Apprendre à une IA à ressentir : l'architecture de l'intelligence émotionnelle
Sur cette page
Et si ton assistant IA pouvait vraiment sentir quel genre de journée tu as ?
Pas à la science-fiction flippante. Mais de façon structurée et mesurable, pour qu’il réponde comme le ferait un humain, avec une vraie compréhension.
En construisant HeyJamie AI, j’ai compris que ce qui manquait pour le rendre plus humain, c’était l’intelligence émotionnelle. J’ai commencé à suivre des signaux émotionnels, à mesurer des schémas de stress. C’est là que j’ai commencé à coder de l’empathie.
Ça rejoint le domaine plus large de l’informatique affective, lancé par Rosalind Picard au MIT, qui étudie comment des systèmes peuvent reconnaître, interpréter et s’adapter aux émotions humaines1. Les recherches récentes le montrent : les LLM sont étonnamment bons pour lire le contexte émotionnel à partir du seul langage, et dans certains cas ils battent les humains sur les tests d’intelligence émotionnelle.
Le signal est dans le bruit
Chaque interaction laisse une trace. Ta façon de taper, les silences entre deux réponses, les réunions qui débordent, les e-mails qui raccourcissent et perdent en nuance à mesure que ta journée s’accélère. Ce sont des signaux temporels, des expressions d’une humeur cartographiée dans le temps.
Le prototype agrège les données de ton agenda, de ta messagerie et de tes e-mails pour construire une empreinte émotionnelle chronologique. Pas à la minute près, mais assez finement pour modéliser comment ton état émotionnel évolue sur une journée ou une semaine.
Là où d’autres jettent ces signaux comme du bruit, je les ai traités comme des données, avec l’idée de construire quelque chose qui comprend comment tu vas vraiment.
Trois piliers de l’empathie machine
J’ai ramené l’intelligence émotionnelle à trois systèmes. C’est ma façon d’interpréter comment la faire marcher en pratique :
1. Les indices : les chiffres qui comptent
Vois-les comme tes constantes vitales, mais pour l’état cognitif et émotionnel. Ils suivent des indicateurs corrélés au stress, à l’anxiété et aux fonctions exécutives :
- Latence de réponse : hors des périodes chargées, elle mesure le temps entre la réception d’une sollicitation et ta réponse.
- Complexité linguistique : longueur des phrases, diversité du vocabulaire et ponctuation. Tout ça bouge au fil de la journée, surtout en fonction de ton énergie ou de ta concentration. Les études montrent que des tournures plus créatives ou plus complexes apparaissent pendant les périodes de forte énergie, alors que la fatigue de fin de journée va avec un langage plus simple et moins expressif2. L’assistant se sert de ces schémas, surtout de la dégradation de la complexité au fil du temps, comme d’un signal discret de baisse des fonctions exécutives ou de stress.
- Cohérence des tâches : on la mesure par les changements de contexte déduits des titres d’événements. En gros, à quel point les événements successifs de ton agenda se ressemblent sur le fond. Une série de 1:1 sans rapport entre eux, par exemple, est supposée cognitivement fragmentée. C’est délicat à détecter et ça repose surtout sur des hypothèses tirées de la proximité dans le temps et des schémas de messagerie. Si les réunions sont souvent repoussées de quelques minutes, ça peut trahir un dépassement. Ces signaux sont bruités, mais ils restent précieux.
- Pression temporelle : un composite de plusieurs indicateurs (densité des réunions, proximité des échéances, plannings qui sautent) qui contribuent tous à une impression de temps comprimé et d’autonomie réduite. Ils alimentent aussi les autres indices ci-dessus. Le système déduit cette pression de schémas comme une forte fréquence de réunions collées les unes aux autres, des pauses minimales entre deux engagements, et des signes de réunions qui débordent ou sont déplacées. C’est un modèle du manque de temps perçu, pas seulement du temps de l’horloge.
