Nuova IA prevede la tua prossima risposta dalle conversazioni passate

I ricercatori del MIT hanno sviluppato un sistema basato su LLM che apprende schemi ricorrenti da settimane di conversazioni reali di una persona, per prevedere il probabile prossimo comportamento conversazionale.

Se l’IA potesse realmente accedere alla tua vita, e potesse realmente essere autorizzata a conoscerti per un periodo prolungato o anche continuo, potrebbe probabilmente imparare a prevedere le tue azioni, decisioni – e persino la prossima cosa che probabilmente dirai; tutto basato su ciò che ha assimilato da migliaia di ore di analisi delle tue interazioni.

Chi di noi è abituato a usare grandi modelli linguistici (LLM) come ChatGPT e Claude avrà notato da tempo questa tendenza verso la “anticipazione dei bisogni”, chiaramente basata sulle nostre cronologie d’uso; e, presumibilmente, l’ha accolta, poiché la ritenzione della memoria e il contesto sono ora un punto di attrito critico nello sviluppo di un rapporto di lavoro con un sistema IA.

Tuttavia, fornire ad hoc e anche informazioni “in diretta” sulla tua vita e le tue comunicazioni a un sistema IA gestito da un’azienda a scopo di lucro è, è ragionevole dire, un potenziale rischio per la privacy e la sicurezza; mentre il servizio diventerebbe molto più utile per te, la tentazione per l’azienda di condividere i tuoi dati, combinata con il rischio di una imbarazzante e pubblicata perdita online o estrazione, potrebbe rendere questo livello di integrazione IA/umano una prospettiva poco saggia.

Se potessimo avere cose belle…

Bene, dovevo togliere di mezzo quell’“avviso di servizio pubblico” prima di affrontare un interessante nuovo articolo del MIT che sembra esistere in un mondo migliore, dove dati di questo tipo potrebbero essere confinati in cerchie sicure e realmente affidabili, così che il vero potere dell’IA analitica possa essere messo al beneficio genuino dell’individuo.

Il nuovo lavoro propone un sistema in cui, con il permesso dell’utente e con il suo controllo sui dati ottenuti, uno smartwatch che indossa registra continuamente le sue conversazioni per estrarre schemi comportamentali:

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

L’articolo – intitolato Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – descrive un esperimento in cui oltre 1.000 ore di conversazioni naturalistiche (cioè opportunistiche, del mondo reale) di 14 partecipanti sono state raccolte tramite smartwatch, trascritte, convertite in storie comportamentali strutturate e fornite a Gemini 2.5 Pro, insieme a prompt specifici per il comportamento e regole comportamentali estratte, per prevedere il probabile prossimo comportamento conversazionale di ciascun utente.

(E ora può essere chiaro perché questo nuovo articolo necessita di un contesto sulla privacy)

Il nuovo studio è effettivamente un esperimento sul campo per (alcuni dei) precedenti lavori del 2026 Mind Mapper* , estendendo quel lavoro precedente mettendo in pratica la teoria e testando se gli schemi comportamentali ricavati possono davvero prevedere il prossimo comportamento conversazionale di un utente in tempo reale, anziché descrivere semplicemente tendenze ricorrenti.

The four authors state:

‘I nostri risultati mostrano che gli schemi comportamentali specifici della situazione, estratti da conversazioni longitudinali, possono migliorare in modo significativo le previsioni delle tendenze comportamentali verbali degli utenti. Un punto di forza chiave del nostro approccio è rappresentarli come schemi comportamentali leggibili dall’uomo, condizionati al contesto, con condizioni di eccezione esplicite che gli utenti possono ispezionare e perfezionare.’

‘I partecipanti hanno apprezzato questa trasparenza, [molti hanno apprezzato] la possibilità di leggere, correggere e impostare obiettivi personali per i loro schemi inferiti.’

‘I partecipanti hanno anche riflettuto sulle proprie strategie per cambiare comportamento, suggerendo come sistemi proattivi potrebbero aiutare reindirizzando l’attenzione, offrendo alternative e proponendo riformulazioni legate ai loro obiettivi.’

