Home Assistant + IA local: automatización inteligente sin nube

La domótica ha dejado de ser un capricho para convertirse en una capa útil del hogar, pero gran parte de su valor se pierde cuando cada comando pasa por servidores ajenos. Home Assistant es una plataforma de automatización del hogar de código abierto que permite centralizar dispositivos, sensores y actuadores en una única interfaz local. Al combinarla con modelos de lenguaje ejecutados localmente, es posible añadir un asistente conversacional, resumen de eventos y toma de decisiones contextual sin depender de la nube ni compartir datos domésticos con terceros.

Por qué mantener la inteligencia en casa

Las soluciones comerciales de hogar inteligente suelen exigir una conexión constante a internet, lo que introduce latencia, caídas de servicio y una dependencia contractual que muchos usuarios técnicos prefieren evitar. Home Assistant resuelve este problema ejecutándose en una red local, ya sea en un Raspberry Pi 4, un mini PC x86 o un contenedor Docker dentro de un servidor Proxmox. La plataforma soporta miles de integraciones mediante MQTT, Zigbee, Z-Wave, Wi-Fi y Bluetooth, lo que permite orquestar luces, calefacción, cámaras, electrodomésticos y sensores ambientales desde una única instancia propia.

Añadir IA local no significa reemplazar las automatizaciones clásicas, sino dotarlas de una capa de interpretación más flexible. Un modelo de lenguaje pequeño puede convertir instrucciones naturales como 'estoy trabajando, silencia las notificaciones y baja la calefacción' en varias llamadas consecutivas a la API de Home Assistant. Además, al no salir de la red local, se elimina el riesgo de que conversaciones, horarios o patrones de presencia viajen a servidores externos, algo especialmente relevante en entornos con cámaras, cerraduras o sensores de salud.

El coste de esta independencia ha caído notablemente en los últimos años. Un mini PC con procesador Intel N100, 16 GB de RAM y NVMe de 256 GB cuesta alrededor de 200 euros, consume menos de 15 W en reposo y es suficiente para ejecutar Home Assistant, Mosquitto y un modelo ligero como qwen2.5:7b o gemma3:4b mediante Ollama. Quien busque capacidad multimodal o modelos más grandes puede optar por un Mac mini M4 con 24 GB de memoria unificada por unos 700 euros, que permite ejecutar modelos de hasta 14-16 mil millones de parámetros con una eficiencia energética difícil de igualar en x86.

• Home Assistant centraliza dispositivos locales sin suscripción ni dependencia de la nube.
• Los LLM locales interpretan órdenes en lenguaje natural y deciden qué servicios invocar.
• Un mini PC de 200 euros o un Mac mini M4 son plataformas viables para ejecutar todo el stack.
• La privacidad mejora porque datos domésticos, patrones y comandos no abandonan la red.

Arquitectura práctica: los componentes del stack

La combinación más probada consiste en Home Assistant OS como sistema base, el add-on oficial de openWakeWord para detección de palabra de activación local, y la integración Wyoming para conectar servidores de voz y de lenguaje. Para el LLM se instala Ollama en el mismo host o en una máquina auxiliar de la red local, exponiendo su API REST en un puerto interno. El asistente conversacional de Home Assistant puede entonces apuntar a Ollama en lugar de a OpenAI o Google, y los intentos procesados por el pipeline de voz se resuelven sin conexión externa.

La parte crítica del rendimiento reside en la elección del modelo y la memoria disponible. Un qwen2.5:7b entrega unos 25-35 tokens por segundo en una CPU moderna con AVX2, mientras que en un Mac mini M4 con GPU Neural Engine puede superar los 60 tokens por segundo. Modelos de 3-4 mil millones de parámetros como phi4-mini o llama3.2:3b son suficientes para tareas domóticas simples y consumen menos de 4 GB de VRAM o memoria unificada, lo que libera recursos para otros contenedores. Si se desea procesar cámaras con visión local, se puede añadir un modelo como moondream2 o un servicio de detección de objetos basado en YOLOv8, que en CPU alcanza entre 5 y 15 FPS dependiendo de la resolución.

La conectividad física también importa. Un coordinador Zigbee USB como el Sonoff ZBDongle-E, de unos 25 euros, o un concentrador Z-Wave 800 serie, de unos 40 euros, permiten crear una red de dispositivos de baja latencia que no dependen de la nube del fabricante. Para cámaras IP, se recomienda el protocolo RTSP con acceso local y grabación en Frigate o motionEye, evitando modelos que solo funcionen mediante apps móviles propietarias. La clave es que cada capa —sensor, automatización, procesamiento de lenguaje y almacenamiento— resida en infraestructura controlada por el usuario.

• Home Assistant OS + openWakeWord + Wyoming conforman el núcleo de voz local.
• Ollama expone LLM accesibles desde la red local con modelos entre 3 y 14 mil millones de parámetros.
• Coordinadores Zigbee/Z-Wave locales cuestan entre 25 y 40 euros y reducen la dependencia de Wi-Fi en la nube.
• Cámaras con RTSP + Frigate permiten grabación y análisis local sin suscripción.

