Un agente de IA que funcionaba perfectamente hace seis meses empieza a fallar cada vez más: recomienda mal, clasifica peor, se equivoca en casos que antes resolvía sin problema. Nadie ha tocado el modelo. Nadie ha cambiado el código. Lo que ha cambiado es el mundo a su alrededor, y el modelo sigue funcionando como si no se hubiera enterado. Ese fenómeno tiene nombre: data drift, o deriva de datos, y es una de las causas más frecuentes —y menos visibles— de que un proyecto de IA se degrade con el tiempo.
Qué es el data drift, explicado sin jerga
El data drift ocurre cuando los datos que un modelo de IA recibe en su operación diaria dejan de parecerse, estadísticamente, a los datos con los que fue entrenado. El modelo no se ha vuelto peor de repente: sigue aplicando las mismas reglas que aprendió, pero esas reglas ya no encajan bien con la realidad actual porque la realidad ha cambiado.
La analogía más clara es la de un empleado que se formó hace años en un procedimiento y nunca ha recibido actualización. Si la empresa cambia sus tarifas, su catálogo de productos o el perfil de sus clientes, ese empleado seguirá aplicando el procedimiento antiguo con toda su buena fe, y sus decisiones empezarán a desajustarse poco a poco respecto a lo que la empresa necesita ahora. El modelo de IA hace exactamente lo mismo: aplica lo que aprendió, aunque el contexto ya no sea el mismo.
Los dos tipos de deriva que conviene distinguir
No todo cambio en los datos es igual, y distinguir el tipo de deriva ayuda a diagnosticar el problema con más precisión.
Deriva de los datos de entrada (data drift propiamente dicho)
Ocurre cuando cambian las características de lo que el modelo recibe como entrada, aunque la relación entre esas características y el resultado correcto siga siendo la misma. Por ejemplo, si una tienda online empieza a vender a un público más joven, el perfil de los pedidos cambia —importes distintos, productos distintos, horarios distintos— aunque las reglas de qué es un pedido fraudulento no hayan variado.
Deriva del concepto (concept drift)
Es más profunda: cambia la propia relación entre los datos y el resultado que se quiere predecir. Un ejemplo habitual es un modelo de riesgo de impago entrenado antes de una subida de tipos de interés: los mismos datos de un cliente —ingresos, historial, tipo de contrato— ya no predicen el mismo nivel de riesgo que predecían antes, porque las condiciones económicas generales han cambiado la relación de fondo.
Por qué es tan difícil de detectar a tiempo
El data drift no suele manifestarse como un fallo evidente, sino como una degradación gradual y silenciosa. Un sistema tradicional que se rompe da un error visible; un modelo de IA que sufre deriva sigue produciendo resultados con toda normalidad, solo que cada vez menos acertados. Si nadie mide activamente la precisión del sistema en producción, semanas o meses pueden pasar antes de que alguien note que algo va mal, y para entonces el coste acumulado de decisiones erróneas —recomendaciones desacertadas, clasificaciones incorrectas, alertas que no saltan— puede ser considerable.
¿Cómo se sabe si un modelo de IA está sufriendo data drift?
Se detecta comparando de forma continua la distribución estadística de los datos que el modelo recibe ahora con la distribución de los datos que se usaron para entrenarlo, además de vigilar de cerca métricas de precisión sobre una muestra de resultados verificados manualmente. Cuando esa comparación muestra diferencias significativas —por ejemplo, que el rango habitual de importes de pedido se ha desplazado, o que ciertas categorías que antes eran raras ahora son frecuentes—, es una señal de alerta temprana, incluso antes de que la precisión del modelo caiga de forma visible. Un proyecto de IA bien planteado incorpora este tipo de monitorización desde el primer día, no como un añadido posterior, porque detectar la deriva pronto es mucho más barato que corregir sus consecuencias después.
¿Se puede evitar el data drift o solo se puede gestionar?
No se puede evitar por completo, porque implicaría congelar el mundo real, y ningún negocio funciona así: los clientes cambian, los proveedores cambian, la competencia cambia y la propia empresa evoluciona. Lo que sí se puede hacer es gestionarlo de forma activa, con tres piezas que deberían formar parte de cualquier despliegue serio de un agente de IA: monitorización continua de las métricas de precisión, alertas automáticas cuando la distribución de los datos se aleja de lo esperado, y un proceso de reentrenamiento periódico o disparado por esas alertas que actualice al modelo con datos recientes. Tratar el data drift como algo que se resuelve una vez y ya está es una de las razones habituales por las que un proyecto de IA que funciónó bien al principio decepciona con el tiempo.
Qué implica en la práctica para una empresa
Si tu empresa tiene o está valorando implantar un agente de IA para tareas como clasificación de tickets, detección de fraude, previsión de demanda o puntuación de leads comerciales, el data drift debería formar parte de la conversación desde el diseño del proyecto, no solo cuando algo empieza a fallar. Preguntas útiles para hacer a un proveedor de IA:
- ¿Cómo se va a monitorizar el rendimiento del modelo una vez esté en producción?
- ¿Qué umbral de degradación dispara una revisión o un reentrenamiento?
- ¿Con qué frecuencia se actualiza el modelo con datos nuevos?
- ¿Quién es responsable de revisar esas métricas: el proveedor, un equipo interno, o ambos?
Este tipo de garantías de mantenimiento debería figurar en cualquier contrato de servicio de IA, junto con las cuestiones que tratamos en qué preguntar antes de contratar un proveedor de IA.
Un ejemplo habitual para entender el impacto
Imagina una empresa de distribución que entrenó un modelo para predecir qué productos se agotarán antes en cada almacén, basándose en dos años de histórico de ventas. El modelo funciona bien durante meses. Después, la empresa lanza una línea de productos nueva, cambia de proveedor logístico y entra en dos mercados regionales distintos. Ninguno de esos cambios rompe el sistema técnicamente: sigue generando previsiones con total normalidad. Pero esas previsiones cada vez aciertan menos, porque los patrones de venta que el modelo aprendió ya no describen bien el negocio actual. Sin monitorización activa, el equipo de operaciones puede tardar en darse cuenta de que las roturas de stock han aumentado precisamente en las categorías donde el modelo tiene más deriva acumulada.
Conclusión
El data drift no es un fallo puntual, sino un proceso gradual e inevitable: cualquier modelo de IA que opere en un entorno real acabará desajustándose en algún grado a medida que ese entorno cambie. La diferencia entre un proyecto de IA robusto y uno frágil no está en si sufre deriva —todos la sufren tarde o temprano— sino en si existe un sistema de monitorización y reentrenamiento capaz de detectarla y corregirla antes de que afecte de forma visible al negocio.
En MG Solutions incluimos la monitorización del rendimiento como parte del ciclo de vida de cada agente de IA que implantamos, no como un servicio aparte. Si quieres saber si tus sistemas actuales están sufriendo deriva sin que nadie lo esté midiendo, pide un diagnóstico gratuito.