Niveles de autonomía en aplicaciones de IA

En este nivel, la lógica de la aplicación está completamente definida mediante instrucciones establecidas manualmente. No intervienen modelos de lenguaje ni componentes adaptativos. Este enfoque es robusto y predecible, pero carece de flexibilidad y no puede tratar información nueva o no prevista sin una reprogramación explícita.

Aquí se delega una tarea concreta al modelo de lenguaje (LLM), que proporciona una respuesta según el prompt enviado. La aplicación se limita a ser un puente entre la entrada de la persona usuaria y el modelo, sin procesamiento adicional relevante. Es un nivel que permite enriquecer aplicaciones con capacidades lingüísticas, aunque sin personalización ni contextualización avanzada.

En este estadio, varias operaciones —potencialmente incluyendo llamadas a LLMs, análisis de resultados o transformaciones de datos— se articulan secuencialmente formando "cadenas". El resultado de una operación alimenta a la siguiente, permitiendo flujos de trabajo algo más complejos, pero todavía con una estructura fija y sin capacidad adaptativa durante la ejecución.

En este modelo se introduce capacidad de toma de decisiones básica mediante lógica de enrutado. Dependiendo de criterios definidos (por ejemplo, tipo de tarea o entrada), la aplicación selecciona dinámicamente qué rama de la cadena ejecutar o qué modelo consultar. Este nivel permite un mayor grado de personalización y eficiencia en la orquestación de tareas, aunque sigue siendo parcialmente explícito y dependiente de reglas predefinidas.

La aplicación se estructura en torno a una máquina de estados, donde el flujo entre fases (estados) puede depender dinámicamente del contexto y del resultado de pasos previos. Este enfoque permite modelar procesos complejos y adaptativos, facilitando ciclos, bucles y ramificaciones según lo requiera la tarea. Es un modelo idóneo para aplicaciones que requieren trazabilidad, capacidad de recuperación tras fallos, y gestión avanzada de flujos.

En el nivel más avanzado, la aplicación incorpora agentes autónomos capaces de definir su propio plan de acción, seleccionar herramientas o modelos, razonar sobre resultados intermedios y adaptar su comportamiento a lo largo de la ejecución. Los agentes pueden alcanzar objetivos complejos interactuando con distintos recursos y entornos, con un alto grado de independencia y aprendizaje sobre la marcha. Estos sistemas por contra pueden reducir la fiabilidad dado el alto grado de libertad que proporcionamos al agente.