Points clés
- L'automatisation par règles est déterministe mais aveugle au contexte non scripté
- Un LLM local raisonne sur l'intention et le contexte : heure, présence, météo, états de capteurs
- Décrivez les automatisations comme des objectifs en langage naturel ; le modèle les associe à des actions d'appareil
- Faites-le tourner en local via Ollama + Home Assistant — sans cloud, aucune donnée ne quitte la maison
- Gardez les automatisations critiques de sécurité (serrures, alarmes) comme règles déterministes
- Utilisez un petit modèle à appel de fonctions et limitez le périmètre pour la fiabilité
Les limites de l'automatisation par règles
L'automatisation par règles déclenche une action fixe pour un déclencheur fixe et ne peut peser aucun contexte qui n'a pas été explicitement scripté. Elle est fiable et rapide, mais chaque nuance nécessite une autre condition écrite à la main.
- Explosion combinatoire : « allumer la lumière, sauf s'il fait clair, sauf si quelqu'un dort, sauf si je suis absent » devient de nombreuses conditions imbriquées.
- Pas d'intention : les règles ne peuvent pas interpréter « rends-le cosy » — seulement des états exacts d'entités.
- Cas limites fragiles : les situations non scriptées passent à travers sans valeur par défaut sensée.
Ce qu'ajoute un LLM : contexte, intention, langage
Un LLM ajoute trois choses qui manquent aux règles : il comprend le langage naturel, infère l'intention et raisonne sur plusieurs signaux de contexte à la fois. Utilisez-le là où la nuance compte ; gardez les règles là où le déterminisme compte.
| Aspect | Par règles | Piloté par LLM local |
|---|---|---|
| Gestion des déclencheurs | Action fixe par déclencheur | Pèse le contexte avant d'agir |
| Formulation | Conditions exactes seulement | Objectifs en langage naturel |
| Contexte | États scriptés seulement | Heure, présence, capteurs ensemble |
| Cas limites | Passent à travers | Valeur par défaut raisonnable depuis le contexte |
Exemples d'automatisations (avec les prompts)
Ces exemples montrent où une automatisation pilotée par LLM bat une règle : chacun est un objectif en langage naturel que le modèle résout face au contexte en direct. Câblez-les comme des automatisations Home Assistant qui appellent l'agent de conversation.
- Fournissez au modèle les états d'entité pertinents dans le prompt pour qu'il ait le contexte sur lequel raisonner.
- Pour la configuration de bout en bout, voir faire tourner votre maison connectée sur un LLM local.
- 1Rappel en partant
Why it matters: Prompt : « S'il semble pleuvoir dans l'heure et que je sors, rappelle-moi de prendre un parapluie. » Le modèle vérifie l'entité météo et la présence avant de notifier — une règle nécessiterait des seuils explicites. - 2Scène du soir adaptative
Why it matters: Prompt : « Quand la dernière personne rentre après le coucher du soleil, mets une scène chaude et tamisée sauf si quelqu'un dort déjà. » Le modèle pèse présence, heure et état de sommeil ensemble. - 3Coup de pouce énergie
Why it matters: Prompt : « Si le chauffage est allumé et qu'une fenêtre est ouverte depuis plus de cinq minutes, baisse le chauffage et dis-moi quelle pièce. » Le modèle combine deux états de capteur et explique son action.
L'architecture
L'automatisation se déclenche dans Home Assistant, transmet le contexte au LLM local via l'agent de conversation, et le modèle renvoie des actions d'appareil. Tout tourne en local.
- L'automatisation Home Assistant fournit le déclencheur et les états d'entité actuels.
- Le modèle local (via l'intégration Ollama) raisonne et renvoie des actions.
- Seules les entités que vous exposez à Assist sont actionnables, ce qui borne ce que le modèle peut faire.
Fiabilité et garde-fous
Gardez les automatisations critiques de sécurité déterministes, limitez le périmètre du modèle et préférez un petit modèle rapide pour garder la latence basse. Les automatisations LLM doivent améliorer, non posséder, les fonctions critiques.
- Ne routez jamais la sécurité vers le modèle : détecteurs de fumée, serrures et sécurité restent des règles simples.
- Limitez le périmètre : n'exposez que les entités dont le modèle a besoin et ajoutez un prompt système limitant les actions.
- Choisissez le modèle selon la latence : voir meilleurs modèles LLM locaux pour le contrôle de la maison connectée.
- Journalisez et vérifiez : consultez les journaux de conversation pour confirmer que le modèle agit comme prévu avant de lui faire confiance sans surveillance.
- Pour les schémas d'agents et les workflows, voir les agents locaux autonomes qui fonctionnent vraiment (inter-clusters).
FAQ
Les automatisations par LLM local sont-elles assez fiables pour qu'on s'y fie ?
Pour les automatisations de confort et de commodité, oui — quand vous limitez le périmètre et vérifiez le comportement d'abord. Gardez les automatisations critiques de sécurité (serrures, alarmes, détecteurs de fumée) comme règles déterministes plutôt que de les router via le modèle.
Un LLM remplace-t-il toutes mes automatisations ?
Non. Utilisez des règles déterministes pour les déclencheurs simples, sensibles au temps ou critiques de sécurité, et réservez le LLM aux automatisations nécessitant contexte, nuance ou objectifs en langage naturel. Les deux fonctionnent ensemble.
Quel modèle est le meilleur pour les automatisations IA ?
Un petit modèle rapide à appel de fonctions garde la latence d'automatisation basse tout en émettant de façon fiable des actions d'appareil. Voir le guide des meilleurs modèles LLM locaux pour la maison connectée pour des choix adaptés au matériel.
Combien de latence ajoutent les automatisations LLM ?
La latence dépend de la taille du modèle et du matériel. Un petit modèle sur un mini-PC avec GPU ou NPU répond assez vite pour des automatisations non instantanées ; évitez de router les déclencheurs critiques en latence via le modèle.