AI Baru Memprediksi Respons Berikutnya Dari Percakapan Anda Sebelumnya

Peneliti di MIT telah mengembangkan sistem berbasis LLM yang mempelajari pola berulang dari minggu‑minggu percakapan nyata seseorang, untuk memprediksi perilaku percakapan mereka selanjutnya yang kemungkinan besar.

Jika AI benar‑benar dapat mengakses kehidupan Anda, dan benar‑benar diizinkan untuk mengenal Anda selama periode waktu yang panjang atau bahkan berkelanjutan, ia kemungkinan besar dapat belajar memprediksi tindakan, keputusan – bahkan hal berikutnya yang Anda kemungkinan besar akan katakan; semua itu berdasarkan apa yang telah diserapnya dari ribuan jam analisis interaksi Anda.

Mereka di antara kami yang terbiasa menggunakan Model Bahasa Besar (LLM) seperti ChatGPT dan Claude pasti sudah lama memperhatikan kecenderungan “mengantisipasi kebutuhan” ini, yang jelas didasarkan pada riwayat penggunaan kami; dan, tampaknya, kami menyambutnya, karena retensi memori dan konteks kini menjadi titik gesekan kritis dalam mengembangkan hubungan kerja yang efektif dengan sistem AI.

Namun, memberikan informasi ad hoc dan bahkan ‘siaran langsung’ tentang kehidupan serta komunikasi Anda kepada sistem AI yang dioperasikan oleh perusahaan komersial, dapat dikatakan merupakan potensi bahaya privasi dan keamanan; sementara layanan tersebut akan menjadi jauh lebih berguna bagi Anda, godaan perusahaan untuk membagikan data Anda, ditambah risiko kebocoran daring atau ekfiltrasi, mungkin menjadikan tingkat integrasi AI/manusia ini prospek yang tidak bijaksana.

Jika Kita Bisa Memiliki Hal‑Hal Menyenangkan…

Baik, saya harus menyampaikan “peringatan layanan publik” itu dulu sebelum membahas makalah baru yang menarik dari MIT yang tampaknya berada di dunia yang lebih baik, di mana data semacam ini dapat dipisahkan ke dalam lingkaran yang aman dan benar‑benar dapat dipercaya, sehingga kekuatan sejati AI analitik dapat diarahkan untuk manfaat nyata individu.

Penelitian baru ini mengusulkan sebuah sistem di mana, dengan izin pengguna, dan dengan kontrol mereka atas data yang diperoleh, jam tangan pintar yang mereka kenakan terus‑menerus merekam percakapan mereka untuk menambang pola perilaku:

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

Makalah – berjudul Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – mencatat sebuah eksperimen di mana lebih dari 1.000 jam percakapan naturalistik (yaitu, oportunistik, dunia nyata) dari 14 partisipan dikumpulkan melalui jam tangan pintar, ditranskripsi, diubah menjadi riwayat perilaku terstruktur, dan disuplai ke Gemini 2.5 Pro, bersama dengan prompt spesifik perilaku dan aturan perilaku yang diekstrak, untuk memprediksi perilaku percakapan selanjutnya yang kemungkinan besar akan dilakukan tiap pengguna.

(Dan kini mungkin jelas mengapa makalah baru ini memerlukan konteks seputar privasi)

Studi baru ini pada dasarnya merupakan eksperimen lapangan untuk (sebagian) publikasi Mind Mapper milik penulis pada tahun 2026*, memperluas karya sebelumnya dengan menerapkan teorinya secara praktis, serta menguji apakah pola perilaku yang dipelajari benar‑benar dapat memprediksi perilaku percakapan selanjutnya pengguna secara real‑time, bukan sekadar mendeskripsikan kecenderungan berulang.

‘Hasil kami menunjukkan bahwa pola perilaku spesifik situasi yang ditambang dari percakapan longitudinal dapat secara signifikan meningkatkan prediksi kecenderungan perilaku verbal pengguna. Kekuatan utama pendekatan kami adalah merepresentasikan pola‑pola ini sebagai pola perilaku yang dapat dibaca manusia dan dikondisikan konteks dengan kondisi pengecualian eksplisit yang dapat diperiksa serta disempurnakan oleh pengguna.’

‘Para partisipan menghargai transparansi ini, [beberapa] menghargai kemampuan untuk membaca, memperbaiki, dan menetapkan tujuan pribadi bagi pola yang mereka inferensikan.’

