AI leren voelen, de architectuur van emotionele intelligentie

Wat als je AI-assistent kon voelen wat voor dag je hebt?

Niet op een enge sciencefictionmanier. Maar gestructureerd en meetbaar, zodat hij reageert zoals een mens dat zou doen, met echt begrip.

Tijdens het bouwen van HeyJamie AI kwam ik erachter dat emotionele intelligentie het ontbrekende stuk was om het menselijker te laten voelen. Ik begon emotionele signalen bij te houden en stresspatronen te meten. Zo begon ik met het inbouwen van empathie in code.

Dit sluit aan bij het bredere vakgebied van affective computing, waar Rosalind Picard van MIT pionierswerk voor deed. Het onderzoekt hoe systemen menselijke emoties kunnen herkennen, duiden en erop kunnen inspelen¹. Recent onderzoek laat zien dat moderne LLM’s verrassend goed zijn in het duiden van emotionele context, puur op basis van taal. In sommige gevallen scoren ze beter dan mensen op benchmarks voor emotionele intelligentie.

Het signaal zit in de ruis

Elke interactie laat een spoor achter. Hoe je typt, de pauzes tussen je antwoorden, vergaderingen die uitlopen en mails die korter en minder genuanceerd worden naarmate je dag sneller gaat. Dat zijn tijdsgebonden signalen: uitingen van stemming over de tijd.

Het prototype voegt agenda-, bericht- en maildata samen tot een chronologische emotionele voetafdruk. Niet tot op de minuut, maar nauwkeurig genoeg om te modelleren hoe je gemoedstoestand zich over een dag of week ontwikkelt.

Anderen gooien deze signalen weg als ruis. Ik behandelde ze als data, met de kans om iets te bouwen dat begrijpt hoe het echt met je gaat.

Drie pijlers van machine-empathie

Ik heb emotionele intelligentie teruggebracht tot drie kernsystemen. Dit is mijn eigen interpretatie van hoe je dit in de praktijk laat werken.

1. Indices, de cijfers die ertoe doen

Zie ze als je vitale functies, maar dan voor je cognitieve en emotionele toestand. Ze volgen indicatoren die samenhangen met stress, angst en executieve functies:

• Reactietijd: In rustige perioden meet dit hoeveel tijd er zit tussen het ontvangen van een bericht en je antwoord.
• Taalkundige complexiteit: Zinslengte, woordenschatvariatie en interpunctiepatronen veranderen vaak over de dag, vooral met je energie en focus. Studies laten zien dat creatievere of complexere taalpatronen vaker voorkomen in perioden met veel energie, terwijl vermoeidheid aan het eind van de dag samengaat met eenvoudiger, minder expressieve taal². De assistent gebruikt deze patronen, vooral het afnemen van complexiteit in de loop van de tijd, als zwak signaal voor verminderde executieve functies of stress.
• Taakcoherentie: Dit meet de contextwisselingen die je afleidt uit de titels van afspraken. Eigenlijk: hoe inhoudelijk verwant opeenvolgende agenda-items zijn. Een reeks losstaande 1-op-1’s beschouw je bijvoorbeeld als cognitief gefragmenteerd. Dit is lastig te detecteren en grotendeels gebaseerd op aannames uit tijdsnabijheid en berichtpatronen. Als vergaderingen vaak een paar minuten naar achteren schuiven, kan dat duiden op uitloop. Het signaal is ruizig, maar nog steeds waardevol.
• Tijdsdruk: Een samenstelling van meerdere indicatoren, namelijk vergaderdichtheid, de nabijheid van deadlines en schendingen van de planning. Samen geven ze het gevoel dat de tijd krap is en je weinig zelf bepaalt. Ze voeden ook de andere indices hierboven. Het systeem leidt deze druk af uit patronen zoals veel vergaderingen kort na elkaar, nauwelijks pauzes ertussen en bewijs van uitloop of verplaatsing. Het is een model van ervaren tijdschaarste, niet alleen van de klok.

