¿Qué es la deriva del modelo?
Entrega, operaciones e infraestructura de IA
La deriva del modelo es la pérdida gradual de utilidad de un modelo de aprendizaje automático tras su despliegue, generalmente porque el mundo real ha cambiado desde que el modelo fue entrenado. Los datos que llegan en producción pueden tener un aspecto diferente, el fenómeno que se predice puede haber cambiado de significado, o el pipeline de datos puede haberse desplazado. En la práctica, la deriva del modelo significa que un modelo que antes funcionaba bien puede volverse menos preciso, menos justo o menos fiable si no se supervisa y mantiene.
Revisado por Jackie, Head of Learning & Development, Levellers - Última revisión: 8 de junio de 2026
Qué significa esto
Un modelo de aprendizaje automático se entrena con datos históricos. Aprende patrones del pasado y los utiliza para hacer predicciones o clasificaciones sobre nuevos casos. Esto funciona bien solo mientras el mundo que el modelo observa en producción siga pareciéndose al mundo del que aprendió.
La deriva del modelo es lo que ocurre cuando esa suposición deja de cumplirse. Un modelo de crédito entrenado antes de una crisis económica puede encontrarse con un comportamiento diferente de los prestatarios. Un modelo de previsión de demanda entrenado con los patrones de compra del año pasado puede tener dificultades cuando nuevos canales, promociones o movimientos de la competencia cambian el comportamiento de los clientes. Un modelo de detección de fraude puede debilitarse porque los defraudadores cambian sus tácticas. El modelo en sí no ha "olvidado" nada. El mundo a su alrededor ha cambiado.
Las personas utilizan el término de formas ligeramente distintas. Algunos lo emplean como etiqueta general para cualquier deterioro de la calidad del modelo en producción. Otros lo dividen en tipos más específicos, como deriva de datos, deriva de concepto, deriva de predicción o sesgo entre entrenamiento y servicio. Para el lector no especialista, lo importante es sencillo: un modelo no es un activo puntual que permanece correcto para siempre. Es una parte viva de un sistema operativo que necesita revisión, mantenimiento y, en ocasiones, sustitución.
Un buen modelo mental es el de un navegador GPS construido con un mapa antiguo. Puede seguir funcionando para muchos trayectos, pero si las carreteras han cambiado, los patrones de tráfico se han desplazado o las normas del destino son diferentes, empezará a dar indicaciones cada vez peores. La deriva del modelo es ese mismo problema en forma de datos.
Por qué importa
Los responsables deben prestar atención porque la deriva suele ser silenciosa. Un modelo puede seguir funcionando, seguir devolviendo respuestas y, aun así, estar empeorando de forma significativa. El software tradicional suele fallar de manera ruidosa. La deriva falla en silencio. Eso la convierte en un problema operativo y de gobernanza, no solo técnico.
Si la deriva pasa desapercibida, el coste rara vez aparece como una partida única. Se manifiesta como previsiones más débiles, más excepciones manuales, una segmentación de clientes más deficiente, solicitudes de servicio mal dirigidas, aumento de las pérdidas por fraude, decisiones injustas o pérdida de confianza del personal en el sistema. En entornos regulados, también puede generar problemas de auditoría, cumplimiento y equidad, especialmente si el equipo no puede explicar cómo se está verificando el rendimiento en producción.
La deriva también altera la economía de la IA. Un modelo que parecía eficiente en un piloto puede volverse costoso cuando las personas dedican tiempo a corregirlo, a gestionar falsos positivos o a reentrenarlo con demasiada frecuencia por falta de un diseño de supervisión adecuado. En otras palabras, la deriva es una de las razones por las que la IA en producción es más difícil que construir una demo.
Cómo funciona
Todo modelo parte de una línea base. Durante el entrenamiento, el equipo utiliza datos históricos y mide el rendimiento sobre datos de validación. Eso crea una imagen de cómo era lo "normal" cuando se construyó el modelo. Las entradas tenían ciertos rangos y distribuciones. Las categorías aparecían con determinadas frecuencias. Las etiquetas, cuando existían, se comportaban de una manera concreta. El modelo también aprendió qué características eran más útiles.
