Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 16
Ciberseguridad predictiva basada en inteligencia
artificial contra ataques generativos
Predictive cybersecurity based on artificial intelligence against
generative attacks
Gruezo-Realpe, Mariela Stephany
1
Torres-Galves, Génesis Daniela
2
https://orcid.org/0000-0002-5929-4336
https://orcid.org/0009-0004-7198-7057
mariela.gruezo.realpe@utelvt.edu.ec
gdtorresg@ube.edu.ec
Ecuador, Esmeraldas, Universidad Técnica Luis
Vargas Torres de Esmeraldas.
Ecuador, Durán, Universidad Bolivariana del
Ecuador.
Lascano-Rivera, Samuel Benjamín
3
https://orcid.org/0000-0001-5967-6441
samuel.lascano@upec.edu.ec
Perú, Lima, Universidad Nacional Mayor de San
Marcos.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/revistacec/v3/n2/2
Resumen: La investigación analiza la ciberseguridad
predictiva basada en inteligencia artificial como respuesta al
incremento de ataques generativos capaces de producir
phishing hiperpersonalizado, deepfakes, identidades
sintéticas, malware adaptable y estrategias de evasión más
sofisticadas. El objetivo fue examinar la literatura reciente
sobre avances, riesgos, limitaciones y criterios de
implementación defensiva frente a este tipo de amenazas.
Metodológicamente, se desarrolló una revisión bibliográfica
sustentada en artículos científicos, informes técnicos y marcos
especializados, sin recolección de datos personales ni
ejecución de pruebas ofensivas. Los resultados evidencian
que la inteligencia artificial fortalece la detección anticipada al
correlacionar señales débiles, reconocer anomalías
multifuente y superar parcialmente la dependencia de firmas
estáticas; sin embargo, también presenta limitaciones
asociadas con sesgos de datos, falsos positivos, opacidad
algorítmica, manipulación adversarial, inyección de
instrucciones y dependencia excesiva de la automatización.
Se concluye que la defensa predictiva debe integrarse en
arquitecturas de seguridad por capas, con gobernanza de
datos, explicabilidad operativa, evaluación adversarial
permanente, supervisión humana y protocolos institucionales
de respuesta, a fin de transitar desde una ciberseguridad
reactiva hacia un modelo anticipatorio, resiliente y
responsable.
Palabras clave: ciberseguridad predictiva; inteligencia
artificial; ataques generativos; aprendizaje adversarial;
detección de amenazas.
Artículo Científico
Received: 27/Feb/2026
Accepted: 22/Mar/2026
Published: 20/Abr/2026
Cita: Gruezo-Realpe, M. S., Torres-Galves, G.
D., & Lascano-Rivera, S. B. (2026).
Ciberseguridad predictiva basada en
inteligencia artificial contra ataques
generativos. Revista Científica Enfoques Del
Conocimiento, 3(2), 16-
28. https://doi.org/10.55813/gaea/revistacec/v
3/n2/2
Revista Científica Enfoques del Conocimiento
(RCEC)
https://www.blez.edu.ec
https://revistacec.blez.edu.ec
revistacec@blez.edu.ec
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos y
condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 17
Artículo Científico
Abstract:
The study analyzes predictive cybersecurity based on artificial intelligence as a
response to the growing emergence of generative attacks capable of producing hyper-
personalized phishing, deepfakes, synthetic identities, adaptive malware, and
increasingly sophisticated evasion strategies. The objective was to examine recent
literature regarding advances, risks, limitations, and defensive implementation criteria
against these threats. Methodologically, a bibliographic review was conducted using
scientific articles, technical reports, and specialized frameworks, without collecting
personal data or performing offensive testing. The findings reveal that artificial
intelligence strengthens early threat detection by correlating weak signals, identifying
multi-source anomalies, and partially overcoming the limitations of static signature-
based defenses. However, it also presents challenges related to data bias, false
positives, algorithmic opacity, adversarial manipulation, prompt injection, and
excessive reliance on automation. The study concludes that predictive defense should
be integrated into layered security architectures supported by data governance,
operational explainability, continuous adversarial evaluation, human supervision, and
institutional response protocols in order to transition from reactive cybersecurity toward
an anticipatory, resilient, and responsible model.
Keywords: predictive cybersecurity; artificial intelligence; generative attacks;
adversarial learning; threat detection.
