Ciberseguridad predictiva basada en inteligencia artificial contra ataques generativos
Barra lateral del artículo
Contenido principal del artículo
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.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
Referencias
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
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
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.pdf