> Automazioni per la casa con AI: cosa ho imparato costruendo un sistema domotico reale
La domotica con AI promette case intelligenti che anticipano i tuoi bisogni. La realtà è più complessa: dipende da cosa automatizzi, quali dati hai, e soprattutto da cosa non dovresti automatizzare. Ecco cosa succede quando butti giù un vero sistema.
La tentazione è forte: colleghi Home Assistant a un LLM, aggiungi qualche sensore, e la casa inizia a "capire" da sola. Peccato che nella pratica il 70% dei progetti domotici con AI muore perché si automatizza quello sbagliato, o perché i modelli costano più del problema che risolvono.
# Il problema reale della domotica AI
La domotica tradizionale funziona bene per quello che è: se la temperatura scende sotto 18°C, accendi il riscaldamento. Se il sole tramonta, abbassa le tapparelle. Regole deterministiche, veloci, affidabili. Zero latenza, zero costi di API.
Quando introduci AI in questa equazione, aggiungi complessità:
- Latenza: una richiesta a un LLM cloud può impiegare 2-5 secondi. Accettabile per decidere se accendere una luce? Raramente.
- Costi nascosti: un modello locale (Ollama, LLaMA 2 su hardware) occupa risorse; un API esterno costa per ogni richiesta. In una casa con 50+ automazioni al giorno, il costo lievita.
- Inaffidabilità: gli LLM allucinano. Se l'IA decide di accendere il riscaldamento quando legge male una frase, non è uno scherzo.
- Dipendenza da rete: se l'API scade o Internet cade, l'automazione crolla — a meno che non sia locale.
Il punto: l'AI non è la soluzione a "come automatizzare la casa". È la soluzione a uno specifico problema dentro quella casa.
# Dove l'AI in domotica ha senso
Ci sono casi in cui davvero aggiunge valore. Non sono molti, ma sono reali.
Interpretazione di comandi in linguaggio naturale
Un modello locale che converte "accendi le luci della cucina e aumenta il riscaldamento di 2 gradi" in comandi Home Assistant ha utilità concreta. Non è predizione, è parsing. Un LLaMA 7B locale basta, niente cloud, niente latenza critica.
Vincolo: deve fallire gracefully. Se il modello non capisce, torna a fallback (comandi espliciti), non decide da solo.
Anomaly detection su consumi
Se i tuoi sensori di potenza registrano un consumo anomalo (frigorifero che assorbe il triplo del normale), un modello può lanciare un alert prima che l'utente se ne accorga. Questo richiede dati storici, ma è un classico machine learning — non necessariamente LLM.
Predizione di stato da pattern
Se abiti in una casa con sensori di presenza e temperatura, puoi allenare un modello che predice "probabilmente uscirai tra 15 minuti basandomi su movimento e ora del giorno". Utile per pre-riscaldamento o pre-raffreddamento. Di nuovo, ML classico batte gli LLM.
Controllo vocale con contexto
Un LLM che capisce contesto ("è giorno/notte", "sono fuori casa", "ho ospiti") e adatta il comportamento può evitare automazioni stupide. "Accendi le luci" non accende il garage se sei in camera da letto alle 3 di notte. Di nuovo: modello locale, non cloud.
Errore comune: comprare OpenAI GPT-4 per automatizzare la casa pensando di ottenere intelligenza miracolosa. In realtà bruci crediti per compiti che una semplice regola YAML risolve in millisecondi. Se usi un LLM cloud per ogni automazione, spendi 50-100€ al mese per una casa che potrebbe girare su Raspberry Pi.
# Architettura pratica: dove mettere l'AI
Se decidi che l'AI serve, la posiziona così:
- Home Assistant rimane il cervello centrale — gestisce i sensori, le regole veloci, il database locale.
- Un modello locale (Ollama, LLaMA 7B/13B) gira su un device separato — Raspberry Pi 5, NUC, persino un vecchio laptop. Questo non rallenta Home Assistant e rimane offline.
- Home Assistant chiama il modello locale SOLO quando necessario — per parsing di comandi vocali, oppure per decisioni che richiedono contesto (non per ogni automazione).
- Fallback esplicito — se il modello locale crolla o timeout, la casa torna a comportamento deterministico (comandi semplici, regole YAML).
- Mai usare API cloud per la domotica critica — un interruttore della luce non deve dipendere da Internet.
Costo realistico: hardware extra 200-400€, zero costi ricorrenti se usi modelli open source.
