Poziomy autonomii agentów AI (L1–L5)

Definicja: czym są poziomy autonomii agentów AI?

Poziomy autonomii agentów AI opisują w pięciu stopniach dojrzałości (L1–L5), jak samodzielnie system AI podejmuje decyzje i realizuje swoje zadania. Sięgają od opartego na regułach bota odruchowego (L1), przez LLM z pojedynczym wywołaniem narzędzia (L2) i agenta workflow w deterministycznym potoku (L3), aż po w pełni autonomicznego agenta (L4) i skoordynowany system wieloagentowy (L5). Nie istnieje jeden ujednolicony model standardowy. Pięć poziomów to nasz własny podział, który nawiązuje do zaproponowanego przez Anthropic rozróżnienia między workflowami a agentami.

Kluczową cechą wyróżniającą nie jest zastosowana technologia, lecz jedno pytanie: jaką część sterowania przebiegiem LLM przejmuje dynamicznie, a jaka jest z góry zapisana w stałym kodzie? Z każdym poziomem kontrola przesuwa się od deterministycznego kodu do modelu językowego. Zwiększa to potencjalną korzyść, ale jednocześnie podnosi złożoność, koszty i nakład pracy na governance.

Na początek trzy najważniejsze wnioski:

• Prawdziwi agenci zaczynają się od L4. Dopiero tu LLM dynamicznie steruje kolejnością kroków i wyborem narzędzi oraz przechodzi pełną pętlę rozumowania. Poziomy od L1 do L3 to etapy wstępne o rosnącej, ale ograniczonej autonomii.
• Wyżej nie znaczy automatycznie lepiej. Właściwy poziom zależy od przypadku użycia. Jeśli przebieg da się zaplanować z góry, niższy poziom dojrzałości jest tańszy i bardziej niezawodny.
• W większości zastosowań B2B złoty środek leży między L3 a L4: wystarczająco dużo autonomii, by przynieść realną korzyść, a przy tym wciąż do opanowania.

Konkretny przykład: to samo zadanie na pięciu poziomach

Weźmy powtarzalne zadanie (obsługę zapytania klienta przesłanego e-mailem) i zobaczmy, jak zostałoby rozwiązane na każdym poziomie:

• L1: Bot FAQ rozpoznaje słowo kluczowe „faktura” i wysyła predefiniowaną standardową odpowiedź. Bez dostosowania, bez kontekstu.
• L2: LLM czyta e-mail, jeden raz wywołuje narzędzie (np. wyszukiwanie po numerze zamówienia) i na tej podstawie formułuje odpowiedź. Reaktywnie, jeden krok.
• L3: LLM przechodzi przez sztywno zdefiniowany potok: najpierw klasyfikacja (routing według typu zapytania), potem pobranie danych, następnie projekt odpowiedzi, a na końcu zatwierdzenie. Ścieżka jest z góry ustalona, LLM wypełnia poszczególne etapy.
• L4: Agent sam decyduje, jakie kroki są potrzebne. Być może najpierw sprawdzi status zamówienia, ustali, że potrzebne jest zapytanie do działu logistyki, wywoła tam drugie narzędzie, sprawdzi wynik i dopiero wtedy przygotuje odpowiedź. Kolejność kroków i wybór narzędzi nie są zaprogramowane z góry.
• L5: Orkiestrator rozdziela zapytanie między wyspecjalizowanych agentów, na przykład agenta do researchu, agenta ds. zgodności i agenta copywritera, którzy koordynują działania między sobą i łączą swoje wyniki cząstkowe.

To samo zadanie, pięć zupełnie różnych architektur. Nakład pracy wyraźnie rośnie od lewej do prawej, podobnie jak potencjalna korzyść w złożonych przypadkach, których nie da się dobrze zaplanować z góry.

Pięć poziomów autonomii w szczegółach

L1: agent odruchowy

Systemy oparte na regułach, bez prawdziwego rozumowania. Reagują na wyzwalacze według stałych reguł typu jeśli-to. Typowe przykłady: klasyczny bot FAQ z dopasowywaniem intencji albo termostat. Nie ma planowania ani decyzji sterowanych przez LLM, zachowanie jest w całości z góry określone.