1. Introducción
La ciberseguridad predictiva basada en inteligencia artificial surge como respuesta a
un entorno digital donde los ataques ya no dependen solo de firmas conocidas, sino
de patrones cambiantes, automatización ofensiva y explotación acelerada de
vulnerabilidades (Tirira-Chulde et al., 2026). En este escenario, la inteligencia artificial
permite anticipar comportamientos anómalos, priorizar alertas y apoyar decisiones
preventivas; sin embargo, la inteligencia artificial generativa también amplía la
capacidad de los atacantes para producir señuelos, código, identidades sintéticas y
campañas de ingeniería social más creíbles (Kaur et al., 2023; NCSC, 2024; World
Economic Forum, 2025).
El problema central radica en que los mecanismos tradicionales de defensa, basados
en reglas estáticas, listas negras o detección reactiva, resultan insuficientes frente a
ataques generativos capaces de variar contenido, lenguaje, infraestructura y vectores
de entrada (Boné-Andrade, 2023). La evidencia reciente muestra que los modelos
generativos pueden fortalecer el phishing, el reconocimiento de objetivos, la
producción de documentos señuelo, la automatización de interacciones maliciosas y
la evasión de controles, lo cual incrementa la dificultad de distinguir comunicaciones
legítimas de intentos de intrusión (Jabir et al., 2025; NCSC, 2024; OWASP, 2025).
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 18
Artículo Científico
A partir de ello, las afectaciones del problema se expresan en dimensiones técnicas,
económicas, institucionales y sociales. Técnicamente, los ataques generativos
pueden comprometer sistemas mediante inyección de prompts, envenenamiento de
datos, manejo inseguro de salidas, filtración de información sensible y manipulación
de cadenas de suministro de modelos; institucionalmente, erosionan la confianza en
servicios digitales, decisiones automatizadas y canales de comunicación corporativa
(Galarza-Sánchez, 2023). Socialmente, la creación de deepfakes y mensajes
hiperpersonalizados intensifica la suplantación, el fraude y la desinformación,
afectando tanto a usuarios como a organizaciones (Mirsky & Lee, 2021; NIST, 2024a;
OWASP, 2025).
No obstante, la literatura también muestra que la inteligencia artificial posee un
potencial defensivo relevante cuando se aplica a detección de intrusiones, análisis de
malware, inteligencia de amenazas, clasificación de phishing, respuesta automatizada
y aprendizaje de comportamientos anómalos (Erazo-Luzuriaga et al., 2023). La brecha
aparece porque muchas investigaciones enfatizan la precisión de modelos, pero tratan
de forma fragmentada la relación entre predicción, explicabilidad, robustez adversarial
y ataques generativos. Por ello, se requiere una revisión que articule capacidades
defensivas, riesgos de doble uso y criterios de implementación confiable (Ferrag et al.,
2025; Salem et al., 2024; Sarker et al., 2024).
En consecuencia, la justificación de este artículo se sostiene en la necesidad de
organizar críticamente un campo emergente donde la innovación defensiva y la
amenaza ofensiva evolucionan de manera simultánea (Montalván-Vélez et al., 2024).
Su relevancia social se vincula con la protección de datos, continuidad operativa y
confianza digital; su valor teórico reside en integrar enfoques de ciberseguridad
predictiva, aprendizaje automático, inteligencia generativa y aprendizaje adversarial;
y su utilidad metodológica consiste en ofrecer una síntesis bibliográfica que oriente
futuras investigaciones, taxonomías y criterios de evaluación (Kaur et al., 2023; NIST,
2024b; World Economic Forum, 2025).
Asimismo, el estudio resulta viable porque existe un volumen creciente de literatura
científica, informes técnicos y marcos de referencia producidos por organismos
especializados, lo que permite desarrollar una revisión bibliográfica sin recolectar
datos personales ni ejecutar pruebas ofensivas sobre sistemas reales (Castelo-
Vinueza, 2025). Esta viabilidad ética y documental es especialmente pertinente en un
tema donde simular ataques, automatizar explotación o replicar malware podría
generar riesgos operativos; por tanto, el análisis puede concentrarse en evidencia
publicada, recomendaciones de mitigación y desafíos abiertos (ENISA, 2024; NIST,
2024a; OWASP, 2025).
