Conclusiones clave
- La automatización basada en reglas es determinista pero ciega al contexto que no se programó
- Un LLM local razona sobre la intención y el contexto: hora, presencia, tiempo, estados de sensores
- Describe las automatizaciones como objetivos en lenguaje natural; el modelo los mapea a acciones de dispositivo
- Ejecútalo en local vía Ollama + Home Assistant — sin nube, sin que los datos salgan de casa
- Mantén las automatizaciones críticas de seguridad (cerraduras, alarmas) como reglas deterministas
- Usa un modelo pequeño con llamada a funciones y limita el alcance para la fiabilidad
Los límites de la automatización basada en reglas
La automatización basada en reglas dispara una acción fija para un disparador fijo y no puede sopesar contexto que no se programó explícitamente. Es fiable y rápida, pero cada matiz necesita otra condición escrita a mano.
- Explosión combinatoria: "enciende la luz, salvo que haya luz, salvo que alguien duerma, salvo que esté fuera" se vuelve muchas condiciones anidadas.
- Sin intención: las reglas no pueden interpretar "ponlo acogedor", solo estados exactos de entidades.
- Casos límite frágiles: las situaciones no programadas se cuelan sin un valor por defecto sensato.
Qué añade un LLM: contexto, intención, lenguaje
Un LLM añade tres cosas que faltan a las reglas: entiende el lenguaje natural, infiere la intención y razona sobre varias señales de contexto a la vez. Úsalo donde importe el matiz; mantén reglas donde importe el determinismo.
| Aspecto | Basado en reglas | Guiado por LLM local |
|---|---|---|
| Manejo de disparadores | Acción fija por disparador | Sopesa el contexto antes de actuar |
| Formulación | Solo condiciones exactas | Objetivos en lenguaje natural |
| Contexto | Solo estados programados | Hora, presencia, sensores juntos |
| Casos límite | Se cuelan | Valor por defecto razonable desde el contexto |
Automatizaciones de ejemplo (con los prompts)
Estos ejemplos muestran dónde una automatización guiada por LLM supera a una regla: cada uno es un objetivo en lenguaje natural que el modelo resuelve frente al contexto en vivo. Cáblealos como automatizaciones de Home Assistant que llaman al agente de conversación.
- Da al modelo los estados de entidad relevantes en el prompt para que tenga el contexto sobre el que razonar.
- Para la configuración de extremo a extremo, consulta ejecutar tu smart home con un LLM local.
- 1Recordatorio al salir
Why it matters: Prompt: "Si parece que va a llover en la próxima hora y voy a salir, recuérdame llevar un paraguas". El modelo comprueba la entidad del tiempo y la presencia antes de notificar; una regla necesitaría umbrales explícitos. - 2Escena nocturna adaptativa
Why it matters: Prompt: "Cuando la última persona llegue a casa tras el atardecer, pon una escena cálida y tenue salvo que alguien ya duerma". El modelo sopesa presencia, hora y estado de sueño a la vez. - 3Aviso de energía
Why it matters: Prompt: "Si la calefacción está encendida y una ventana lleva más de cinco minutos abierta, baja la calefacción y dime qué habitación". El modelo combina dos estados de sensor y explica su acción.
La arquitectura
La automatización se dispara en Home Assistant, pasa el contexto al LLM local vía el agente de conversación, y el modelo devuelve acciones de dispositivo. Todo se ejecuta en local.
- La automatización de Home Assistant proporciona el disparador y los estados actuales de las entidades.
- El modelo local (vía la integración de Ollama) razona y devuelve acciones.
- Solo las entidades que expones a Assist son accionables, lo que limita lo que el modelo puede hacer.
Fiabilidad y salvaguardas
Mantén las automatizaciones críticas de seguridad deterministas, limita el alcance del modelo y prefiere un modelo pequeño y rápido para mantener baja la latencia. Las automatizaciones con LLM deben mejorar, no poseer, las funciones críticas.
- Nunca enrutes la seguridad al modelo: alarmas de humo, cerraduras y seguridad se quedan como reglas simples.
- Limita el alcance: expón solo las entidades que el modelo necesita y añade un prompt de sistema que limite las acciones.
- Elige el modelo por latencia: consulta mejores modelos LLM locales para el control del smart home.
- Registra y revisa: comprueba los registros de conversación para confirmar que el modelo actúa según lo previsto antes de confiar en él sin supervisión.
- Para patrones de agentes y flujos de trabajo, consulta agentes locales autónomos que de verdad funcionan (entre clústeres).
Preguntas frecuentes
¿Son las automatizaciones con LLM local lo bastante fiables para confiar en ellas?
Para automatizaciones de confort y comodidad, sí, cuando limitas el alcance y revisas el comportamiento primero. Mantén las automatizaciones críticas de seguridad (cerraduras, alarmas, detectores de humo) como reglas deterministas en vez de enrutarlas por el modelo.
¿Reemplaza un LLM todas mis automatizaciones?
No. Usa reglas deterministas para disparadores simples, sensibles al tiempo o críticos de seguridad, y reserva el LLM para automatizaciones que necesiten contexto, matiz u objetivos en lenguaje natural. Los dos trabajan juntos.
¿Qué modelo es mejor para automatizaciones con IA?
Un modelo pequeño, rápido y con llamada a funciones mantiene baja la latencia de la automatización mientras emite acciones de dispositivo de forma fiable. Consulta la guía de mejores modelos LLM locales para smart home para opciones ajustadas al hardware.
¿Cuánta latencia añaden las automatizaciones con LLM?
La latencia depende del tamaño del modelo y el hardware. Un modelo pequeño en un mini PC con GPU o NPU responde lo bastante rápido para automatizaciones no instantáneas; evita enrutar disparadores críticos de latencia por el modelo.