Este término describe un problema común en el entrenamiento de modelos de IA, donde el modelo ""aprende de memoria"" los datos de entrenamiento en lugar de generalizar los patrones subyacentes. El resultado es un modelo que funciona perfectamente con los datos que ya conoce, pero falla estrepitosamente con datos nuevos. Para combatirlo, se trabaja en obtener respuestas que sean útiles y confiables en un sentido más amplio. En la práctica, se combina con técnicas como RAG, validadores y un buen diseño de prompts para asegurar que el modelo sea robusto y consistente en escenarios reales.