Jarenlang betekende "slim huis" één ding: als-dan. Een temperatuursensor leest 18°C → de thermostaat springt aan. Beweging gedetecteerd om middernacht → lichten gaan aan op 30%. Dit zijn scripts, geen intelligentie. Ze zijn rigide, voorspelbaar en volledig blind voor context.
Dat verandert. Agentische AI — het paradigma waarbij AI niet alleen vragen beantwoordt maar ook plant, tools gebruikt en meerstaps taken uitvoert — komt de huisautomatisering binnen. En het is een fundamenteel andere aanpak.
In plaats van regels te schrijven, vertel je je huis wat je wilt. De agent bedenkt de stappen, kiest de juiste tools en past zich aan wanneer dingen niet volgens plan verlopen. Dit alles draait lokaal, op edge hardware, zonder cloud-afhankelijkheid.
Wat is een AI-agent?
Een AI-agent is een LLM in een lus: waarnemen → redeneren → handelen → observeren → herhalen. In tegenstelling tot een standaard chatbot die tekst genereert en stopt, heeft een agent toegang tot tools — API's die hij kan aanroepen om sensoren uit te lezen, instellingen te wijzigen of acties te activeren — en een planningslus waarmee hij meerdere stappen aan elkaar kan koppelen.
De kernelementen van een agent zijn:
- LLM-backbone — De redeneermotor. Meestal een 3B-7B parameter model dat lokaal draait (Qwen 2.5, Llama 3.2).
- Tooldefinities — Beschrijvingen van beschikbare API's als gestructureerde schema's. "set_thermostat(kamer, temp)", "get_temperature(kamer)", "lock_door(kamer)".
- Planningslus — De agent ontvangt een doel, genereert een plan, voert tool-aanroepen één voor één uit, controleert resultaten en past aan.
- Geheugen — Kortetermijn (binnen een taak) en langetermijn (voorkeuren, eerdere acties, aangeleerde patronen).
2. Plan: De agent splitst dit in deeltaken — eetkamer scène instellen, oven voorverwarmen op 180°C, ambient playlist afspelen, poort ontgrendelen om 18:50.
3. Uitvoeren: Elke stap roept de relevante API aan. De agent controleert retourwaarden om succes te bevestigen.
4. Aanpassen: Als de playlist-API faalt, valt de agent terug op een andere streamingbron. Als de aankomsttijd van gasten is gewijzigd (gedetecteerd via de kalender), past hij het schema aan.
5. Rapporteren: "De voorbereidingen voor het diner zijn bezig. De eetkamer is ingesteld, de oven warmt voor en de poort wordt ontgrendeld wanneer Sarah arriveert."
Scripts vs. Agents: Een Praktische Vergelijking
Laten we bekijken wat dit in de praktijk betekent met drie realistische scenario's.
Scenario: "Ik ga naar bed"
Scriptgestuurd huis: Voert een vaste "goedenacht" scène uit — lichten uit, thermostaat naar 18°C, deuren op slot. Elke nacht precies hetzelfde. Als de kinderen nog wakker zijn, pech. Als het een hittegolf is en 18°C te koud is, maakt niet uit.
Agent-gestuurd huis: Controleert de tijd, de huidige temperatuur in elke kamer, of de kinderkamers beweging vertonen (nog wakker) en je slaapgeschiedenis (je hebt liever 20°C op warme nachten). Stelt elke zone gepast in: kinderkamer verlichting dimt langzaam, hoofdslaapkamer naar 20°C met een ventilator, buitendeuren op slot. Rapporteert dan: "Welterusten — ik heb het ganglicht aan gelaten voor de kinderen en ik controleer de deuren over 15 minuten opnieuw."
Scenario: "Energiepiek gedetecteerd"
Scriptgestuurd huis: Stuurt een melding. "Energieverbruik is hoger dan gemiddeld." Jij onderzoekt het of negeert het.
Agent-gestuurd huis: Ontvangt de anomalie van de energiemonitor, kruisverwijst met bekende apparaten en schema's. Controleert: draait de warmtepomp tijdens piekuren? Is de EV-lader actief wanneer dat niet zou moeten? Trekt een apparaat onverwacht stroom? Als de warmtepomp aan stond in een lege kamer, past de agent proactief de zone-temperatuur aan en vraagt: "Ik merkte dat de gastenkamer warmtepomp aan stond terwijl er niemand is — ik heb hem lager gezet. Wil je dat ik een schema instel om dit te voorkomen?"
Scenario: "Filmavond"
Scriptgestuurd huis: Voert een "filmmode" scène uit — lichten naar 10%, gordijnen dicht, tv op HDMI 1. Dat is alles.