Automatizaciones que mejoran con un modelo local

Una vez conectados los dispositivos, el valor añadido del LLM aparece en escenarios difíciles de codificar con reglas tradicionales. Por ejemplo, un usuario puede decir 'voy a dormir' y dejar que el modelo decida, en función de la hora, la temperatura exterior, el estado de las ventanas y la presencia de otros habitantes, si debe apagar luces, cerrar persianas, activar el modo no molestar y bajar la calefacción. El modelo no ejecuta directamente los dispositivos: genera una secuencia de llamadas a servicios de Home Assistant que la plataforma valida y ejecuta, manteniendo el control humano sobre la lógica final.

Otro caso útil es el resumen contextual de eventos. En lugar de recibir una notificación por cada sensor, un LLM puede procesar un lote de cambios —puerta abierta, movimiento en el jardín, cámara delantera activada— y emitir un único mensaje coherente: 'Detecté movimiento en la entrada mientras no había nadie en casa; la cámara delantera grabó 30 segundos y la cerradura permanece cerrada'. Este tipo de agregación reduce la fatiga de alertas y aprovecha mejor los datos que ya se recogen en la base de datos de Home Assistant, especialmente si se combina con el add-on de historial reciente o con InfluxDB para series temporales.

El modelo también puede actuar como capa de fallback cuando una automatización falla. Si una escena programada no se activa porque un dispositivo no responde, el asistente puede sugerir causas probables —problema de red, batería baja, entidad renombrada— e incluso proponer una corrección provisional. Esta asistencia diagnóstica es particularmente útil en instalaciones con decenas de entidades, donde el registro de errores de Home Assistant puede resultar abrumador. La diferencia con un asistente en la nube es que el diagnóstico y la sugerencia se generan sin que el historial de fallos salga del hogar.

Limitaciones y consideraciones de coste

El principal límite de la IA local es la capacidad de cómputo. Modelos de 7-8 mil millones de parámetros manejan bien instrucciones domóticas, pero pierden precisión en tareas complejas, razonamiento matemático extenso o contextos muy largos. Por eso conviene dividir la funcionalidad: el LLM se encarga de interpretar intenciones y redactar respuestas, mientras que la lógica crítica —seguridad, alarmas, calefacción en frío extremo— sigue regida por automatizaciones explícitas y probadas en Home Assistant. No se debe permitir que un modelo generativo decida acciones irreversibles sin confirmación ni supervisión humana.

El consumo eléctrico es otro factor a tener en cuenta. Un Intel N100 con disco NVMe y varios contenedores consume entre 8 y 15 W, lo que supone unos 25-40 euros anuales si permanece encendido las 24 horas y la tarifa ronda los 0,15 euros por kWh. Un Mac mini M4 en carga media ronda los 12-20 W, mientras que un servidor x86 con GPU dedicada puede superar los 80 W y encarecer el recibo de la luz. A la hora de elegir hardware hay que ponderar cuántos modelos se ejecutarán simultáneamente, si se añadirá visión por computadora y cuántos usuarios concurrentes harán consultas de voz.

La puesta en marcha requiere también un aprendizaje inicial. Configurar Wyoming, definir sentences de asistente, ajustar el contexto del LLM y depurar integraciones Zigbee consume varias horas durante las primeras semanas. No obstante, una vez estabilizado, el mantenimiento se reduce a actualizaciones mensuales de Home Assistant, Ollama y los modelos elegidos. La comunidad ofrece perfiles de asistente preconfigurados y blueprints que aceleran este proceso, aunque adaptarlos a cada instalación sigue siendo necesario.

• Los LLM locales de 7-8B son útiles para intenciones domóticas, no para razonamiento crítico o acciones irreversibles.
• Consumo eléctrico anual: 25-40 euros para un N100, más para Mac mini o servidores con GPU.
• La configuración inicial exige varias horas, pero el mantenimiento posterior es modesto.
• Conviene separar lógica crítica y lógica conversacional para mantener seguridad y predictibilidad.

Conclusión

Combinar Home Assistant con IA local permite construir un hogar conectado que responde en lenguaje natural, resume eventos y ayuda a diagnosticar fallos sin ceder el control de los datos a proveedores externos. La inversión inicial —entre 200 y 700 euros dependiendo del hardware— se amortiza con la eliminación de suscripciones, la privacidad ganada y la flexibilidad de poder cambiar o ampliar componentes sin depender de ecosistemas cerrados. No es una solución instantánea: exige configuración, criterio sobre qué tareas delegar al modelo y hardware adecuado. Pero para quienes valoran la soberanía digital, el resultado es un asistente doméstico realmente propio.

Fuentes

• Home Assistant Official Documentation: Conversational Assistants and Wyoming Protocol, 2025.
• Ollama GitHub repository: Running local LLMs via REST API, 2026.
• NLnet Labs / Zigbee Alliance: Comparison of Zigbee, Z-Wave and Thread mesh networks, 2025.
• Frigate NVR documentation: Local real-time object detection with Coral or CPU, 2026.
• Apple Silicon ML Performance: llama.cpp benchmarks on M4 Neural Engine, MacStories, 2025.