Maison connectée pour seniors : 5 choix avant la pose, sans gadget

Elderly woman engaging with technology using a smartphone and ring light indoors.

Une maison connectée pour seniors peut faciliter certains gestes, signaler une anomalie et aider à garder la main sur le logement. Entre le capteur miracle, la caméra omniprésente et le devis à rallonge, mieux vaut toutefois poser les bonnes questions avant de poser le premier boîtier.

Le sujet touche au second œuvre autant qu’aux habitudes quotidiennes. Il faut regarder le réseau Wi-Fi, les alimentations électriques, l’emplacement des capteurs, la lisibilité des commandes et la personne qui recevra les alertes. Dans une rénovation, le maître d’ouvrage doit aussi faire préciser dans le devis descriptif les interventions sur les volets roulants, le chauffage ou le tableau électrique.

Les recherches publiées en 2026 dessinent une ligne prudente : ces technologies peuvent soutenir l’autonomie et la sécurité, mais leur utilité dépend du besoin réel, du coût, de la fiabilité et de l’acceptation par la personne concernée.

Cinq choix font la différence : le besoin à traiter, la simplicité des commandes, la qualité de la pose, le budget complet et la protection des données.

Le logement qui veille sans jouer les Big Brother

Smiling senior man using a tablet computer at home
Photo de Vitaly Gariev sur Unsplash.

Une maison connectée associe des équipements capables de transmettre une information, de déclencher une action ou de recevoir une commande. On parle de détecteur d’ouverture, de thermostat, d’éclairage, de volet roulant, d’alarme, de bouton d’appel ou de commande vocale. Le système peut passer par une application, une commande murale, une tablette ou un assistant vocal.

Pour le vieillissement à domicile, l’intérêt vient rarement de l’accumulation. Un capteur de mouvement peut repérer une modification des habitudes, un détecteur de fuite signaler une arrivée d’eau anormale et une commande vocale éviter de chercher un interrupteur dans une pièce sombre. Chaque équipement doit répondre à une difficulté observée, pas à une brochure pleine de promesses.

Une revue systématique publiée dans l’Australasian Journal on Ageing en juin 2026 a retenu 30 études menées dans 10 pays auprès de personnes âgées de 65 ans et plus. Les travaux portaient sur la surveillance physiologique, la sécurité, la détection d’événements, le soutien cognitif et le lien social. Les résultats variaient selon les technologies, les populations et les critères étudiés. La revue relevait aussi des obstacles liés à la vie privée, au coût, à la fiabilité technique et aux compétences numériques.

Un capteur peut alerter plus tôt, mais il ne remplace ni un proche, ni un professionnel de santé, ni une intervention organisée.

Capteurs en piste, chutes en coulisse

A group of white objects sitting on top of a table
Photo de Jakub Żerdzicki sur Unsplash.

Premier choix : partir d’une situation précise. Une personne oublie-t-elle d’éteindre une plaque? Se déplace-t-elle difficilement la nuit? Les proches s’inquiètent-ils d’une absence de mouvement le matin? Le logement connaît-il des fuites, des ouvertures intempestives ou des variations de température? Chaque réponse conduit vers un équipement différent.

Le bon geste avant le bon gadget

Pour les déplacements nocturnes, un éclairage automatique et des commandes accessibles peuvent limiter les manipulations. Pour une personne qui fatigue vite, des volets motorisés ou un scénario simple peuvent éviter plusieurs allers-retours. Pour un proche aidant, une notification ciblée n’a d’intérêt que si elle arrive au bon moment et si quelqu’un sait quelle action entreprendre ensuite.

La revue systématique de Jaberi et ses collègues, publiée dans Health Informatics Journal le 24 avril 2026, a retenu 27 études sur l’acceptation des robots et des technologies de santé connectées chez les personnes âgées. Environ 89 % des études rapportaient des attitudes positives. La commodité apparaissait dans 22,2 % des travaux comme facteur d’acceptation. Les préoccupations liées à la vie privée et à la sécurité apparaissaient chacune dans 14,8 % des études.

