Nouvelle IA prédit votre prochaine réponse à partir de vos conversations passées

Des chercheurs du MIT ont développé un système basé sur des LLM qui apprend des schémas récurrents à partir de semaines de conversations réelles d’une personne, afin de prédire son prochain comportement conversationnel probable.

Si l’IA pouvait réellement accéder à votre vie, et pouvait réellement être autorisée à vous connaître sur une période prolongée voire continue, elle pourrait probablement apprendre à prédire vos actions, décisions – et même la prochaine chose que vous êtes susceptible de dire ; le tout basé sur ce qu’elle a assimilé à partir de milliers d’heures d’analyse de vos interactions.

Nous, utilisateurs habitués aux grands modèles de langage (LLM) tels que ChatGPT et Claude, avons depuis longtemps remarqué cette tendance à « anticiper les besoins », clairement fondée sur nos historiques d’utilisation ; et, probablement, nous l’avons accueillie favorablement, car la rétention de la mémoire et le contexte sont désormais un point de friction critique dans le développement d’une relation de travail avec un système d’IA.

Cependant, fournir des informations ad hoc et même même des informations en « direct » sur votre vie et vos communications à un système d’IA exploité par une société à but lucratif constitue, raisonnablement, un risque potentiel pour la vie privée et la sécurité ; bien que le service devienne beaucoup plus utile pour vous, la tentation pour l’entreprise de partager vos données, combinée au risque d’une embarrassante fuite en ligne ou d’une exfiltration, pourrait rendre ce niveau d’intégration IA/humain imprudent.

Si nous pouvions avoir de belles choses…

Eh bien, je devais d’abord faire passer cet « avertissement de service public » avant de m’attarder sur un nouvel article intéressant du MIT qui semble exister dans un monde meilleur, où des données de ce type pourraient être cloisonnées dans des cercles sécurisés et réellement fiables, de sorte que la véritable puissance de l’IA analytique puisse être mise au service du bénéfice individuel.

Le nouveau travail propose un système où, avec le consentement de l’utilisateur et le contrôle sur les données obtenues, une montre intelligente portée en continu enregistre leurs conversations afin d’extraire des schémas comportementaux :

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

Le papier – intitulé Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – décrit une expérience où plus de 1 000 heures de conversations naturalistes (c’est‑à‑dire opportunistes, du monde réel) provenant de 14 participants ont été collectées via des montres intelligentes, transcrites, converties en historiques comportementaux structurés, puis fournies à Gemini 2.5 Pro, accompagnées d’instructions spécifiques au comportement et de règles comportementales extraites, afin de prédire le prochain comportement conversationnel probable de chaque utilisateur.

(Et maintenant il est peut‑être clair pourquoi ce nouveau papier a besoin d’un certain contexte autour de la confidentialité)

La nouvelle étude constitue effectivement une expérience de terrain pour (certains des) travaux antérieurs des auteurs de 2026 Mind Mapper*, en étendant cette théorie à la pratique et en testant si les schémas comportementaux extraits peuvent réellement prédire le prochain comportement conversationnel d’un utilisateur en temps réel, plutôt que de simplement décrire des tendances récurrentes.

Les quatre auteurs déclarent :

‘Nos résultats montrent que les schémas comportementaux spécifiques à une situation, extraits de conversations longitudinales, peuvent améliorer de façon significative les prédictions des tendances verbales des utilisateurs. Un atout majeur de notre approche est de les représenter sous forme de schémas comportementaux lisibles par l’humain, conditionnés au contexte, avec des conditions d’exception explicites que les utilisateurs peuvent inspecter et affiner.’

‘Les participants ont apprécié cette transparence, plusieurs soulignant la possibilité de lire, corriger et fixer des objectifs personnels pour leurs schémas inférés.’

‘Les participants ont également réfléchi à leurs propres stratégies de changement de comportement, suggérant que des systèmes proactifs pourraient aider en redirigeant l’attention, en proposant des alternatives et en faisant émerger des reformulations liées à leurs objectifs.’

