Ny AI förutsäger ditt nästa svar från dina tidigare konversationer

Forskare vid MIT har utvecklat ett LLM-baserat system som lär sig återkommande mönster från veckors en persons faktiska konversationer för att förutsäga deras sannolika nästa samtalsbeteende.

Om AI verkligen kunde få tillgång till ditt liv, och verkligen fick lov att lära känna dig under en längre eller till och med pågående period, skulle den sannolikt kunna lära sig att förutsäga dina handlingar, beslut – och till och med det nästa du sannolikt kommer att säga; allt baserat på vad den har assimilerat från tusentals timmars analys av dina interaktioner.

De av oss som är vana vid att använda stora språkmodeller (LLM) såsom ChatGPT och Claude har för länge sedan lagt märke till denna tendens till ‘förutse behov’, tydligt baserad på våra användningshistorik; och, förmodligen, välkomnat den, eftersom minnesbehållning och kontext nu är en kritisk friktionspunkt i att utveckla ett fungerande förhållande med ett AI‑system.

Dock, att ge ad hoc och även ‘livestreamad’ information om ditt liv och dina kommunikationer till ett AI‑system som drivs av ett vinstdrivande företag är, rimligt nog, en potentiell integritets- och säkerhetsrisk; medan tjänsten skulle bli mycket mer användbar för dig, kan frestelsen för företaget att dela dina data, kombinerat med risken för ett pinsamt och publicerat onlineläckage eller exfiltrering, göra denna nivå av AI‑människa‑integration till ett oklokt perspektiv.

Om vi kunde ha fina saker…

Nåväl, jag var tvungen att få bort den där ‘offentliga servicevarningen’ innan jag tog itu med ett intressant nytt papper från MIT som verkar existera i en bättre värld, där data av detta slag kan avgränsas till säkra och genuint pålitliga kretsar, så att den verkliga kraften i analytisk AI kan riktas mot individens egentliga nytta.

Det nya arbetet föreslår ett system där, med användarens tillstånd och med deras kontroll över den insamlade datan, en smartklocka som de bär kontinuerligt spelar in deras konversationer för att utvinna beteendemönster:

Från det nya MIT‑pappret, en illustration av den föreslagna beteendeförutsägelsepipeline. Konversationer insamlade över flera veckor avslöjar ett återkommande beteendemönster, som sedan används för att förutsäga användarens sannolika nästa beteende och leverera en smartklockspåminnelse innan den förväntade handlingen inträffar. Källa

Pappret – med titeln Before You Say It: Anticipating Verbal Behavior from Longitudinal Everyday Conversations with LLMs – beskriver ett experiment där över 1 000 timmar av naturliga (dvs. opportunistiska, verkliga) konversationer från 14 deltagare samlades in via smartklockor, transkriberades, omvandlades till strukturerade beteendehistorier och levererades till Gemini 2.5 Pro, tillsammans med beteendespecifika prompts och extraherade beteenderegler, för att förutsäga varje användares sannolika nästa samtalsbeteende.

(Och nu kan det bli tydligt varför detta nya papper behöver viss kontext kring integritet)

Den nya studien är i praktiken ett fältexperiment för (en del av) författarnas tidigare 2026‑publikation Mind Mapper, som utvidgar det tidigare arbetet genom att omsätta dess teori i praktiken och testa huruvida de insamlade beteendemönstren verkligen kan förutsäga en användares nästa samtalsbeteende i realtid, snarare än att bara beskriva återkommande tendenser.

‘Våra resultat visar att situationsspecifika beteendemönster som utvinns från longitudinella konversationer kan avsevärt förbättra förutsägelser av användarnas verbala beteendetendenser. En nyckelstyrka i vårt tillvägagångssätt är att representera dessa som mänskligt läsbara, kontext‑beroende beteendemönster med explicita undantagsvillkor som användarna kan granska och förfina.’

‘Deltagarna uppskattade denna transparens, [flera uppskattade] möjligheten att läsa, korrigera och sätta personliga mål för sina härledda mönster.’

‘Deltagarna reflekterade också över sina egna strategier för att förändra beteende, och föreslog hur proaktiva system skulle kunna hjälpa genom att omdirigera uppmärksamhet, erbjuda alternativ och framhäva omformuleringar kopplade till deras mål.’

