Graduated Autonomy es un principio de diseño y operación en el que la autonomía de un sistema automatizado se incrementa de forma incremental y controlada. Inicialmente, el sistema opera con un alto grado de supervisión humana, o incluso en modo de "shadowing" (ejecutándose en paralelo sin tomar decisiones activas), permitiendo a los operadores humanos validar su comportamiento y rendimiento. A medida que el sistema demuestra consistentemente su fiabilidad, precisión y capacidad para manejar escenarios complejos o excepcionales, la intervención humana se reduce progresivamente, delegando más responsabilidad y autoridad de decisión al sistema. Este enfoque minimiza los riesgos asociados con la introducción de sistemas autónomos complejos, construyendo confianza y permitiendo una adaptación gradual.
Este patrón se observa en diversos dominios de ingeniería avanzada. En la industria automotriz, los niveles de autonomía de los vehículos (SAE Levels 0-5) son un ejemplo claro, donde los sistemas de asistencia al conductor (ADAS) evolucionan desde la asistencia básica hasta la conducción totalmente autónoma. En la gestión de infraestructuras cloud, sistemas como Kubernetes emplean Graduated Autonomy: los operadores configuran políticas de alto nivel, y Kubernetes gestiona automáticamente el despliegue, escalado y recuperación de servicios, aunque los ingenieros aún intervienen para depurar problemas complejos o ajustar configuraciones. Otro ejemplo son los sistemas de trading algorítmico, que comienzan con estrategias supervisadas y, tras validación rigurosa, operan con mayor autonomía en la ejecución de órdenes y gestión de riesgos.
Para el Arquitecto de Sistemas, Graduated Autonomy es crucial porque permite la introducción segura y escalable de automatización avanzada. Facilita la gestión de riesgos al permitir que los sistemas demuestren su valía en entornos controlados antes de asumir responsabilidades críticas. Los trade-offs incluyen la complejidad inicial de diseñar sistemas con múltiples niveles de control y monitoreo, y la necesidad de métricas robustas para evaluar la "graduación" de la autonomía. Un arquitecto debe diseñar interfaces claras para la intervención humana, mecanismos de "fail-safe" y "rollback", y sistemas de observabilidad que permitan a los operadores entender por qué el sistema tomó ciertas decisiones, incluso cuando opera de forma autónoma. Esto es vital para construir sistemas resilientes y confiables que puedan evolucionar con el tiempo.