Voici une sortie basique d’un des indices chronologiques collectés tout au long de la journée. C’est une simplification des vraies données, mais elle montre l’idée : ce sont surtout des scores de 0 à 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
}
}Ces scores viennent du langage et du comportement d’agenda, pas de capteurs intrusifs. Chaque variable s’appuie sur des signaux observés :
- task_switching_rate : une approximation des changements de contexte, tirée des séquences de réunions ou de tâches rapprochées dont les titres n’ont rien à voir entre eux.
- meeting_overrun : déduit quand des réunions sont déplacées ou repoussées, sans doute parce que les précédentes ont dépassé l’horaire prévu. Signal à faible confiance.
- linguistic_degradation : repérée par une baisse de la longueur des phrases ou du nombre de mots au fil du temps, surtout dans tes réponses à l’assistant. Ça suggère de la fatigue ou de la frustration.
Le prototype collecte bien d’autres signaux, mais ceux-là donnent une idée des types d’entrées qui servent à noter l’état de l’utilisateur.
Les LLM ont montré de solides performances pour identifier des états émotionnels à partir des seuls schémas de langage34. Un indice de stress de 0,74 peut vouloir dire que tes phrases ont raccourci de 40 %, que tu as changé de tâche 12 fois et que tes réunions se déversent les unes dans les autres.
Le but, c’est que l’IA voie le schéma avant que tu te sentes cramé.
2. Les contextes : comprendre l’histoire
Des chiffres bruts ne veulent rien dire sans récit. Le contexte, c’est comprendre pourquoi ces chiffres existent.
Prends cette séquence tirée d’une journée de travail quelconque :
{
"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 }
]
}La plupart des agendas y verraient cinq réunions. Ce que le système détecte, c’est que ces réunions ont débordé à répétition, un schéma qui trahit une surcharge structurelle :
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.
On utilise de plus en plus les modèles de langage pour produire ce genre de résumés de séries temporelles et d’interprétations émotionnelles à partir de données séquentielles4. La source citée est clinique et ne s’applique pas directement à cet exemple, mais l’idée est là : les modèles de langage se débrouillent de mieux en mieux pour interpréter et évaluer un contexte émotionnel à partir du seul langage.
3. Les leviers : comment l’IA s’adapte
Ces blocs de contexte deviennent plus utiles quand on les applique à des modèles de langage qui interagissent avec les utilisateurs, parce qu’ils peuvent s’appuyer sur la compréhension de ta journée pour répondre de façon plus pertinente et plus empathique.
Comprendre ne sert à rien sans agir. Le système ajuste son comportement avec trois leviers :
{
"behavioural_state": {
"compassion": 0.8,
"protectiveness": 0.9,
"initiative": 0.6
}
}En interne, côté utilisateur, ça ressemble à quelque chose de plus maîtrisé, comme ça :
Ils agissent sur :
- Compassion : un ton plus doux, plus de place pour réfléchir
- Protection : te protéger activement des chocs
- Initiative : la probabilité que l’assistant intervienne sans qu’on le lui demande
Par exemple :
Jamie normal : « Tu as un point produit à 2 h de l’après-midi avec l’équipe d’ingénierie. J’envoie l’ordre du jour habituel ? »
Jamie en contexte de stress : « Petit rappel : point produit dans 30 min. Je m’occupe de l’ordre du jour. Prends 5 minutes maintenant pour souffler. »
Même information. Interaction totalement différente.
L’architecture est complexe exprès
Ce que tu vois ici est une abstraction simplifiée. En réalité, j’ai déjà un prototype fonctionnel de ce système dans HeyJamie. Il tourne en production et traite mes propres données pour fournir du contexte émotionnel à l’IA.
Les exemples JSON ci-dessus ne sont qu’une fine couche de surface. Le prototype suit des dizaines de signaux de comportement, de langage, de temps et de séquence. Il construit des références personnalisées, applique des modèles de décroissance et repondère dynamiquement les interactions selon l’heure de la journée, le type de réunion, le contexte précédent et plus encore. Pour l’instant, ça se fait par tranches de 6 heures, sur les dernières 24 heures et les 7 derniers jours.
