Wie du einer KI beibringst, Gefühle zu lesen

Was wäre, wenn dein KI-Assistent tatsächlich merken könnte, was für einen Tag du gerade hast?

Nicht auf eine gruselige Science-Fiction-Art. Sondern strukturiert und messbar, sodass er so reagiert wie ein Mensch, mit echtem Verständnis.

Beim Bau von HeyJamie AI habe ich gemerkt: Was dem Assistenten zum menschlichen Gefühl fehlte, war emotionale Intelligenz. Also habe ich angefangen, emotionale Signale zu erfassen und Stressmuster zu messen. Das war der Anfang davon, Empathie in Code zu gießen.

Das passt zum größeren Feld des Affective Computing, das Rosalind Picard am MIT begründet hat. Es untersucht, wie Systeme menschliche Emotionen erkennen, deuten und sich darauf einstellen können¹. Neuere Forschung zeigt, dass moderne LLMs erstaunlich gut darin sind, emotionalen Kontext allein aus Sprache zu lesen. In manchen Fällen schlagen sie Menschen in Benchmarks zur emotionalen Intelligenz.

Das Signal steckt im Rauschen

Jede Interaktion hinterlässt eine Spur. Wie du tippst, die Pausen zwischen Antworten, Meetings, die überziehen, und E-Mails, die an Länge und Nuancen verlieren, je schneller dein Tag wird. Das sind zeitliche Signale, also Stimmung, abgebildet über die Zeit.

Der Prototyp führt Kalender-, Nachrichten- und E-Mail-Daten zusammen und baut daraus einen zeitlichen Fußabdruck deiner Gefühlslage. Nicht minutengenau, aber genau genug, um zu modellieren, wie sich dein Zustand über einen Tag oder eine Woche entwickelt.

Wo andere diese Signale als Rauschen wegwerfen, habe ich sie als Daten behandelt. Mit dem Ziel, etwas zu bauen, das versteht, wie es dir wirklich geht.

Drei Säulen maschineller Empathie

Ich habe emotionale Intelligenz auf drei Kernsysteme heruntergebrochen. Das ist meine Auslegung davon, wie sich das in der Praxis umsetzen lässt:

1. Indizes: die Zahlen, auf die es ankommt

Stell dir das wie Vitalwerte vor, nur für kognitiven und emotionalen Zustand. Sie erfassen Indikatoren, die mit Stress, Angst und exekutiven Funktionen zusammenhängen:

• Antwortlatenz: Misst in ruhigen Phasen die Zeit zwischen dem Eingang einer Nachricht und deiner Antwort.
• Sprachliche Komplexität: Satzlänge, Wortschatzvielfalt und Zeichensetzung. Sie verschieben sich oft im Tagesverlauf, vor allem mit deiner Energie und deinem Fokus. Studien zeigen, dass in energiereichen Phasen kreativere, komplexere Sprachmuster auftreten, während Müdigkeit am Spätnachmittag mit einfacherer, weniger ausdrucksstarker Sprache einhergeht². Der Assistent nutzt diese Muster, vor allem den Abbau der Komplexität über die Zeit, als weiches Signal für nachlassende exekutive Funktionen oder Stress.
• Aufgabenkohärenz: Sie ergibt sich aus dem Kontextwechsel, den die Titel deiner Termine verraten. Im Kern geht es darum, wie eng aufeinanderfolgende Kalendereinträge inhaltlich zusammenhängen. Eine Reihe unzusammenhängender 1:1s gilt zum Beispiel als kognitiv zerstückelt. Das zu erkennen ist knifflig und beruht größtenteils auf Annahmen aus zeitlicher Nähe und Nachrichtenmustern. Wenn Meetings oft um ein paar Minuten nach hinten rutschen, kann das auf Überziehen hindeuten. Diese Signale sind verrauscht, aber trotzdem wertvoll.
• Zeitdruck: Ein Verbundwert aus mehreren Indikatoren: Meeting-Dichte, Nähe zu Deadlines und verletzte Zeitpläne. Zusammen erzeugen sie das Gefühl, dass die Zeit knapp wird und du weniger selbst bestimmst. Sie fließen auch in die anderen Indizes oben ein. Das System erschließt den Druck aus Mustern wie vielen eng getakteten Meetings, kaum Pausen dazwischen und Hinweisen auf überzogene oder verschobene Termine. Es modelliert gefühlte Zeitknappheit, nicht nur die Uhrzeit.

