Forestil dig, at du skriver med en chatbot om noget, der egentlig ikke er så vigtigt. Men pludselig svarer den på en måde, der får dig til at føle dig set. Den opfanger, at du er lidt presset – selvom du ikke har skrevet det direkte. Det lyder som science fiction, men det er faktisk virkelighed nu. Vi har set det ske hos flere af vores kunder: AI, der ikke bare forstår ordene, men også stemningen bag.

Det overraskede os faktisk, hvor præcist de nyeste AI-modeller kan aflæse følelser. Ikke kun om du er glad eller sur, men om du er usikker, stresset eller bare lidt træt af det hele. Og det uden at være programmeret til det. Det er ikke længere bare sentimentanalyse. Det er noget dybere.

Baggrund og teknisk forklaring

Hvordan kan det lade sig gøre? Store sprogmodeller (LLMs) – som dem vi arbejder med hos Snilld – er trænet på enorme mængder tekst. Ikke bare bøger og artikler, men også chats, sociale medier, supportfora. Når modellen lærer at forudsige det næste ord, lærer den samtidig de små mønstre, vi mennesker efterlader, når vi kommunikerer følelser.

Klassisk sentimentanalyse kigger efter positive eller negative ord. Men de nye modeller ser på mikro-adfærd: Hvor ofte bruger du “måske” eller “jeg tror”? Hvor hurtigt svarer du? Hvor mange spørgsmål stiller du? Det er ikke kun ordene, men også rytmen, længden, og de små nuancer, der afslører, hvordan vi har det.

Vi har set kodeeksempler, hvor en model udleder emotionelle tilstande sådan her (pseudokode):

def emotional_state_inference(text_sequence, context_window):
    features = {
        'sentence_length_variance': calculate_variance(sentences),
        'punctuation_density': count_punctuation_marks(),
        'hedging_language_frequency': detect_qualifiers(),
        'self_reference_ratio': count_first_person_pronouns(),
        'emotional_lexicon_distribution': map_sentiment_words()
    }
    emotional_profile = model.infer(features, context_window)
    return emotional_profile

Det er ikke magi. Det er statistik. Men det føles næsten sådan.

HR og arbejdsmiljø – konkrete anvendelser

Vi har talt med HR-folk, der bruger AI til at spotte mistrivsel tidligt. For eksempel i trivselsmålinger, hvor AI ikke bare tæller krydser, men læser mellem linjerne. Eller i rekruttering, hvor modellen kan opfange, om en kandidat er nervøs eller overdriver sine kompetencer.

Fordelene er åbenlyse: Man kan gribe ind, før problemer vokser sig store. Man får mere nuanceret feedback, fordi AI kan samle mønstre op, som ledere ofte overser. Onboarding bliver også bedre, fordi man kan tilpasse forløbet til den enkeltes følelsesmæssige respons.

Men der er også spørgsmål, vi ikke kan ignorere. Kan AI forstærke bias? Ja, hvis træningsdata er skæve, kan modellen fejlfortolke følelser – eller overse dem helt. Og hvem har ansvaret, hvis en AI fejlfortolker en medarbejders signaler? Det er stadig uklart. Vi har set eksempler, hvor en medarbejder blev fejlagtigt kategoriseret som “utilfreds” på grund af ironi i mails. Det er ikke nemt at løse.

Kundeservice og kommunikation

Kundeservice er et område, hvor følelses-aflæsende AI virkelig gør en forskel. Vi har set callcentre, hvor AI hjælper medarbejderne med at tilpasse tonen i realtid. Hvis en kunde bliver frustreret, foreslår AI’en at bruge mere beroligende sprog eller give ekstra forklaringer.

En konkret case: Hos en større dansk bank blev AI indført i chat-supporten. Medarbejderne fik løbende forslag til, hvordan de kunne ændre deres svar, hvis kunden virkede usikker eller vred. Resultatet? Hurtigere løsning af konflikter og færre klager. Men også her er der faldgruber. AI kan fejltolke kulturelle nuancer eller sarkasme. Vi har set, at det især er svært, når kunderne bruger humor eller lokale udtryk.

Etikken er også på spil. Skal kunden vide, at AI aflæser deres følelser? Og hvad hvis AI’en tager fejl? Det er spørgsmål, vi ikke kan svare entydigt på endnu.

Forretningsværdi og strategiske muligheder

Set fra et forretningsperspektiv åbner teknologien for nye muligheder. Bedre kundeoplevelser, lavere churn, mere målrettet kommunikation. Vi har set virksomheder, der oplever færre klager og hurtigere sagsbehandling, fordi AI hjælper med at afkode kundernes følelsesmæssige behov.