En este marco, el objetivo general del artículo es analizar la literatura reciente sobre
ciberseguridad predictiva basada en inteligencia artificial frente a ataques generativos,
identificando avances, riesgos, limitaciones y líneas de investigación. De manera
específica, se propone describir los principales vectores de ataque generativo,
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 19
Artículo Científico
comparar enfoques predictivos aplicados a detección y respuesta, examinar desafíos
de explicabilidad y robustez, y determinar criterios para integrar modelos defensivos
en arquitecturas de seguridad adaptativas (Ferrag et al., 2025; Salem et al., 2024;
Sarker et al., 2024).
La contribución esperada consiste en ofrecer una lectura integradora de un problema
que no puede abordarse solo desde la eficiencia algorítmica ni únicamente desde la
gestión del riesgo (Boné-Andrade et al., 2025). La originalidad del trabajo se ubica en
conectar la anticipación predictiva con la seguridad de modelos generativos, la
protección contra aprendizaje adversarial y la necesidad de defensas explicables,
actualizables y gobernadas. Así, la revisión busca aportar una base conceptual para
que academia y práctica avancen desde una ciberseguridad reactiva hacia una
ciberseguridad anticipatoria y resiliente (Kaur et al., 2023; NIST, 2024b; NCSC, 2024).
2. Materiales y métodos
La ciberseguridad predictiva basada en inteligencia artificial surge como respuesta a
un entorno digital donde los ataques ya no dependen solo de firmas conocidas, sino
de patrones cambiantes, automatización ofensiva y explotación acelerada de
vulnerabilidades. En este escenario, la inteligencia artificial permite anticipar
comportamientos anómalos, priorizar alertas y apoyar decisiones preventivas; sin
embargo, la inteligencia artificial generativa también amplía la capacidad de los
atacantes para producir señuelos, código, identidades sintéticas y campañas de
ingeniería social más creíbles.
El problema central radica en que los mecanismos tradicionales de defensa, basados
en reglas estáticas, listas negras o detección reactiva, resultan insuficientes frente a
ataques generativos capaces de variar contenido, lenguaje, infraestructura y vectores
de entrada. La evidencia reciente muestra que los modelos generativos pueden
fortalecer el phishing, el reconocimiento de objetivos, la producción de documentos
señuelo, la automatización de interacciones maliciosas y la evasión de controles, lo
cual incrementa la dificultad de distinguir comunicaciones legítimas de intentos de
intrusión.
A partir de ello, las afectaciones del problema se expresan en dimensiones técnicas,
económicas, institucionales y sociales. Técnicamente, los ataques generativos
pueden comprometer sistemas mediante inyección de prompts, envenenamiento de
datos, manejo inseguro de salidas, filtración de información sensible y manipulación
de cadenas de suministro de modelos; institucionalmente, erosionan la confianza en
servicios digitales, decisiones automatizadas y canales de comunicación corporativa.
Socialmente, la creación de deepfakes y mensajes hiperpersonalizados intensifica la
suplantación, el fraude y la desinformación, afectando tanto a usuarios como a
organizaciones.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 20
Artículo Científico
No obstante, la literatura también muestra que la inteligencia artificial posee un
potencial defensivo relevante cuando se aplica a detección de intrusiones, análisis de
malware, inteligencia de amenazas, clasificación de phishing, respuesta automatizada
y aprendizaje de comportamientos anómalos. La brecha aparece porque muchas
investigaciones enfatizan la precisión de modelos, pero tratan de forma fragmentada
la relación entre predicción, explicabilidad, robustez adversarial y ataques generativos.
Por ello, se requiere una revisión que articule capacidades defensivas, riesgos de
doble uso y criterios de implementación confiable.
En consecuencia, la justificación de este artículo se sostiene en la necesidad de
organizar críticamente un campo emergente donde la innovación defensiva y la
amenaza ofensiva evolucionan de manera simultánea. Su relevancia social se vincula
con la protección de datos, continuidad operativa y confianza digital; su valor teórico
reside en integrar enfoques de ciberseguridad predictiva, aprendizaje automático,
inteligencia generativa y aprendizaje adversarial; y su utilidad metodológica consiste
en ofrecer una síntesis bibliográfica que oriente futuras investigaciones, taxonomías y
criterios de evaluación.
