AI nella domotica: cosa fa davvero e cosa è solo marketing

Telecamere con modelli di visione computerizzata che girano su un chip dedicato (NPU - Neural Processing Unit) integrato nella telecamera stessa. Riconoscono: persona vs animale vs veicolo, conteggio persone in un'area, riconoscimento di un volto noto (con consenso dell'interessato e nei limiti GDPR applicabili), comportamento anomalo (movimento dove e quando non dovrebbe esserci nessuno), oggetti specifici (es. pacchi consegnati, attrezzi rimossi).

Differenza concreta: il vecchio motion detection chiama l'allarme 30 volte al giorno (per ogni foglia che si muove, ogni gatto, ogni ombra). Una telecamera con AI di analisi on-device chiama l'allarme solo quando rileva una persona, riducendo i falsi positivi di 10-50 volte. Il sistema diventa usabile davvero, non solo installato.

Da verificare: il modello gira on-device (cerca menzioni di NPU, edge AI, modello locale) o richiede cloud? La risposta cambia il giudizio sul prodotto.

Modelli che imparano i pattern di consumo della casa o dell'attività (quando si usa la lavatrice, quando si accende la pompa di calore, quando rientra l'auto elettrica), li confrontano con la produzione fotovoltaica attesa nelle prossime ore (previsioni meteo) e con i prezzi orari dell'energia, e decidono in autonomia quando avviare i carichi flessibili.

Differenza concreta rispetto a una semplice "modalità eco": il sistema impara che tu usi la lavatrice di solito alle 17:00, ma se domani il PV produrrà tanto alle 14 e il prezzo dell'energia sarà alto alle 17, sposta l'avvio. E impara dai tuoi override: se sposti di nuovo manualmente, capisce che alle 17 ti serve davvero finita.

Modelli di anomaly detection applicati alle "firme elettriche" di apparecchi rotanti: compressori (frigorifero, pompa di calore, climatizzatori), motori (pompe, ventilatori, tapparelle), elettrodomestici critici. Il modello impara la firma normale e segnala scostamenti — un compressore che inizia a degradare lo si capisce dall'aumento di consumo, da cicli più frequenti, da micro-variazioni nel pattern di avviamento, settimane o mesi prima del guasto vero.

Caso d'uso forte: attività commerciali e produttive (capannoni, laboratori, B&B) dove un guasto imprevisto della pompa di calore o del frigorifero costa giornate di lavoro. In residenziale ha senso su impianti di alto valore (pompa di calore principale, accumulo PV).

Il sistema apprende che la persona A preferisce il salotto a 21°C la sera e 19°C la notte, mentre la persona B sta sempre a 22°C. Combina presenza (chi è in casa? geolocalizzazione, riconoscimento Bluetooth/Matter del telefono) e preferenze apprese per regolare clima, luci, audio. Quando entrambe le persone sono in casa, applica una media ragionata o un compromesso predefinito.

Limite onesto: il valore reale di questa capacità varia molto in base allo stile di vita. Per una persona singola con routine fisse è marginale. Per una famiglia di 4 con orari diversi e preferenze divergenti può fare differenza tangibile.

Gli assistenti vocali tradizionali (Alexa, Google Home, HomeKit) rispondono a comandi predefiniti. I large language model (LLM) stanno entrando nelle piattaforme di automazione come strato di interpretazione del linguaggio naturale: "abbassa un po' le tapparelle del soggiorno, ma lascia entrare luce sopra la libreria" può essere capito e tradotto in azioni concrete. Home Assistant, ad esempio, integra già diverse opzioni di LLM (locali o cloud) come motore di conversazione.

Stato 2026: ancora sperimentale per il residenziale di massa, robusto in alcune nicchie. Modelli locali (Llama, Mistral, e simili eseguiti su mini-PC domestici) richiedono hardware adeguato (8-16 GB di RAM, GPU dedicata o NPU); cloud è più potente ma con tutti i vincoli di privacy.