Hier is een eenvoudige uitvoer van een van de chronologische indices die je door de dag heen verzamelt. Het is een vereenvoudiging van de echte data, maar het maakt het punt duidelijk: het zijn vooral scores van 0 tot 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
  }
}

Deze scores komen uit taal en planningsgedrag, niet uit opdringerige sensoren. Elke variabele put uit waargenomen signalen:

• task_switching_rate: Een benadering van contextwisselingen, afgeleid uit reeksen vergaderingen of taken die kort na elkaar staan en inhoudelijk weinig met elkaar te maken hebben.
• meeting_overrun: Afgeleid wanneer vergaderingen later komen te liggen, mogelijk doordat een eerdere is uitgelopen. Dit signaal is niet erg betrouwbaar.
• linguistic_degradation: Gemeten als kortere zinnen of minder woorden in de loop van de tijd, vooral in antwoorden aan de assistent. Dat wijst op vermoeidheid of frustratie.

Het prototype verzamelt nog veel meer signalen, maar deze laten zien wat voor invoer de gebruikerstoestand scoort.

LLM’s presteren sterk in het herkennen van emotionele toestanden aan taalpatronen alleen³⁴. Een stressindex van 0,74 kan betekenen dat je zinnen 40% korter zijn geworden, dat je 12 keer van taak bent gewisseld en dat je vergaderingen in elkaar overlopen.

Het doel is dat de AI het patroon ziet voordat jij een burn-out voelt aankomen.

2. Contexten, het verhaal begrijpen

Ruwe cijfers zeggen niets zonder verhaal. Context gaat over begrijpen waarom die cijfers er zijn.

Neem deze reeks uit een gewone werkdag:

{
  "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 }
  ]
}

De meeste agenda’s zien vijf vergaderingen. Het systeem ziet dat ze herhaaldelijk zijn uitgelopen, een patroon dat wijst op structurele overbelasting:

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.

Taalmodellen worden steeds vaker gebruikt om dit soort tijdreekssamenvattingen en emotionele duidingen uit opeenvolgende data te genereren⁴. Het onderzoek waar ik naar verwijs is klinisch en niet direct toepasbaar op dit voorbeeld. Het idee blijft dat taalmodellen steeds beter worden in het duiden en beoordelen van emotionele context op basis van taal alleen.

3. Hendels, hoe de AI zich aanpast

Deze contextblokken worden nuttiger als je ze toepast op taalmodellen die met gebruikers praten. Het model kan dan zijn kennis van de dag van de gebruiker inzetten voor relevantere en empathischere antwoorden.

Begrip is waardeloos zonder actie. Het systeem past zijn gedrag aan met drie hendels:

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

Intern ziet dat er voor een gebruiker beheerster uit, zo:

Ze bepalen:

• Compassion: Een zachtere toon en meer ruimte om na te denken.
• Protectiveness: Je actief afschermen van impact.
• Initiative: Hoe groot de kans is dat de assistent uit zichzelf ingrijpt.

Een voorbeeld:

Normale Jamie: “Je hebt om 2 uur ‘s middags een productoverleg met het engineeringteam. Zal ik de gebruikelijke agenda sturen?”

Jamie in gestresste context: “Let op, productoverleg over 30 minuten. Ik regel de agenda. Neem nu 5 minuten om adem te halen.”

Dezelfde informatie. Een totaal andere interactie.

De architectuur is bewust complex

Wat je hier ziet is een vereenvoudigde abstractie. In werkelijkheid heb ik al een werkend prototype van dit systeem in HeyJamie. Het draait live, verwerkt mijn eigen data en geeft de AI emotionele context.

