Domótica con IA: el edificio que aprende
Cómo se integran agentes de IA con plataformas de domótica como Home Assistant: detección de patrones, automatización por voz natural y mantenimiento predictivo doméstico.
Domótica con IA: el edificio que aprende
Hace una década, “casa inteligente” era una casa con un timer que prendía y apagaba luces. Hoy, con plataformas como Home Assistant, hardware barato y modelos de IA accesibles, una casa puede empezar a observar patrones de uso, anticipar necesidades y responder a comandos en lenguaje natural sin enviar todo a Google o Amazon.
Este post describe cómo se integra IA con domótica de forma realista, qué aporta y qué no.
Qué cambió en los últimos años
Wikipedia describe el smart home como “automatización del edificio para una casa” y reporta que el mercado superó los 64.000 millones USD en 2022 y se proyecta sobre 163.000 millones para 2028 (fuente). Tres cambios técnicos relevantes:
- Matter como estándar unificado emergente que reduce la fragmentación entre Apple, Google, Amazon, Samsung, etc.
- Modelos de lenguaje accesibles vía APIs y, crecientemente, ejecutables localmente en hardware modesto.
- Plataformas open-source maduras (Home Assistant, OpenHAB) que permiten arquitecturas independientes del cloud de Big Tech.
La combinación habilita una nueva capa: agentes de IA que entienden el estado de tu casa y actúan sobre él con criterio.
Arquitectura típica
[Dispositivos] (Z-Wave, Zigbee, Wi-Fi, Matter, KNX, BLE)
|
[Hub central — Home Assistant / OpenHAB / similar]
| exposición de estados y servicios
|
[Capa de IA]
- LLM local (Ollama / llama.cpp) o vía API
- Voz local (Whisper, Piper)
- Modelos de detección de patrones
|
[Interfaces]
- Apps móviles
- Asistentes de voz (parlantes, móviles)
- Notificaciones contextualizadas
- Dashboards webHome Assistant es la elección habitual en este tipo de proyectos porque tiene:
- Integración con prácticamente cualquier protocolo de domótica (documentación oficial).
- API REST y WebSocket bien documentadas.
- Add-ons para hacer correr LLMs locales y procesamiento de voz.
- Comunidad activa y blueprints reutilizables.
Qué aporta la IA a la domótica
1. Comandos en lenguaje natural
Antes: “Hey Google, prendé la luz del living”. (Solo si exactamente esa frase está mapeada al servicio correcto.)
Con LLM:
- “Bajá un poquito las luces del living, está fuerte.”
- “Si me voy a dormir en 10, prepará todo.”
- “¿Quedó algo prendido en el primer piso?”
- “Andate apagando las luces que no usemos en la próxima hora.”
El LLM interpreta intención y la traduce a llamadas a servicios. Si está bien acotado, no inventa servicios que no existen.
2. Detección de patrones
Después de unos meses con datos, hay patrones aprovechables:
- Horarios reales de despertarse, llegar a casa, dormirse — no horarios programados que casi nunca son exactos.
- Días que sale poca gente vs. días con visitas (consumo eléctrico distinto, presencia distinta).
- Estaciones y cómo afectan uso de calefacción, AC, luces (oscurece antes en invierno).
Esto se puede modelar con clustering, series temporales o simplemente con reglas adaptativas. No requiere modelos complejos para empezar.
3. Anomalías
- Consumo eléctrico anormalmente alto: ¿quedó algo prendido?
- Heladera ciclando más de lo habitual: ¿está fallando?
- Bomba de pileta corriendo más horas: ¿hay obstrucción?
- Cámaras detectando movimiento en horario y zona inusuales: ¿hay una intrusión?
4. Asistencia proactiva
En lugar de “casa que responde”, “casa que sugiere”:
- “Vas a salir y dejaste el portón principal abierto. ¿Lo cierro?”
- “Mañana hay tormenta a la noche, ¿bajo las cortinas?”
- “Tu auto tiene poca batería y entrás a una semana donde lo vas a usar todos los días.”
Esto cruza el dato del entorno con preferencias aprendidas.