L2: Augmented LLM

Model językowy rozszerzony o jedno wywołanie narzędzia, działający czysto reaktywnie. LLM odpowiada na zapytanie i może w tym celu jeden raz użyć narzędzia, na przykład wyszukiwarki internetowej. Przykład: chatbot obsługi klienta, który jednym wywołaniem narzędzia sprawdza status zamówienia. Jest tu już rozumowanie LLM, ale brakuje wieloetapowej, samosterującej pętli.

L3: agent workflow

LLM działa wewnątrz deterministycznego potoku. Przebieg porządkują techniki takie jak łańcuchowanie promptów (kroki jeden po drugim) czy routing (rozgałęzienie według typu zapytania). LLM podejmuje decyzje na poszczególnych etapach, ale sama ścieżka jest ustalona w kodzie. Właśnie to rozgraniczenie podkreśla również Anthropic: workflowy podążają predefiniowanymi ścieżkami w kodzie, a w przypadku agentów LLM dynamicznie steruje przebiegiem.

L4: agent autonomiczny

Tu zaczyna się agent w ścisłym sensie. LLM dynamicznie steruje kolejnością kroków i wyborem narzędzi i przechodzi pełną pętlę rozumowania: Perceive → Reason → Act → Observe, iteracyjnie, aż do osiągnięcia celu lub przerwania. Przykładami są agenci do programowania, tacy jak Claude Code, albo systemy Deep Research, które samodzielnie wyszukują informacje, oceniają wyniki pośrednie i dostosowują swój plan.

L5: system wieloagentowy

Wielu autonomicznych agentów koordynuje swoje działania, zwykle za pomocą protokołu A2A (Agent-to-Agent). Orkiestrator rozdziela podzadania między wyspecjalizowanych agentów i łączy ich wyniki. Systemy L5 to najpotężniejszy, ale też najbardziej podatny na błędy poziom: mają skłonność do Compounding Errors, czyli drobnych błędów pojedynczych agentów, które narastają wzdłuż łańcucha koordynacji. Ściśle rzecz biorąc, L5 jest poziomem architektury. System jako całość rozdziela decyzje między wielu agentów, ale pojedynczy agent w jego obrębie nie musi mieć większej autonomii niż agent L4.

Macierz porównawcza pięciu poziomów

Poniższe zestawienie podsumowuje poziomy według kluczowych kryteriów. W praktyce granice między nimi są płynne.

Najważniejsza linia podziału przebiega między L3 a L4: do L3 ścieżka jest zaszyta na sztywno, od L4 decyduje o niej LLM w czasie działania. Właśnie ten skok wyznacza przejście od automatyzacji do prawdziwego agenta.

Jak firmy określają swój poziom dojrzałości

Aby określić własną pozycję na skali, warto odpowiedzieć na trzy pytania pomocnicze, które mówią więcej niż jakakolwiek marketingowa nazwa nadana przez dostawcę:

1. Kto decyduje o kolejności kroków? Czy przebieg jest na stałe zapisany w kodzie (→ do L3), czy wyznacza go LLM w czasie działania (→ od L4)?
2. Ile narzędzi system wykorzystuje samodzielnie? Żadnego (L1), dokładnie jedno (L2), stały, predefiniowany zestaw (L3) czy narzędzia wybierane dynamicznie (L4/L5)?
3. Jak wysoka jest faktyczna autonomia? Czy system tylko reaguje, czy dąży do celu przez kilka samodzielnie wybranych kroków?

Taka klasyfikacja chroni też przed zjawiskiem „agent washing”: wiele produktów sprzedawanych jako „agent” w rzeczywistości osiąga tylko L2 lub L3. Według Gartnera (czerwiec 2025) zaledwie około 130 dostawców dysponuje prawdziwymi możliwościami agentowymi, więc sama nazwa niewiele mówi o faktycznym poziomie dojrzałości.

