Nova IA Prevê Sua Próxima Resposta a Partir de Suas Conversas Passadas

Pesquisadores do MIT desenvolveram um sistema baseado em LLM que aprende padrões recorrentes a partir de semanas de conversas reais de uma pessoa, para prever seu provável próximo comportamento conversacional.

Se a IA realmente pudesse acessar sua vida e fosse realmente permitida a conhecê‑lo ao longo de um período prolongado ou até contínuo, provavelmente aprenderia a prever suas ações, decisões – e até a próxima coisa que você provavelmente dirá; tudo baseado no que assimilou de milhares de horas analisando suas interações.

Quem está habituado a usar Modelos de Linguagem de Grande Escala (LLMs) como ChatGPT e Claude já percebeu há tempos essa tendência de “antecipação de necessidades”, claramente baseada em nossos históricos de uso; e, presumivelmente, a recebeu bem, já que a retenção de memória e o contexto agora são um ponto crítico de atrito no desenvolvimento de um relacionamento funcional com um sistema de IA.

No entanto, fornecer informações ad hoc e até informações “transmitidas ao vivo” sobre sua vida e comunicações a um sistema de IA operado por uma empresa com fins lucrativos é, razoavelmente, um potencial risco de privacidade e segurança; embora o serviço se tornasse muito mais útil para você, a tentação da empresa de compartilhar seus dados, combinada com o risco de um vazamento online embaraçoso ou de exfiltração, pode tornar esse nível de integração IA/humano uma perspectiva imprudente.

Se Pudéssemos Ter Coisas Boas…

Bem, eu precisava colocar aquele “aviso de serviço público” de lado antes de lidar com um novo artigo interessante do MIT que parece existir em um mundo melhor, onde dados desse tipo poderiam ser isolados em círculos seguros e verdadeiramente confiáveis, de modo que o verdadeiro poder da IA analítica pudesse ser direcionado ao benefício genuíno do indivíduo.

O novo trabalho propõe um sistema onde, com a permissão do usuário e com seu controle sobre os dados obtidos, um smartwatch que ele usa registra continuamente suas conversas para extrair padrões comportamentais:

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

O artigo – intitulado Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – descreve um experimento em que mais de 1.000 horas de conversas naturalísticas (ou seja, oportunísticas, do mundo real) de 14 participantes foram coletadas via smartwatches, transcritas, convertidas em históricos comportamentais estruturados e fornecidas ao Gemini 2.5 Pro, juntamente com prompts específicos de comportamento e regras comportamentais extraídas, para prever o provável próximo comportamento conversacional de cada usuário.

(E agora pode ficar claro por que este novo artigo precisa de algum contexto sobre privacidade)

O novo estudo é, efetivamente, um experimento de campo para (alguns dos) autores da publicação de 2026 Mind Mapper* , ampliando esse trabalho anterior ao colocar sua teoria em prática e testar se os padrões comportamentais extraídos podem realmente prever o próximo comportamento conversacional de um usuário em tempo real, em vez de apenas descrever tendências recorrentes.

The four authors state:

‘Nossos resultados mostram que padrões comportamentais específicos de situação, extraídos de conversas longitudinais, podem melhorar significativamente as previsões das tendências comportamentais verbais dos usuários. Uma força chave de nossa abordagem é representar esses padrões como contextos legíveis por humanos, com condições de exceção explícitas que os usuários podem inspecionar e refinar.’

‘Os participantes valorizavam essa transparência, apreciando poder ler, corrigir e definir metas pessoais para seus padrões inferidos.’

‘Os participantes também refletiram sobre suas próprias estratégias para mudar comportamentos, sugerindo como sistemas proativos poderiam ajudar redirecionando a atenção, oferecendo alternativas e apresentando reformulações vinculadas às suas metas.’

‘Isso aponta para uma IA antecipatória que trabalha com os usuários — fundamentando intervenções em padrões que eles reconhecem e em estratégias que já consideram eficazes.’

Método

O já mencionado Mind Mapper é a base para o novo sistema, oferecendo um fluxo de trabalho projetado para aprender regras comportamentais recorrentes a partir de semanas de conversas gravadas por smartwatch, em vez de tentar prever a fala futura diretamente ou com base em conjuntos de dados genéricos ou prévios. No fluxo de trabalho do Mind Mapper, todas as conversas gravadas foram transcritas, anonimadas e processadas por meio de um pipeline GPT-5**.

(Observe que, devido às proteções no artigo mais antigo, não podemos, como de costume, fornecer imagens dele, já que as versões de baixa resolução disponíveis publicamente são ilegíveis)

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.

O pipeline gera regras comportamentais candidatas ‘if-then’ (ou seja, regras que ligam situações conversacionais a respostas prováveis); busca evidências de apoio e contraditórias; mescla regras sobrepostas; descarta hipóteses fracas; e atribui estimativas de confiança e probabilidade.

Os Sujeitos

Quatorze adultos falantes de inglês usaram o smartwatch durante a vida diária normal por sete a dez dias. Um detector de atividade vocal no dispositivo registrou os sujeitos apenas quando detectou fala, enviando clipes de áudio de 2‑3 minutos para um servidor remoto para processamento.

Os participantes receberam US$ 100 e foram obrigados a informar a qualquer pessoa nas proximidades que as conversas estavam sendo gravadas, além de obter consentimento dos demais antes de cada interação.

Transcrição e Verificação

Os clipes de áudio foram processados usando o modelo Nova-3-meeting da Deepgram, que transcreveu as conversas e distinguiu entre os interlocutores. Em seguida, o SpeechBrain foi usado como modelo de verificação de falante, comparando a voz do participante com uma amostra de inscrição de 20 segundos.