# Cosa automatizzare e cosa no
Prima di aggiungere IA, fai una lista di quello che hai ora in Home Assistant:
| Automazione | AI serve? | Motivo |
|---|---|---|
| Accendi/spegni luci per ora | No | Regola YAML più veloce, niente latenza |
| Riscaldamento a temperatura fissa | No | Termostato programmabile basta |
| Luci in base a riconoscimento di volto | Sì (ML, non LLM) | Richiede visione, non generazione di testo |
| Parsing di comandi vocali naturali | Sì | LLaMA locale, fallback sicuro |
| Predire quando uscirai di casa | Forse (ML) | Se hai dati storici, sì; altrimenti aggiungi complessità |
| Generare report sullo stato della casa | Sì | LLM locale, asincrono, niente vincolo di latenza |
| Decidere se il frigorifero ha un guasto | No (anomaly detection) | ML classico più efficace di LLM |
Il pattern: IA ha valore quando c'è ambiguità linguistica o contesto complesso. Non ha valore quando basta una regola.
# I tre errori che vedrai
1. Usare cloud quando basterebbe locale
Ogni richiesta a OpenAI/Anthropic costa soldi e latenza. Se la tua automazione è semplice (parsing vocale, generazione di testo), un modello locale da 7-13B miliardi di parametri basta. LLaMA 2 open source funziona bene, consuma 4-8GB di RAM, e NON costa nulla al mese.
2. Automatizzare decisioni che dovrebbe prendere l'umano
L'IA sbaglia. Se l'automazione riguarda temperature critiche, persone anziane, o sicurezza, l'IA non decide — allerta solo. Esempio: il termostato non dovrebbe mai spegnersi completamente senza conferma umana, anche se l'IA "predice" che nessuno è a casa.
3. Addestrare il modello su dati insufficienti
Se hai 2 mesi di dati storici e provi a predire comportamento annuale, il modello impara rumore. Raccogli almeno 6-12 mesi di dati VERI prima di toccare ML.
Alternativa semplice: se l'automazione che vuoi fare richiede AI "per forza", probabilmente non è pronta. Scrivi una regola manuale prima, osserva com'è usata per 2-3 mesi, DOPO aggiungi intelligenza se ha senso.
# Setup realistico: da dove partire
Se non sai da dove iniziare:
- Installa Home Assistant su Raspberry Pi o NUC se non l'hai (cost: 80-250€).
- Crea 5-10 automazioni semplici con YAML/UI. Osserva cosa usi e cosa no.
- Se noti un pattern che richiederebbe "intelligenza" (es. parsing vocale in lingua italiana), ALLORA installa Ollama su un device a parte.
- Scarica un modello piccolo: LLaMA 2 7B o Mistral 7B (fit su 8GB RAM).
- Integra in Home Assistant con REST API (Home Assistant ha template REST nativo).
- Testa in produzione con automazioni NON critiche.
Costo totale iniziale: 300-500€. Costo mensile: zero (se tutto locale).
# Quando questo approccio non funziona
L'automazione con AI locale in Home Assistant non è adatta se:
- Hai bisogno di riconoscimento video in tempo reale (batte GPU locale, è complesso).
- La tua casa è distribuita su più locali e servono latenze <50ms (rete mesh troppo complessa).
- Non hai una stanza server dove mettere hardware aggiuntivo — e il Raspberry Pi principale non ha risorse libere.
- Usi impianti domotici proprietari che non si integrano con Home Assistant (Philips Hue, Sonos, ecc. hanno ecosistemi chiusi).
- Preferisci soluzioni managed (Google Home, Alexa): perdi il controllo totale, ma elimini la complessità tecnica.
In questi casi, lascia perdere l'AI — soluzioni tradizionali sono più robuste.
// FAQ
Conviene usare OpenAI per Home Assistant?
No, salvo casi molto specifici. OpenAI costa 0,002$ per 1K token — una casa con 20 automazioni al giorno brucia 15-30€ al mese. Un modello locale costa meno, è offline, e riduce la latenza da 2-5s a <500ms. OpenAI ha senso se serve contestualizzazione molto sofisticata (generare report), non per automazioni giorno-per-giorno. In quel caso, generali il report una volta al giorno, non 100 volte.
Qual è il modello più piccolo che funziona per domotica?
LLaMA 2 7B o Mistral 7B bastano per parsing vocale e generazione di testo semplice. Occupano ~6-8GB di RAM, girano su Raspberry Pi 5 (8GB) o NUC. Se serve visione (riconoscimento volti), allora ti serve YOLO o un modello vision (più pesante, 12-16GB). Inizia con un modello small, monitora la RAM, scala solo se necessario.
Se Home Assistant crolla, la casa rimane funzionante?
Dipende dall'architettura. Se TUTTO passa da Home Assistant e l'IA, no — il crollo blocca tutto. Se invece le automazioni critiche (riscaldamento, sicurezza) sono in YAML puro e non dipendono da API esterne, la casa continua a funzionare anche se Home Assistant è giù — accendi/spegni manualmente. Il modello locale non batte nessuno di questi sistemi; è un layer aggiuntivo. Design corretto: Home Assistant gestisce il flusso, l'IA è un addon opzionale.
Vuoi valutare una soluzione simile per la tua azienda?
Dimmi il tuo caso, valuto la fattibilità e ti dico costi e tempi realistici. Il primo confronto è gratuito.