Drugi wniosek: wyższy poziom dojrzałości nie jest celem samym w sobie. Centralna reguła decyzyjna brzmi: agent (L4/L5) opłaca się dopiero wtedy, gdy ścieżki rozwiązania nie da się zaplanować z góry. Jeśli przebieg można w pełni zamodelować, workflow L3 jest tańszy, szybszy i bardziej niezawodny. Kto wybiera L4/L5 tam, gdzie wystarczyłby L3, płaci wyższymi kosztami tokenów, bardziej pracochłonnym utrzymaniem i większym nakładem na zgodność z przepisami, bez dodatkowej korzyści.

Dane rynkowe potwierdzają tę ostrożność: według Gartnera (czerwiec 2025) ponad 40% projektów agentowej AI zostanie przerwanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. Z naszego doświadczenia wynika, że zbyt duża autonomia podnosi przede wszystkim koszty i ryzyko. Jednocześnie według raportu McKinsey State of AI 2025 tylko 23% respondentów deklaruje, że ich firma skaluje co najmniej jeden system agentowej AI, a 39% eksperymentuje z agentami. W żadnej pojedynczej funkcji biznesowej odsetek respondentów, którzy wskazują, że ich firma skaluje tam agentów, nie przekracza 10%. Rynek porusza się więc wciąż głównie na niskim i średnim poziomie dojrzałości.

Rekomendacja: zacznij od właściwego poziomu dojrzałości

Dla decydentów w Europie wynika z tego pragmatyczna ścieżka: wybrać najniższy poziom dojrzałości, który rozwiązuje dany przypadek użycia. Pilotaż w trybie tylko do odczytu na poziomie L3 albo wąsko ograniczony agent L4 z human-in-the-loop dla wszystkich nieodwracalnych działań to znacznie solidniejszy fundament niż ambitny system L5 bez governance.

Obowiązki regulacyjne zależą od celu zastosowania i ryzyka, a nie od poziomu autonomii. Obowiązek przejrzystości wynikający z art. 50 unijnego AI Act ma zastosowanie od 2 sierpnia 2026 roku i dotyczy już chatbota LLM na poziomie L2: użytkownicy muszą zostać poinformowani, że wchodzą w interakcję z AI, chyba że jest to oczywiste. Wyższe poziomy zwiększają prawdopodobieństwo zautomatyzowanego podejmowania decyzji w indywidualnych przypadkach w rozumieniu art. 22 RODO, a tym samym również konieczność przeprowadzenia oceny skutków dla ochrony danych zgodnie z art. 35 RODO. Jeśli zewnętrzny dostawca LLM przetwarza dane osobowe w Twoim imieniu, na każdym poziomie potrzebujesz umowy powierzenia przetwarzania danych zgodnie z art. 28 RODO. Jeśli agent może monitorować zachowanie lub wydajność pracowników, w Niemczech istniejąca rada zakładowa ma prawo współdecydowania na podstawie § 87 Abs. 1 Nr. 6 BetrVG. W Austrii system kontroli, który dotyka godności ludzkiej, wymaga zgody rady zakładowej na podstawie § 96 Abs. 1 Z 3 ArbVG. Jeśli system przetwarza dane pracowników wykraczające poza ogólne dane osobowe i kwalifikacje zawodowe, z reguły zastosowanie ma § 96a ArbVG; w takim przypadku zgodę może zastąpić rozstrzygnięcie komisji pojednawczej. W Szwajcarii obowiązuje znowelizowana ustawa o ochronie danych (DSG); AI Act i RODO mają tam zastosowanie tylko w przypadku powiązania z UE, na przykład gdy system jest skierowany do osób w UE lub jego wyniki są wykorzystywane w UE. Powyższe informacje mają charakter wyłącznie informacyjny i nie stanowią porady prawnej.

Kto rzetelnie określi swój poziom dojrzałości, zamiast gonić za najwyższym poziomem, uniknie „Pilot Purgatory” i stworzy podstawy, by przy kolejnym skoku dojrzałości rzeczywiście skalować.