KI-gestützte Smart-Home-Automatisierung

Smart Home hieß lange: starre Regeln („wenn Bewegung, dann Licht“), die mühsam einzurichten und im Alltag brüchig sind. KI ergänzt Steuerung per natürlicher Sprache und Stimme, aus einem Satz erzeugte Automatisierungen, aus dem Verhalten gelernte Routinen, preis- und prognosebewusste Energiesteuerung und Anomalie- Warnungen. Die zentrale Gestaltungsfrage in der EU lautet, wo die Intelligenz läuft: lokal auf einem Hub oder in einer Cloud des Herstellers, die alles sieht, was im Haus geschieht.

Problem & Nutzen

• Heute: Haushalte und kleine Vermieter jonglieren mit mehreren Hersteller-Apps, handgeschriebenen Regeln und fragilen Cloud-Anbindungen. Sprachassistenten bewältigen einfache Befehle, scheitern aber bei zusammengesetzten oder kontextabhängigen Anfragen. Heizung und Stromverbrauch werden selten an dynamischen Tarifen ausgerichtet.
• KI-Nutzen: (1) Steuerung vieler Geräte im Dialog über eine einzige Oberfläche, (2) in einfacher Sprache verfasste und dem Nutzer erläuterte Automatisierungen, (3) Optimierung von Wärmepumpe, PV, Batterie und E-Auto-Laden anhand von Tarifen und Prognosen, (4) Frühwarnung (Wasserleck, Geräte- ausfall, ungewöhnliche nächtliche Aktivität), (5) Barrierefreiheit für Menschen mit eingeschränkter Mobilität oder Sehkraft.
• Belegstand: Hersteller veröffentlichen Energiesparversprechen für lernende Thermostate und Optimierungs- funktionen, doch diese hängen stark vom Haus und der Ausgangslage ab; messen Sie Ihren eigenen Verbrauch vor und nach der Einführung, statt sich auf Schlagzeilenzahlen zu verlassen. Einen allgemein anerkannten unabhängigen Maßstab für die Qualität von Assistenten im Haushalt gibt es nicht.

Varianten

• Privathaushalt: Hub-basierte Einrichtung mit lokaler Sprache und lokalem LLM oder ein Assistent eines gängigen Ökosystems.
• Energiefokus: Home-Energy-Management (HEMS) für PV, Batterie, Wärmepumpe und Wallbox; siehe OPT-007, PRED-031.
• Betreutes Wohnen / Ältere: Warnungen bei Abweichungen von Routinen und Sprachsteuerung; siehe CONV-016 (sensibel, Fragen von Einwilligung und Würde).
• Vermieter, Ferienwohnungen, kleine Büros: Fernzugriff, Leck- und belegungsabhängige Heizung, Gäste-Check-in; Datenschutzregeln für Mieter gelten.
• Überwachungskameras und Türklingeln: Personen-/Paketerkennung am Rand (Edge). Gesichtserkennung von Besuchern ist ein biometrisches Thema, wird gesondert behandelt und hier nicht empfohlen.

So funktioniert es

1. sensors & devices (Matter / Zigbee / Z-Wave / Thread / MQTT)
2. hub / gateway (state model, local rules engine)
3. perception: wake word
4. speech-to-text
5. intent
6. LLM agent with tool calls restricted to an exposed-entity allowlist
7. planner / energy optimiser (tariff, weather, PV forecast, comfort constraints)
8. device commands + confirmation to user
9. logs, anomaly detection, user feedback

