¿Por qué la IA que funcionaba deja de funcionar?

Las tres derivas tienen nombres distintos y arreglos distintos. Deriva de datos: lo que entra ya no se parece a lo que entraba (cambia el mercado, el formato de un proveedor, el tipo de cliente), y el arreglo es reentrenar o reajustar con datos frescos. Deriva de modelo: el proveedor actualiza o retira el modelo que usabas y el mismo prompt devuelve otra cosa, y el arreglo es fijar versiones y probar cada cambio de modelo contra un juego de casos antes de adoptarlo. Deriva de entorno: cambia una API, una web que leías, una política de una plataforma, y el arreglo es que el sistema falle ruidosamente (bloquee y avise) en vez de degradarse en silencio.

Esta casa lo vive en pequeño: nuestro pipeline opera con siete puertas que bloquean la publicación y varias existen precisamente porque una deriva nos alcanzó primero (un cambio de formato que rompía enlaces, texto que llegaba crudo al lector). La regla que lo resume: si nadie mira una métrica cada semana, ese sistema ya está fallando y todavía no lo sabes. La versión de este problema antes del lanzamiento (proyectos que mueren por elegir mal o no medir) es su primo, y el ritmo trimestral de repuntuar viene de la matriz de casos de uso. El marco completo, en Sistemas de IA.