Hier die einfache Ausgabe eines der Indizes, die über den Tag gesammelt werden. Es ist eine Vereinfachung der echten Daten, aber sie zeigt den Punkt: Es sind fast immer Werte von 0 bis 1.

{
  "indices": {
    "stress": 0.74,
    "anxiety": 0.61,
    "executive_function": 0.32,
    "cognitive_load": 0.88,
    "anger": 0.51,
    "focus": 0.36,
    "motivation": 0.42,
    "energy": 0.29,
    "clarity": 0.38,
    "patience": 0.45
  },
  "contributing_factors": {
    "meeting_overrun": 0.9,
    "task_switching_rate": 0.7,
    "linguistic_degradation": 0.6,
    "short_tone_emails": 0.55,
    "context_fragmentation": 0.68
  }
}

Diese Werte stammen aus Sprache und Terminverhalten, nicht aus aufdringlichen Sensoren. Jede Variable speist sich aus beobachteten Signalen:

• task_switching_rate: Eine Annäherung an den Kontextwechsel, abgeleitet aus Folgen eng getakteter Meetings oder Aufgaben mit inhaltlich unterschiedlichen Titeln.
• meeting_overrun: Wird angenommen, wenn Meetings nach hinten verschoben werden, möglicherweise weil vorherige überzogen haben. Das ist ein Signal mit geringer Sicherheit.
• linguistic_degradation: Gemessen als sinkende Satzlänge oder Wortzahl über die Zeit, vor allem in Antworten an den Assistenten. Das deutet auf Müdigkeit oder Frust hin.

Der Prototyp sammelt noch viele weitere Signale, aber diese zeigen, welche Art von Eingaben den Zustand des Nutzers bewerten.

LLMs haben allein anhand von Sprachmustern starke Leistungen beim Erkennen emotionaler Zustände gezeigt³⁴. Ein Stressindex von 0,74 kann heißen: Deine Sätze sind 40% kürzer geworden, du hast 12 Mal die Aufgabe gewechselt und deine Meetings laufen ineinander.

Das Ziel ist, dass die KI das Muster sieht, bevor du dich ausgebrannt fühlst.

2. Kontexte: die Geschichte verstehen

Rohe Zahlen sagen nichts ohne eine Geschichte. Kontext heißt zu verstehen, warum diese Zahlen entstehen.

Nimm diese Abfolge aus einem beliebigen Arbeitstag:

{
  "events": [
    {
      "start": "09:00",
      "end": "10:15",
      "type": "customer_demo",
      "overrun": 15
    },
    {
      "start": "10:00",
      "end": "10:45",
      "type": "product_review",
      "overrun": -15
    },
    {
      "start": "10:30",
      "end": "11:30",
      "type": "team_standup",
      "overrun": 0,
      "declined": true
    },
    { "start": "11:30", "end": "12:00", "type": "customer_call", "overrun": 0 },
    { "start": "12:00", "end": "13:00", "type": "board_prep", "overrun": 30 }
  ]
}

Die meisten Kalender sehen fünf Meetings. Das System erkennt, dass diese Meetings wiederholt überzogen haben. Das ist ein Muster, das auf strukturelle Überlastung hindeutet:

User is experiencing meeting cascade failure. The customer demo overran by 15 minutes creating a domino effect. User joined the product review late, declined the standup invitation and is now in the fifth consecutive hour of conversations without an appropriate break.

