Ny AI forutsier ditt neste svar fra dine tidligere samtaler

Forskere ved MIT har utviklet et LLM-basert system som lærer seg tilbakevendende mønstre fra ukers faktiske samtaler, for å forutsi deres sannsynlige neste samtaleatferd.

Hvis AI virkelig kunne få tilgang til livet ditt, og virkelig fikk lov til å bli kjent med deg over en lengre eller til og med pågående periode, ville den sannsynligvis kunne lære seg å forutsi handlingene, beslutningene – og til og med det neste du sannsynligvis vil si; alt basert på det den har assimilert fra tusenvis av timer med analyse av dine interaksjoner.

De av oss som er vant til å bruke store språkmodeller (LLM‑er) som ChatGPT og Claude, har lenge lagt merke til denne tendensen til «forutse behov», tydelig basert på vår bruks­historikk; og, antageligvis, har vi ønsket velkommen den, siden minne­retensjon og kontekst nå er et kritisk friksjonspunkt i utviklingen av et fungerende forhold til et AI‑system.

Imidlertid er det, med rimelighet, en potensiell personvern‑ og sikkerhetsrisiko å gi ad hoc og til og med «live‑streamet» informasjon om ditt liv og dine kommunikasjoner til et AI‑system drevet av et kommersielt selskap; mens tjenesten ville bli mye mer nyttig for deg, kan fristelsen for selskapet til å dele dine data, kombinert med risikoen for en pinlig og publisert online‑lekkasje eller data‑ekstraksjon, gjøre dette nivået av AI‑menneske‑integrasjon til et uheldig perspektiv.

Hvis vi kunne ha fine ting …

Vel, jeg måtte komme med den «offentlige tjeneste‑advarselen» før jeg tok for meg et interessant nytt papir fra MIT som ser ut til å eksistere i en bedre verden, hvor data av denne typen kan avgrenses til sikre og virkelig pålitelige kretsløp, slik at den sanne kraften i analytisk AI kan vendes mot reell nytte for individet.

Det nye arbeidet foreslår et system hvor, med brukerens tillatelse og med kontroll over innhentede data, en smartklokke som de har på seg kontinuerlig registrerer deres samtaler for å utvinne atferdsmønstre:

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

Artikkelen – med tittelen Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – beskriver et eksperiment hvor over 1 000 timer med naturlige (dvs. opportunistiske, virkelige) samtaler fra 14 deltakere ble samlet inn via smartklokker, transkribert, konvertert til strukturerte atferdshistorier, og gitt til Gemini 2.5 Pro, sammen med atferdsspesifikke prompt og utledede atferdsregler, for å forutsi hver brukers sannsynlige neste samtaleatferd.

(Og nå kan det være klart hvorfor dette nye papiret trenger noe kontekst rundt personvern)

Den nye studien er i praksis et felteksperiment for (noen av) forfatternes tidligere 2026‑publikasjon Mind Mapper*, som utvider dette tidligere arbeidet ved å sette teorien ut i praksis, og teste om de avdekkede atferdsmønstrene virkelig kan forutsi en brukers neste samtaleatferd i sanntid, snarere enn kun å beskrive tilbakevendende tendenser.

The four authors state:

‘Our results show that situation-specific behavioral patterns mined from longitudinal conversations can meaningfully improve predictions of users’ verbal behavioral tendencies. A key strength of our approach is representing these as human-readable context-conditioned behavioral patterns with explicit exception conditions that users can inspect and refine.

‘Participants valued this transparency, [several appreciating] being able to read, correct, and set personal goals for their inferred patterns.

‘Participants also reflected on their own strategies for changing behavior, suggesting how proactive systems could help by redirecting attention, offering alternatives, and surfacing reframings tied to their goals.

‘This points toward anticipatory AI that works with users — grounding interventions in patterns they recognize and strategies they already find effective.’

Metode

Den nevnte Mind Mapper er grunnlaget for det nye systemet, og tilbyr en arbeidsflyt designet for å lære seg tilbakevendende atferdsregler fra ukers samtaler innspilt av smartklokke, i stedet for å forsøke å forutsi fremtidig tale direkte eller basert på generiske eller tidligere datasett. I Mind Mapper‑arbeidsflyten ble alle innspilte samtaler transkribert, anonymisert og behandlet gjennom en flertrinns GPT‑5‑pipeline**.

(Vær oppmerksom på at på grunn av beskyttelsen av det eldre papiret, kan vi ikke, som vanlig, legge ved bilder fra det, siden de lavoppløselige versjonene som er offentlig tilgjengelige er uleselige)

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.

Pipelinen genererer kandidat‑‘if‑then’ atferdsregler (dvs. regler som knytter samtalesituasjoner til sannsynlige svar); søker etter støttende og motsigende bevis; slår sammen overlappende regler; forkaster svake hypoteser; og tildeler konfidens‑ og sannsynlighetsestimater.

Forsøksdeltakerne

Fjorten engelsktalende voksne bar smartklokken i normal hverdag i syv til ti dager. En innebygd stemme‑aktivitet‑detektor registrerte deltakerne kun når den oppdaget tale, og sendte 2‑3 minutters lydklipp til en ekstern server for behandling.

Deltakerne mottok $100, og måtte informere alle i nærheten om at samtaler ble tatt opp, samt innhente samtykke fra andre personer før hver slik interaksjon.