Ces pourcentages décrivent les résultats des études, pas l’opinion de tous les seniors. Une personne peut accepter une alerte de fuite et refuser une caméra dans le séjour. Une autre peut préférer un bouton physique à une application. À la rédac, on se méfie du logement transformé en tableau de bord avec douze mots de passe et trois chargeurs introuvables.

La commande la plus intelligente reste celle que l’on utilise sans mode d’emploi de 180 pages.

Le fil rouge, c’est l’usage

A living room with a white couch and a flat screen TV
Photo de Aleksandr Lyaptsev sur Unsplash.

Deuxième choix : prévoir un fonctionnement compréhensible quand la connexion tombe, quand la batterie est vide ou quand la personne est stressée. Une commande locale, un interrupteur classique conservé et une procédure d’alerte écrite peuvent compléter l’application. Pour un équipement électrique, la commande manuelle ne disparaît pas sans raison.

Quand le Wi-Fi fait grise mine

La pose demande de regarder le logement comme un chantier. Un détecteur placé derrière une porte ne verra pas grand-chose. Un capteur de présence face à un radiateur ou dans une zone de passage mal choisie peut produire des alertes inutiles. Une box trop éloignée du routeur, un mur épais ou un réseau saturé peuvent rendre l’ensemble poussif. Ça commence avec une promesse de confort et ça finit parfois avec le téléphone posé sur l’escalier pour capter le Wi-Fi.

Dans une rénovation, l’électricien vérifie les circuits, les boîtes d’encastrement, les protections et la compatibilité des commandes. Le remplacement d’un interrupteur ou l’ajout d’un module au tableau ne se traite pas comme le branchement d’une lampe. En cas de doute sur l’installation électrique, le diagnostic et la pose reviennent à un professionnel qualifié.

Le même principe vaut pour le chauffage. Un thermostat connecté peut programmer des périodes d’occupation, mais il ne corrige ni une isolation défaillante, ni un radiateur sous-dimensionné, ni un pont thermique. La domotique règle le pilotage. Elle ne repart pas de zéro sur les fondations énergétiques du logement.

Le devis qui fait des étincelles

Man in office reviewing documents at desk documents
Photo de Vitaly Gariev sur Unsplash.

Troisième choix : calculer le coût complet. Le budget dépend du nombre de pièces, du type de liaison, des travaux de câblage, des automatismes, de la configuration et de l’accompagnement. Un équipement sans fil peut limiter les saignées dans les murs, mais il dépend des piles, du réseau et parfois d’un service en ligne. Une installation filaire demande davantage de préparation en rénovation.

Le prix au mètre carré? Mauvais calcul

Pour la domotique, un prix au mètre carré serait trompeur. Le devis doit plutôt distinguer le matériel, la main-d’œuvre, la configuration, les éventuels abonnements et la maintenance. Le 31 janvier 2024, des repères commerciaux plaçaient par exemple une caméra à 49,99 euros, un ensemble d’ampoules connectées à 109,99 euros et un thermostat à 249,99 euros. Ces montants ne constituent ni un tarif 2026, ni un coût de pose.

Le déplacement de l’artisan, les accessoires, la reprise du réseau et la formation de l’utilisateur peuvent modifier la facture. Le devis précise aussi le nombre de capteurs, leur emplacement, le remplacement des piles et la procédure en cas de panne. Un document qui ne détaille rien sonne creux, même quand la couverture est jolie.

Avant la consultation, le maître d’ouvrage peut préparer une liste courte : deux usages prioritaires, les pièces concernées, les personnes qui recevront les alertes, le type de commande préféré et les équipements déjà présents. Le maître d’œuvre ou l’artisan spécialisé pourra alors vérifier le réseau, l’alimentation et les possibilités d’évolution.

Le bon budget se calcule sur le service rendu, pas sur le nombre de logos dans l’application.

L’intelligence artificielle, oui, mais pas au doigt mouillé

person's hand in shallow focus
Photo de Danie Franco sur Unsplash.