‘Para partisipan juga merefleksikan strategi mereka sendiri untuk mengubah perilaku, menyarankan bagaimana sistem proaktif dapat membantu dengan mengarahkan perhatian, menawarkan alternatif, dan menampilkan reframing yang terkait dengan tujuan mereka.’

‘Hal ini mengarah pada AI antisipatif yang bekerja bersama pengguna — mendasarkan intervensi pada pola yang mereka kenali dan strategi yang sudah terbukti efektif bagi mereka.’

Metode

Mind Mapper yang disebutkan di atas menjadi landasan sistem baru, menawarkan alur kerja yang dirancang untuk mempelajari aturan perilaku berulang dari minggu‑minggu percakapan yang direkam jam tangan pintar, alih‑alih mencoba memprediksi ucapan masa depan secara langsung, atau berdasarkan dataset generik atau sebelumnya. Dalam alur kerja Mind Mapper, semua percakapan yang direkam ditranskripsi, dianonimkan, dan diproses melalui pipeline GPT‑5**.

(Harap dicatat bahwa karena perlindungan pada makalah yang lebih lama, kami tidak dapat, seperti biasanya, menyediakan gambar darinya, karena versi beresolusi rendah yang tersedia secara publik tidak dapat dibaca.)

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.

Pipeline menghasilkan kandidat aturan perilaku ‘if‑then’ (yaitu, aturan yang menghubungkan situasi percakapan dengan respons yang kemungkinan besar); mencari bukti pendukung dan kontradiktif; menggabungkan aturan yang tumpang‑tindih; membuang hipotesis lemah; serta menetapkan estimasi kepercayaan dan probabilitas.

Subjek

Empat belas orang dewasa berbahasa Inggris memakai jam tangan pintar selama kehidupan sehari‑hari normal selama tujuh hingga sepuluh hari. Detektor aktivitas suara pada perangkat merekam subjek hanya ketika mendeteksi adanya ucapan, kemudian mengirimkan klip audio berdurasi 2‑3 menit ke server remote untuk diproses.

Para partisipan menerima $100, dan diwajibkan memberi tahu siapa pun di sekitar bahwa percakapan sedang direkam, serta memperoleh persetujuan orang lain sebelum setiap interaksi semacam itu.

Transkripsi dan Penyaringan

Klip audio diproses menggunakan model Nova‑3‑meeting milik Deepgram, yang menyalin percakapan dan membedakan antar pembicara. Setelah itu, SpeechBrain dipakai sebagai model verifikasi pembicara, mencocokkan suara partisipan dengan sampel pendaftaran berdurasi 20 detik.

Model spaCy Named Entity Recognition (NER) menggantikan semua nama yang disebutkan, serta informasi pribadi lainnya, dengan placeholder anonim. Audio asli kemudian dihapus, dan hanya transkrip yang dienkripsi AES‑256‑GCM yang disimpan secara lokal di jam tangan pintar.

Setelah periode pengumpulan, partisipan dapat meninjau masing‑masing transkrip percakapan mereka melalui antarmuka web, menghapus apa pun yang tidak ingin dimasukkan ke dalam studi, serta memperbaiki label pembicara atau konteks percakapan bila diperlukan.

Rata‑rata, hanya 0,16 % transkrip yang dihapus, dan 2,48 % segmen ditandai sebagai misclassified, menghasilkan dataset berisi 15.066 ujaran dari 14 partisipan – dengan 57 % berasal dari pemakai jam tangan, dan 43 % dari pembicara lain. Panjang rata‑rata ujaran adalah 49 kata.

(Namun, meskipun makalah tidak membahas hal ini, dapat diasumsikan bahwa partisipan tetap cukup waspada agar tidak terlibat dalam pertukaran verbal yang sangat pribadi saat memakai jam tangan.)

Transkrip selanjutnya dibersihkan dengan menghapus pertukaran yang sangat singkat, serta disfluensi umum seperti ‘err’ dan ‘um’; kemudian kalimat terfragmentasi digabung menjadi ujaran lengkap. Proses ini mengurangi dataset akhir menjadi 9.901 ujaran.

Untuk mengevaluasi pendekatan ini, Gemini 2.5 Pro diminta memprediksi respons percakapan selanjutnya tiap partisipan berdasarkan percakapan hingga titik tersebut. Kinerjanya kemudian dibandingkan pada tiga masukan: riwayat percakapan saja; ringkasan percakapan yang dipadatkan; dan aturan perilaku Mind Mapper yang baru, sehingga kontribusi pola yang dipelajari dapat diukur secara langsung.