Agent-gestuurd huis: Controleert de kalender voor aankomende gebeurtenissen (als er over 30 minuten gasten arriveren, past hij de timing aan). Checkt wie er thuis is en hun mediavoorkeuren. Selecteert de juiste tv-ingang, stelt de soundbar in op de juiste modus (nachtmodus als de kinderen slapen), past de airco aan om lichaamswarmte te compenseren en bereidt een snackherinnering voor. Het draait geen vaste scène — het stelt er één samen op basis van context.
Van RAG naar Agents: De Evolutie
Als je hebt gelezen over RAG voor slimme huizen, weet je al hoe lokale AI je huis een kennisbank geeft — apparaathandleidingen, voorkeuren, schema's — opgehaald op het moment van een query. RAG maakt je huis kennisrijk.
Agentische AI is de volgende stap. Het maakt je huis bekwaam. In plaats van alleen informatie op te halen en vragen te beantwoorden, pakt de agent de opgehaalde context op en handelt ernaar — API's aanroepen, operaties aaneenschakelen en zich onderweg aanpassen.
| Mogelijkheid | Scriptgestuurde Automatisering | RAG-Gestuurd | Agentische AI |
|---|---|---|---|
| Context ophalen | Geen | Kennisbank bij query | Kennisbank + realtime sensordata |
| Actie uitvoeren | Vast, voorgeprogrammeerd | Geen (alleen antwoorden) | Dynamisch, meerstaps, tool-gebaseerd |
| Adaptief gedrag | Geen | Antwoorden veranderen met context, maar geen actie | Herplannen bij falen, aanpassen aan nieuwe info |
| Meerstaps redeneren | Alleen lineaire ketens | Enkelstaps Q&A | Autonoom plannen & uitvoeren |
| Offline geschikt | Ja (draait op HA) | Ja (lokale LLM + vector DB) | Ja (volledig lokaal) |
Hoe Agentische Automatisering Werkt op Edge Hardware
Het lokaal draaien van een agentlus is veeleisender dan een simpele LLM-query, maar het is goed haalbaar op moderne edge hardware.
De typische agentlus op een Jetson Orin Nano (8GB):
Realistische benchmarks op edge hardware (Jetson Orin Nano, 4-bit gekwantiseerde Qwen 2.5 3B):
- Tool-aanroep inferentie: ~120ms per aanroep (inclusief gestructureerde JSON-uitvoer)
- Planningsstap: ~300ms voor het genereren van een 5-stappenplan
- Totale meerstapstaak: ~800ms-2s (3-5 tool-aanroepen + planning + samenvatting)
- Geheugengebruik: ~3.5GB voor LLM + ~500MB voor tool-runtime + ~200MB voor vector store
Tool-runtime: Home Assistant's REST API (lokaal, geen authenticatie vereist voor LAN-verzoeken) of WebSocket API voor event-gestuurde updates. Elke tool-aanroep is een simpele HTTP POST/GET op het lokale netwerk — typische latentie: 15-50ms.
Planningslus: Geïmplementeerd via het ReAct (Reasoning + Acting) patroon — de LLM produceert afwisselende "gedachte → actie → observatie" sporen. Frameworks zoals LangGraph bieden de lus-infrastructuur, maar een aangepaste ReAct-lus in Python voegt <100 regels code toe en verwijdert framework overhead.
Geheugenpersistentie: Gebruikersvoorkeuren en eerdere interacties opgeslagen in een lokale SQLite database met embeddings (ChromaDB of sqlite-vec). Opgehaald aan het begin van elke nieuwe agentsessie om continuïteit over dagen heen te bieden.
Totale systeemlatentie, end-to-end: Spraakopdracht → STT (Whisper tiny.en, ~200ms) → ophalen (~50ms) → planning (~300ms) → tool uitvoering (~300ms) → TTS uitvoer (~200ms) = ~1-1.5s voor de meeste meerstapstaken. Onder een halve seconde voor enkele tool-opdrachten.
Waarom Dit Belangrijk Is voor Slimme Huis Installaties
De smart home-industrie bevindt zich op een keerpunt. Huiseigenaren zijn niet langer onder de indruk van "lichten gaan aan wanneer je binnenkomt" — dat is basis. Wat een premium installatie onderscheidt van een basisinstallatie is aanpassingsvermogen. Een systeem dat leert, aanpast en anticipeert zonder dat de eigenaar automatiseringsregels hoeft te schrijven.
Voor Loxone-gecertificeerde installaties voegt agentische AI een laag toe bovenop de bestaande bedrade backbone. Loxone biedt betrouwbare, laag-niveau aansturing van verlichting, HVAC, zonwering en beveiliging. Een AI-agent zorgt voor de redeneerlaag die beslist wat er moet gebeuren en wanneer, op basis van context die per uur verandert.