Quatrième choix : décider ce que l’analyse automatique a le droit de faire. Les systèmes avancés peuvent croiser le mouvement, l’ouverture, la température, le sommeil, la consommation ou la commande vocale. Ils peuvent repérer une modification de rythme et déclencher une vérification. Ils ne distinguent pas toujours une absence volontaire, une visite familiale et un problème de santé.

Une revue publiée dans Sensors en mai 2026 décrit des usages de l’apprentissage profond dans la reconnaissance d’activités, le suivi de santé, la sécurité, la gestion de l’énergie et le contrôle vocal. Elle relève aussi des limites concrètes : manque de données bien étiquetées, différences entre logements, contraintes des appareils en périphérie, confidentialité et difficulté à expliquer certaines décisions du système.

Une revue narrative systématique publiée dans Occupational Therapy International en 2026 a analysé 20 études primaires sur les technologies d’assistance chez des personnes atteintes de maladies neuromusculaires. Elle rapporte une précision de suivi proche de 94 % dans certains résultats de plateformes multimodales, mais souligne aussi le coût, la complexité, la confidentialité et la nécessité d’une adaptation à la personne. Ce chiffre décrit une performance rapportée dans ces études, pas une promesse valable pour chaque logement.

La précision ne prend pas le bain

Une solution conçue sans la personne concernée risque d’être abandonnée si elle demande trop d’efforts cognitifs ou physiques. L’ergothérapeute, l’aidant et l’utilisateur peuvent définir les gestes utiles, les alertes acceptables et le niveau d’autonomie recherché. La technologie doit s’ajuster à la tâche, pas l’inverse.

Une précision de laboratoire ne suffit pas quand le bouton est inaccessible dans la vraie salle de bains.

La pose, c’est maintenant que ça se corse

Electrician wearing safety gear installing wiring in a new building.
Photo de Antoni Shkraba sur Pexels.

Cinquième choix : tester avant de généraliser. Commencez dans une seule pièce. Vérifiez la portée du réseau, la lisibilité des notifications, le délai de déclenchement et la réaction de la personne qui utilisera l’équipement. Si l’essai fonctionne, l’extension peut se faire par étapes. C’est moins spectaculaire qu’un grand déballage le samedi matin, mais beaucoup plus facile à corriger.

Tester petit pour éviter le grand chantier

  1. Décrire le problème quotidien avec un exemple concret.
  2. Choisir une fonction prioritaire, comme l’éclairage nocturne ou l’alerte de fuite.
  3. Tester la commande locale et la commande à distance.
  4. Définir qui reçoit l’alerte et quelle action suit.
  5. Inscrire les accès, les piles, les mises à jour et la procédure de panne dans un document conservé au logement.

La confidentialité se traite avant la pose d’une caméra ou d’un microphone. Limitez les zones filmées, réglez les accès, utilisez des mots de passe distincts et vérifiez la durée de conservation des données. Une caméra dans un espace privé n’a pas le même usage qu’un détecteur d’ouverture sur la porte d’entrée.

Après 65 ans, le logement connecté peut accompagner une évolution des besoins s’il reste réparable, lisible et accepté. La solution la plus solide garde une commande compréhensible, un réseau suffisamment fiable, une alerte suivie d’une action et un professionnel capable de revenir sur place. Sinon, le bouton magique finit dans un tiroir, entre la notice de la chaudière et le devis que personne ne veut rappeler.