Una vez que el modelo está en producción, comienzan a llegar nuevos datos. La supervisión compara algún aspecto de esos datos o comportamientos en vivo con la línea base. Una comprobación habitual es la deriva de entrada, a veces denominada deriva de datos. Esta pregunta es si los valores de las características entrantes ahora parecen estadísticamente diferentes de los datos utilizados anteriormente. Si las franjas de edad, las combinaciones de productos, las ubicaciones o los importes de las transacciones empiezan a moverse, el modelo puede estar viendo casos para los que no fue calibrado.
Otra comprobación es el sesgo entre entrenamiento y servicio. Es ligeramente diferente. No se trata del mundo que cambia a lo largo de meses, sino de que los datos vistos en el momento de la inferencia difieren de los datos vistos durante el entrenamiento debido a problemas de pipeline o de implementación. Un campo puede faltar, una unidad puede haber cambiado, una categoría puede estar codificada de forma diferente, o un paso de transformación puede no coincidir con lo que esperaba el entrenamiento. Esta es una de las causas más frecuentes y menos llamativas del mal comportamiento de los modelos.
Un caso más grave es la deriva de concepto. Aquí, la relación subyacente entre las entradas y el objetivo cambia. En lenguaje claro, el significado de la tarea de predicción se desplaza. Una señal de spam que antes funcionaba puede debilitarse porque los remitentes cambian de estilo. Un indicador de fraude puede dejar de funcionar porque el patrón de fraude evoluciona. Un modelo de abandono puede debilitarse porque un nuevo plan de precios cambia los motivos por los que los clientes se van. La deriva de concepto suele ser la más importante, pero puede ser más difícil de detectar porque generalmente se necesita la verdad de referencia, el resultado real posterior, para verla con claridad.
Los equipos también supervisan la deriva de predicción y la deriva de atribución de características. La deriva de predicción pregunta si las salidas del modelo han cambiado de forma sospechosa, por ejemplo un aumento repentino en las puntuaciones de "alto riesgo". La deriva de atribución de características pregunta si el modelo parece estar apoyándose en señales diferentes a las anteriores. Eso puede ser una advertencia temprana de que algo importante ha cambiado, incluso antes de que estén disponibles los datos de precisión.
En la práctica, la detección se basa en ventanas, umbrales y alertas. El sistema puede comparar los datos de hoy con los de los últimos treinta días, o los datos de esta semana con el conjunto de entrenamiento, o una línea base de producción continua. Utiliza medidas estadísticas para determinar si el cambio es lo suficientemente grande como para importar. Esta última frase es relevante. No todo cambio es importante. Una buena supervisión distingue la variación natural de los cambios que amenazan la calidad o los controles de riesgo.
Cuando las etiquetas llegan más tarde, los equipos también deben supervisar el rendimiento real, como la precisión, la exhaustividad, la tasa de error, la calibración o las tasas de error de negocio. Esto es fundamental porque la deriva de datos no siempre significa que el modelo esté fallando, y algunos fallos del modelo ocurren incluso cuando la deriva de entrada parece modesta. Las comprobaciones de entrada son señales tempranas. Las comprobaciones de verdad de referencia indican si el rendimiento está realmente degradándose.
Una vez que se emite una señal, la respuesta no es automáticamente "reentrenar". A veces la respuesta correcta es corregir un error en el pipeline, restaurar una característica faltante, actualizar un umbral, limitar el uso del modelo o añadir revisión humana para un segmento. A veces el reentrenamiento ayuda. A veces no, especialmente si el proceso de negocio en sí ha cambiado y la definición del objetivo necesita rediseñarse.
