Lovable sostiene que obligar al usuario a elegir un modelo de IA antes de empezar a trabajar es un callejón sin salida. En su blog corporativo, la compañía explica su apuesta por la "independencia de modelos": en lugar de tratar a todos los grandes modelos como intercambiables, un equipo interno adapta instrucciones, herramientas y contexto a cada uno para extraer lo que hace mejor.
El texto describe un "control plane" que supervisa cada build en tiempo real: detecta si el agente comprende la tarea, planifica, escribe código, ejecuta la app y reacciona ante errores. Cuando un modelo falla, el sistema decide si reintentar, cambiar el plan, ajustar herramientas o sustituir el modelo. Lovable afirma haber medido, por ejemplo, que un modelo frontera completó tareas un 15% más rápido, con un 40% menos de turnos y una puntuación un 2-3% superior.
La compañía advierte de que cambiar de modelo a mitad de un proyecto puede destruir contexto acumulado y provocar resultados peores. Por eso su unidad de medida no es el leaderboard público, sino la aplicación final funcionando en el navegador. Además, Lovable entrena modelos propios para tareas específicas (resumir, redactar commits) y los somete al mismo control plane que los externos: si un modelo ajeno rinde mejor, lo sustituye.