‘Cela ouvre la voie à une IA anticipatrice qui travaille avec les utilisateurs — en ancrant les interventions dans des schémas qu’ils reconnaissent et des stratégies qu’ils jugent déjà efficaces.’

Méthode

L’ancien Mind Mapper constitue la base du nouveau système, offrant un flux de travail conçu pour apprendre des règles comportementales récurrentes à partir de semaines de conversations enregistrées par montre intelligente, plutôt que d’essayer de prédire directement la parole future ou de se baser sur des jeux de données génériques ou antérieurs. Dans le flux de travail Mind Mapper, toutes les conversations enregistrées ont été transcrites, anonymisées et traitées via un pipeline GPT-5**.

(Veuillez noter qu’en raison des protections appliquées au papier antérieur, nous ne pouvons pas, comme d’habitude, fournir des images, les versions basse résolution disponibles publiquement étant illisibles)

From the new paper, an illustration of the behavioral prediction pipeline. Conversations collected over several weeks are converted into context-dependent behavioral rules, which are refined with supporting and contradictory evidence, before being applied to new conversations to predict the user’s most likely next conversational response.

Le pipeline génère des règles comportementales candidates « if‑then » (c’est‑à‑dire des règles reliant des situations conversationnelles à des réponses probables) ; recherche des preuves de soutien et contradictoires ; fusionne les règles qui se chevauchent ; élimine les hypothèses faibles ; et attribue des estimations de confiance et de probabilité.

Les sujets

Quatorze adultes anglophones ont porté la montre intelligente pendant leur quotidien pendant sept à dix jours. Un détecteur d’activité vocale intégré à l’appareil a enregistré les sujets uniquement lorsqu’il a détecté la présence de parole, envoyant des extraits audio de 2‑3 minutes à un serveur distant pour traitement.

Les participants ont reçu 100 $, et ont dû informer toute personne à proximité que les conversations étaient enregistrées, ainsi que recueillir le consentement des tiers avant chaque interaction.

Transcription et validation

Les extraits audio ont été traités à l’aide du modèle Nova‑3‑meeting de Deepgram, qui a transcrit les conversations et distingué les interlocuteurs. Ensuite, SpeechBrain a servi de modèle de vérification d’orateur, comparant la voix du participant à un échantillon d’enrôlement de 20 secondes.

Le modèle spaCy Named Entity Recognition (NER) a remplacé tout nom mentionné, ainsi que toute autre information personnellement identifiable, par des espaces réservés anonymes. L’audio original a ensuite été supprimé, et seules les transcriptions chiffrées AES‑256‑GCM ont été stockées localement sur la montre.

Après la période de collecte, les participants ont pu examiner chacune de leurs transcriptions conversationnelles via une interface web, supprimer tout ce qu’ils ne souhaitaient pas voir inclus dans l’étude, et corriger les étiquettes des locuteurs ou le contexte conversationnel si nécessaire.

En moyenne, seulement 0,16 % des transcriptions ont été retirées, et 2,48 % des segments ont été signalés comme mal classifiés, laissant un jeu de données de 15 066 énoncés répartis sur les 14 participants – 57 % attribués au porteur de la montre, 43 % aux autres interlocuteurs. La longueur moyenne d’un énoncé était de 49 mots.

(Cependant, bien que le papier n’aborde pas ce point, on peut supposer que les participants sont restés relativement vigilants afin de ne pas s’engager dans des échanges verbaux très personnels tout en portant la montre.)

Les transcriptions ont ensuite été épurées en supprimant les échanges très courts ainsi que les disfluences courantes telles que ‘err’ et ‘um’ ; puis les phrases fragmentées ont été fusionnées en énoncés complets. Cela a réduit le jeu de données final à 9 901 énoncés.

Pour évaluer l’approche, Gemini 2.5 Pro a été invité à prédire la prochaine réponse conversationnelle de chaque participant à partir de la conversation jusqu’à ce point. Sa performance a ensuite été comparée sur trois entrées : historique complet des conversations ; résumés condensés des conversations ; et les nouvelles règles comportementales Mind Mapper, permettant de mesurer directement la contribution des schémas appris.

