Waarom AI-assistenten voor het slimme huis nog steeds struikelen over de basis

Deze meldingen bewijzen geen uniform uitvalpercentage voor de hele sector. Ze laten wel een terugkerend patroon zien: de gespreksvaardigheid kan vooruitgaan terwijl de dagelijkse uitvoering onvoorspelbaar blijft.

Waarom natuurlijke taal de bediening ingewikkelder maakt

De oudere spraakassistenten waren beperkt, maar hun bedieningsroute was relatief overzichtelijk. Een herkende opdracht werd gekoppeld aan een bekende intentie en een vooraf gecontroleerde handeling, bijvoorbeeld:

Daarvoor moesten gebruikers zich vaker aan vaste formuleringen houden. Daar stond tegenover dat het systeem minder mogelijke interpretaties had en dat de route van stemcommando naar apparaatactie beter herhaalbaar was.

Een assistent die op een groot taalmodel (LLM) draait, heeft een veel bredere taak. Hij moet mogelijk:

1. achterhalen wat de gebruiker bedoelt;
2. verwijzingen als “hier”, “die” of “de lampen” oplossen;
3. de juiste kamer, het juiste apparaat en de beschikbare functie vinden;
4. het juiste hulpmiddel of de juiste API selecteren;
5. geldige parameters invullen;
6. rekening houden met de actuele status van het apparaat; en
7. nauwkeurig melden of de actie daadwerkelijk is gelukt.

Op elk van die punten kan het misgaan. De assistent kan het verkeerde apparaat kiezen, een kamer verkeerd interpreteren, een niet-ondersteunde functie proberen te gebruiken, ongeldige parameters versturen, met verouderde statusinformatie werken of succes claimen zonder te controleren of het apparaat echt is veranderd.

Onderzoek naar LLM’s voor slimme-huisbediening noemt niet-deterministisch gedrag, de tijd en kosten van modelinferentie en beperkte personalisatie als belangrijke obstakels voor betrouwbare apparaatcontrole. De systemen presteren beter wanneer opdrachten expliciet en gestructureerd zijn dan wanneer ze veel context zelf moeten afleiden.

Praten en uitvoeren vragen om andere kwaliteiten

De functies die Amazon en Google beloven zijn op zichzelf nuttig. Alexa+ moet een gesproken beschrijving kunnen koppelen aan het juiste apparaat en de juiste functie. Google benadrukt dat Gemini meerdere opdrachten, uitzonderingen en correcties midden in een zin begrijpt.

Dat is handig voor bijvoorbeeld:

• het beschrijven van een gewenste sfeer en daar een scène van maken;
• het aanmaken van een routine zonder door ingewikkelde app-menu’s te gaan;
• het uitleggen van wat een automatisering doet; en
• het omzetten van een vage vraag in een concreet stappenplan.

Maar een opdracht begrijpen is iets anders dan haar uitvoeren. “Maak de kamer gezellig voor het diner” laat ruimte voor interpretatie. “Zet de keukenlampen op 50 procent” heeft een vast eindresultaat. Voor het eerste is een flexibel taalmodel nuttig; voor het tweede is juist een smalle, controleerbare bedieningsroute beter.

Dat verklaart waarom een assistent soms indrukwekkend overweg kan met een ingewikkelde zin, maar faalt bij een eenvoudig lichtcommando. Taalcomplexiteit is niet hetzelfde als uitvoeringscomplexiteit. Een opdracht voor meerdere apparaten kan lukken als het model toevallig de juiste hulpmiddelen en parameters kiest. Een korte opdracht kan misgaan zodra apparaatdetectie of het herkennen van mogelijkheden hapert.

Vertraging maakt betrouwbaarheid voelbaar

Betrouwbaarheid draait bovendien niet alleen om het eindresultaat. Een slimme-huisopdracht moet ook binnen een redelijk voorspelbare tijd reageren. Een lamp die pas na een lange stilte aangaat — of pas nadat de gebruiker het commando heeft herhaald — voelt onbetrouwbaar, zelfs als de uiteindelijke status klopt.

In een review van Alexa+ duurden sommige antwoorden tot 15 seconden, al konden eenvoudige acties zoals een lamp inschakelen of een thermostaat aanpassen soms sneller worden uitgevoerd. Bij Gemini for Home waren er aparte updates gericht op snellere reacties en kortere antwoorden voor alledaagse opdrachten. Dat suggereert dat vertraging nog altijd een belangrijk technisch aandachtspunt is.