Asimismo, el estudio resulta viable porque existe un volumen creciente de literatura
científica, informes técnicos y marcos de referencia producidos por organismos
especializados, lo que permite desarrollar una revisión bibliográfica sin recolectar
datos personales ni ejecutar pruebas ofensivas sobre sistemas reales. Esta viabilidad
ética y documental es especialmente pertinente en un tema donde simular ataques,
automatizar explotación o replicar malware podría generar riesgos operativos; por
tanto, el análisis puede concentrarse en evidencia publicada, recomendaciones de
mitigación y desafíos abiertos.
En este marco, el objetivo general del artículo es analizar la literatura reciente sobre
ciberseguridad predictiva basada en inteligencia artificial frente a ataques generativos,
identificando avances, riesgos, limitaciones y líneas de investigación. De manera
específica, se propone describir los principales vectores de ataque generativo,
comparar enfoques predictivos aplicados a detección y respuesta, examinar desafíos
de explicabilidad y robustez, y determinar criterios para integrar modelos defensivos
en arquitecturas de seguridad adaptativas.
La contribución esperada consiste en ofrecer una lectura integradora de un problema
que no puede abordarse solo desde la eficiencia algorítmica ni únicamente desde la
gestión del riesgo. La originalidad del trabajo se ubica en conectar la anticipación
predictiva con la seguridad de modelos generativos, la protección contra aprendizaje
adversarial y la necesidad de defensas explicables, actualizables y gobernadas. Así,
la revisión busca aportar una base conceptual para que academia y práctica avancen
desde una ciberseguridad reactiva hacia una ciberseguridad anticipatoria y resiliente.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 21
Artículo Científico
3. Resultados
3.1. Alcances de la ciberseguridad predictiva basada en inteligencia artificial
frente a ataques generativos
3.1.1. Detección anticipada de amenazas generativas
La ciberseguridad predictiva basada en inteligencia artificial desplaza la defensa digital
desde la reacción tardía hacia la anticipación de señales tempranas de ataque. Frente
a amenazas generativas, este enfoque resulta crucial, porque la IA puede producir
phishing hiperpersonalizado, malware adaptable, deepfakes e identidades sintéticas
con alta verosimilitud. Por ello, la detección no debe limitarse a firmas conocidas, sino
integrar comportamiento, contexto y anomalías multifuente (Kaur et al., 2023; Ferrag
et al., 2025).
Los modelos de aprendizaje automático permiten construir líneas base dinámicas
sobre usuarios, redes y sistemas, identificando desviaciones que podrían anticipar una
intrusión. Esta capacidad supera parcialmente las reglas estáticas, ya que los ataques
generativos modifican lenguaje, estructura y apariencia para evadir controles
tradicionales. En consecuencia, la predicción se apoya en patrones probabilísticos y
no solo en indicadores previamente registrados (Salem et al., 2024; NCSC, 2024).
Además, la detección anticipada exige correlacionar señales débiles que, aisladas,
podrían parecer irrelevantes. Un correo generado por IA puede ser gramaticalmente
impecable, pero revelar inconsistencias en dominio, temporalidad, solicitud o relación
histórica entre remitente y destinatario. Así, el valor defensivo de la IA reside en
articular múltiples evidencias antes de que el ataque se materialice plenamente
(Mirsky & Lee, 2021; NCSC, 2024).
La amenaza generativa también incrementa la escala y velocidad de los ataques, pues
permite automatizar contenidos, adaptar mensajes al perfil de la víctima y ensayar
múltiples variantes maliciosas. Por esta razón, los sistemas predictivos deben
identificar campañas en formación y no únicamente incidentes consumados. Esta
orientación anticipatoria fortalece la resiliencia organizacional frente a amenazas
cambiantes (Ferrag et al., 2025; OWASP, 2025).
3.1.2. Limitaciones y riesgos de los modelos defensivos
Aunque la inteligencia artificial ofrece ventajas defensivas relevantes, sus modelos no
son infalibles. Su desempeño depende de la calidad, representatividad y actualidad
de los datos de entrenamiento, por lo que pueden reproducir sesgos o vacíos
informativos. Si los datos no incorporan ataques emergentes, el sistema puede
generar falsos positivos excesivos o falsos negativos críticos (Salem et al., 2024;
Vassilev et al., 2024).
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 22
Artículo Científico
La transparencia interna constituye un eje fundamental para fortalecer la gestión
contable y financiera dentro de las organizaciones, ya que permite identificar, corregir
y prevenir errores antes de que afecten la toma de decisiones. La imagen presenta
los principales caminos que contribuyen a este propósito, entre ellos la detección de
errores, la eliminación de duplicidades, el control de omisiones, la resolución de
inconsistencias y el fortalecimiento de la disciplina organizacional. Asimismo, destaca
la importancia de la trazabilidad y la integración contable como mecanismos que
permiten seguir el recorrido de los datos, comprender mejor los registros financieros
y asegurar una información más precisa, confiable y útil para la gestión institucional.