‘Questo indica una IA anticipatoria che collabora con gli utenti — fondando le interventi su schemi che riconoscono e su strategie che già trovano efficaci.’

Metodo

Il già citato Mind Mapper è la base per il nuovo sistema, offrendo un flusso di lavoro progettato per apprendere regole comportamentali ricorrenti da settimane di conversazioni registrate dallo smartwatch, piuttosto che cercare di prevedere direttamente il discorso futuro, o basarsi su set di dati generici o precedenti. Nel flusso di lavoro Mind Mapper, tutte le conversazioni registrate sono state trascritte, anonimizzate e processate attraverso una pipeline GPT-5**.

(Si noti che a causa delle protezioni sul documento più vecchio, non possiamo, come al solito, fornire immagini, poiché le versioni a bassa risoluzione disponibili pubblicamente sono illeggibili)

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.

La pipeline genera regole comportamentali candidate ‘if-then’ (cioè regole che collegano situazioni conversazionali a risposte probabili); cerca prove di supporto e contraddittorie; unisce regole sovrapposte; scarta ipotesi deboli; e assegna stime di confidenza e probabilità.

I Soggetti

Quattordici adulti di lingua inglese hanno indossato lo smartwatch durante la vita quotidiana normale per sette‑dieci giorni. Un rilevatore di attività vocale sul dispositivo ha registrato i soggetti solo quando ha percepito la presenza di parlato, inviando clip audio di 2‑3 minuti a un server remoto per l’elaborazione.

I partecipanti hanno ricevuto $100 e dovevano informare chiunque fosse nelle vicinanze che le conversazioni erano registrate, ottenendo il consenso delle altre persone prima di ogni interazione.

Trascrizione e Verifica

I clip audio sono stati processati usando il modello Nova-3-meeting di Deepgram, che ha trascritto le conversazioni e distinto i parlanti. Dopo ciò, SpeechBrain è stato usato come modello di verifica del parlante, confrontando la voce del partecipante con un campione di registrazione di 20 secondi.

Il modello spaCy Named Entity Recognition (NER) ha sostituito tutti i nomi citati, così come altre informazioni personalmente identificabili, con segnaposto anonimi. L’audio originale è stato poi cancellato e solo le trascrizioni crittografate AES‑256‑GCM sono state conservate localmente sullo smartwatch.

Dopo il periodo di raccolta, i partecipanti hanno potuto rivedere ciascuna delle proprie trascrizioni conversazionali tramite un’interfaccia web, eliminando tutto ciò che non volevano includere nello studio e correggendo le etichette dei parlanti o il contesto conversazionale dove necessario.

In media, solo lo 0,16 % delle trascrizioni è stato rimosso, e il 2,48 % dei segmenti è stato segnalato come mal classificato, lasciando un set di dati di 15 066 enunciati nei 14 partecipanti – con il 57 % attribuito al portatore e il 43 % ad altri parlanti. La lunghezza media di un enunciato era di 49 parole.

(Tuttavia, sebbene l’articolo non ne parli, si può presumere che i partecipanti siano rimasti relativamente vigili nel non coinvolgersi in scambi verbali molto personali mentre indossavano l’orologio.)

Le trascrizioni sono state ulteriormente pulite rimuovendo scambi molto brevi, nonché disfluenze comuni come ‘err’ e ‘um’; e poi unendo frasi frammentate in enunciati completi. Questo ha ridotto il set finale a 9 901 enunciati.

Per valutare l’approccio, a Gemini 2.5 Pro è stato chiesto di prevedere la prossima risposta conversazionale di ciascun partecipante a partire dalla conversazione fino a quel punto. Le sue prestazioni sono state poi confrontate su tre input: solo la cronologia della conversazione; riassunti condensati della conversazione; e le nuove regole comportamentali Mind Mapper, permettendo di misurare direttamente il contributo degli schemi appresi.

