Agent AI w smart home - co realnie wnosi ponad zwykłe automatyzacje

Masz Homey Pro, Home Assistant albo mieszany system. Są światła, termostaty, czujniki ruchu, rolety, może fotowoltaika i kilka Flow albo automatyzacji YAML. Większość rzeczy działa, dopóki sytuacja wygląda tak, jak przewidziałeś.

Problem zaczyna się przy wyjątkach: wracasz później, ktoś jest chory, taryfa energii zmieniła się inaczej niż zwykle, czujnik zgłasza ruch, ale nie wiadomo, czy to realny problem. Klasyczna automatyzacja zwykle odpowiada na takie sytuacje kolejną regułą.

Agent AI nie powinien w tym miejscu przejmować całego domu. Sensowniej myśleć o nim jako o warstwie koordynującej: zbiera kontekst, proponuje akcję, uruchamia tylko dozwolone narzędzia i zostawia ślad w logach. Dla części działań może działać automatycznie. Dla ryzykownych musi zatrzymać się i poprosić człowieka o zgodę.

Automatyzacja vs workflow z agentem

Prosty przykład: ogrzewanie.

Klasyczna automatyzacja:

• o 17:30 ustaw salon na 21°C
• o 23:00 obniż temperaturę do 18°C
• jeśli dom jest pusty dłużej niż 2 godziny, przejdź w tryb oszczędny

To jest dobry mechanizm. Jest przewidywalny, tani w utrzymaniu i łatwy do debugowania.

Workflow z agentem:

• odczytuje stan obecności, kalendarz i aktualną temperaturę
• sprawdza, czy dana akcja mieści się w ustalonych limitach, np. 18-22°C
• wybiera istniejący Flow albo akcję API, zamiast improwizować komendy
• zapisuje powód decyzji i dane wejściowe
• dla działań poza zakresem, np. nietypowa temperatura albo dłuższa nieobecność, prosi o potwierdzenie

Różnica nie polega na tym, że agent "rozumie dom jak człowiek". Różnica polega na tym, że może połączyć kilka źródeł kontekstu i wybrać jeden z kontrolowanych wariantów działania.

Scenariusze, które mają sens w praktyce

1. Spóźniony powrót do domu

Nie trzeba budować systemu, który sam steruje wszystkim. Wystarczy ograniczony workflow:

1. Agent widzi zmianę w kalendarzu albo dostaje ręczną komendę: "wrócę około 20:00".
2. Sprawdza obecność domowników i tryb domu.
3. Proponuje przesunięcie ogrzewania i oświetlenia powitalnego.
4. Uruchamia tylko wcześniej przygotowany Flow, np. Powrót wieczorem.
5. Jeśli ma wysłać wiadomość do rodziny, pokazuje treść do zatwierdzenia.

Piekarnik, kuchenka, zamki, alarm i brama garażowa nie powinny być częścią swobodnej decyzji modelu. Jeżeli w ogóle są integrowane, to przez osobne scenariusze z twardymi warunkami i potwierdzeniem człowieka.

2. Komfort bez nadpisywania reguł

Dobry agent nie musi usuwać reguł. Może działać obok nich:

• wykryć, że pokój dziecka ma tryb "choroba" ustawiony ręcznie przez rodzica
• zaproponować utrzymanie wyższej temperatury w określonych godzinach
• wyciszyć automatyzację robota sprzątającego w konkretnej strefie
• przypomnieć o filtrze oczyszczacza albo niskiej wilgotności

To są decyzje odwracalne i niskiego ryzyka. Nadal warto ustawić limity: maksymalna temperatura, maksymalny czas działania, brak zmian w pokojach bez obecności domownika, brak zakupów automatycznych bez akceptacji.

3. Energia i urządzenia dużej mocy

W domu z fotowoltaiką, magazynem energii albo taryfą dynamiczną agent może być użyteczny, ale nie przez obietnice uniwersalnych oszczędności. Realny zakres to planowanie i koordynacja:

• odczyt prognozy produkcji oraz stanu magazynu, jeśli takie dane są dostępne
• porównanie planu z cenami energii albo lokalnymi harmonogramami taryf
• zaproponowanie okna pracy pralki, zmywarki lub ładowarki EV
• uruchomienie tylko tych urządzeń, które użytkownik wcześniej oznaczył jako bezpieczne do zdalnego startu

Warto odróżnić "agent zaplanował" od "agent sam włączył". Dla urządzeń dużej mocy lepszy jest model: agent przygotowuje plan, użytkownik zatwierdza, a automatyzacja wykonuje już prostą regułę.