Figura 1
¿Qué riesgo operativo priorizar al implementar inteligencia artificial defensiva?
Nota: (Autores, 2026).
Otra limitación importante es que los modelos defensivos también pueden convertirse
en objetivos de ataque. Mediante ejemplos adversariales, envenenamiento de datos
o manipulación de entradas, un adversario puede inducir decisiones erróneas en
sistemas aparentemente robustos. En entornos con IA generativa, estos riesgos se
amplían por la inyección de prompts, fuga de información y manejo inseguro de salidas
(Vassilev et al., 2024; NIST, 2024).
La opacidad de muchos modelos de aprendizaje profundo representa un desafío
adicional. Una alerta puede ser estadísticamente precisa, pero poco útil si el analista
no comprende por qué fue emitida ni qué variables influyeron en la decisión. Por ello,
la explicabilidad es una condición operativa para priorizar incidentes, justificar
acciones y reconstruir trayectorias de ataque (Sarker et al., 2024; Salem et al., 2024).
Existe el riesgo de una dependencia excesiva de la automatización defensiva. Cuando
las organizaciones delegan demasiado en modelos algorítmicos, pueden debilitar
capacidades humanas esenciales como el análisis forense, la interpretación
contextual y la evaluación crítica del riesgo. En ataques generativos, la defensa
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 23
Artículo Científico
requiere combinar automatización, supervisión experta y protocolos organizacionales
de verificación (Kaur et al., 2023; NIST, 2024).
3.1.3. Criterios para una defensa predictiva robusta
Una defensa predictiva robusta debe concebirse como una arquitectura por capas, no
como una solución única basada en IA. La inteligencia artificial debe complementar
controles como autenticación reforzada, segmentación, monitoreo continuo,
inteligencia de amenazas y respuesta automatizada supervisada. Esta integración
resulta indispensable cuando los ataques generativos combinan texto, código, voz,
imagen y manipulación social (Ferrag et al., 2025; Kaur et al., 2023).
El primer criterio de robustez es la gobernanza rigurosa de los datos. Los modelos
predictivos requieren información trazable, actualizada, representativa y protegida
contra manipulación, pues un conjunto contaminado puede degradar la defensa. Por
tanto, la seguridad comienza antes del entrenamiento algorítmico, en la curación,
documentación y validación continua del dato (Vassilev et al., 2024; OWASP, 2025).
El segundo criterio es la explicabilidad operativa. Un sistema defensivo debe indicar
no solo que existe riesgo, sino por qué un evento fue clasificado como sospechoso y
qué evidencias respaldan la alerta. Esto permite convertir la predicción en
conocimiento accionable para analistas y responsables de respuesta. Sin esa
trazabilidad, la IA puede aumentar la incertidumbre en lugar de reducirla (Sarker et al.,
2024; Salem et al., 2024).
El tercer criterio es la evaluación adversarial permanente. Los modelos deben
probarse frente a escenarios de evasión, prompts hostiles, datos contaminados y
campañas generativas simuladas. Esta práctica permite detectar fragilidades antes de
que sean explotadas y favorece la mejora continua. En un entorno de amenazas
dinámicas, la robustez depende de la actualización constante (Vassilev et al., 2024;
NIST, 2024).
Una defensa predictiva madura debe articular tecnología, gobernanza y
responsabilidad ética. La IA puede acelerar la detección y priorización de incidentes,
pero sus decisiones deben permanecer sujetas a supervisión humana, auditoría y
límites claros de automatización. Así, la ciberseguridad predictiva frente a ataques
generativos se consolida como un ecosistema sociotécnico orientado a anticipar
amenazas sin sacrificar transparencia ni proporcionalidad (NIST, 2024; OWASP,
2025).
