Como a Sber ensinou suas caixas de som a gerar cenários de casa inteligente por voz

A Sber ensinou o GigaChat, nas suas caixas de som inteligentes, a criar cenários de automação diretamente por comandos de voz. Agora o usuário pode dizer: "Crie um cenário para desligar a luz e o aquecimento quando eu sair de casa", e a caixa gera a automação sozinha, sem encostar na tela.

Voz no lugar de navegação

Até pouco tempo atrás, criar um cenário exigia abrir o aplicativo, procurar os dispositivos numa lista, ligá-los por meio de condições e salvar as regras manualmente. O processo era cansativo: tocar na tela três vezes e procurar filtros afastava os usuários comuns. Agora basta uma frase.

O GigaChat analisa a intenção do usuário, determina quais dispositivos estão envolvidos e gera o cenário em segundos. Na prática, lembra comandos como "OK Google, crie uma rotina", mas a Sber adotou uma abordagem própria e não escolheu o caminho clássico do fine-tuning com milhares de exemplos. Em vez disso, os engenheiros optaram pelo aprendizado em contexto: as informações sobre os dispositivos específicos do usuário são passadas direto ao contexto do GigaChat antes da geração. O modelo enxerga a topologia real da casa e trabalha com ela sem retreinamento prévio. Isso economiza na rotulagem de dados e acelera a adaptação a novos dispositivos: se o usuário comprar uma luminária nova, não precisa esperar uma atualização do modelo.

A personalização é o grande problema

O principal desafio no controle da casa inteligente é a personalização absoluta. Um usuário tem 30 dispositivos; outro, três. Alguém chama a luz de "lâmpada", outro de "luz do quarto", um terceiro de "sol sobre a cama". Sensores, interruptores, scripts personalizados: tudo pode ter nomes completamente diferentes.

LLMs comuns costumam travar diante dessa variabilidade: percorrem os dispositivos no chute, confundem cômodos e interpretam mal a intenção. Mas aqui o erro é inaceitável; não é brincadeira de recomendação de música. Se um cenário disparar errado, o usuário pode passar frio à noite porque o aquecimento não liga. Ou o ar-condicionado pode funcionar de dia num apartamento vazio, gastando energia.

Os engenheiros da Sber decidiram não retreinar o modelo para cada usuário (o que é inviável), e sim dar a ele um "manual de referência" completo no contexto da requisição. Antes de chamar o GigaChat, o backend monta a descrição de todos os dispositivos daquele usuário: quais funções têm, em que cômodo estão e que nomes os identificam. O GigaChat vê essas informações e pode usá-las com segurança.

Como funciona

O pipeline funciona mais ou menos assim:

• O usuário diz à caixa de som: "Crie um cenário de boa noite"
• A caixa reconhece a fala e envia o texto ao backend
• O backend solicita todo o catálogo de dispositivos do usuário, com descrição das funções
• O catálogo e a requisição são passados ao GigaChat, que gera uma descrição do cenário em YAML
• O motor de cenários valida o resultado e verifica se todos os dispositivos realmente existem
• Se a verificação passar, o cenário é salvo e fica ativo

A validação no motor de cenários é uma rede de segurança. Se o GigaChat errar um pouco (por exemplo, citar um sensor que não existe ou errar a sintaxe de um comando), o motor percebe e corrige, ou pede ao usuário que esclareça. A Sber chamou esse componente de motor de cenários; ele funciona como uma checagem de erros para cada regra gerada.

O que isso significa

A casa inteligente fica mais acessível para o cidadão comum. Se a caixa cria os cenários corretamente por voz, o iniciante não precisa decorar a interface nem ler 50 páginas de instruções. Basta dizer o que quer, e o sistema executa.

É um passo importante para tirar as casas inteligentes do nicho de entusiastas e levá-las ao mercado de massa, onde as pessoas valorizam a simplicidade acima de tudo.