GPT-5 è stato usato come giudice automatizzato per valutare le previsioni, con una valutazione umana separata che ha confermato l’affidabilità delle sue valutazioni.

Dati e Test

I risultati dei test indicano che i metodi di base testati sono stati superati in modo sostanziale dall’approccio basato su schemi degli autori, con precisione in continuo miglioramento man mano che i dati conversazionali si accumulavano:

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.

Gli autori sostengono che il sistema è stato particolarmente efficace nel prevedere comportamenti che i partecipanti volevano esplicitamente cambiare.

Uno studio di validazione, con 40 valutatori umani indipendenti, ha confermato la valutazione automatizzata, classificando il metodo basato su schemi al più alto nel 43 % degli scenari testati, rispetto al 24 % per il contesto completo; 18 % per lo zero‑shot; e 15 % per i riassunti narrativi.

Le valutazioni umane si sono allineate strettamente con il punteggio basato sul modello per intento comunicativo, specificità e complessità funzionale, cosa che gli autori ritengono convalidi l’uso di giudici automatizzati per il comportamento conversazionale.

Due studi di follow‑up hanno testato come le persone reagiscono ai loro schemi estratti e se queste previsioni possono davvero aiutare a cambiare abitudini. I partecipanti hanno prima rivisto le loro regole per segnalare comportamenti che volevano interrompere, con diversi che sono tornati mesi dopo per discutere le strategie provate e i tipi di “spintoni” dell’assistente che sarebbero realmente utili nella vita quotidiana.

I partecipanti hanno segnalato 114 abitudini che volevano interrompere, coprendo 912 momenti conversazionali. Quando testati su questi scambi, il metodo basato su schemi ha superato agevolmente gli approcci standard di circa 40 %; e gli autori sostengono che il sistema funziona al meglio quando anticipa abitudini radicate che le persone vogliono attivamente cambiare.

The authors conclude:

‘In sintesi, i nostri risultati forniscono evidenza che il comportamento verbale specifico di una persona può essere previsto da dati conversazionali longitudinali.’

‘Ciò apre nuove possibilità per futuri sistemi IA contestuali, anticipatori, proattivi e personalizzati.’

Conclusione

Al di fuori di applicazioni altamente regolamentate dal governo, principalmente riguardanti scenari sanitari statali e psichiatrici, e in assenza di qualsiasi coercizione esplicita o tacita per far partecipare le persone (come premi assicurativi statali ridotti, se lo fanno)… è difficile immaginare un uso di questo approccio che non metta a repentaglio la privacy e la sacralità personale dei partecipanti – soprattutto se associato a entità agenti che potrebbero correlare i dati conversazionali registrati con dati digitali o di altro tipo relativi all’individuo.

L’articolo del MIT dipinge un contesto interessante e vagamente terapeutico per l’approccio (ad esempio, fornire promemoria contestuali sulla dieta); ma uno schema del genere sembra più probabile che attragga l’interesse aggressivo e gli investimenti di inserzionisti, istituzioni carcerarie, assicuratori e un notevole numero di altre entità corporate o statali che desiderano sapere di più su ciò che ci passa per la testa.

Se mai ci fosse un argomento convincente per un’IA locale completamente protetta e di proprietà dell’utente, è in sistemi come questo, che hanno implicazioni così gravi in caso di violazione.

Detto ciò, la storia della pubblicità e della tecnologia di sorveglianza negli ultimi anni ha tendente verso l’indifferenza dei consumatori – potrebbe davvero questa mancanza di preoccupazione estendersi anche a un sistema così invasivo e pervasivo?

* Una pubblicazione molto più protetta, senza immagini ad alta risoluzione disponibili pubblicamente, sebbene il testo possa essere letto superando qualche ostacolo.

** Non per enfatizzare troppo, ma il documento più vecchio è notevolmente più difficile da accedere, quindi siate persistenti!

Prima pubblicazione giovedì 20 agosto 2026