La defensa predictiva se fundamenta en la articulación equilibrada entre tecnología,
gobernanza y responsabilidad ética, ya que la anticipación de amenazas no depende
únicamente de herramientas automatizadas, sino también de criterios institucionales
que orienten su uso responsable. En este sentido, la imagen sintetiza tres pilares
esenciales: la tecnología, representada por la inteligencia artificial y los sistemas
avanzados de detección y priorización de incidentes; la gobernanza, entendida como
el conjunto de marcos regulatorios, políticas y mecanismos de control que delimitan la
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 24
Artículo Científico
automatización; y la responsabilidad ética, que asegura la transparencia, la
proporcionalidad y la supervisión humana en las decisiones asistidas por IA. Estos
fundamentos permiten comprender que una defensa predictiva robusta no solo busca
prevenir riesgos, sino también garantizar que la seguridad digital se gestione con
precisión, control y legitimidad.
Figura 2
Fundamentos de la Defensa Predictiva
Nota: (Autores, 2026).
4. Discusión
La revisión permite sostener que la ciberseguridad predictiva basada en inteligencia
artificial no debe entenderse como una sustitución de los controles clásicos, sino como
una ampliación estratégica de la capacidad defensiva (Galarza-Sánchez et al., 2023).
Su principal aporte consiste en anticipar comportamientos anómalos, correlacionar
señales dispersas y reducir la dependencia de firmas estáticas, especialmente frente
a ataques generativos capaces de modificar lenguaje, código, identidad y modalidad
de interacción (Kaur et al., 2023; Salem et al., 2024).
En este sentido, los ataques generativos introducen una ruptura significativa respecto
de amenazas tradicionales, porque incrementan la velocidad, escala y personalización
de las campañas maliciosas. El phishing asistido por IA, los deepfakes, la
automatización de reconocimiento y la generación de malware adaptable evidencian
que la amenaza ya no se limita al acceso técnico no autorizado, sino que combina
manipulación algorítmica, ingeniería social y explotación contextual (Mirsky & Lee,
2021; Ferrag et al., 2025).
No obstante, los resultados también muestran que la inteligencia artificial defensiva
posee una condición ambivalente: fortalece la detección, pero simultáneamente
amplía la superficie de riesgo (Rodriguez-Vizuete et al., 2024). Los modelos pueden
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 25
Artículo Científico
ser vulnerados mediante envenenamiento de datos, evasión, extracción, inversión o
manipulación adversarial, lo que obliga a abandonar cualquier lectura
tecnodeterminista de la IA como solución autosuficiente (Vassilev et al., 2024; NIST,
2024).
La discusión central, por tanto, no radica únicamente en si la IA detecta más rápido,
sino en bajo qué condiciones puede hacerlo de manera confiable, explicable y
gobernable (Choez-Calderón & Aldo-Patricio, 2025). Un modelo con alta precisión
estadística puede ser insuficiente si no permite comprender por qué emite una alerta,
qué variables influyen en la decisión o cómo debe actuar el analista. Por ello, la
explicabilidad constituye una exigencia operativa y no solo un atributo técnico
deseable (Salem et al., 2024; Sarker et al., 2024).
Asimismo, la ciberseguridad predictiva requiere una arquitectura sociotécnica, donde
los algoritmos se integren con políticas institucionales, supervisión humana, monitoreo
continuo y protocolos de respuesta (Bonilla-Fierro & Boné-Andrade, 2025). Esta
articulación es indispensable porque los ataques generativos explotan tanto
debilidades técnicas como sesgos cognitivos, rutinas organizacionales y brechas de
gobernanza. En consecuencia, la robustez defensiva depende de la interacción entre
datos, modelos, personas y procesos (Kaur et al., 2023; NIST, 2024).
La principal contribución del enfoque revisado es proponer una transición desde una
ciberseguridad reactiva hacia una ciberseguridad anticipatoria, adaptable y auditada.
Sin embargo, esta transición solo será sostenible si se acompaña de evaluación
adversarial permanente, curación rigurosa de datos, límites éticos a la automatización
y mecanismos de trazabilidad (Villalva-Salguero & Toscano-Quispe, 2025). Así, la IA
predictiva puede convertirse en un recurso decisivo contra ataques generativos,
siempre que su adopción esté guiada por resiliencia, proporcionalidad y
responsabilidad institucional (OWASP, 2025; Vassilev et al., 2024; NIST, 2024).
5. Conclusiones
La ciberseguridad predictiva basada en inteligencia artificial constituye una respuesta
pertinente frente al crecimiento de ataques generativos, debido a su capacidad para
anticipar patrones anómalos, correlacionar señales débiles y fortalecer la detección
antes de que el incidente alcance mayor impacto. Su valor principal no reside
únicamente en automatizar controles, sino en ampliar la capacidad analítica de las
organizaciones ante amenazas más rápidas, personalizadas y difíciles de reconocer.