‘Detta pekar mot en förutseende AI som samarbetar med användare — förankrar interventioner i mönster de känner igen och strategier de redan finner effektiva.’

Metod

Den tidigare nämnda Mind Mapper är grunden för det nya systemet och erbjuder ett arbetsflöde utformat för att lära sig återkommande beteenderegeler från veckors smartklocka‑inspelade konversationer, snarare än att försöka förutsäga framtida tal direkt eller baserat på generiska eller tidigare dataset. I Mind Mapper‑arbetsflödet transkriberades alla inspelade konversationer, anonymiserades och bearbetades genom en flerstegs GPT‑5‑pipeline**.

(Observera att på grund av skydden för det äldre papperet kan vi inte, som vi vanligtvis skulle, tillhandahålla bilder från det, eftersom de lågupplösta versionerna som är offentligt tillgängliga är oläsliga)

Från det nya papperet, en illustration av beteendeförutsägelsepipeline. Konversationer insamlade över flera veckor omvandlas till kontext‑beroende beteenderegeler, som förfinas med stödjande och motsägande bevis, innan de tillämpas på nya konversationer för att förutsäga användarens mest sannolika nästa svar i en konversation.

Pipeline genererar kandidat‑’if‑then’-beteenderegeler (dvs. regler som kopplar samtalssituationer till sannolika svar); söker efter stödjande och motsägande bevis; slår samman överlappande regler; förkastar svaga hypoteser; och tilldelar förtroende‑ och sannolikhetsuppskattningar.

Deltagarna

Fjorton engelsktalande vuxna bar smartklockan under normal daglig livsföring i sju till tio dagar. En röstaktivitetsdetektor på enheten spelade in deltagarna endast när den uppfattade tal, och skickade 2–3 minuters ljudklipp till en fjärrserver för bearbetning.

Deltagarna fick 100 USD och var skyldiga att informera alla i närheten om att konversationer spelades in, samt att inhämta andras samtycke innan varje sådan interaktion.

Transkription och granskning

Ljudklipp bearbetades med Deepgrams Nova‑3‑meeting‑modell, som transkriberade konversationerna och skilde på talare. Därefter användes SpeechBrain som talarverifieringsmodell, som matchade deltagarens röst mot ett 20‑sekunders registreringsprov.

Den spaCy Named Entity Recognition-modellen (NER) ersatte alla nämnda namn samt annan personligt identifierande information med anonyma platshållare. Det ursprungliga ljudet raderades sedan, och endast AES‑256‑GCM‑krypterade transkript lagrades lokalt på smartklockan.

Efter insamlingsperioden kunde deltagarna granska var och en av sina egna konversationstranskript via ett webbgränssnitt, radera allt de inte ville ha med i studien, samt korrigera talarmärken eller samtalskontext vid behov.

I genomsnitt togs endast 0,16 % av transkripten bort, och 2,48 % av segmenten flaggades som felklassificerade, vilket resulterade i en dataset med 15 066 yttranden från de 14 deltagarna – med 57 % tillskrivna bäraren och 43 % till andra talare. Den genomsnittliga yttrandelängden var 49 ord.

(Dock, även om papperet inte berör detta, kan man anta att deltagarna förblev relativt vaksamma mot att bli involverade i mycket personliga verbala utbyten medan de bar klockan.)

Transkripten rensades ytterligare genom att ta bort mycket korta utbyten samt vanliga taldisfluensier såsom ‘err’ och ‘um’; och sedan slå samman fragmenterade meningar till kompletta yttranden. Detta minskade den slutgiltiga datasetet till 9 901 yttranden.

För att utvärdera metoden bad man Gemini 2.5 Pro att förutsäga varje deltagares nästa konversationssvar utifrån konversationen fram till den tidpunkten. Dess prestanda jämfördes sedan över tre indata: enbart konversationshistorik; kondenserade konversationssammanfattningar; och de nya Mind Mapper‑beteendereglerna, vilket möjliggjorde en direkt mätning av de inlärda mönstrens bidrag.