Sprachmodelle werden zunehmend eingesetzt, um aus sequenziellen Daten solche Zeitreihen-Zusammenfassungen und emotionalen Deutungen zu erzeugen⁴. Die Quelle stammt aus dem klinischen Bereich und lässt sich nicht direkt auf dieses Beispiel übertragen. Der Gedanke ist aber, dass Sprachmodelle emotionalen Kontext allein aus Sprache immer besser deuten und bewerten.

3. Stellschrauben: wie sich die KI anpasst

Diese Kontextblöcke werden nützlicher, wenn man sie auf Sprachmodelle anwendet, die mit Nutzern interagieren. Das Modell kann dann sein Verständnis deines Tages nutzen, um relevantere und einfühlsamere Antworten zu geben.

Verständnis ist wertlos ohne Handeln. Das System passt sein Verhalten über drei Stellschrauben an:

{
  "behavioural_state": {
    "compassion": 0.8,
    "protectiveness": 0.9,
    "initiative": 0.6
  }
}

Für einen Nutzer sieht das intern kontrollierter aus, etwa so:

Sie beeinflussen:

• Mitgefühl: Weicherer Ton, mehr Raum zum Nachdenken.
• Schutzinstinkt: Schirmt dich aktiv von Belastung ab.
• Initiative: Wie wahrscheinlich der Assistent von sich aus eingreift.

Ein Beispiel:

Normaler Jamie: “You have a product sync at 2pm with the engineering team. Should I send the usual agenda?”

Jamie im Stresskontext: “Heads up, product sync in 30min. I’ll handle the agenda. Take 5 minutes now to breathe.”

Dieselbe Information. Eine völlig andere Interaktion.

Die Architektur ist absichtlich komplex

Was du hier siehst, ist eine vereinfachte Abstraktion. In Wirklichkeit läuft in HeyJamie schon ein funktionierender Prototyp dieses Systems. Er ist live, verarbeitet aktiv meine eigenen Daten und liefert der KI emotionalen Kontext.

Die JSON-Beispiele oben sind nur eine dünne Oberflächenschicht. Der Prototyp verfolgt Dutzende Signale aus Verhalten, Sprache, Zeit und Abfolge. Er baut persönliche Basiswerte auf, wendet Abklingmodelle an und gewichtet Interaktionen laufend neu, je nach Tageszeit, Meeting-Art, vorherigem Kontext und mehr. Im Moment geschieht das in Schritten von 6 Stunden, mit Blick auf die letzten 24 Stunden und die letzten 7 Tage.

{
  "user_profile": {
    "baseline_stress": 0.3,
    "peak_performance_window": "09:00-11:00",
    "cognitive_recovery_rate": 0.4,
    "social_interaction_cost": 0.15,
    "context_switch_penalty": 0.25
  },
  "environmental_factors": {
    "day_of_week_modifier": { "monday": 1.2, "friday": 0.8 },
    "seasonal_adjustment": 0.1,
    "timezone_shifts": 0
  }
}

LLMs können Emotionen nicht nur erkennen, sondern auch hilfreiche, rechtzeitige Interventionen vorschlagen⁵. In kontrollierten Studien haben sie bei der Empathie gegenüber Patienten sogar menschliche Ärzte übertroffen.

Das ist zutiefst seltsam. Und fühlt sich trotzdem zutiefst menschlich an. Man bringt dir bei, Computer müssten logisch und neutral sein. Vielleicht ist das die falsche Voreinstellung.

Wenn eine KI merkt, dass ich überfordert bin, und ohne Aufhebens Dinge übernimmt, fühlt sich das weniger nach Software an und mehr nach einer richtig guten Assistenz, die einfach versteht.

Vertrauen entsteht nicht durch Perfektion. Es entsteht durch passende Reaktion.

Die unbequeme Wahrheit

Das funktioniert zu gut. Wenn deine KI deinen Stress bemerkt, bevor dein Partner es tut, ist das entweder die Zukunft der Mensch-Computer-Interaktion, ein Spiegel dafür, wie schlecht wir einander unterstützen, oder eine weitere Black-Mirror-Folge.

