Se produit lorsque la complexité du modèle (trop de paramètres) permet la mémorisation des exemples d'entraînement plutôt que l'apprentissage de modèles généraux. Les symptômes incluent une haute précision de l'entraînement mais une faible performance de validation/test. Les pratiques de gouvernance impliquent une validation croisée régulière, le suivi de la divergence des pertes d'entraînement/validation, l'application de techniques de régularisation (abandon, décroissance du poids), et la définition de seuils acceptables de généralisation avant d'autoriser les modèles à entrer en production.