Los ataques generativos representan un desafío crítico porque combinan sofisticación
técnica, manipulación social y variabilidad constante. El phishing hiperpersonalizado,
los deepfakes, el malware adaptable y la suplantación automatizada evidencian que
las defensas tradicionales resultan insuficientes cuando dependen solo de firmas,
reglas fijas o indicadores previamente conocidos.
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 26
Artículo Científico
No obstante, la inteligencia artificial defensiva también introduce riesgos propios. Los
modelos pueden fallar por sesgos, datos incompletos, opacidad, falsos positivos,
falsos negativos o manipulación adversarial. Por ello, su implementación debe evitar
una confianza absoluta en la automatización y considerar siempre supervisión
humana, validación continua y criterios de explicabilidad.
En consecuencia, una defensa predictiva robusta requiere integrar tecnología,
gobernanza, datos confiables, monitoreo permanente y evaluación adversarial. La
inteligencia artificial debe operar como parte de una arquitectura de seguridad por
capas, articulada con procesos institucionales, protocolos de respuesta, gestión del
riesgo y formación de usuarios.
El artículo concluye que la ciberseguridad predictiva frente a ataques generativos debe
avanzar hacia un modelo anticipatorio, explicable y resiliente. Su aporte principal
consiste en orientar la transición desde una defensa reactiva hacia una estrategia
preventiva, capaz de responder a amenazas emergentes sin descuidar la
transparencia, la responsabilidad y la sostenibilidad operativa.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Boné-Andrade, M. F. (2023). Inclusión Digital y Acceso a Tecnologías de la
Información en Zonas Rurales de Ecuador. Revista Científica Zambos, 2(2), 1-
16. https://doi.org/10.69484/rcz/v2/n2/40
Boné-Andrade, M. F., Mendoza-Loor, J. J. ., & Núñez-Freire, L. A. . (2025). Evaluación
del Algoritmo F5 aplicado en la Esteganografía de imágenes JPEG: Un análisis
basado en métricas de calidad. Journal of Economic and Social Science
Research, 5(2), 144-158. https://doi.org/10.55813/gaea/jessr/v5/n2/194
Bonilla-Fierro, L. F., & Boné-Andrade, M. F. (2025). Desarrollo de plataformas de
comunicación inclusivas mediante diseño universal. Revista Científica Ciencia
Y Método, 3(2), 59-73. https://doi.org/10.55813/gaea/rcym/v3/n2/5
Castelo-Vinueza, E. M. (2025). Problemas de la investigación tecnológica y su
aplicación en la generación de innovación. Journal of Economic and Social
Science Research, 5(1), 146–160.
https://doi.org/10.55813/gaea/jessr/v5/n1/166
Choez-Calderón, C. J., & Aldo-Patricio, M. O. (2025). La ciberseguridad como
prioridad empresarial dentro de marcos los regulatorios y normativos
internacionales. Revista Científica Ciencia Y Método, 3(3), 14-27.
https://doi.org/10.55813/gaea/rcym/v3/n3/38
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 27
Artículo Científico
Erazo-Luzuriaga, A. F., Ramos-Secaira, F. M., Galarza-Sánchez, P. C., & Boné-
Andrade, M. F. (2023). La inteligencia artificial aplicada a la optimización de
programas informáticos. Journal of Economic and Social Science
Research, 3(1), 48–63. https://doi.org/10.55813/gaea/jessr/v3/n1/61
European Union Agency for Cybersecurity. (2024). ENISA threat landscape 2024.
https://www.enisa.europa.eu/topics/cyber-threats/threat-landscape
Ferrag, M. A., Alwahedi, F., Battah, A., Cherif, B., Mechri, A., Tihanyi, N., Bisztray, T.,
& Debbah, M. (2025). Generative AI in cybersecurity: A comprehensive review
of LLM applications and vulnerabilities. Internet of Things and Cyber-Physical
Systems. https://doi.org/10.1016/j.iotcps.2025.01.001
Galarza-Sánchez, P. C. (2023). Adopción de Tecnologías de la Información en las
PYMEs Ecuatorianas: Factores y Desafíos. Revista Científica Zambos, 2(1),
21-40. https://doi.org/10.69484/rcz/v2/n1/36
Galarza-Sánchez, P. C., Erazo-Luzuriaga, A. F., & Boné-Andrade, M. F. (2023). Uso
de computación cuántica en la mejora de algoritmos de aprendizaje automático.