Vielleicht alles drei.

Ein Wort zu Datenschutz und Ethik

Eins vorweg: Emotionale KI im großen Maßstab ist ein Datenschutz-Minenfeld. Systeme, die das öffentlich einsetzen, etwa Amazons Rekognition-Tests zur Emotionserkennung oder die Gesichtsanalyse in britischen Bahnhöfen, haben zu Recht Kritik geerntet⁶.

Aber es gibt einen entscheidenden Unterschied. Jamie arbeitet mit einem grundlegend anderen Datenschutzmodell:

Deine Daten bleiben deine. Anders als öffentliche Überwachungssysteme oder betriebliches Emotionstracking verarbeitet Jamie alles lokal. Die rohen Gespräche, Kalendereinträge und E-Mail-Inhalte verlassen nie deine Kontrolle. Zur Verbesserung des Systems werden nur aggregierte, anonymisierte Zusammenfassungen gesammelt: Stressindizes, Antwortmuster, Verhaltenstrends. Ohne identifizierende Informationen und ohne tatsächliche Inhalte.

Transparenz von Anfang an. Du siehst genau, welche emotionalen Indizes erfasst werden. Keine Blackbox-Algorithmen, die über deinen Gefühlszustand entscheiden, ohne dass du es nachvollziehen kannst.

Einwilligung ist mehr als ein Häkchen. Die Funktionen zum emotionalen Tracking brauchen eine ausdrückliche Zustimmung. Du kannst sie komplett abschalten, die Empfindlichkeit anpassen oder einzelne Datenquellen ausschließen. Dein Assistent funktioniert auch ohne sie. Mit ihnen funktioniert er nur besser.

Schutz der Zusammenfassungsdaten. Sie dienen ausschließlich dazu, Nutzungsmuster zu verstehen und die emotionalen Antworten der Sprachmodelle zu verbessern. Aus diesen Daten lässt sich kein individuelles Gefühlsmuster eines einzelnen Nutzers rekonstruieren.

Die unbequeme Realität ist, dass wirklich empathische KI emotionalen Kontext verstehen muss. Die Frage ist nicht, ob wir solche Systeme bauen, sondern wie wir sie verantwortungsvoll bauen. Wenn die Rohdaten unter der Kontrolle der Nutzer bleiben und wir nur anonyme Zusammenfassungen sammeln, können wir eine KI entwickeln, die wirklich hilft, ohne die Privatsphäre zu verletzen.

Das ist keine Überwachung. Es ist Unterstützung, gebaut auf Nutzerkontrolle und Transparenz.

Wenn du emotional bewusste KI selbst erleben willst, fordere frühen Zugang an auf heyjamie.ai. Ich rolle sie langsam und mit Bedacht aus.

Weiterführende Lektüre

Somers, M. (2019). Emotion AI, explained. MIT Sloan.

Abrosymova, K. (2019). How Artificial Intelligence and Journaling Make Us More Aware of Our Emotions. The Writing Cooperative.

References

Footnotes

1. Picard, R. W. (1997). Affective Computing. MIT Press. ↩

2. Tandoc, M. C., Bayda, M., Poskanzer, C., Cho, E., Cox, R., Stickgold, R., & Schapiro, A. C. (2021). Examining the effects of time of day and sleep on generalization. PLOS ONE. ↩

3. Schlegel, K. et al. (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology. ↩

4. Lalk, C. et al. (2025). Employing large language models for emotion detection in psychotherapy transcripts. Frontiers in Psychiatry. ↩ ↩²

5. JMIR Editorial Board. (2024). Large Language Models and Empathy: Systematic Review. Journal of Medical Internet Research. ↩

6. Weitere Berichte zu Datenschutzbedenken bei Emotionserkennung in der Überwachung finden sich in verschiedenen Beiträgen zu Amazons Rekognition und den Gesichtsanalyse-Tests in Großbritannien. ↩