Los agentes de IA están fallando repetidamente en entornos de producción, a pesar de mostrar resultados prometedores en demostraciones y pruebas iniciales. Cyrus Radfar, experto en IA, señala que este problema no radica en los modelos de IA subyacentes (como GPT-5), sino en la arquitectura del código en el que operan. El problema surge cuando los agentes modifican código en bases de datos complejas y acopladas, donde dependen de variables globales, bases de datos y otros elementos no declarados en la firma de la función. Esto crea un 'radio de explosión invisible' donde los cambios pueden tener consecuencias imprevistas y difíciles de depurar, llevando a la cancelación de proyectos y la reversión de implementaciones.
Radfar argumenta que la solución a este problema no es nueva y se encuentra en los principios de la programación funcional, desarrollados hace 40 años. Estos principios promueven la pureza de las funciones (sin efectos secundarios, dependencias globales o acceso a bases de datos dentro de la función), un flujo de datos explícito y la composición sobre el acoplamiento. Al aplicar estos principios (resumidos en el acrónimo SUPER), se reduce el alcance de los posibles fallos, permitiendo que los agentes trabajen de manera más segura y predecible.