Der Artikel ist eine persönliche Retrospektive des Autors auf seine Masterarbeit, in der er EmoNet entwickelte – ein Transformer-Modell mit Speaker-Awareness für die automatische Erkennung von Emotionen in Sprache. Das Modell wurde auf einem Leaderboard platziert und repräsentiert einen klassischen Deep-Learning-Ansatz aus der Pre-LLM-Ära. Im Kern der Reflexion steht die Frage, wie sich das Feld durch den Aufstieg großer Sprachmodelle fundamental verändert hat und welche Architektur- und Designentscheidungen der Autor heute anders treffen würde. Der Beitrag ist damit sowohl ein Erfahrungsbericht als auch eine Einordnung des aktuellen Stands der Emotionserkennungsforschung im Kontext von LLMs.