De JSON-voorbeelden hierboven zijn maar een dun oppervlak. Het prototype volgt tientallen signalen in gedrag, taal, tijd en volgorde. Het bouwt persoonlijke basislijnen, past vervalmodellen toe en weegt interacties dynamisch opnieuw op basis van tijdstip, soort vergadering, eerdere context en meer. Op dit moment gebeurt dat in stappen van 6 uur, terugkijkend over de laatste 24 uur en de laatste 7 dagen.

{
  "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
  }
}

LLM’s blijken niet alleen emoties te herkennen, maar ook behulpzame, goed getimede ingrepen voor te stellen⁵. In gecontroleerde studies deden ze het zelfs beter dan artsen op empathie richting patiënten.

Het is heel vreemd. Maar het voelt toch heel menselijk. Je leert dat computers logisch en neutraal horen te zijn. Misschien is dat de verkeerde standaard.

Als een AI merkt dat ik overweldigd ben en dan stilletjes dingen oplost, voelt het minder als software en meer als een heel goede assistent die het gewoon snapt.

Vertrouwen bouw je niet op perfectie. Je bouwt het op passende reacties.

De ongemakkelijke waarheid

Dit werkt te goed. Als je AI jouw stress merkt voordat je partner dat doet, is dat de toekomst van mens-computerinteractie, of een spiegel die laat zien hoe slecht we elkaar steunen, of gewoon weer een aflevering van Black Mirror.

Misschien alle drie.

Een woord over privacy en ethiek

Laten we duidelijk zijn: emotionele AI op grote schaal is een privacymijnenveld. Systemen die dit in het openbaar toepassen, zoals de proeven met emotieherkenning in Amazon Rekognition of gezichtsanalyse op Britse treinstations, hebben terecht kritiek gekregen⁶.

Maar er is een belangrijk verschil. Jamie werkt met een fundamenteel ander privacymodel:

Je data blijft van jou. Anders dan openbare bewakingssystemen of emotietracking door bedrijven verwerkt Jamie alles lokaal. De ruwe gesprekken, agenda-items en mailinhoud verlaten nooit jouw beheer. Wat we verzamelen om het systeem te verbeteren, zijn alleen geaggregeerde, geanonimiseerde samenvattingen: stressindices, reactiepatronen, gedragstrends, ontdaan van alles wat identificeert en van de echte inhoud.

Transparant door ontwerp. Je ziet precies welke emotionele indices worden bijgehouden. Geen black-boxalgoritmes die beslissingen nemen over je emotionele toestand zonder dat jij het begrijpt.

Toestemming is meer dan een vinkje. Het systeem vraagt om uitdrukkelijke opt-in voor de functies voor emotionele tracking. Je kunt ze helemaal uitzetten, de gevoeligheid aanpassen of bepaalde databronnen uitsluiten. Je assistent werkt prima zonder. Met die functies werkt hij alleen beter.

Bescherming van samenvattingsdata. Die data gebruiken we alleen om gebruikspatronen te begrijpen en de emotionele reacties van de taalmodellen te verbeteren. Uit deze data kun je geen emotionele patronen van een individuele gebruiker terughalen.

De ongemakkelijke werkelijkheid is dat echt empathische AI emotionele context moet begrijpen. De vraag is niet of we deze systemen moeten bouwen, maar hoe we ze verantwoord bouwen. Door de ruwe data onder controle van de gebruiker te houden en alleen anonieme samenvattingen te verzamelen, kunnen we AI ontwikkelen die echt helpt zonder de privacy aan te tasten.

Dit is geen surveillance. Het is steun, gebouwd op controle en transparantie voor de gebruiker.

Wil je zelf emotioneel bewuste AI ervaren? Vraag vroege toegang aan op heyjamie.ai. Ik rol het langzaam en bewust uit.

Aanvullende literatuur

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.

Bronnen

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. Meer over privacyzorgen rond surveillancesystemen met emotie-AI vind je in diverse rapporten over Amazon Rekognition en de Britse proeven met gezichtsanalyse. ↩