Sources et références scientifiques
  1. Smart Home Technologies for Ageing in Place: A Systematic Review of Health Outcomes, Independence, Healthcare Utilisation and Implementation Considerations – PMC. Australasian journal on ageing. DOI: 10.1111/ajag.70200 · PMID: 42340095.
  2. 1. Aggar C., Sorwar G., Seton C., Penman O., and Ward A., “Smart Home Technology to Support Older People's Quality of Life: A Longitudinal Pilot Study,” International Journal of Older People Nursing 18, no. 1 (2023): 1-8, 10.1111/opn.12489. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1111/opn.12489.
  3. 2. Lu W., Silvera‐Tawil D., Yoon H.‐J., et al., “Impact of the Smarter Safer Homes Solution on Quality of Life and Health Outcomes in Older People Living in Their Own Homes: Randomized Controlled Trial,” Journal of Medical Internet Research 27 (2025): e59921. [DOI] [PMC free article] [PubMed] [Google Scholar].
  4. 3. Dermody G., Fritz R., Glass C., Dunham M., and Whitehead L., “Factors Influencing Community‐Dwelling Older Adults' Readiness to Adopt Smart Home Technology: A Qualitative Exploratory Study,” Journal of Advanced Nursing 77, no. 12 (2021): 4847-4861, 10.1111/jan.14996. [DOI] [PubMed] [Google Scholar]. doi:10.1111/jan.14996.
  5. 4. Mitchell E. and Walker R., “Global Ageing: Successes, Challenges and Opportunities,” British Journal of Hospital Medicine 81, no. 2 (2020): 1-9. [DOI] [PubMed] [Google Scholar].
  6. 5. Mative G., Management of Multimorbidity in Geriatric Care: Challenges and Mitigations (Lithuanian University of Health Sciences, 2025). [Google Scholar].
  7. 6. Facchinetti G., Petrucci G., Albanesi B., De Marinis M. G., and Piredda M., “Can Smart Home Technologies Help Older Adults Manage Their Chronic Condition? A Systematic Literature Review,” International Journal of Environmental Research and Public Health 20, no. 2 (2023): 1205. [DOI] [PMC free article] [PubMed] [Google Scholar].
  8. 7. Taramasco C., Rimassa C., and Martinez F., “Improvement in Quality of Life With Use of Ambient‐Assisted Living: Clinical Trial With Older Persons in the Chilean Population,” Sensors 23, no. 1 (2023): 268, 10.3390/s23010268. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s23010268.
  9. 8. Salahub C., Austin P. C., Bai L., et al., “Days at Home for Older Adults Receiving a Remote Monitoring Intervention Compared With Usual Home Care Recipients,” Journal of the American Medical Directors Association 26, no. 7 (2025): 105611, 10.1016/j.jamda.2025.105611. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.jamda.2025.105611.
  10. 9. Yao S., Yang Y., and Cheng P., “The Investigation of Adoption of Voice‐User Interface (VUI) in Smart Home Systems Among Chinese Older Adults,” Sensors 22, no. 4 (2022): 1614, 10.3390/s22041614. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s22041614.
  11. 10. Zhou C., Qian Y., and Kaner J., “A Study on Smart Home Use Intention of Elderly Consumers Based on Technology Acceptance Models,” PLoS One 19, no. 3 (2024): e0300574, 10.1371/journal.pone.0300574. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1371/journal.pone.0300574.
  12. 11. Jachan D. E., Müller‐Werdan U., Lahmann N. A., and Strube‐Lahmann S., “Smart@Home, Supporting Safety and Mobility of Elderly and Care Dependent People in Their Own Homes Through the Use of Technical Assistance Systems and Conventional Mobility Supporting Tools: A Cross‐Sectional Survey,” BMC Geriatrics 21, no. 1 (2021): 1-10, 10.1186/s12877-021-02118-9. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s12877-021-02118-9.
  13. 12. Donelle L., Hiebert B., Warner G., et al., “Passive Remote Monitoring Technologies' Influence on Home Care Clients' Ability to Stay Home: Multiprovincial Randomized Controlled Trial,” JMIR Aging 8 (2025): e69107, 10.2196/69107. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/69107.