{
"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
}
}Les LLM se sont montrés capables non seulement de reconnaître des émotions, mais de suggérer des interventions utiles au bon moment5. Dans des études contrôlées, ils ont même battu des médecins sur l’empathie envers les patients.
C’est profondément bizarre. Mais ça paraît profondément humain. On t’a appris qu’un ordinateur devait être logique et neutre. Peut-être que c’est le mauvais réglage par défaut.
Quand une IA remarque que je suis débordé et gère les choses sans bruit, ça ressemble moins à un logiciel qu’à un très bon assistant qui comprend tout de suite.
La confiance ne vient pas de la perfection. Elle vient d’une réponse adaptée.
La vérité qui dérange
Ça marche trop bien. Quand ton IA remarque ton stress avant ton conjoint, soit c’est l’avenir de l’interaction homme-machine, soit c’est un miroir tendu à la façon dont on se soutient mal les uns les autres, soit c’est un nouvel épisode de Black Mirror.
Peut-être les trois.
Un mot sur la vie privée et l’éthique
Soyons clairs : l’IA émotionnelle à grande échelle est un champ de mines pour la vie privée. Les systèmes qui l’appliquent en public, comme les essais de Rekognition par Amazon pour détecter les émotions ou l’analyse faciale dans les gares britanniques, ont été critiqués à juste titre6.
Mais il y a une distinction cruciale. Jamie repose sur un modèle de vie privée fondamentalement différent :
Tes données restent à toi. Contrairement aux systèmes de surveillance publics ou au suivi émotionnel en entreprise, Jamie traite tout en local. Les conversations brutes, les entrées d’agenda et le contenu des e-mails ne quittent jamais ton contrôle. Ce qui est collecté pour améliorer le système, ce sont seulement des données de synthèse agrégées et anonymisées (indices de stress, schémas de réponse, tendances de comportement), débarrassées de toute information identifiante et de tout contenu réel.
La transparence dès la conception. Tu peux voir exactement quels indices émotionnels sont suivis. Pas d’algorithme boîte noire qui décide de ton état émotionnel sans que tu comprennes.
Le consentement n’est pas une simple case à cocher. Le système exige un opt-in explicite pour les fonctions de suivi émotionnel. Tu peux les désactiver complètement, régler la sensibilité ou exclure certaines sources de données. Ton assistant fonctionne très bien sans elles, elles le font simplement mieux fonctionner.
Protection des données de synthèse. Elles servent uniquement à comprendre les usages et à améliorer la réponse émotionnelle des modèles de langage. On ne peut reconstituer les schémas émotionnels d’aucun utilisateur à partir de ces données.
La réalité qui dérange, c’est qu’une IA vraiment empathique doit comprendre le contexte émotionnel. La question n’est pas de savoir s’il faut construire ces systèmes, mais comment les construire de façon responsable. En gardant les données brutes sous le contrôle de l’utilisateur et en limitant la collecte à des synthèses anonymes, on peut développer une IA qui aide vraiment sans sacrifier la vie privée.
Ce n’est pas de la surveillance. C’est du soutien, bâti sur le contrôle de l’utilisateur et la transparence.
Si tu veux essayer toi-même une IA sensible aux émotions, demande un accès anticipé sur heyjamie.ai. Je le déploie lentement et avec soin.
Pour aller plus loin
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.
Références
Footnotes
-
Picard, R. W. (1997). Affective Computing. MIT Press. ↩
-
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. ↩
-
Schlegel, K. et al. (2025). Large language models are proficient in solving and creating emotional intelligence tests. Communications Psychology. ↩
-
Lalk, C. et al. (2025). Employing large language models for emotion detection in psychotherapy transcripts. Frontiers in Psychiatry. ↩ ↩2
-
JMIR Editorial Board. (2024). Large Language Models and Empathy: Systematic Review. Journal of Medical Internet Research. ↩
-
Pour en savoir plus sur les inquiétudes de vie privée autour des systèmes de surveillance par IA émotionnelle, voir divers rapports sur Rekognition d’Amazon et les essais d’analyse faciale au Royaume-Uni. ↩