ROI kan måles direkte: Øget medarbejdertrivsel, færre sygemeldinger, højere kundetilfredshed. Men der er også risici. Overvågning kan skabe mistillid, især hvis medarbejdere eller kunder føler sig “overvåget” på deres følelser. Compliance bliver en udfordring, især med GDPR og lignende regler. Tab af tillid kan hurtigt æde gevinsterne op.

Vi har oplevet, at det især er de virksomheder, der er åbne om brugen af AI, som får mest ud af teknologien. Transparens betaler sig.

Data, statistik og validering

Men hvordan ved vi, at AI faktisk aflæser følelser korrekt? Det kræver solide datasæt, hvor menneskelige annotatorer markerer følelsestilstande i tekst. Modellerne valideres ved at sammenligne deres forudsigelser med menneskers vurderinger. Ofte bruges grafer, hvor man kan se, hvor tæt AI’ens gæt ligger på menneskers.

Robusthed er en udfordring. Kan modellerne generalisere på tværs af sprog og kulturer? Nej, ikke altid. Vi har set, at modeller trænet på amerikansk data ofte fejler på dansk ironi eller jysk underspillethed. Det kræver lokal tilpasning.

Et eksempel på validering kunne være:

for text, label in validation_set:
    prediction = model.infer(text)
    compare(prediction, label)
    log_result()

Det lyder simpelt, men det kræver tusindvis af eksempler og løbende justering.

Etiske dilemmaer og fremtidsperspektiv

Hvem ejer egentlig de emotionelle data? Og hvad hvis AI begynder at udnytte vores sårbarheder? Det er spørgsmål, vi får oftere og oftere. Mulige modtræk er privacy by design, transparens og brugerkontrol. Vi anbefaler altid, at brugerne får at vide, når deres følelser bliver aflæst – og at de kan sige nej.

Fremtiden? Vi står et sted, hvor maskinerne kan se vores følelser – og måske forstår os bedre, end vi selv gør. Det er både fascinerende og lidt skræmmende. Men vi tror, at med de rigtige rammer kan teknologien gøre mere gavn end skade.

Vi har ikke alle svarene. Men én ting er sikkert: Man opdager først forskellen, når man sidder med det i hænderne. Og mærker, at maskinen faktisk forstår dig – måske lidt for godt.

Kilder:

• https://towardsai.net/p/machine-learning/emergent-affective-computing-the-unintended-evolution-of-machine-emotional-intelligence
• https://openexo.com/l/1dc668f9
• https://towardsai.net/ai/artificial-intelligence
• https://towardsai.net/ai/artificial-intelligence
• https://aclanthology.org/2024.acl-long.326/
• https://link.springer.com/chapter/10.1007/978-3-030-54173-6_17

Målgruppens mening om artiklen

Anne, HR-chef:

Jeg giver artiklen 85. Den er meget relevant for mit arbejde, fordi den sætter fokus på, hvordan AI kan bruges til at spotte mistrivsel og forbedre onboarding. Jeg synes, det er vigtigt, at artiklen også nævner de etiske dilemmaer og mulige fejl, for det er noget, vi kæmper med i praksis. Jeg savner dog lidt flere konkrete cases fra danske virksomheder og mere om, hvordan man håndterer fejlfortolkninger i praksis.

Jesper, IT-arkitekt:

Jeg giver den 78. Teknisk set er artiklen god til at forklare, hvordan LLM’er arbejder med emotionelle signaler, og jeg kan genkende udfordringerne med validering og datasæt. Jeg synes dog, den bliver lidt overfladisk på de tekniske løsninger og kunne godt tænke mig mere om, hvordan man konkret sikrer robusthed og undgår bias i modellerne.

Maria, Kundeserviceleder:

Jeg giver den 90. Artiklen rammer plet i forhold til de udfordringer og muligheder, vi oplever i kundeservice. Det er spot on med eksemplet fra banken, og jeg kan nikke genkendende til faldgruberne med sarkasme og kulturelle nuancer. Jeg synes, artiklen balancerer godt mellem muligheder og udfordringer.

Lars, Kommunikationsrådgiver:

Jeg giver den 75. Den er interessant og relevant, især fordi den tager fat på, hvordan AI kan forbedre kommunikation både internt og eksternt. Men jeg synes, den mangler noget om, hvordan man kommunikerer åbent om brugen af AI overfor medarbejdere og kunder – det er et kæmpe issue i praksis.

Sofie, GDPR-konsulent:

Jeg giver artiklen 70. Den tager de etiske og juridiske problemstillinger op, men jeg synes, den går for let hen over compliance og GDPR. Det er et område, hvor der mangler konkrete anbefalinger og cases. Men jeg kan godt lide, at den lægger vægt på transparens og privacy by design.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.