• Stimme und Sprache: Weckwort und Sprache-zu-Text auf dem Gerät; ein kleines LLM (oder ein deterministischer Intent- Abgleich mit LLM als Rückfall) ordnet Anfragen per Tool-Aufruf Geräteaktionen zu.
• Erstellung von Automatisierungen: Das LLM entwirft aus einem Satz eine YAML/JSON-Automatisierung; der Nutzer prüft eine lesbare Vorschau vor der Aktivierung.
• Routinen lernen: Statistische oder Reinforcement-Learning-Modelle leiten Zeitpläne und Vorheizzeiten ab; halten Sie sie durch feste Komfort- und Sicherheitsgrenzen begrenzt.
• Anomalieerkennung: Zeitreihenmodelle auf Strom-, Wasser- und Temperaturdaten.
• Mensch-in-der-Schleife (Human-in-the-Loop): Bestätigung bei sicherheitsrelevanten Aktionen (Türen entriegeln, Alarm deaktivieren, Garagentore öffnen); physische Übersteuerung ist stets möglich; deterministische Sicherheitslogik (Rauch, Gas, Frost- schutz) wird nie einem LLM überlassen.

Datenaufbereitung

Smart-Home-KI braucht ein Geräteinventar, Sensor- und Aktorzustände, Zeitpläne, Daten von Energiezähler und Tarif, Anwesenheitsinformationen und Nutzerpräferenzen. Zu Hause oder in einem kleinen Betrieb liegen diese in Hersteller-Apps, im Router, im Portal des Energiezählers, in Tabellen und in Unterlagen des Installateurs.

Typische Lücken: Geräte verschiedener Hersteller und Protokolle (Zigbee, Matter, KNX, WLAN) mit uneinheitlichen Namen, keine Zuordnung zu Raum oder Zone, fehlende Historie, reine Cloud-Geräte ohne lokale Schnittstelle sowie schwache Zugriffskontrolle und Standardpasswörter.

Schritte der Aufbereitung: (1) alle Geräte inventarisieren und Raum, Funktion und eindeutige Namen zuweisen (siehe PREP-011, PREP-015); (2) lokale Protokolle wie Matter, Zigbee oder KNX bevorzugen und alles an einen Hub anbinden; (3) einige Wochen lang die Historie (Energie, Temperatur, Anwesenheit) aufzeichnen, bevor brauchbare Prognosen erwartet werden; (4) entscheiden, welche Daten das Gebäude verlassen dürfen und welche nur lokal verarbeitet werden (PREP-024); (5) Konten, Netzsegmente und Updates einrichten. Werkzeuge: Home Assistant, MQTT-Broker, Unterlagen des Installateurs.

Grober Aufwandsanteil: 10–20 Prozent, überwiegend Benennung und Integration. Weitergehende Datenprüfungen deckt GUIDE-003 ab.

Umsetzungswege

Welcher Weg für wen

• Privat: Weg C — Home Assistant lokal mit einem kleinen lokalen Modell hält Kamera-, Anwesenheits- und Sprachdaten zu Hause und vermeidet Herstellerbindung.
• KMU: Weg A — ausgereifte Gebäudeautomations-Produkte (z. B. KNX, Loxone, Shelly-Ökosysteme über einen Installateur) decken die Standardanforderungen für Büros und kleine Immobilien mit Support und Gewährleistung ab.
• Entwickler: Weg C — Open-Source-Lösungen wie Home Assistant, MQTT und lokale LLMs bieten volle Kontrolle für eigene Integrationen.

Weg A — Kaufen (Standardsoftware)

