El data drift es el fenómeno por el cual las distribuciones estadísticas de los datos de entrada a los modelos de machine learning cambian con el tiempo respecto al conjunto de entrenamiento, degradando la precisión y fiabilidad de las predicciones. En ciberseguridad, la detección de data drift es crítica para sistemas de detección de amenazas basados en ML, detección de anomalías, análisis de comportamiento y modelos de seguridad de IA, donde variaciones no monitoreadas en patrones de tráfico, logs o comportamientos de usuario pueden generar falsos positivos, falsos negativos o hacer ineficaces las defensas automatizadas.