentadas en enunciados completos. Esto redujo el conjunto de datos final a 9 901 enunciados.

Para evaluar el enfoque, se pidió a Gemini 2.5 Pro que predijera la próxima respuesta conversacional de cada participante a partir de la conversación hasta ese momento. Su desempeño se comparó luego entre tres entradas: solo el historial de conversación; resúmenes condensados de la conversación; y las nuevas reglas conductuales de Mind Mapper, lo que permite medir directamente la contribución de los patrones aprendidos.

Se utilizó GPT‑5 como juez automatizado para puntuar las predicciones, con una evaluación humana separada que confirmó la fiabilidad de sus valoraciones.

Datos y pruebas

Los resultados de las pruebas indican que los métodos de referencia evaluados fueron superados sustancialmente por el enfoque basado en patrones de los autores, con una precisión que mejoró continuamente a medida que se acumulaban los datos conversacionales:

Test results comparing three prediction approaches. Left, prediction accuracy improves steadily as more conversational data becomes available only when the system used learns behavioral patterns, while the baseline approaches change little. Right, the same approach achieves substantially higher scores on participant-identified intention-to-change conversations.

Los autores sostienen que el sistema fue particularmente eficaz al predecir comportamientos que los participantes deseaban cambiar explícitamente.

Un estudio de validación, con 40 evaluadores humanos independientes, confirmó la evaluación automatizada, ubicando el método basado en patrones como el más alto en el 43 % de los escenarios probados, frente al 24 % para el contexto completo; 18 % para cero disparos; y 15 % para resúmenes narrativos.

Las evaluaciones humanas se alinearon estrechamente con la puntuación basada en el modelo en cuanto a intención comunicativa, especificidad y complejidad funcional, lo que los autores sostienen valida el uso de jueces automatizados para el comportamiento conversacional.

Dos estudios de seguimiento probaron cómo reaccionaron las personas a sus patrones extraídos y si estas predicciones podían ayudar realmente a cambiar hábitos. Los participantes primero revisaron sus reglas para marcar comportamientos que deseaban eliminar, y varios regresaron meses después para discutir las estrategias que habían probado y qué tipo de ‘empujones’ de asistente realmente ayudarían en la vida cotidiana.

Los participantes marcaron 114 hábitos que deseaban eliminar, abarcando 912 momentos conversacionales. Cuando se probó en estos intercambios, el método basado en patrones superó fácilmente a los enfoques estándar en aproximadamente un 40 %; y los autores sostienen que el sistema funciona mejor al anticipar hábitos arraigados que la gente quiere cambiar activamente.

The authors conclude:

‘En conjunto, nuestros hallazgos proporcionan evidencia de que el comportamiento verbal específico de una persona puede predecirse a partir de datos conversacionales longitudinales.

‘Esto abre nuevas posibilidades para futuros sistemas de IA conscientes del contexto, anticipatorios, proactivos y personalizados’

Conclusión

Fuera de aplicaciones altamente reguladas por el gobierno, principalmente en escenarios de salud estatal y psiquiátricos, y en ausencia de cualquier coerción abierta o tácita para que la gente participe (como la reducción de primas de seguros estatales, si lo hacen)… es difícil imaginar un uso de este enfoque que no ponga en riesgo la privacidad y la santidad personal de los participantes – especialmente si está vinculado a entidades agentes que podrían correlacionar los datos conversacionales grabados con datos digitales u otros tipos de datos relacionados con el individuo.

El artículo del MIT dibuja un contexto interesante y vagamente terapéutico para el enfoque (por ejemplo, proporcionando recordatorios conscientes del contexto sobre la dieta); pero parece más probable que este esquema atraiga el interés agresivo y la inversión de anunciantes, instituciones de libertad condicional y prisiones, aseguradoras y una considerable cantidad de otras entidades corporativas o estatales que deseen saber más sobre lo que pensamos.

Si alguna vez hubo un argumento convincente a favor de una IA local aislada y completamente propiedad del usuario, es en sistemas como este, que tienen implicaciones tan graves en caso de vulneración.

Dicho esto, la historia de la publicidad y la tecnología de vigilancia en los últimos años ha tendido hacia la indiferencia del consumidor – ¿podría esa falta de preocupación realmente extenderse incluso a un sistema tan invasivo y omnipresente como este?

* Una publicación mucho más protegida, sin imágenes de alta resolución disponibles públicamente, aunque el texto puede leerse superando algunos obstáculos.

** No es para exagerar, pero el artículo anterior es considerablemente más difícil de acceder, ¡así que sea persistente!

Publicado por primera vez el jueves, 20 de agosto de 2026