GPT‑5 digunakan sebagai penilai otomatis untuk memberi skor pada prediksi, dengan evaluasi manusia terpisah yang mengonfirmasi keandalan penilaiannya.

Data dan Pengujian

Hasil pengujian menunjukkan bahwa metode dasar yang diuji secara signifikan kalah dibandingkan pendekatan berbasis pola penulis, dengan akurasi terus meningkat seiring akumulasi data percakapan:

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.

Penulis berpendapat bahwa sistem ini sangat efektif dalam memprediksi perilaku yang secara eksplisit ingin diubah oleh partisipan.

Studi validasi dengan 40 penilai manusia independen mengonfirmasi evaluasi otomatis, menempatkan metode berbasis pola sebagai yang teratas dalam 43 % skenario yang diuji, dibandingkan 24 % untuk konteks penuh; 18 % untuk zero‑shot; dan 15 % untuk ringkasan naratif.

Penilaian manusia sangat selaras dengan penilaian berbasis model pada niat komunikatif, spesifikasi, dan kompleksitas fungsional, yang menurut penulis menvalidasi penggunaan penilai otomatis untuk perilaku percakapan.

Dua studi lanjutan menguji bagaimana orang merespons pola yang ditambang, serta apakah prediksi tersebut benar‑benar dapat membantu mengubah kebiasaan. Partisipan pertama‑tama meninjau aturan mereka untuk menandai perilaku yang ingin dihentikan, dengan beberapa kembali beberapa bulan kemudian untuk membahas strategi yang telah mereka coba, serta jenis ‘dorongan’ asisten yang benar‑benar membantu dalam kehidupan sehari‑hari.

Partisipan menandai 114 kebiasaan yang ingin dihentikan, mencakup 912 momen percakapan. Saat diuji pada pertukaran tersebut, metode berbasis pola dengan mudah melampaui pendekatan standar sekitar 40 %; dan penulis berpendapat bahwa sistem ini bekerja paling baik ketika mengantisipasi kebiasaan yang mengakar dan ingin diubah secara aktif oleh orang.

Penulis menyimpulkan:

‘Secara keseluruhan, temuan kami memberikan bukti bahwa perilaku verbal spesifik individu dapat diprediksi dari data percakapan longitudinal.’

‘Hal ini membuka peluang baru bagi sistem AI masa depan yang sadar konteks, antisipatif, proaktif, dan dipersonalisasi.’

Kesimpulan

Di luar aplikasi yang sangat diatur pemerintah, terutama terkait layanan kesehatan negara dan skenario psikiatri, serta tanpa adanya paksaan terbuka atau tersirat bagi orang untuk berpartisipasi (misalnya penurunan premi asuransi negara, jika mereka melakukannya)…sulit membayangkan penggunaan pendekatan ini yang tidak akan membahayakan privasi dan kesucian pribadi partisipan – terutama bila digandengkan dengan entitas agen yang dapat mengkorelasi data percakapan yang direkam dengan data digital atau tipe data lain yang berhubungan dengan individu.

Makalah MIT menggambarkan konteks yang menarik dan agak terapeutik untuk pendekatan ini (misalnya, memberikan pengingat yang sadar konteks tentang pola makan); namun skema semacam itu tampaknya lebih mungkin menarik minat agresif serta investasi dari pengiklan, institusi parole dan penjara, perusahaan asuransi, dan sejumlah besar entitas korporat atau negara lain yang ingin mengetahui lebih banyak tentang apa yang ada di benak kita.

Jika pernah ada argumen kuat untuk AI lokal yang terisolasi dan sepenuhnya dimiliki pengguna, itu ada pada sistem seperti ini, yang memiliki implikasi pelanggaran yang begitu berat.

Meskipun demikian, sejarah periklanan dan teknologi pengawasan dalam beberapa tahun terakhir telah cenderung menuju ketidakpedulian konsumen – mungkinkah kurangnya kepedulian itu benar‑benar meluas hingga ke sistem yang begitu invasif dan menyeluruh seperti ini?

* Sebuah publikasi yang jauh lebih terlindungi, tanpa gambar resolusi tinggi yang tersedia secara publik, meskipun teks dapat dibaca dengan melewati beberapa rintangan.

** Tidak untuk menekankan berlebihan, namun makalah yang lebih lama jauh lebih sulit diakses, jadi harap tetap gigih!

Terbit pertama pada Kamis, 20 Agustus 2026