O modelo spaCy Named Entity Recognition (NER) substituiu quaisquer nomes mencionados, bem como outras informações pessoalmente identificáveis, por marcadores anônimos. O áudio original foi então excluído, e apenas as transcrições criptografadas em AES‑256‑GCM foram armazenadas localmente no smartwatch.

Após o período de coleta, os participantes puderam revisar cada uma de suas próprias transcrições conversacionais por meio de uma interface web, excluindo tudo o que não desejavam incluir no estudo e corrigindo rótulos de falantes ou contextos conversacionais quando necessário.

Em média, apenas 0,16 % das transcrições foram removidas, e 2,48 % dos trechos foram marcados como mal classificados, resultando em um conjunto de dados de 15.066 enunciados dos 14 participantes – com 57 % atribuídos ao usuário do relógio e 43 % a outros interlocutores. O comprimento médio dos enunciados foi de 49 palavras.

(Entretanto, embora o artigo não aborde isso, pode‑se supor que os participantes permaneceram relativamente vigilantes para não se envolverem em trocas verbais muito pessoais enquanto usavam o relógio.)

As transcrições foram ainda limpas removendo trocas muito curtas, bem como disfluências comuns da fala como ‘err’ e ‘um’; e então fundindo frases fragmentadas em enunciados completos. Isso reduziu o conjunto final para 9.901 enunciados.

Para avaliar a abordagem, o Gemini 2.5 Pro foi solicitado a prever a próxima resposta conversacional de cada participante a partir da conversa até aquele ponto. Seu desempenho foi então comparado em três entradas: histórico de conversa sozinho; resumos condensados da conversa; e as novas regras comportamentais do Mind Mapper, permitindo medir diretamente a contribuição dos padrões aprendidos.

GPT-5 foi usado como juiz automatizado para pontuar as previsões, com uma avaliação humana separada confirmando a confiabilidade de suas avaliações.

Dados e Testes

Os resultados dos testes indicam que os métodos de referência testados foram substancialmente superados pela abordagem baseada em padrões dos autores, com a acurácia melhorando continuamente à medida que os dados conversacionais se acumulavam:

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.

Os autores sustentam que o sistema foi particularmente eficaz ao prever comportamentos que os participantes explicitamente desejavam mudar.

Um estudo de validação, com 40 avaliadores humanos independentes, confirmou a avaliação automatizada, classificando o método baseado em padrões como o mais alto em 43 % dos cenários testados, comparado a 24 % para contexto completo; 18 % para zero‑shot; e 15 % para resumos narrativos.

As avaliações humanas alinharam‑se estreitamente com a pontuação baseada em modelo em intenção comunicativa, especificidade e complexidade funcional, o que os autores defendem validar o uso de juízes automatizados para comportamento conversacional.

Dois estudos de acompanhamento testaram como as pessoas reagiram aos seus padrões extraídos e se essas previsões poderiam realmente ajudar a mudar hábitos. Os participantes primeiro revisaram suas regras para sinalizar comportamentos que queriam interromper, com vários retornando meses depois para discutir as estratégias que haviam tentado e que tipos de “empurrões” de assistente realmente ajudariam no cotidiano.

Os participantes sinalizaram 114 hábitos que desejavam interromper, abrangendo 912 momentos conversacionais. Quando testados nessas trocas, o método baseado em padrões superou facilmente as abordagens padrão em cerca de 40 %; e os autores argumentam que o sistema funciona melhor ao antecipar hábitos enraizados que as pessoas desejam ativamente mudar.

The authors conclude:

‘Em suma, nossos achados fornecem evidências de que o comportamento verbal específico de cada pessoa pode ser previsto a partir de dados conversacionais longitudinais.’

‘Isso abre novas possibilidades para futuros sistemas de IA contextualmente conscientes, antecipatórios, proativos e personalizados.’

Conclusão

Fora de aplicações altamente regulamentadas pelo governo, principalmente em cenários de saúde pública e psiquiátricos, e na ausência de qualquer coerção explícita ou implícita para que as pessoas participem (como redução de prêmios de seguro estatal, caso participem)… é difícil imaginar um uso desta abordagem que não comprometa a privacidade e a santidade pessoal dos participantes – especialmente se aliado a entidades agentivas que poderiam correlacionar dados conversacionais gravados com dados digitais ou de outro tipo relacionados ao indivíduo.

O artigo do MIT pinta um contexto interessante e vagamente terapêutico para a abordagem (por exemplo, fornecendo lembretes contextualmente conscientes sobre dieta); mas tal esquema parece mais propenso a atrair o interesse agressivo e o investimento de anunciantes, instituições prisionais e de liberdade condicional, seguradoras e um número considerável de outras entidades corporativas ou estatais que gostariam de saber mais sobre o que está em nossas mentes.

Se alguma vez houve um argumento convincente a favor de IA local, completamente de propriedade do usuário, ele está em sistemas como este, que têm implicações tão graves em termos de violação.

Dito isso, a história da publicidade e da tecnologia de vigilância nos últimos anos tem tendido ao desinteresse do consumidor – será que essa falta de preocupação pode realmente se estender a um sistema tão invasivo e pervasivo quanto este?

* Uma publicação muito mais protegida, sem imagens de alta resolução disponíveis publicamente, embora o texto possa ser lido ao contornar alguns obstáculos.

** Não para exagerar, mas o artigo mais antigo é consideravelmente mais difícil de acessar, portanto, seja persistente!

Primeira publicação na quinta‑feira, 20 de agosto de 2026