  14. Integrating Assistive Technologies and Smart Home Systems in Neuromuscular Disorders: A Systematic Narrative Review of Clinical Outcomes and Occupational Therapy Perspectives – PMC. Occupational therapy international. DOI: 10.1155/oti/3970247 · PMID: 42742481.
  15. 1. Zambon A. A., Matteo F. Y., Alessandra B., and Previtali S. C., Molecular Mechanisms and Therapeutic Strategies for Neuromuscular Diseases, Cellular and Molecular Life Sciences. (2024) 81, no. 1, 10.1007/s00018-024-05229-9, 38678519. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s00018-024-05229-9.
  16. 2. Mancuso M., Colitta A., Lavorato M., Van den Bergh P., Kirschner J., Kornblum C., Maggi L., Lamy F., Lochmüller H., Nordstrøm M., and Malfatti E., The Most Bothersome Symptoms in Neuromuscular Diseases: The ERN EURO NMD Survey, Orphanet Journal of Rare Diseases. (2025) 20, no. 1, 10.1186/s13023-025-03742-z, 40340786. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s13023-025-03742-z.
  17. 3. Silva S. F., de Magalhães H. L., de Deus F. Â., Andrade K. K. S., Lima V. P., and Gaiad T. P., Rehabilitation Interventions Targeting the Activity and Participation of Patient With Neuromuscular Diseases: What Do We Know? A Systematic Review, Arquivos de Neuro-Psiquiatria. (2024) 82, no. 2, 10.1055/s-0044-1779295, s00441779295, 38395419. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1055/s-0044-1779295.
  18. 4. Öksüz Ç., Akel B. S., and Bumin G., Effect of Occupational Therapy on Activity Level and Occupational Performance in Patients With Neuromuscular Disease, Fizyoterapi Rehabilitasyon. (2011) 22, no. 3, 231-239, 10.21653/tfrd.156515. [DOI] [Google Scholar]. doi:10.21653/tfrd.156515.
  19. 5. Dubuisson N., Claeys K. G., and Schoser B., Editorial: Implementing New Technologies for Neuromuscular Disorders, Frontiers in Neurology. (2024) 15, 10.3389/fneur.2024.1370538, 1370538, 38375464. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fneur.2024.1370538.
  20. 6. Ågren K. A., Internet Use and Digital Participation in Everyday Life: Adolescents and Young Adults With Intellectual Disabilities, Linköping University Medical Dissertations, 2020, Linköping University Electronic Press, 10.3384/diss.diva-168070. [DOI] [Google Scholar]. doi:10.3384/diss.diva-168070.
  21. 7. Grajo L. C. and Boisselle A., Infusing an Occupational Justice Perspective to Technology Use in Occupational Therapy Practice, Open Journal of Occupational Therapy. (2018) 6, no. 3, 10.15453/2168-6408.1543. [DOI] [Google Scholar]. doi:10.15453/2168-6408.1543.
  22. 8. de Oliveira R. H., Buin L., Pereira A. J. A. T., and Landim S. F., Occupational Therapy and Assistive Technology, 2023, Seven Editora, 10.56238/alookdevelopv1-169. [DOI] [Google Scholar]. doi:10.56238/alookdevelopv1-169.
  23. 9. Larsen A. E. and Law M., Canadian Occupational Performance Measure the State of the Art – A Review, Scandinavian Journal of Occupational Therapy. (2025) 32, no. 1, 2473045, 10.1080/11038128.2025.2473045. [DOI] [PubMed] [Google Scholar]. doi:10.1080/11038128.2025.2473045.
  24. 10. Pousada T., Pereira J., Groba B., and Nieto-Rivero L., Assistive Technology Based on Client-Centered for Occupational Performance in Neuromuscular Conditions, Medicine. (2019) 98, no. 25, e15983, 10.1097/md.0000000000015983. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1097/md.0000000000015983.
  25. 11. Bernadt A., Augmentative and Alternative Communication (AAC), Current Paediatrics. (1995) 5, no. 2, 106-109, 10.1016/s0957-5839(95)80204-5. [DOI] [Google Scholar]. doi:10.1016/s0957-5839(95)80204-5.
  26. 12. Elsahar Y., Hu S., Bouazza-Marouf K., Kerr D., and Mansor A., Augmentative and Alternative Communication (AAC) Advances: A Review of Configurations for Individuals With a Speech Disability, Sensors. (2019) 19, no. 8, 10.3390/s19081911, 31013673. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s19081911.