Transkripsjon og kvalitetssikring

Lydklippene ble behandlet med Deepgrams Nova‑3‑meeting‑modell, som transkriberte samtalene og skilte mellom talere. Deretter ble SpeechBrain brukt som talerverifiseringsmodell, som matchet deltakerens stemme mot et 20‑sekunders enrollemønster.

spaCy‑Named Entity Recognition-modellen (NER) erstattet alle nevnte navn, så vel som annen personlig identifiserbar informasjon, med anonyme plassholdere. Den originale lyden ble deretter slettet, og kun AES‑256‑GCM‑krypterte transkripsjoner ble lagret lokalt på smartklokken.

Etter innsamlingsperioden kunne deltakerne gjennomgå hver av sine egne samtaletranskripsjoner via et nettgrensesnitt, slette alt de ikke ønsket inkludert i studien, og korrigere taler‑etiketter eller samtalekontekst etter behov.

Gjennomsnittlig ble kun 0,16 % av transkripsjonene fjernet, og 2,48 % av segmentene ble flagget som misklassifisert, noe som ga et datasett på 15 066 ytringer fra de 14 deltakerne – med 57 % tilskrevet bæreren av klokken, og 43 % til andre talere. Gjennomsnittlig ytringslengde var 49 ord.

(Imidlertid, selv om artikkelen ikke berører dette, kan man anta at deltakerne forble relativt årvåkne mot å bli involvert i svært personlige verbale utvekslinger mens de hadde på seg klokken.)

Transkripsjonene ble ytterligere renset ved å fjerne svært korte utvekslinger, samt vanlige talefeil som ‘err’ og ‘um’; og deretter slå sammen fragmenterte setninger til komplette ytringer. Dette reduserte det endelige datasettet til 9 901 ytringer.

For å evaluere tilnærmingen ble Gemini 2.5 Pro bedt om å forutsi hver deltakers neste samtalesvar basert på samtalen frem til det tidspunktet. Resultatene ble så sammenlignet på tre innganger: kun samtalehistorikk; kondenserte samtalesammendrag; og de nye Mind Mapper‑atferdsreglene, slik at bidraget fra de lærte mønstrene kunne måles direkte.

GPT‑5 ble brukt som en automatisert dommer for å score prediksjonene, med en separat menneskelig evaluering som bekreftet påliteligheten til vurderingene.

Data og tester

Testresultatene viser at de grunnleggende metodene som ble testet ble betydelig overgått av forfatternes mønsterbaserte tilnærming, med nøyaktigheten som kontinuerlig forbedret seg etter hvert som samtaledata akkumulerte:

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.

Forfatterne hevder at systemet var spesielt effektivt til å forutsi atferd som deltakerne eksplisitt ønsket å endre.

En valideringsstudie med 40 uavhengige menneskelige ratere bekreftet den automatiserte evalueringen, og rangert den mønsterbaserte metoden høyest i 43 % av testede scenarier, sammenlignet med 24 % for full kontekst; 18 % for zero‑shot; og 15 % for narrative sammendrag.

De menneskelige vurderingene samsvarte tett med modellbaserte poengsummer på tvers av kommunikativ intensjon, spesifisitet og funksjonell kompleksitet, noe forfatterne mener validerer bruken av automatiserte dommere for samtaleatferd.

To oppfølgingsstudier testet hvordan folk reagerte på sine utvinnede mønstre, og om disse prediksjonene faktisk kunne hjelpe til med å endre vaner. Deltakerne gjennomgikk først sine regler for å flagge atferd de ønsket å bryte, med flere som kom tilbake måneder senere for å diskutere hvilke strategier de hadde prøvd, og hvilke typer assistent‑«dytt» som faktisk ville hjelpe i hverdagen.

Deltakerne flagget 114 vaner de ønsket å bryte, over 912 samtalemoment. Når de ble testet på disse utvekslingene, overgikk den mønsterbaserte metoden lett standardtilnærmingene med omtrent 40 %; og forfatterne hevder at systemet fungerer best når det forutsier innarbeidede vaner folk aktivt ønsker å endre.

The authors conclude:

‘Altogether, our findings provide evidence that person-specific verbal behavior can be predicted from longitudinal conversational data.

‘This opens up new possibilities for potential future context-aware, anticipatory, proactive and personalized AI systems’

Konklusjon

Utenom sterkt regulerte offentlige anvendelser, hovedsakelig innen statlig helse‑ og psykiatri‑scenarioer, og i fravær av åpen eller skjult tvang for folk til å delta (som reduserte statlige forsikringspremier, om de gjør det)…er det vanskelig å forestille seg en bruk av denne tilnærmingen som ikke ville sette deltakernes personvern og personlige hellighet i fare – spesielt dersom den er knyttet til agentur‑enheter som kan korrelere innspilte samtaledata med digitale eller andre typer data om individet.

MIT‑papiret maler en interessant og vagt terapeutisk kontekst for tilnærmingen (for eksempel ved å gi kontekst‑bevisste påminnelser om kosthold); men et slikt opplegg ser mer sannsynlig ut til å tiltrekke aggressiv interesse og investering fra annonsører, fengsels‑ og prøveløslatelsesinstitusjoner, forsikringsselskaper, og en betydelig mengde andre bedrifts‑ eller statlige aktører som ønsker å vite mer om hva som foregår i våre tanker.

Hvis det noen gang har vært et overbevisende argument for avgrenset, helt bruker‑eid lokal AI, er det i systemer som dette, som har så alvorlige implikasjoner ved et brudd.

Det sagt, har historien om reklame‑ og overvåkningsteknologi de siste årene tendert mot forbruker‑likegyldighet – kan den manglende bekymringen virkelig strekke seg til et system så invasivt og gjennomgripende som dette?

* A much more closely-protected publication, with no high-resolution imagery publicly available, although the text can be read by jumping through a few hoops.

** Not to overemphasize, but the older paper is considerably harder to access, so please be persistent!

First published Thursday, 20. august 2026