GPT‑5 användes som en automatiserad domare för att betygsätta förutsägelserna, med en separat mänsklig utvärdering som bekräftade tillförlitligheten i dess bedömningar.

Data och tester

Testresultaten visar att de testade grundmetoderna betydligt underpresterade jämfört med författarnas mönsterbaserade tillvägagångssätt, med en noggrannhet som förbättrades kontinuerligt i takt med att konversationsdata ackumulerades:

Testresultat som jämför tre förutsägelsemetoder. Vänster: förutsägelseprecisionen förbättras stadigt när mer konversationsdata blir tillgänglig, men endast när systemet lär sig beteendemönster, medan grundmetoderna förändras lite. Höger: samma metod uppnår avsevärt högre poäng på deltagaridentifierade intention‑till‑förändring‑konversationer.

Författarna hävdar att systemet var särskilt effektivt för att förutsäga beteenden som deltagarna uttryckligen ville förändra.

Ett valideringsstudie med 40 oberoende mänskliga bedömare bekräftade den automatiserade utvärderingen, där den mönsterbaserade metoden rankades högst i 43 % av de testade scenarierna, jämfört med 24 % för full kontext; 18 % för zero‑shot; och 15 % för narrativa sammanfattningar.

De mänskliga bedömningarna stämde väl överens med den modellbaserade poängsättningen för kommunikativ avsikt, specificitet och funktionell komplexitet, vilket författarna menar validerar användningen av automatiserade domare för konversationsbeteende.

Två uppföljningsstudier testade hur människor reagerade på sina utvunna mönster, och huruvida dessa förutsägelser faktiskt kunde hjälpa till att förändra vanor. Deltagarna granskade först sina regler för att flagga beteenden de ville bryta, och flera återvände månader senare för att diskutera de strategier de provat samt vilka typer av assistent‑’knuffar’ som faktiskt skulle hjälpa i vardagen.

Deltagarna flaggade 114 vanor de ville bryta, över 912 konversationsögonblick. När de testades på dessa utbyten överträffade den mönsterbaserade metoden enkelt standardmetoder med cirka 40 %; och författarna menar att systemet fungerar bäst när det förutser inrotade vanor som människor aktivt vill förändra.

The authors conclude:

‘Sammanfattningsvis visar våra resultat att person‑specifikt verbalt beteende kan förutsägas från longitudinella konversationsdata.’

‘Detta öppnar upp nya möjligheter för potentiella framtida kontext‑medvetna, förutseende, proaktiva och personligt anpassade AI‑system.’

Slutsats

Utanför starkt regeringsreglerade tillämpningar, främst inom statlig sjukvård och psykiatriska scenarier, och utan någon uppenbar eller tyst tvång för människor att delta (såsom sänkta statliga försäkringspremier, om de gör det)… är det svårt att föreställa sig en användning av detta tillvägagångssätt som inte skulle äventyra deltagarnas integritet och personliga helgd – särskilt om det är knutet till agentiva enheter som kan korrelera inspelade konversationsdata med digitala eller andra typer av data som rör individen.

MIT‑pappret målar upp ett intressant och vagt terapeutiskt sammanhang för metoden (t.ex. genom att ge kontext‑medvetna påminnelser om kost); men ett sådant upplägg verkar mer sannolikt att locka aggressiva intressen och investeringar från annonsörer, kriminalvårds- och fängelsesystem, försäkringsbolag och ett betydande antal andra företag eller statliga enheter som vill veta mer om vad som pågår i våra sinnen.

Om det någonsin fanns ett övertygande argument för avgränsad, helt användarägd lokal AI, så är det i system som detta, som har så allvarliga konsekvenser vid ett intrång.

Det sagt har historien om reklam- och övervakningsteknik under de senaste åren tendens mot konsumentlikgiltighet – kan den likgiltigheten verkligen sträcka sig till ett system så intrusivt och genomgripande som detta?

* En mycket mer skyddad publikation, utan högupplösta bilder offentligt tillgängliga, även om texten kan läsas genom att hoppa över några hinder.

** Inte för att överdriva, men det äldre papperet är avsevärt svårare att få tag på, så var uthållig!

Först publicerad torsdag 20 augusti 2026