5. Mantenimiento predictivo doméstico
Lo que en una fábrica se llama “predictive maintenance” se puede hacer en escala doméstica:
- Filtros de aire acondicionado: alertar cuando el consumo de la unidad sube por suciedad de filtros.
- Bombas de agua: detectar arranques anormales que pre-anuncian falla.
- Heladeras y freezers: detectar pérdida de eficiencia antes de que se rompa el compresor.
Implementación práctica con Home Assistant + LLM
Una receta funcional:
1. Base: Home Assistant
Instalado en Raspberry Pi 4/5 o NUC pequeño. Conectado a Z-Wave/Zigbee/Matter via dongles, integraciones nativas para Wi-Fi (Shelly, Tuya, etc.), y al hardware específico (cámaras, ventiladores).
2. Capa de voz local
- Whisper (de OpenAI, modelo abierto) para transcripción de voz a texto, ejecutable localmente.
- Piper o equivalente para texto a voz.
- Wyoming protocol (estándar reciente) integra ambos a Home Assistant nativamente.
Beneficio: la voz se procesa en casa, no en servidores externos.
3. Capa de razonamiento
Dos opciones:
A) LLM local (Llama 3, Mistral, Qwen) con Ollama. Privacidad total, sin costo por consulta, requiere GPU o CPU potente. Apto para hogares con tolerancia técnica alta.
B) LLM vía API (Anthropic Claude, OpenAI, Gemini, etc.). Mejor calidad de respuestas, costo por consulta, datos atraviesan internet. Pero las APIs serias permiten desactivar entrenamiento con tus datos.
Anthropic publica investigación sobre construcción de agentes confiables y patrones de tool-use (Anthropic Research) que aplican directamente a este caso: el agente recibe el estado de la casa, ejecuta servicios de Home Assistant, y devuelve respuesta o acción.
4. Reglas y guardrails
Reglas duras que el LLM no puede sobreescribir:
- Nunca apagar la heladera.
- Nunca abrir la cerradura de la entrada sin confirmación humana.
- No prender la calefacción a más de X grados.
- Acciones que cuestan dinero (encender pileta climatizada) requieren confirmación.
Estas reglas viven en automatizaciones de Home Assistant, no en el prompt del LLM. Defensa en profundidad: si el LLM se equivoca, hay un sistema de reglas que lo corrige.
Errores comunes y trampas
”Vamos directo a la IA, sin domótica madura”
La IA es la capa de razonamiento; necesita una capa de domótica funcionando bien debajo. Si Home Assistant no controla bien las luces, agregar IA solo agrega una nueva fuente de errores.
”Confiamos al LLM toda la lógica”
LLMs cometen errores. Los flujos críticos siguen siendo automatizaciones determinísticas: temporizadores, estados, condiciones. La IA es la cereza.
”Si pongo IA, mi casa va a entender todo lo que digo”
Calibrá expectativas. La IA es buena con comandos claros, en idioma definido, con contexto suficiente. No es telepatía.
”Mando todo a OpenAI y listo”
Privacidad: cada vez que pedís algo, vas mostrando rutinas, presencia y costumbres. Si te interesa privacidad, el camino es local-first (Home Assistant + Whisper + LLM local).
”No voy a documentar nada porque solo lo uso yo”
En 6 meses no te vas a acordar por qué la luz del baño se prende sola los miércoles. Documentar automatizaciones (en HA o en un README) es disciplina mínima.
Cuándo no vale la pena agregar IA
- Si la domótica básica no anda bien (luces que no responden 1 de cada 5 veces, sensores con falsos positivos).
- Si la persona que la administra no quiere meterse a configurarla.
- Si la motivación es “porque está de moda”.
En esos casos, mejor invertir en estabilizar la base.
Conclusión
IA en domótica suma valor real cuando se monta sobre una capa sólida (Home Assistant o equivalente, dispositivos confiables, automatizaciones determinísticas para lo crítico). Lo que aporta: comandos en lenguaje natural, detección de patrones, alertas inteligentes, anticipación a partir de costumbres. Lo que no aporta: estabilidad. Esa la trae la base, no el modelo. Una casa inteligente sin IA puede funcionar perfectamente; una casa con IA pero base inestable es frustrante.
