Un agente de IA que funcionaba bien el mes de su lanzamiento puede, sin que nadie haya tocado su configuración, empezar a comportarse de forma ligeramente distinta seis meses después: respuestas un poco menos precisas, tono que se desvía del esperado, más escaladas a personas de las habituales. Cuando esto ocurre sin que haya habido un cambio deliberado, se conoce como "drift" del agente, y es uno de los riesgos menos visibles —y más fáciles de ignorar hasta que ya es un problema— de operar sistemas de IA en producción.
Qué es el drift de un agente, en términos sencillos
El drift es el desvío progresivo entre el comportamiento que un agente de IA tenía cuando se validó y el que tiene en un momento posterior, sin que haya mediado un cambio intencional en su diseño. No es un fallo puntual —eso sería simplemente un error—; es una tendencia que se acumula con el tiempo y que, precisamente por ser gradual, resulta difícil de detectar sin un mecanismo específico de vigilancia.
En qué se diferencia del "data drift"
Es fácil confundir este concepto con el "data drift", un término más específico del mundo de los modelos predictivos que ya tratamos en qué es el data drift y cómo afecta a tus modelos de IA. El data drift describe un fenómeno concreto: los datos que recibe un modelo en producción dejan de parecerse estadísticamente a los datos con los que se entrenó, y eso degrada su precisión. El drift de un agente conversacional o agéntico es un concepto más amplio, que puede incluir el data drift como una de sus causas, pero abarca también desvíos que no tienen nada que ver con datos de entrenamiento: cambios en el modelo de IA subyacente que actualiza el proveedor, acumulación de instrucciones o ajustes puntuales que interactúan de forma inesperada entre sí, o simplemente que el negocio ha cambiado —nuevos productos, nuevas políticas— y el agente sigue operando con supuestos desactualizados.
Las causas más habituales del drift en un agente
Actualizaciones del modelo base fuera de tu control
Si el agente se apoya en un modelo de lenguaje de un proveedor externo, ese proveedor puede actualizar el modelo sin que cambie nada en tu configuración, y esa actualización puede alterar sutilmente cómo responde el agente a los mismos casos de siempre.
Acumulación de ajustes puntuales
Cada vez que se corrige un caso concreto añadiendo una instrucción o una excepción, se introduce una pequeña pieza más en un sistema que ya tenía muchas. Con el tiempo, estas piezas pueden interactuar entre sí de formas que nadie diseñó explícitamente, generando comportamientos inconsistentes.
El negocio cambia y el agente no se entera
Un catálogo que se actualiza, una política de devoluciones que cambia, una promoción que termina: si esta información no se traslada al conocimiento del agente con la misma rapidez con la que cambia el negocio, el agente empieza a operar con una versión desactualizada de la realidad, que desde fuera se percibe como un fallo de calidad.
Cambios en cómo preguntan los usuarios
El lenguaje de los clientes también evoluciona: nuevas expresiones, nuevas dudas asociadas a productos recién lanzados, nueva jerga. Un agente calibrado sobre las preguntas de hace un año puede empezar a fallar en preguntas nuevas simplemente porque nunca las vio durante su validación inicial.
Cómo se detecta el drift antes de que sea visible para el cliente
El drift, por definición, no se detecta mirando el agente un solo día: se detecta comparando su comportamiento en distintos momentos del tiempo contra una misma vara de medir. Esto es exactamente la función de un sistema de vigilancia continua, que revisamos con detalle en qué es un pipeline de evaluación continua de un agente en producción: sin ese mecanismo, el drift solo se descubre cuando ya ha generado una queja de cliente o un error visible.
Cómo distinguir el drift de un simple error puntual
No todo comportamiento raro de un agente es drift. Un error aislado, causado por una entrada inusual o un caso límite no contemplado, se soluciona ajustando ese caso concreto y no vuelve a repetirse con el mismo patrón. El drift, en cambio, se reconoce porque el mismo tipo de desvío aparece de forma repetida en distintos casos, cada vez con más frecuencia, y no desaparece corrigiendo un ejemplo aislado. La forma más fiable de distinguirlos es llevar un registro simple de incidencias a lo largo de varias semanas: si los problemas se concentran en un patrón que crece con el tiempo, es drift; si son puntuales y no vuelven a aparecer, es simplemente el ruido normal de cualquier sistema en producción.
Qué hacer una vez detectado el drift
La respuesta no es siempre "reentrenar" o "reconfigurar todo desde cero". A menudo basta con actualizar la base de conocimiento del agente con la información de negocio más reciente, revisar y simplificar el conjunto de ajustes puntuales acumulados, o volver a validar el comportamiento del agente frente a un conjunto de casos de referencia tras una actualización del modelo base. Lo importante es tratar esta revisión como una tarea de mantenimiento periódica, no como una intervención de emergencia que solo ocurre cuando algo ya ha fallado de forma visible.
Conclusión
El drift de un agente de IA en producción es el desvío gradual de su comportamiento respecto al que tenía cuando se validó, causado por actualizaciones de modelo, acumulación de ajustes, cambios del negocio o evolución del lenguaje de los usuarios. Es un fenómeno distinto del data drift de un modelo predictivo, aunque relacionado, y solo se detecta con una vigilancia continua deliberada, no por intuición.
En MG Solutions incorporamos revisiones periódicas de comportamiento en los agentes que mantenemos para nuestros clientes, precisamente para detectar el drift antes de que lo note un cliente final. Si quieres revisar el estado de un agente que ya tienes en producción, reserva una primera reunión.