  27. Jaberi R, Rostam Niakan Kalhori S, Bahador F, Heydarian S, Javanmard Z.. Influencing factors and acceptance levels of robotic and smart home health technologies among older adults: A systematic review.. Health informatics journal. 2026. DOI: 10.1177/14604582261436632 · PMID: 42028681. (résumé scientifique structuré; texte intégral non fourni)
  28. Sensor-Driven Deep Learning for Smart Home Intelligence: Signal Analysis, Multimodal Perception, and System-Level Applications – PMC. Sensors (Basel, Switzerland). DOI: 10.3390/s26102993 · PMID: 42197801.
  29. 1.Cook D.J., Crandall A.S., Thomas B.L., Krishnan N.C. CASAS: A smart home in a box. Computer. 2012;46:62-69. doi: 10.1109/MC.2012.328. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1109/MC.2012.328.
  30. an M., Estève D., Escriba C., Campo E. A review of smart homes, Present state and future challenges. Comput. Methods Programs Biomed. 2008;91:55-81. doi: 10.1016/j.cmpb.2008.02.001. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.cmpb.2008.02.001.
  31. 3.LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521:436-444. doi: 10.1038/nature14539. [DOI] [PubMed] [Google Scholar]. doi:10.1038/nature14539.
  32. 4.Anguita D., Ghio A., Oneto L., Parra X., Reyes-Ortiz J.L. A public domain dataset for human activity recognition using smartphones; Proceedings of the ESANN; Bruges, Belgium. 24-26 April 2013; pp. 437-442. [Google Scholar].
  33. 5.Bouchabou D., Nguyen S.M., Lohr C., LeDuc B., Kanellos I. A survey of human activity recognition in smart homes based on IoT sensors algorithms: Taxonomies, challenges, and opportunities with deep learning. Sensors. 2021;21:6037. doi: 10.3390/s21186037. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s21186037.
  34. 6.Morita P.P., Sahu K.S., Oetomo A. Health monitoring using smart home technologies: Scoping review. JMIR mHealth uHealth. 2023;11:e37347. doi: 10.2196/37347. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/37347.
  35. 7.Hammi B., Zeadally S., Khatoun R., Nebhen J. Survey on smart homes: Vulnerabilities, risks, and countermeasures. Comput. Secur. 2022;117:102677. doi: 10.1016/j.cose.2022.102677. [DOI] [Google Scholar]. doi:10.1016/j.cose.2022.102677.
  36. n Slama S., Mahmoud M. A deep learning model for intelligent home energy management system using renewable energy. Eng. Appl. Artif. Intell. 2023;123:106388. doi: 10.1016/j.engappai.2023.106388. [DOI] [Google Scholar]. doi:10.1016/j.engappai.2023.106388.
  37. 9.Aversano L., Bernardi M.L., Cimitile M., Pecori R. A systematic review on deep learning approaches for IoT security. Comput. Sci. Rev. 2021;40:100389. doi: 10.1016/j.cosrev.2021.100389. [DOI] [Google Scholar]. doi:10.1016/j.cosrev.2021.100389.
  38. en H., Gouin-Vallerand C., Bouchard K., Gaboury S., Couture M., Bier N., Giroux S. Enhancing human activity recognition in smart homes with self-supervised learning and self-attention. Sensors. 2024;24:884. doi: 10.3390/s24030884. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s24030884.
  39. 11.Srivatsa P., Plötz T. Using graphs to perform effective sensor-based human activity recognition in smart homes. Sensors. 2024;24:3944. doi: 10.3390/s24123944. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/s24123944.
  40. 12.Dahal A., Moulik S., Mukherjee R. FeL-MAR: Federated learning based multi resident activity recognition in IoT enabled smart homes. Future Gener. Comput. Syst. 2025;163:107552. doi: 10.1016/j.future.2024.107552. [DOI] [Google Scholar]. doi:10.1016/j.future.2024.107552.
  41. Tout savoir sur la maison connectée et intelligente | Quelle Énergie.
  42. Maison connectée : Tout ce qu'il faut savoir sur la domotique.
  43. Maison connectée – particulier | Legrand.
  44. Jean Mouchet. Maison connectée : produits, marques et conseils pour équiper votre logement. 2024.

Related Posts

Post a Comment