4. Język naturalny nad istniejącymi Flow

Najbardziej praktyczny scenariusz dla Homey to nie "AI steruje każdym urządzeniem", tylko "AI wybiera właściwy Flow".

Przykład:

Użytkownik: "Zrób tryb filmowy w salonie, ale bez muzyki"
Agent:
1. wyszukuje dostępne Flow pasujące do salonu i trybu filmowego
2. wykrywa, że Flow "Film" obejmuje też Sonos
3. pyta: "Uruchomić wariant bez muzyki: światła 20%, rolety dół, TV on?"
4. po zgodzie uruchamia konkretny Flow albo zestaw dozwolonych akcji

To jest mniej efektowne niż "zero konfiguracji", ale znacznie bezpieczniejsze. Nazwy urządzeń są niejednoznaczne, integracje bywają opóźnione, a fuzzy matching potrafi wybrać zły obiekt. Dlatego przy kilku podobnych urządzeniach agent powinien pokazać, co dokładnie zamierza zrobić.

5. Anomalie i bezpieczeństwo

Czujnik ruchu o 3:00 nie oznacza automatycznie włamania. Kamera z rozpoznawaniem obrazu też nie daje pewności. AI może pomóc w triage'u:

• zebrać zdarzenia z kilku czujników
• sprawdzić, czy ktoś jest oznaczony jako obecny
• opisać krótko zrzut z kamery, jeśli użytkownik świadomie włączył taką integrację
• wysłać powiadomienie z kontekstem: "ruch w korytarzu, drzwi zamknięte, brak ruchu na zewnątrz"
• uruchomić wcześniej przygotowany Flow ostrzegawczy, np. zapalenie świateł

Nie powinien natomiast samodzielnie dzwonić pod numer alarmowy, otwierać drzwi, rozbrajać alarmu albo blokować domowników. Te akcje wymagają osobnej ścieżki, potwierdzenia i prostych reguł awaryjnych niezależnych od LLM.

Homey i OpenClaw: co jest realne

Homey ma oficjalny Web API, który pozwala z zewnętrznego środowiska kontrolować urządzenia, startować Flow, odczytywać Insights i odbierać zdarzenia. Taka integracja wymaga własnego runtime'u, uwierzytelnienia i poprawnie ograniczonych tokenów.

Publiczny skill Homey dla OpenClaw wygląda jak warstwa CLI nad Homey API. Deklaruje tryb lokalny po LAN/VPN z lokalnym kluczem oraz tryb chmurowy z tokenem z Homey Developer Tools. Udostępnia komendy do listowania urządzeń, odczytu stanu, ustawiania capability, uruchamiania Flow i odpytywania stref.

To wystarczy do użytecznego asystenta, ale nie oznacza, że warto dawać mu pełny dostęp.

Minimalny model uprawnień

Zacznij od allowlisty:

• odczyt stanu czujników i urządzeń
• lista stref i nazw urządzeń
• uruchamianie wybranych Flow niskiego ryzyka
• ustawianie światła, jasności, temperatury w określonych limitach

Nie dawaj na start:

• zamków, bram, alarmu i trybów zabezpieczeń
• urządzeń grzewczych bez limitów
• zakupów, wiadomości do osób trzecich i webhooków publicznych
• dowolnego set capability na wszystkich urządzeniach

Jeśli skill lub CLI technicznie potrafi ustawić locked: true, to nie znaczy, że agent powinien mieć takie prawo. W smart home najważniejsze jest nie to, co API umożliwia, tylko co świadomie dopuścisz w polityce akcji.

Home Assistant: Assist, OpenAI, Ollama i LLM API

Home Assistant ma inną filozofię niż Homey: więcej kontroli, więcej możliwości, ale też więcej odpowiedzialności konfiguracyjnej.

Wbudowany Assist pozwala sterować domem językiem naturalnym i może działać lokalnie. Integracja OpenAI dodaje agenta konwersacyjnego, który może kontrolować Home Assistant przez Assist API, ale tylko dla encji wystawionych użytkownikowi. Integracja Ollama daje lokalny serwer LLM, a kontrola Home Assistant jest tam opisana jako funkcja eksperymentalna. Oficjalna dokumentacja sugeruje przy eksperymentach z lokalnymi LLM wystawiać niewiele encji, bo mniejsze modele częściej się mylą.

Dla praktycznego wdrożenia oznacza to:

• wystawiaj tylko encje potrzebne do danego przypadku użycia
• używaj nazw obszarów i urządzeń jednoznacznych dla człowieka i modelu
• trzymaj krytyczne automatyzacje poza LLM
• testuj komendy na małym zestawie encji przed rozszerzeniem zakresu
• zapisuj rozmowę, proponowaną akcję i wynik wykonania

Home Assistant ma też LLM API dla integracji. Ważny detal: wbudowane Assist API dla LLM odpowiada możliwościom i wystawionym encjom dostępnym dla agenta konwersacyjnego; nie służy do zadań administracyjnych. To dobry kierunek bezpieczeństwa.