• Assistenten der Ökosysteme: Google Gemini for Home, Amazon Alexa+, Apple Home mit Siri, Samsung SmartThings; breite Geräteunterstützung, aber Cloud-Verarbeitung und Datenrichtlinien der Anbieter.
• Hub- und Energieprodukte: Homey (EU, Niederlande/Dänemark), Loxone (EU, Österreich), Home Assistant Green/Yellow (Nabu Casa, Open Source), Shelly (EU, Bulgarien), tado° (EU, Deutschland) für die Heizung, Bosch Smart Home (EU, Deutschland), KNX-Systeme von Hager/Busch-Jaeger/Gira (EU), dazu Energiemanager von Wechselrichter- und Wärmepumpenherstellern (z. B. SMA, Viessmann, Stiebel Eltron).
• A wählen, wenn: Sie geringen Aufwand wünschen, die Cloud des Herstellers akzeptieren und gängige Geräte nutzen. Prüfen Sie die Matter-Unterstützung, Möglichkeiten zur lokalen Steuerung, Datenhosting in der EU und wie lange der Hersteller Updates zusagt.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLM-Dialogagent auf einem offenen Hub (Home-Assistant-Integrationen für OpenAI, Anthropic, Google, Mistral und andere): Geben Sie nur ausgewählte Entitäten frei, beschränken Sie die Werkzeuge und senden Sie keine Kamerabilder oder Anwesenheitshistorie.
• Mistral (EU) oder Cloud-Endpunkte in EU-Regionen, wo ein Cloud-LLM gewünscht ist; entfernen Sie Namen und Adressen aus den Prompts.
• Orchestrierung: Home Assistant, Node-RED, MQTT-Broker, n8n für Benachrichtigungen und Zusammenfassungen.
• B wählen, wenn: Sie ein besseres Sprachverständnis brauchen, als ein kleines lokales Modell bietet, und akzeptieren können, dass Befehlstext (nicht rohe Sensordatenströme) das Haus verlässt.

Weg C — Selbst betreiben (Open Source)

• Plattform: Home Assistant mit der Sprachpipeline Assist; openHAB oder ioBroker als Alternativen; Zigbee2MQTT, Z-Wave JS, Matter-Server, Mosquitto.
• Sprache: Komponenten der Whisper-Familie oder Piper/Wyoming-Protokoll für Sprache-zu-Text und Text-zu-Sprache (Werkzeuge der Open Home Foundation).
• LLMs: kleine Modelle mit offenen Gewichten (Llama, Qwen, Gemma, Mistral-Familien, 3–8B) über Ollama oder llama.cpp für Dialog und Tool-Aufrufe; zuerst deterministischer Intent-Abgleich, LLM als Rückfall, um Latenz zu sparen.
• Bildverarbeitung: Frigate NVR mit Objekterkennung auf einem Coral- oder Hailo-Beschleuniger für Personen-/Fahrzeug-/Paketereignisse, nur lokal.
• Hardware: HW1 (Mini-PC oder Raspberry-Pi-Klasse für den Hub; ein N100-Mini-PC oder eine kleine GPU für ein 3–8B-Modell). Schwache CPUs machen lokale LLM-Antworten langsam, daher trennen viele Nutzer Hub und Inferenz-Rechner.

Weg D — Eigenes Training

Für einen Haushalt selten nötig. Erwägenswert für Hersteller und große Immobilienbetreiber: Feintuning kleiner Modelle für die Zuordnung von Absicht zu Geräteaktion in der eigenen Geräteontologie, Weckwort-Modelle in lokalen Sprachen oder Belegungs- und Lastprognosemodelle aus den Daten der eigenen Flotte (erfordert Datenerhebung auf Basis von Einwilligungen).

Stand der Technik (2026)

• Matter (Connectivity Standards Alliance) über Thread/WLAN ist die Interoperabilitätsschicht; es hat lokale Steuerung und die Unterstützung mehrerer Ökosysteme vorangebracht, doch Abdeckung der Gerätetypen und Funktionsumfang variieren weiterhin je Hersteller [1].
• LLM-basierte Assistenten haben die reine Intent-Sprachsteuerung in den großen Ökosystemen abgelöst; offene Plattformen bieten lokal ausgerichtete Sprachpipelines und LLM-Dialogagenten mit kontrolliertem Werkzeugzugriff [2].
• Edge-Inferenz: quantisierte kleine LLMs und Beschleuniger machen vollständig lokale Sprachsteuerung machbar, doch Latenz und mehrstufiges Schlussfolgern bleiben schwächer als bei Cloud-Modellen.
• Grenzen und Fehlerbilder: missverstandene Befehle in lauten Räumen; halluzinierte Gerätenamen oder Aktionen; Prompt Injection über Text in Kalendereinträgen, Benachrichtigungen oder Webinhalten, die der Agent liest; zu weit gefasste Berechtigungen (ein LLM, das Türen entriegeln kann); gelernte Routinen, die nach einer Veränderung der Lebenssituation fehlschlagen; Abschaltungen der Hersteller-Cloud, die Geräte stranden lassen; fragmentierte Standards.

