Een onderzoek gepubliceerd op arXiv toont aan dat een op outcome gerichte prompt-strategie (LocalIntent) de nauwkeurigheid van lokaal draaiende grote taalmodellen (LLM’s) voor automatisering van smart buildings aanzienlijk verbetert. In tests met modellen van 2 tot 9 miljard parameters steeg de juiste intentieherkenning bij regelgestuurde verzoeken van 26,4% naar 80,6%, en de correctheid van acties en parameters van 5,6% naar 44,9%. De methode werkt door verzoeken te routeren naar vaste regels of gewone commando’s, gevolgd door deterministische validatie. Hoewel de verbetering bij verhelderende vragen modelafhankelijk blijft, biedt LocalIntent Nederlandse facility-afdelingen een concrete aanpak voor betrouwbare, cloud-onafhankelijke AI-sturing van gebouwsystemen.