A co z Hermes i Rhasspy?

W starszych lub bardziej lokalnych konfiguracjach możesz spotkać Rhasspy i protokół Hermes po MQTT. To nie jest magiczny agent. Rhasspy jest raczej prywatnym, offline'owym stosem głosowym: rozpoznaje komendy, mapuje je na intencje i wysyła zdarzenia do Home Assistant, Node-RED albo własnego endpointu.

Jeśli potrzebujesz przewidywalnych komend głosowych po polsku lub własnej gramatyki, taki model bywa lepszy niż LLM. Jeśli potrzebujesz rozumowania nad kilkoma źródłami kontekstu, Hermes/Rhasspy może być tylko wejściem do workflow, nie warstwą decyzyjną.

Jak projektować bezpieczne akcje

Podziel narzędzia agenta na cztery klasy.

Potwierdzenie powinno pokazywać konkretną akcję, nie ogólne "czy wykonać?". Przykład:

Agent chce uruchomić Flow: "Powrót wieczorem"
Akcje:
- salon: światła 35%
- korytarz: światła 20%
- termostat: 20.5°C do 22:30
Powód: użytkownik oznaczony 12 min od domu, tryb domu "pusty"
[Zatwierdź] [Odrzuć] [Edytuj]

Takie podejście jest zgodne z praktyką human-in-the-loop znaną z narzędzi agentowych: workflow może zatrzymać wykonanie narzędzia, pokazać parametry i wznowić pracę dopiero po decyzji człowieka.

Logi i obserwowalność

Bez logów agent w domu jest nie do utrzymania. Minimum:

• timestamp
• kto wywołał akcję: użytkownik, harmonogram, webhook, agent
• dane wejściowe: istotne stany czujników, nie pełny zrzut wszystkiego
• proponowana akcja i parametry narzędzia
• czy była wymagana zgoda
• decyzja człowieka: approve, edit, reject
• wynik API: sukces, błąd, timeout
• wersja promptu/polityki akcji

Log nie musi przechowywać obrazu z kamer ani pełnych rozmów. Często wystarczy metadane, skrócony opis i referencja do zdarzenia w systemie źródłowym. Retencja powinna być krótka i świadomie ustawiona: inne potrzeby ma debugowanie automatyzacji przez 14 dni, inne analiza incydentu, a inne monitoring w domu prywatnym.

Prywatność, lokalność i RODO

Smart home zbiera dane bardzo wrażliwe: obecność domowników, rytm dnia, obraz z kamer, głos, temperaturę w pokojach, czas snu, gości. To nie są neutralne logi techniczne.

W domu prywatnym część przetwarzania może mieścić się w osobistym użytku domowym. Ale granica szybko się przesuwa, gdy kamera obejmuje przestrzeń publiczną, w domu pracują osoby trzecie, system dotyczy biura albo dane trafiają do zewnętrznych usług. Wtedy zasady RODO, takie jak minimalizacja danych, ograniczenie celu, ograniczenie przechowywania oraz integralność i poufność, stają się praktycznym wymogiem projektowym.

Praktyczne zasady:

• lokalne przetwarzanie tam, gdzie dane są wrażliwe lub niepotrzebne w chmurze
• wysyłanie do modelu tylko danych potrzebnych do danej decyzji
• brak obrazów z kamer w promptach, jeśli wystarczy stan czujników
• osobne zgody i komunikaty dla domowników oraz gości, jeśli system ich obejmuje
• krótka retencja logów i nagrań
• możliwość wyłączenia agenta bez psucia podstawowych automatyzacji

Lokalny LLM nie rozwiązuje wszystkiego. Nadal trzeba zabezpieczyć serwer, tokeny, backupy i dostęp administracyjny. Chmurowy LLM nie jest z definicji zły, ale wymaga jasnej decyzji: jakie dane wychodzą z domu, do jakiego dostawcy i w jakim celu.

Jak zacząć bez robienia z domu laboratorium

Najbezpieczniejsza ścieżka jest nudna:

1. Inwentaryzacja: wypisz urządzenia, Flow, automatyzacje i encje.
2. Odczyt tylko do logów: przez kilka dni agent tylko opisuje stan i proponuje akcje.
3. Allowlista Flow: dodaj 3-5 scen niskiego ryzyka, np. światła, rolety, tryby komfortu.
4. Dry-run: agent zapisuje, co by zrobił, ale niczego nie wykonuje.
5. Human approval: włącz zatwierdzanie dla każdej akcji przez powiadomienie, panel albo komunikator.
6. Automatyzacja wybranych akcji: dopiero po testach pozwól na automatyczne wykonanie działań odwracalnych.
7. Retencja i audyt: ustaw czas przechowywania logów, sprawdzaj błędy i usuń nieużywane uprawnienia.