GPT‑5 a été utilisé comme juge automatisé pour noter les prédictions, une évaluation humaine distincte confirmant la fiabilité de ces jugements.

Données et tests

Les résultats des tests indiquent que les méthodes de référence testées ont été largement surpassées par l’approche basée sur les schémas des auteurs, la précision s’améliorant continuellement à mesure que les données conversationnelles s’accumulaient :

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.

Les auteurs soutiennent que le système était particulièrement efficace pour prédire les comportements que les participants souhaitaient explicitement changer.

Une étude de validation, avec 40 évaluateurs humains indépendants, a confirmé l’évaluation automatisée, classant la méthode basée sur les schémas comme la meilleure dans 43 % des scénarios testés, contre 24 % pour le contexte complet ; 18 % pour le zéro‑shot ; et 15 % pour les résumés narratifs.

Les évaluations humaines étaient en forte concordance avec le scoring basé sur le modèle concernant l’intention communicative, la spécificité et la complexité fonctionnelle, ce que les auteurs considèrent comme une validation de l’utilisation de juges automatisés pour le comportement conversationnel.

Deux études de suivi ont testé les réactions des personnes face à leurs schémas extraits, et si ces prédictions pouvaient réellement aider à changer des habitudes. Les participants ont d’abord passé en revue leurs règles afin de signaler les comportements qu’ils souhaitaient éliminer, plusieurs y revenant plusieurs mois plus tard pour discuter des stratégies qu’ils avaient essayées, et des types de « nudges » d’assistant qui seraient réellement utiles au quotidien.

Les participants ont signalé 114 habitudes qu’ils souhaitaient abandonner, couvrant 912 moments conversationnels. Lors des tests sur ces échanges, la méthode basée sur les schémas a facilement dépassé les approches standard d’environ 40 %; les auteurs estiment que le système fonctionne mieux lorsqu’il anticipe des habitudes ancrées que les gens souhaitent activement changer.

Les auteurs concluent :

‘Dans l’ensemble, nos résultats fournissent la preuve que le comportement verbal propre à chaque personne peut être prédit à partir de données conversationnelles longitudinales.’

‘Cela ouvre de nouvelles possibilités pour d’éventuels systèmes d’IA futurs, contextuellement conscients, anticipatifs, proactifs et personnalisés.’

Conclusion

En dehors des applications fortement réglementées par les gouvernements, principalement dans les domaines de la santé publique et des scénarios psychiatriques, et en l’absence de toute coercition explicite ou implicite pour que les gens participent (par exemple, des primes d’assurance étatiques réduites, s’ils le font)… il est difficile d’imaginer une utilisation de cette approche qui ne mettrait pas en danger la confidentialité et la sacralité personnelle des participants – surtout si elle était associée à des entités autonomes capables de corréler les données conversationnelles enregistrées avec des données numériques ou autres concernant l’individu.

Le papier du MIT décrit un contexte intéressant et vaguement thérapeutique pour l’approche (par exemple, fournir des rappels contextuels sur le régime alimentaire) ; mais un tel dispositif semble plus susceptible d’attirer l’intérêt agressif et l’investissement d’annonceurs, d’institutions pénitentiaires, d’assureurs, et d’un grand nombre d’autres entités corporatives ou étatiques désireuses d’en savoir plus sur ce qui nous préoccupe.

Si jamais il existait un argument convaincant en faveur d’une IA locale, totalement détenue par l’utilisateur, c’est dans des systèmes comme celui‑ci, qui comportent des implications aussi graves en matière de violation.

Cela dit, l’histoire récente de la publicité et des technologies de surveillance a tendu vers une indifférence des consommateurs ; ce manque de préoccupation pourrait‑il réellement s’étendre à un système aussi invasif et omniprésent que celui‑ci ?

* Une publication beaucoup plus protégée, sans aucune image haute résolution disponible publiquement, bien que le texte puisse être lu en franchissant quelques obstacles.

** Pas pour exagérer, mais le papier plus ancien est considérablement plus difficile d’accès, alors persévérez !

Première publication jeudi 20 août 2026