Los modelos predictivos se utilizan en muchos campos diferentes de la ciencia y la ingeniería y siempre son propensos a realizar predicciones defectuosas. Estas predicciones defectuosas pueden ser más o menos malignas dependiendo de la aplicación del modelo. Describimos las fibras de falla (FF), un método para clasificar los modos de falla de los procesos predictivos. Nuestro método utiliza M, un algoritmo de análisis de datos topológicos (TDA), para construir un modelo gráfico de los datos de entrada estratificados por errores de predicción. Demostramos dos formas de utilizar los agrupamientos de modos de falla: ya sea para producir una capa de corrección que ajuste las predicciones por similitud a los modos de falla; o para inspeccionar los miembros de los modos de falla para ilustrar e investigar qué caracteriza a cada modo de falla. Demostramos FF en dos escenarios: una red neuronal convolucional (CNN) que predice imágenes MNIST con ruido agregado, y una red neuronal artificial (ANN) que predice el consumo de energía eléctrica de un horno de arco eléctrico (EAF). La capa de corrección en el modelo de CNN mejoró significativamente su precisión de predicción, mientras que la inspección de los modos de falla para el modelo de EAF proporcionó ideas orientadoras sobre las razones específicas del dominio detrás de varias regiones de alto error.