Gemeinsame Bausteine & Kombinationen

• ROBO-011 (TinyML-Sensoren) teilt sich die Edge-Laufzeit und die Sensor-Firmware; ROBO-018 teilt sich den Inferenz-Stack auf dem Gerät in anderer Bauform.
• CONV-014 / CONV-015 / CONV-016: Sprachassistenten, persönliche Assistenten und Begleiter für ältere Menschen nutzen dieselbe ASR-, TTS- und Tool-Aufruf-Pipeline.
• OPT-007, PRED-031, PRED-007, PRED-048: Energieoptimierung von Gebäuden, Smart-Meter-Disaggregation, Lastprognose und Gebäudeleistung.
• Dieselbe Hub-Hardware (HW1) kann auch lokale Bildverarbeitung und MQTT-Analysen hosten.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis Tage; Gerätekosten dominieren, Abonnements für Premium-Assistenten oder Cloud-Video.
• Weg B: Tage bis Wochen Konfiguration; die API-Nutzungskosten sind bei Textbefehlen gering.
• Weg C: Wochen für die Ersteinrichtung und laufende Pflege (Updates, Backups, Optimierung des Zigbee-Mesh); Hardware vom kleinen Hub bis zum Mini-PC oder zur GPU.
• Kennzahlen: Erfolgsquote und Latenz der Befehle, Rate falscher Auslösungen, Energieverbrauch und -kosten gegenüber der Ausgangslage (kWh, EUR), Eigenverbrauchsanteil der PV, manuelle Eingriffe pro Woche, Genauigkeit der Warnungen, Anteil der lokal gehaltenen Verarbeitung.

Menschen & Veränderung

Beziehen Sie den Eigentümer oder die Geschäftsleitung für Budget und Prioritäten ein, die Menschen, die im Gebäude wohnen oder arbeiten, als Endnutzer, die IT (oder den Installateur) für Netzwerk und Konten sowie Lieferanten wie Installateur und Gerätehersteller. Die Datenschutzbeauftragte ist relevant, wenn Kameras, Anwesenheits- oder Sprachdaten Beschäftigte, Mieter oder Besucher erfassen.

Betriebsrat: abhängig vom Einzelfall. In einem Privathaushalt nein. In einem Firmengebäude können Anwesenheitssensoren, Zugangsprotokolle, Kamera- oder Belegungsanalysen geeignet sein, Beschäftigte zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG, objektive Eignung genügt); beziehen Sie den Betriebsrat daher vor der Einführung ein und vereinbaren Sie Zwecke, Speicherfristen und den Ausschluss individueller Bewertung. Unterrichten Sie ihn auch nach § 90 Abs. 1 Nr. 3, wo sich Arbeitsprozesse ändern.

Eine DSFA ist bei Kameras oder Anwesenheitserfassung von Personen am Arbeitsplatz oder in gemeinsam genutzten Räumen wahrscheinlich; schließen Sie mit Cloud-Anbietern einen AVV. Fördern Sie die KI-Kompetenz (Art. 4 KI-Verordnung) durch eine kurze Einweisung, was der Assistent tut, was er aufzeichnet und wie man ihn übersteuert. Beginnen Sie mit einem Raum oder einer Funktion (z. B. Heizung), beziehen Sie eine kleine Pilotgruppe ein, kommunizieren Sie offen über die Sensoren und begegnen Sie Datenschutzbedenken mit lokaler Verarbeitung und sichtbaren Ausschaltern. Die manuelle Bedienung muss stets möglich bleiben und Vorrang vor der Automatisierung haben.