Revista Científica Ciencia Y Método, 1(4), 16-30.
https://doi.org/10.55813/gaea/rcym/v1/n4/25
Jabir, R., Le, J., & Nguyen, C. (2025). Phishing attacks in the age of generative artificial
intelligence: A systematic review of human factors. AI, 6(8), 174.
https://doi.org/10.3390/ai6080174
Kaur, R., Gabrijelčič, D., & Klobučar, T. (2023). Artificial intelligence for cybersecurity:
Literature review and future research directions. Information Fusion, 97,
101804. https://doi.org/10.1016/j.inffus.2023.101804
Mirsky, Y., & Lee, W. (2021). The creation and detection of deepfakes: A survey. ACM
Computing Surveys, 54(1), Article 7. https://doi.org/10.1145/3425780
Montalván-Vélez, C. L., Mogrovejo-Zambrano, J. N., Romero-Vitte, I. J., & Pinargote-
Carrera, M. L. D. C. (2024). Introducción a la Inteligencia Artificial: Conceptos
Básicos y Aplicaciones Cotidianas . Journal of Economic and Social Science
Research, 4(1), 173–183. https://doi.org/10.55813/gaea/jessr/v4/n1/93
National Cyber Security Centre. (2024). The near-term impact of AI on the cyber threat.
National Cyber Security Centre. https://www.ncsc.gov.uk/report/impact-of-ai-
on-cyber-threat
National Institute of Standards and Technology. (2024). Artificial Intelligence Risk
Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-
1). U.S. Department of Commerce. https://doi.org/10.6028/NIST.AI.600-1
OWASP Foundation. (2025). OWASP Top 10 for Large Language Model Applications
2025. https://genai.owasp.org/llm-top-10/
Rodriguez-Vizuete, J. D., Viteri-Ojeda, J. C., & Villa-Feijoó, A. L. (2024). Adopción de
tecnologías sostenibles en infraestructuras de tecnologías de la información.
Revista Científica Ciencia Y Método, 2(1), 55-67.
https://doi.org/10.55813/gaea/rcym/v2/n1/31
Revista Científica Enfoques del Conocimiento | V.03 | N.02 | Abr–Jun | 2026 | https://revistacec.blez.edu.ec pág. 28
Artículo Científico
Salem, A. H., Azzam, S. M., Emam, O. E., & Abohany, A. A. (2024). Advancing
cybersecurity: A comprehensive review of AI-driven detection techniques.
Journal of Big Data, 11, Article 105. https://doi.org/10.1186/s40537-024-00957-
y
Sarker, I. H., Janicke, H., Mohsin, A., Gill, A., & Maglaras, L. (2024). Explainable AI for
cybersecurity automation, intelligence and trustworthiness in digital twin:
Methods, taxonomy, challenges and prospects. ICT Express.
https://doi.org/10.1016/j.icte.2024.05.007
Tirira-Chulde, R. D., Rodríguez-Santillán, M. D., Taco-Cabrera, A. G., Merino-Villegas,
L. R., & Tejada-Valencia, J. P. (2026). Efectos de los regímenes de
conmutación sobre los parámetros eléctricos en lámparas led modulares,
lámparas led compactas y lámparas fluorescentes compactas. Revista
Científica Zambos, 5(1), 214-232. https://doi.org/10.69484/rcz/v5/n1/162
Vassilev, A., Oprea, A., Fordyce, A., Anderson, H., Davies, X., & Hamin, M. (2024).
Adversarial machine learning: A taxonomy and terminology of attacks and
mitigations (NIST AI 100-2e2023). National Institute of Standards and
Technology. https://doi.org/10.6028/NIST.AI.100-2e2023
Villalva-Salguero, T., & Toscano-Quispe, S. Y. (2025). La brecha digital como
obstáculo para la comunicación comunitaria en zonas rurales del Ecuador.
Revista Científica Ciencia Y Método, 3(3), 278-294.
https://doi.org/10.55813/gaea/rcym/v3/n3/75
World Economic Forum. (2025). Global Cybersecurity Outlook 2025.
https://reports.weforum.org/docs/WEF_Global_Cybersecurity_Outlook_2025.p
df