Dit is niet theoretisch. Agentische energiebeheersystemen die gebruikmaken van lokale LLM's hebben autonome coördinatie van meerdere apparaten op basis van natuurlijke taalverzoeken aangetoond — met optimale planning zonder voorgeprogrammeerde regels, zoals blijkt uit recent onderzoek van de arXiv preprint over agentische AI-energiebeheer in huis. Hetzelfde patroon is van toepassing op verlichting, klimaat, beveiliging en media.
Voor een praktische referentie — de NexLine Voice Box demonstreert precies deze pijplijn op een Jetson Orin Nano: lokale STT, agentische planning met tool-aanroepende LLM's en integratie met Home Assistant en Loxone-systemen.
Wat Nu
Agentische AI in huis staat nog in de kinderschoenen, maar de richting is duidelijk. Binnen 2-3 jaar zal een huis zonder AI-agent net zo gedateerd aanvoelen als een huis zonder thermostaat.
De belangrijkste ontwikkeling om in de gaten te houden is multi-agent coördinatie — gespecialiseerde agenten voor verschillende domeinen (energie, beveiliging, media, comfort) die met elkaar communiceren en onderhandelen. In plaats van één monolitische agent die alles probeert te doen, krijg je een "energie-agent" die praat met een "comfort-agent" om de optimale balans te vinden tussen energiebesparing en kamertemperatuur.
En het beste deel? Niets hiervan vereist dat je data je huis verlaat. Elke beslissing, elk plan, elke actie blijft op je lokale netwerk. Privacy is geen functie — het is de architectuur.
Veelgestelde Vragen
Wat is agentische AI voor slimme huizen?
Agentische AI voor slimme huizen gebruikt AI-agenten die autonoom kunnen plannen, tools gebruiken en meerstaps taken uitvoeren. In tegenstelling tot scriptgestuurde automatisering (als-dan regels), redeneert een agent over wat er moet gebeuren, splitst het in stappen, roept de juiste API's aan en past zich aan wanneer dingen niet gaan zoals gepland.
Hoe verschillen AI-agenten van RAG in slimme huizen?
RAG geeft een LLM toegang tot een kennisbank — het kan relevante context ophalen voordat het een vraag beantwoordt. Agentische AI gaat verder: het kan acties ondernemen, API's aanroepen en meerdere operaties aan elkaar koppelen. RAG gaat over weten; agenten gaan over doen. De twee werken samen — RAG levert de context, agenten voeren de acties uit.
Kan agentische AI lokaal draaien op edge hardware?
Ja. Met edge hardware zoals de NVIDIA Jetson Orin Nano (8GB of meer) draait een lokale LLM (Qwen 2.5 3B of Llama 3.2 3B) met een tool-aanroep cyclus comfortabel op ~25-35 tokens/sec. De totale end-to-end latentie voor een meerstapstaak blijft onder 2 seconden en alles blijft op je netwerk.
Welke tools kan een AI-agent gebruiken in een slim huis?
Elke lokale API: Home Assistant REST/WebSocket endpoints voor verlichting, thermostaten, sloten en sensoren; mediaplayer-API's voor audio/video; kalender-API's voor planning; weer-API's voor omgevingsdata. De agent gebruikt tool-schema's (gestructureerde JSON-beschrijvingen) die vertellen wat elke API doet en welke parameters nodig zijn.
Moet ik mijn bestaande slimme huis systeem vervangen?
Nee. Agentische AI werkt als een overlay bovenop bestaande systemen. Of je nu Home Assistant, Loxone of een mix van beide hebt, de agent maakt verbinding via lokale API's. Het vervangt je automatiserings-backbone niet — het voegt een redeneerlaag toe. De meeste integraties nemen een paar uur configuratietijd in beslag, geen volledige systeemverbouwing.
Lokale LLM's op edge: Qwen 2.5 3B Instruct — ondersteunt native gestructureerde JSON-uitvoer voor functie-aanroep. Llama 3.2 3B — sterk redeneren met 4-bit kwantisatie. Beide draaien ~25-35 tok/s op Jetson Orin Nano (NVIDIA Jetson benchmarks)
Agent frameworks: LangGraph — grafiek-gebaseerde agentorkestratie met persistente toestand. ReAct patroon — de "Reason + Act" lus die aan de basis ligt van de meeste moderne agentimplementaties.
Home Assistant tool API: REST API docs — stelt elke sensor, schakelaar, entiteit en service bloot via lokale HTTP. Geen cloud, geen authenticatie vereist voor LAN-verzoeken.
NexLine vermelding: Zie hoe lokale agentische AI in de praktijk wordt geïmplementeerd — NexLine Voice Box draait de volledige pijplijn op een Jetson Orin Nano met lokale spraakbesturing, tool-aanroepende LLM en Home Assistant integratie.