Jeśli używasz Homey, naturalnym pierwszym krokiem jest uruchamianie istniejących Flow. Jeśli używasz Home Assistant, zacznij od małego zestawu wystawionych encji i testów w Assist/Conversation. Jeśli budujesz workflow w LangGraph albo n8n, potraktuj human-in-the-loop jako element architektury, nie późniejszy dodatek.

Ograniczenia

LLM mylą urządzenia i intencje. Nazwy typu "lampka", "lampa", "salon LED" są dla człowieka oczywiste, ale dla modelu mogą być niejednoznaczne. Wymuszaj doprecyzowanie.

Integracje zawodzą. Token wygasa, urządzenie jest offline, Flow zmienił nazwę, API zwróci timeout. Agent musi umieć przerwać workflow, a nie próbować do skutku.

Kontekst bywa fałszywy. Lokalizacja telefonu, obecność Wi-Fi i czujniki ruchu nie są pewnym dowodem, że ktoś jest albo go nie ma. Krytyczne decyzje nie powinny opierać się na jednym sygnale.

Modele lokalne mają ograniczenia. Mniejszy model może być wystarczający do klasyfikacji i prostych komend, ale gorzej radzić sobie z dużą liczbą encji, długim kontekstem i nietypowymi sytuacjami.

Koszt zależy od architektury. Homey, Home Assistant, serwer, LLM, monitoring i czas konfiguracji składają się na realny koszt. Nie ma jednej tabeli ROI dla każdego mieszkania i domu.

FAQ

Czy agent AI zastąpi obecne automatyzacje?

Nie powinien. Najlepszy układ to proste automatyzacje dla podstawowych funkcji i agent jako warstwa kontekstu, rekomendacji oraz kontrolowanego uruchamiania Flow.

Czy potrzebuję internetu?

Nie zawsze. Homey Pro i Home Assistant mogą wykonywać wiele rzeczy lokalnie, a Home Assistant Assist może działać na własnym sprzęcie. Internet będzie potrzebny dla usług chmurowych, części integracji, prognoz, kalendarzy i modeli API.

Czy OpenClaw działa lokalnie z Homey?

Publiczny skill Homey dla OpenClaw deklaruje tryb lokalny po LAN/VPN z lokalnym kluczem oraz tryb chmurowy z tokenem. To nadal wymaga własnego środowiska, Node.js, konfiguracji tokenów i świadomego ograniczenia uprawnień.

Czy można dać agentowi zamki i alarm?

Technicznie część API może pozwalać na takie akcje. Projektowo lepiej traktować je jako akcje wymagające osobnej zgody, osobnego kanału potwierdzenia i prostych reguł awaryjnych poza LLM.

Czy kamera z AI może rozpoznawać gości?

Technicznie zależy od konkretnej kamery, integracji i modelu. Prawnie i prywatnościowo to jeden z najbardziej wrażliwych obszarów. W praktyce częściej wystarczy powiadomienie z kontekstem zdarzenia niż identyfikacja osoby.

Podsumowanie

Agent AI w smart home ma sens, jeśli przestaniesz myśleć o nim jak o autonomicznym zarządcy domu. To powinna być warstwa workflow: odczyt kontekstu, decyzja w granicach, uruchomienie ograniczonych narzędzi, potwierdzenie ryzykownych akcji i pełny ślad w logach.

Homey daje wygodny model Flow i Web API. Home Assistant daje większą kontrolę przez Assist, wystawione encje, integracje OpenAI/Ollama i własne automatyzacje. OpenClaw może być zewnętrzną warstwą sterowania przez skill i CLI. Każda z tych dróg wymaga tego samego fundamentu: minimalnych uprawnień, lokalności tam, gdzie ma znaczenie, retencji danych i człowieka w pętli dla decyzji, które mogą realnie zaszkodzić.

W procesach biznesowych sprawdza się ta sama kolejność: najpierw przepływ pracy i granice, dopiero potem model.

Umów bezpłatny skan procesów. To 30 minut z inżynierem i pisemne podsumowanie w 2 dni robocze. Pokażemy, jak zaprojektować agenta AI z kontrolą uprawnień, logami i zatwierdzaniem działań.

Sprawdź też: Czym są agenci AI? | Agent AI - ile kosztuje wdrożenie? | Dedykowany agent AI - automatyzacja procesów