Più bravi a parlare, non ancora a controllare la casa

L’AI generativa ha reso gli assistenti per la casa intelligente più naturali da usare, ma non li ha resi altrettanto affidabili. Il divario emerge soprattutto nelle richieste più semplici: accendere una luce, impostare un dimmer o avviare una routine. In questi casi l’utente non cerca una risposta plausibile. Vuole che il dispositivo giusto cambi stato, subito e senza sorprese.

I problemi riguardano proprio i comandi di base

Le difficoltà segnalate non si limitano alle automazioni complesse o alle richieste con molti passaggi. David Pogue ha raccontato che Alexa+ ha eseguito correttamente “poco meno della metà” di 135 richieste, aggiungendo che l’assistente aveva problemi ad accendere le luci e a impostare correttamente il livello del dimmer. Si tratta di un test personale, non di un benchmark standardizzato, ma il risultato resta significativo per un assistente il cui compito principale è controllare i dispositivi.

Anche gli utenti di Google Home hanno segnalato un problema più specifico: Gemini riesce ad avviare le routine di Home quando lo smartphone non è collegato ad Android Auto, ma può fallire quando Android Auto è attivo. In alcuni casi, gli utenti hanno ricevuto risposte casuali o generiche.

Altri test descrivono Gemini mentre rifiuta di spegnere le luci intelligenti sostenendo di non poter controllare l’illuminazione o altri dispositivi fisici della casa. Android Authority ha inoltre riportato una serie di aggiornamenti destinati a migliorare sveglie, timer, controlli delle luci, velocità di risposta e vari bug, incluso un problema che poteva accendere o spegnere le luci senza l’intervento dell’utente.

Queste segnalazioni non permettono di calcolare un unico tasso di errore valido per tutto il settore. Mostrano però uno schema ricorrente: la capacità di conversare può migliorare mentre l’esecuzione delle azioni quotidiane rimane incostante.

Il linguaggio naturale introduce un problema di controllo

I vecchi assistenti vocali erano più limitati, ma i loro percorsi di controllo erano anche più vincolati. Una richiesta riconosciuta veniva normalmente associata a un’intenzione nota e a un’operazione già validata, per esempio:

setBrightness(device = kitchen, level = 50)

Questo approccio costringeva spesso a usare formule più precise. In compenso, lasciava meno spazio alle interpretazioni e offriva un percorso più prevedibile dalla voce all’azione.

Un assistente basato su un modello linguistico di grandi dimensioni, o LLM, deve svolgere molti più passaggi. Può dover:

1. capire che cosa intende l’utente;
2. risolvere riferimenti come “qui”, “quelle” o “le luci”;
3. identificare la stanza, il dispositivo e le funzioni corrette;
4. scegliere lo strumento o l’API appropriati;
5. fornire parametri validi;
6. considerare lo stato attuale del dispositivo; e
7. riferire con precisione se l’azione è stata davvero completata.

Un errore in qualunque punto può produrre il risultato sbagliato. L’assistente può selezionare il dispositivo errato, confondere una stanza, usare una funzione non supportata, inviare parametri non validi, basarsi su informazioni ormai superate o dichiarare il successo senza verificare che il dispositivo abbia cambiato stato.

La ricerca sul controllo delle case intelligenti tramite LLM individua proprio questi ostacoli: comportamento non deterministico, latenza e costi dell’inferenza e personalizzazione ancora limitata. Gli stessi studi osservano che questi sistemi funzionano meglio quando le richieste sono esplicite e strutturate, rispetto ai casi in cui devono ricostruire autonomamente il contesto.

Conversare ed eseguire sono due forme diverse di intelligenza

Le funzioni promosse da Amazon e Google sono realmente utili. Alexa+ è progettata per collegare una descrizione parlata al dispositivo e alla funzione pertinenti, mentre Google mette in evidenza i comandi composti, le eccezioni e le correzioni inserite a metà frase.

Queste capacità possono essere preziose per:

• descrivere l’atmosfera desiderata e trasformarla in una scena proposta;
• creare una routine senza dover navigare tra menu e impostazioni;
• spiegare che cosa fa un’automazione; e
• convertire una richiesta ambigua in un piano strutturato.

Ma capire una richiesta non equivale a eseguirla. “Rendi la stanza più accogliente per cena” lascia spazio a valutazioni e interpretazioni. “Imposta le luci della cucina al 50%” ha invece un risultato preciso. La prima richiesta beneficia della flessibilità di un modello generativo; la seconda ha bisogno di un percorso di controllo ristretto e verificabile.

Questa distinzione spiega perché un assistente possa gestire in modo brillante una frase complessa e fallire con un comando elementare sulle luci. La complessità del linguaggio non coincide con la complessità dell’esecuzione. Una richiesta che coinvolge più dispositivi può riuscire se il modello sceglie per caso gli strumenti e i parametri corretti, mentre una frase breve può fallire se si rompe la risoluzione del dispositivo o il riconoscimento delle sue funzioni.

