Este artículo presenta la Capacidad Efectiva del Modelo (CLEMC) para redes neuronales en Aprendizaje Continuo (AC) en relación con el dilema estabilidad-plasticidad. Desarrollamos una ecuación diferencial que modela la evolución de la interacción entre la red neuronal, los datos de la tarea y el procedimiento de optimización, y demostramos que la capacidad efectiva, es decir, el equilibrio entre estabilidad y plasticidad, es inherentemente no estacionaria. Mediante experimentos exhaustivos en diversas arquitecturas (incluyendo redes de propagación hacia adelante, redes neuronales convolucionales, redes neuronales de grafos y modelos de lenguaje a gran escala basados en Transformers con millones de parámetros), demostramos que la capacidad de la red para representar nuevas tareas disminuye cuando la nueva distribución de tareas difiere de la distribución previa.