Leitfäden: GUIDE-005, GUIDE-007, GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko (Pflicht zur KI-Kompetenz, Art. 4, für professionelle Betreiber). Heikel wird es, wenn das System Emotionen ableitet (Emotionserkennung ist am Arbeitsplatz und in der Bildung nach Art. 5 Abs. 1 Buchst. f verboten; im privaten Haushalt als solchem nicht, sollte aber vermieden werden), biometrische Identifizierung nutzt oder zur Überwachung von Beschäftigten oder Mietern eingesetzt wird. Sicherheitsbauteile regulierter Produkte können über Sektorrecht unter die Hochrisiko-Regeln fallen. Dialogassistenten erfordern Transparenz darüber, dass Nutzer mit KI interagieren (Art. 50) [3].
• DSGVO: Haushaltsdaten verraten Gewohnheiten, Anwesenheit, Gesundheit und Beziehungen. Die Haushaltsausnahme deckt rein persönliche Nutzung, nicht aber Vermieter, Arbeitgeber, Pflegeanbieter oder Hersteller, die die Daten verarbeiten. Wenden Sie Datensparsamkeit, lokale Verarbeitung und Speicherfristen an und informieren Sie Gäste, Mieter und Besucher klar, besonders bei Kameras und Mikrofonen [4].
• Cyber Resilience Act und Funkanlagenrichtlinie: In der EU verkaufte vernetzte Produkte unterliegen Sicherheitsanforderungen (Updates, Umgang mit Schwachstellen), die bis 2027 schrittweise greifen [5]. Bevorzugen Sie Anbieter mit Support-Zusagen.
• Data Act: Seit September 2025 haben Nutzer Rechte auf Zugang zu Daten, die von vernetzten Produkten erzeugt werden; das erleichtert Portabilität und unabhängiges Energiemanagement [6].
• Sicherheitsrisiken: offen erreichbare Hubs, schwache Zugangsdaten, bösartige Integrationen, Prompt Injection. Gegenmaßnahmen: Netzwerksegmentierung (IoT-VLAN), keine Portweiterleitung (VPN nutzen), Freigabe von Entitäten nach dem Prinzip der minimalen Rechte, Bestätigung bei Schlössern und Alarmen, lokale Backups.

Erste Schritte

1. Listen Sie Geräte und Ziele (Komfort, Energie, Sicherheit) auf; prüfen Sie Matter-Unterstützung und Fähigkeit zur lokalen Steuerung, bevor Sie weitere Geräte kaufen.
2. Richten Sie einen lokalen Hub (z. B. Home Assistant) in einem segmentierten Netz ein; migrieren Sie die Geräte Raum für Raum.
3. Ergänzen Sie zuerst die lokale Sprachsteuerung; fügen Sie ein Cloud-LLM nur für ausgewählte Entitäten hinzu, wenn die lokale Qualität nicht ausreicht.
4. Ergänzen Sie Energiedaten (Smart Meter, PV, Wärmepumpe) und messen Sie 4 Wochen lang eine Ausgangslage, bevor Sie die Optimierung aktivieren.
5. Legen Sie harte Sicherheitsregeln und eine Berechtigungsliste für den KI-Agenten fest; prüfen Sie die Protokolle monatlich.

Quellen

Accessed 2026-10. Fact-checked 2026-10 (regulatory dates and vendor names); links are primary sources. 1. Connectivity Standards Alliance — Matter — https://csa-iot.org/all-solutions/matter/ 2. Home Assistant — Assist voice control and conversation agents — https://www.home-assistant.io/voice_control/ 3. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj 4. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj 5. Regulation (EU) 2024/2847 (Cyber Resilience Act) — https://eur-lex.europa.eu/eli/reg/2024/2847/oj 6. Regulation (EU) 2023/2854 (Data Act) — https://eur-lex.europa.eu/eli/reg/2023/2854/oj 7. Frigate NVR — https://github.com/blakeblackshear/frigate 8. EDPB Guidelines 01/2020 on connected vehicles and mobility-related apps / Guidelines 3/2019 on video devices — https://www.edpb.europa.eu/our-work-tools/general-guidance/guidelines-recommendations-best-practices_en