Anche la latenza fa sembrare il sistema inaffidabile

La correttezza è solo una parte dell’affidabilità. Un comando per la casa intelligente deve anche produrre una risposta in tempi ragionevolmente prevedibili. Una luce che si accende dopo una lunga pausa, o solo dopo che l’utente ha ripetuto la richiesta, dà una sensazione di malfunzionamento anche se alla fine lo stato corretto viene raggiunto.

Una recensione di Alexa+ ha rilevato risposte che in alcuni casi arrivavano dopo 15 secondi, sebbene le azioni di base su luci e termostato potessero essere più rapide in determinate situazioni. Le analisi degli aggiornamenti di Gemini for Home hanno indicato a loro volta interventi per velocizzare le risposte e renderle più brevi nei comandi quotidiani, segno che la latenza resta un problema tecnico aperto.

Elaborazione nel cloud, scelta del modello, individuazione del dispositivo e chiamate agli strumenti possono aggiungere ritardi. Il risultato è un sistema potenzialmente più capace, ma meno prevedibile nel momento in cui serve.

I primi utenti stanno diventando collaudatori?

La distribuzione continua degli aggiornamenti è ormai normale nel software. Un miglioramento progressivo può essere accettabile per funzioni conversazionali a basso rischio. Il controllo della casa è diverso, perché gli errori riguardano dispositivi fisici e routine consolidate. Se un aggiornamento modifica il comportamento di luci, allarmi o automazioni, l’utente sperimenta il problema nel proprio ambiente domestico, non dentro l’interfaccia astratta di un chatbot.

La sequenza di lamentele dopo il lancio, seguita da correzioni e aggiornamenti sulla stabilità, non dimostra che i produttori abbiano deliberatamente messo in vendita prodotti incompleti. Mostra però che i clienti stanno incontrando problemi mentre i sistemi vengono ancora regolati. Le segnalazioni di automazioni saltate, routine non eseguite, risposte incoerenti e nuove lamentele degli utenti fanno sembrare particolarmente costoso il modello “rilasciare, raccogliere dati e migliorare” quando viene applicato al controllo quotidiano della casa.

Un’implementazione più sicura dovrebbe mantenere un percorso deterministico e affidabile per i comandi di routine, introducendo le funzioni generative intorno a quel nucleo. In questo modo gli utenti otterrebbero una conversazione più naturale senza perdere il patto fondamentale della domotica: quando impartiscono un comando conosciuto, il dispositivo previsto deve raggiungere lo stato previsto.

La soluzione più probabile è un’architettura ibrida

La strada più pratica non consiste nell’eliminare gli LLM dalla casa intelligente, ma nel limitarne il ruolo nei punti in cui gli errori hanno conseguenze maggiori.

Un sistema robusto potrebbe usare un LLM per comprendere il linguaggio e preparare un piano, affidando poi il risultato a un livello di controllo capace di offrire:

• selezione di dispositivi e parametri validata tramite schemi;
• autorizzazioni esplicite per le azioni più sensibili;
• verifica dello stato prima e dopo l’esecuzione;
• tentativi automatici e gestione chiara degli errori; e
• una conferma che distingua tra azione pianificata e azione realmente completata.

Una linea di ricerca propone un approccio collegato a questo principio: durante una fase di compilazione, l’LLM genera artefatti eseguibili; in fase di esecuzione, invece, l’orchestrazione del flusso gestisce diramazioni, scelta degli strumenti, nuovi tentativi ed errori in modo deterministico, senza mantenere il modello nel percorso di controllo.

Applicato alla casa intelligente, il principio è semplice: il modello può aiutare a esprimere l’intenzione dell’utente, ma non dovrebbe essere l’unica autorità che decide, ogni volta, quale azione fisica compiere. Più un comando assomiglia a una transazione fissa con un dispositivo, più il suo percorso di esecuzione dovrebbe essere vincolato, testabile e verificabile.

Il punto in breve

Alexa Plus e Gemini for Home mostrano una lezione più ampia sull’AI generativa: parlare meglio non significa automaticamente saper operare meglio. Le prove di recensori, utenti e pubblicazioni tecnologiche descrivono assistenti capaci di comprendere contesti più ricchi e comporre richieste ambiziose, ma ancora inclini a sbagliare con luci, dimmer, allarmi e routine.

L’assistente domestico più solido sarà probabilmente quello che combina entrambi gli approcci. L’AI generativa può rendere più flessibili la configurazione e la conversazione; il software deterministico deve rendere l’azione finale precisa, rapida e verificabile. Finché questo confine non sarà progettato correttamente, un assistente più loquace potrà sembrare più intelligente, pur svolgendo con meno affidabilità proprio le attività di base per cui la casa intelligente dovrebbe essere utile.