Verwerking in de cloud, het kiezen van een model, het zoeken naar apparaten en het aanroepen van hulpmiddelen kunnen allemaal extra tijd kosten. Zo ontstaat een systeem dat in theorie meer kan, maar in het dagelijks gebruik minder voorspelbaar aanvoelt.

Worden vroege gebruikers onbedoeld testers?

Software wordt tegenwoordig voortdurend bijgewerkt. Voor gesprekken of andere functies met weinig risico kan zo’n stapsgewijze aanpak verdedigbaar zijn. Slimme-huisbediening ligt anders: fouten hebben gevolgen in de fysieke wereld en kunnen bestaande routines verstoren.

Als een update ervoor zorgt dat lampen, alarmen of automatiseringen zich anders gedragen, merkt de gebruiker dat niet in een abstracte chatbotinterface maar gewoon thuis. De opeenvolging van klachten na nieuwe uitrollen, gevolgd door reparaties en betrouwbaarheidsupdates, bewijst niet dat fabrikanten bewust onafgewerkte producten lanceren. Wel laat ze zien dat klanten problemen tegenkomen terwijl de systemen nog worden bijgesteld. Meldingen over overgeslagen automatiseringen, kapotte routines en wisselende antwoorden maken het model van “uitbrengen, gegevens verzamelen en verbeteren” bijzonder kostbaar wanneer het om dagelijkse bediening gaat.

Een veiliger uitrolmodel zou een betrouwbare, deterministische route voor vaste opdrachten behouden en daar generatieve functies omheen bouwen. Gebruikers krijgen dan de voordelen van natuurlijke gesprekken zonder de basisbelofte van domotica kwijt te raken: bij een bekend commando moet het bedoelde apparaat meteen de bedoelde status bereiken.

De oplossing is waarschijnlijk hybride

De meest praktische aanpak is niet om LLM’s volledig uit het slimme huis te verwijderen. Het is verstandiger om ze een beperktere rol te geven op het moment dat fouten het meest ingrijpend zijn.

Een robuust systeem kan een taalmodel gebruiken voor taalbegrip en planning, en het resultaat vervolgens doorgeven aan een controlelaag met:

• gevalideerde selectie van apparaten en parameters;
• expliciete toestemmingen voor gevoelige acties;
• controles van de actuele status vóór en na uitvoering;
• pogingen om een mislukte actie veilig opnieuw uit te voeren; en
• een duidelijke bevestiging die onderscheid maakt tussen een geplande en een voltooide actie.

Een vergelijkbare onderzoekslijn, “compiled AI”, laat een LLM tijdens een voorbereidende compilatiefase uitvoerbare onderdelen genereren. Tijdens de uitvoering neemt vaste workflowsoftware vervolgens de vertakkingen, hulpmiddelen, foutafhandeling en nieuwe pogingen over, zonder dat het taalmodel voortdurend de controle houdt.

Voor slimme huizen betekent dat: het model mag helpen om de bedoeling van de gebruiker te verwoorden, maar zou niet telkens als enige autoriteit moeten bepalen welke fysieke actie plaatsvindt. Hoe dichter een opdracht bij een vaste apparaattransactie ligt, hoe strakker en beter testbaar de uitvoeringsroute moet zijn.

De kern van het probleem

Alexa+ en Gemini for Home illustreren een bredere les over generatieve AI: beter kunnen praten betekent niet automatisch beter kunnen bedienen. Tests van recensenten, ervaringen van gebruikers en berichtgeving in de technologiesector wijzen op assistenten die rijkere context begrijpen en ambitieuzere opdrachten kunnen samenstellen, maar nog steeds struikelen over lampen, dimmers, alarmen en routines.

De slimme-huisassistent die uiteindelijk standhoudt, zal waarschijnlijk beide benaderingen combineren. Generatieve AI kan installatie en gesprekken flexibeler maken. Deterministische software moet de uiteindelijke actie nauwkeurig, snel en controleerbaar uitvoeren. Zolang die grens niet goed is ontworpen, kan een assistent slimmer klinken en toch minder betrouwbaar zijn in de basistaken waarvoor mensen hun huisautomatisering juist gebruiken.