Por eso los equipos maduros tratan la deriva como una disciplina del ciclo de vida. Registran entradas y salidas, hacen seguimiento de la calidad de los datos, recopilan etiquetas cuando es posible, asignan responsables a los modelos críticos y definen manuales de respuesta. El verdadero trabajo no consiste solo en detectar el cambio, sino en determinar qué tipo de cambio ha ocurrido, cuán arriesgado es y qué acción es proporcionada.
Ejemplos
Un minorista utiliza un modelo de previsión de demanda para planificar el stock. El modelo fue entrenado con ventas en tienda, pero los pedidos en línea y el click and collect pasan a representar una parte mucho mayor de la demanda. El modelo sigue funcionando, pero el reabastecimiento empeora porque la combinación de canales, promociones y comportamiento de los clientes ha cambiado.
Un banco utiliza un modelo de fraude para puntuar las transacciones con tarjeta. Los defraudadores empiezan a probar diferentes importes de transacción, geografías y categorías de comercio. Los datos entrantes se desplazan y, a continuación, la relación entre las señales y el fraude real cambia. Los falsos negativos aumentan antes de que el negocio comprenda plenamente el motivo.
Un equipo de servicios compartidos utiliza un clasificador de documentos para enrutar los formularios entrantes. Un cambio de política lleva al personal y a los clientes a utilizar nuevas formulaciones y formatos de documento. El modelo encuentra patrones desconocidos, los errores de enrutamiento aumentan y el trabajo de clasificación manual crece.
Una empresa de software utiliza un modelo de priorización de tickets de soporte. El lanzamiento de un producto cambia el tipo de incidencias que llegan. El modelo sigue asignando urgencia basándose en los patrones de tickets antiguos, por lo que los problemas genuinamente graves no siempre se detectan con suficiente rapidez.
Malentendidos frecuentes
Un malentendido habitual es pensar que la deriva solo significa una caída en la precisión. En realidad, la deriva puede manifestarse primero en los datos de entrada, en la distribución de salidas o en la dependencia del modelo de ciertas características, mucho antes de que una métrica de precisión formal lo refleje.
Otro error es asumir que el reentrenamiento es la solución. Reentrenar con datos de producción defectuosos, sesgados o mal registrados puede consolidar el problema. Si el problema es un pipeline roto, una definición de objetivo modificada o una nueva política operativa, el reentrenamiento por sí solo puede hacer que el modelo sea sistemáticamente incorrecto.
También es un error pensar que la deriva es solo un asunto de ciencia de datos. Las causas suelen estar en las operaciones, la política, el producto, el comportamiento de los clientes, los cambios en la cadena de suministro, la estacionalidad o los sistemas de origen. Si los responsables de negocio no están involucrados, los equipos detectan el síntoma sin entender la causa.
Por último, no toda alerta significa una crisis. Los sistemas saludables cambian. Una buena gobernanza no entra en pánico ante el movimiento. Lo interpreta.
Riesgos y límites
La supervisión de la deriva tiene límites. Si no se registran correctamente los datos de producción, puede que no se sepa qué cambió. Si las etiquetas llegan meses después, puede existir un largo punto ciego antes de que el rendimiento real pueda medirse. Si los umbrales son inadecuados, los equipos o bien ignoran las alertas ruidosas o bien pasan por alto las significativas.
También existe el riesgo de centrarse únicamente en métricas técnicas. Un modelo puede parecer estadísticamente estable y, al mismo tiempo, volverse menos útil para el negocio o menos justo para un subgrupo, porque el proceso que lo rodea ha cambiado. La supervisión, por tanto, necesita tanto señales técnicas como criterio operativo.
Para la IA generativa y los sistemas de agentes, el problema más cercano suele denominarse deriva de calidad en lugar de deriva del modelo. El mismo principio se aplica, pero el método de supervisión puede diferir porque las salidas son abiertas y los prompts, la recuperación, las herramientas y las actualizaciones del modelo afectan a la calidad. El límite importa, porque los métodos de supervisión de modelos más antiguos no cubren todos los flujos de trabajo modernos de IA.
