Deriva del modelo: cómo la evolución del entorno afecta el rendimiento de la IA
¿Qué es la deriva del modelo?
Una inteligencia artificial puede obtener buenos resultados en pruebas, pero meses después sus respuestas o predicciones pueden volverse menos precisas. Este fenómeno se conoce como deriva del modelo.
El problema no significa que el algoritmo haya cambiado por sí solo. En la mayoría de los casos, lo que cambia es el contexto en el que opera: los datos, el comportamiento de los usuarios, los patrones de consumo e incluso las relaciones entre determinadas informaciones pueden transformarse con el tiempo.
Para los profesionales que trabajan con IA, comprender estas señales ayuda a evitar que una herramienta siga utilizándose basándose en un rendimiento que ya no corresponde a la realidad.
La deriva del modelo ocurre cuando el rendimiento de un sistema de inteligencia artificial se deteriora porque las condiciones observadas en producción ya no corresponden a las condiciones existentes durante su desarrollo o entrenamiento. El NIST define la deriva como una situación en la que los sistemas de IA pueden dejar de cumplir las premisas originales a medida que el entorno evoluciona.
Un ejemplo sencillo es un sistema utilizado para predecir la demanda. Si fue entrenado con patrones históricos de compra, un cambio repentino en el comportamiento de los consumidores puede hacer que sus predicciones pierdan precisión.
Existen diferentes tipos de deriva. Una de ellas es el data drift, cuando la distribución de los datos de entrada cambia. Otra es el concept drift, cuando cambia la relación entre los datos de entrada y el resultado que el modelo intenta predecir.
¿Por qué enero puede ser diferente de agosto?
Imagina una empresa que utiliza la IA para clasificar currículos. El sistema fue entrenado con determinados cargos, términos y perfiles profesionales.
Meses después, surgen nuevas profesiones, ciertas competencias pasan a ser más valoradas y los candidatos comienzan a describir sus experiencias de otra manera. El modelo sigue funcionando, pero puede interpretar los datos con menor precisión.
Situaciones similares pueden ocurrir con sistemas de previsión de ventas, detección de fraudes, recomendación de productos y otras aplicaciones profesionales.
En el caso de la IA generativa, el seguimiento también puede incluir la calidad de las respuestas, la relevancia, la consistencia, la frecuencia de alucinaciones y cambios en el comportamiento del sistema. IBM recomienda observar estos indicadores en las aplicaciones de IA generativa.
¿Cómo identificar señales de deriva del modelo?
El primer paso es establecer una línea de base. Antes de poner un modelo en producción, es necesario registrar cómo se comporta en condiciones consideradas adecuadas. Sin esta referencia, es más difícil determinar cuándo ha ocurrido una deterioración.
En la práctica, el monitoreo puede observar lo siguiente:
- cambios en la distribución de los datos;
- caída en la precisión de las predicciones;
- aumento de errores;
- cambios en la calidad de las respuestas;
- cambios en la latencia o en el consumo de recursos;
- diferencia entre resultados esperados y resultados observados.
El seguimiento no tiene que esperar a que se produzca un fallo evidente. El NIST recomienda monitorear el comportamiento de los sistemas durante la operación y comparar las métricas de producción con aquellas observadas antes de la implementación.
¿Qué hacer cuando el rendimiento disminuye?
Detectar el problema es solo una etapa. El equipo debe investigar dónde ocurrió el cambio antes de decidir cómo actuar.
En algunos casos, la causa está en los datos. En otros, puede estar en el propio modelo, en un cambio en la infraestructura o en la forma en que las personas utilizan el sistema.
Dependiendo del diagnóstico, las alternativas incluyen actualizar los datos de entrenamiento, recalibrar o reentrenar el modelo, modificar las métricas de seguimiento o revisar el propio sistema. IBM recomienda un monitoreo continuo, el análisis de la causa y la actualización de los modelos cuando sea necesario.
El tema también ha ganado atención institucional. En marzo de 2026, el NIST publicó un informe sobre los desafíos del monitoreo de sistemas de IA en producción y señaló la detección de degradación y deriva como algunos de los problemas que las organizaciones aún enfrentan.