Qué hacer a continuación
Comience por identificar qué modelos son realmente importantes. La mayoría de las organizaciones tienen más modelos, reglas de puntuación y flujos de trabajo asistidos por IA de lo que los responsables creen. Céntrese primero en los que afectan al dinero, al riesgo, a la experiencia del cliente o a las decisiones reguladas.
Para cada modelo crítico, conviene hacerse cinco preguntas prácticas. ¿Qué datos se registran en producción? ¿Qué significa un buen rendimiento en términos operativos? ¿Con qué rapidez llega la verdad de referencia? ¿Quién es responsable del modelo tras su lanzamiento? ¿Qué debe ocurrir si la calidad cae?
A continuación, haga real la supervisión. Capture entradas, salidas y metadatos clave. Establezca líneas base. Haga seguimiento de la calidad de los datos y de los cambios en la distribución. Cuando sea posible, recopile el resultado real posterior para poder medir el rendimiento real, no solo indicadores aproximados. Asegúrese de que las alertas lleguen a alguien con responsabilidad, no a un panel que nadie consulta.
Por último, cree un camino de respuesta. Defina cuándo inspeccionar, cuándo añadir revisión humana, cuándo recalibrar, cuándo reentrenar y cuándo retirar un modelo. La deriva es manejable cuando se anticipa. Se vuelve peligrosa cuando un equipo se sorprende de que un modelo en producción se haya encontrado con un mundo cambiante.
¿Tiene alguna pregunta o sugerencia, o desea saber cómo investigamos y revisamos estas guías? Lea sobre nuestros estándares editoriales y cómo contactarnos.
Preguntas frecuentes
¿Es la deriva del modelo lo mismo que la deriva de datos?
No exactamente. La deriva de datos generalmente significa que los datos de entrada han cambiado. La deriva del modelo se utiliza con frecuencia de forma más amplia para referirse al deterioro de la utilidad del modelo en producción, que puede deberse a la deriva de datos, la deriva de concepto, problemas en el pipeline o cambios en el proceso de negocio.
¿Con qué frecuencia deben revisarse los modelos para detectar deriva?
Depende de la rapidez con que cambie el entorno y del riesgo que implique el caso de uso. Algunos modelos necesitan comprobaciones diarias o casi en tiempo real, mientras que otros pueden revisarse semanal o mensualmente. La cadencia adecuada sigue la volatilidad del negocio y la tolerancia al riesgo.
¿La deriva siempre significa que hay que reentrenar el modelo?
No. Puede ser necesario corregir un feed de datos roto, actualizar umbrales, añadir revisión humana, actualizar etiquetas o incluso rediseñar la tarea de predicción. El reentrenamiento es una opción, no la respuesta automática.
¿Puede un modelo sufrir deriva aunque el código no cambie nunca?
Sí. La deriva ocurre con frecuencia con código sin cambios porque el entorno externo, el comportamiento de los usuarios, la estacionalidad, los patrones de fraude, la combinación de productos o los datos de origen han cambiado.
¿Qué es la deriva de concepto en lenguaje claro?
Significa que la relación que aprendió el modelo ya no es suficientemente válida. El modelo puede seguir viendo entradas de aspecto similar, pero lo que esas entradas significan para el objetivo ha cambiado.
¿Esto también importa para los sistemas basados en LLM o en agentes?
Sí, aunque los equipos suelen denominarlo deriva de calidad o deriva de comportamiento. En esos sistemas, los cambios en los prompts, la recuperación, las versiones del modelo, las herramientas y la combinación de usuarios pueden degradar el rendimiento incluso cuando no se dispone de una métrica de precisión clásica.
Fuentes
Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST). Primary. Supports the lifecycle view that AI systems need ongoing maintenance and corrective triggers because of data, model, or concept drift.
Learning under Concept Drift: A Review (arXiv). Secondary, academic. Supports the explanation of concept drift as a broad research area covering detection, understanding and adaptation.