TEXTOS EXPOSITIVOS ACADÉMICOS-INGENIERÍA DE SISTEMAS

    José Manuel Caruajulca Caruajulca

En la actualidad, los procesadores constituyen un componente fundamental de las computadoras personales y de numerosos sistemas digitales. En este contexto, el presente texto académico expositivo analiza la evolución de las microarquitecturas x86 en las computadoras personales durante el periodo 2005-2025 y su impacto en el rendimiento computacional. Para ello, se examina la transición de los procesadores mononúcleo a los multinúcleo, la consolidación del paralelismo, los cambios producidos entre diferentes generaciones de procesadores, la implementación de arquitecturas basadas en chiplets y la aparición de arquitecturas híbridas desarrolladas por Intel y AMD.

La transición hacia los procesadores multinúcleo surgió como respuesta a las limitaciones que presentó el incremento de la frecuencia de reloj a mediados de la década de 2000. Ante esta problemática, se recurrió al procesamiento paralelo mediante la integración de varios núcleos en un mismo procesador. En 2005, AMD lanzó el Athlon 64 X2 y, posteriormente, Intel presentó el Core 2 Duo en 2006. A partir de estos avances, los procesadores evolucionaron desde configuraciones de dos y cuatro núcleos hasta productos con ocho o más núcleos, llegando en determinados segmentos de alto desempeño a 64 núcleos, como en el AMD Ryzen Threadripper 3990X. Asimismo, las mejoras en los procesos de fabricación contribuyeron a reducir el tamaño de los transistores y a aumentar la capacidad de procesamiento (Khan et al., 2021). En este sentido, Nikolić et al. (2022) señalan que “The speed of the microprocessor is determined by its clock frequency and cannot exceed a certain limit” (p. 156). De esta manera, las arquitecturas multinúcleo permitieron incrementar la capacidad de procesamiento sin depender exclusivamente del aumento de la frecuencia de reloj.

La consolidación de las arquitecturas multinúcleo permitió desarrollar nuevas formas de procesamiento basadas en el paralelismo, las arquitecturas homogéneas y heterogéneas y el multithreading. Con el tiempo, los sistemas evolucionaron de arquitecturas de un solo núcleo hacia configuraciones multinúcleo y manycore, por lo que el rendimiento pasó a depender no solo de la frecuencia de reloj, sino también de la cantidad de núcleos integrados, de la capacidad de ejecutar tareas en paralelo y del grado de paralelización de las aplicaciones. Este procesamiento permite distribuir tareas entre diferentes núcleos y ejecutar varias operaciones de manera simultánea. Asimismo, en las arquitecturas homogéneas los núcleos presentan características similares, mientras que en las heterogéneas pueden combinarse núcleos con capacidades diferentes. Por su parte, el multithreading permite gestionar varios hilos de ejecución y aprovechar de manera más eficiente los recursos disponibles. Como señalan Nikolić et al. (2022), “Multiple cores can run multiple instructions (ordinary CPU instructions) at the same time, increasing overall speed for programs suitable to parallel computing” (p. 168). Por ello, el incremento del rendimiento depende también del software y de la posibilidad de distribuir adecuadamente las cargas de trabajo entre los núcleos.

Los cambios entre las diferentes generaciones de procesadores Intel permitieron mejorar progresivamente características como la memoria caché, la tecnología de fabricación y el ancho de banda. Esta evolución puede observarse al comparar el Intel Core i5-1035G1, de décima generación, con el i5-7200U, de séptima generación. El primero cuenta con cuatro núcleos y ocho hilos, mientras que el segundo posee dos núcleos y cuatro hilos. Asimismo, el i5-1035G1 utiliza un proceso de fabricación de 10 nm y presenta un ancho de banda de 51,2 GB/s, frente a los 14 nm y 34,1 GB/s del i5-7200U. Estas diferencias también se reflejaron en las pruebas realizadas mediante PassMark. El i5-1035G1 obtuvo 24 502 frente a 10 981 puntos del i5-7200U en operaciones con enteros, mientras que en punto flotante alcanzó 14 558 frente a 6868 puntos, respectivamente. En relación con estos resultados, Mulyadi et al. (2024) señalan que “Intel Core i5-1035G1 has better performance compared to Intel Core i5-7200U” (p. 262). En consecuencia, las diferencias entre generaciones pueden traducirse en mejoras medibles del rendimiento, especialmente cuando se combinan más núcleos, más hilos y un mayor ancho de banda.

El aumento de núcleos y transistores en los procesadores generó nuevos desafíos relacionados con el consumo de energía, la escalabilidad y la complejidad de fabricación, lo que favoreció el desarrollo de arquitecturas basadas en chiplets. Esta estrategia permite integrar diferentes componentes mediante técnicas de empaquetado avanzado, incluidas soluciones 2.5D y 3D, y seleccionar combinaciones de chiplets de acuerdo con las necesidades de procesamiento. AMD aplicó este enfoque en productos como Rome y Matisse, lo que favoreció su utilización en sistemas de alto rendimiento y en productos de escritorio. Además, la arquitectura basada en chiplets ofrece ventajas de escalabilidad y reconfigurabilidad frente a diseños tradicionales, debido a que permite combinar diferentes bloques de procesamiento y memoria según los requerimientos del sistema. En este sentido, Shan et al. (2022) sostienen que “The conflict between performance, efficiency, and cost can be solved by choosing an appropriate computing system architecture” (p. 1). Por ello, los chiplets representan una estrategia orientada no solo a aumentar la capacidad de procesamiento, sino también a mejorar la flexibilidad del diseño y el equilibrio entre rendimiento, eficiencia y costos.

La evolución reciente de las microarquitecturas x86 se ha orientado hacia arquitecturas híbridas que combinan distintos tipos de núcleos para mejorar el rendimiento y la eficiencia energética. Un ejemplo de ello es Intel Alder Lake, que incorporó P-cores orientados al rendimiento y E-cores orientados a la eficiencia en procesadores como el Intel Core i9-12900K, que cuenta con ocho núcleos de cada tipo (Bilbao et al., 2023). Para distribuir las tareas, Intel implementó Thread Director. En las pruebas realizadas, los P-cores mostraron mayor velocidad, mientras que los E-cores destacaron por su eficiencia energética en determinadas tareas (Żytko & Badurowicz, 2025). Posteriormente, Intel continuó desarrollando esta estrategia en generaciones como Raptor Lake, Meteor Lake, Arrow Lake y Lunar Lake. Por su parte, AMD continuó desarrollando la microarquitectura Zen mediante mejoras en la predicción de saltos, las unidades de ejecución, la memoria caché y el ancho de banda. En este proceso, Zen 5 alcanzó aproximadamente un 16 % más de instrucciones por ciclo que Zen 4 (AlShekh et al., 2025). En relación con la arquitectura híbrida, Żytko y Badurowicz (2025) encontraron que “P-cores are 1.3 to 3.2 times faster than E-cores” (p. 54), aunque la eficiencia energética depende de la naturaleza de la carga de trabajo. Finalmente, en 2025 Intel presentó Panther Lake, una plataforma para computadoras personales basada en una arquitectura escalable de múltiples chiplets y en el proceso Intel 18A, lo que evidencia la continuidad de estas estrategias de diseño al cierre del periodo analizado (Intel Corporation, 2025).

En síntesis, la evolución de las microarquitecturas x86 en las computadoras personales durante el periodo 2005-2025 estuvo marcada por un cambio progresivo desde la búsqueda de mayores frecuencias de reloj hacia estrategias centradas en el paralelismo, la eficiencia energética, la heterogeneidad y el empaquetado avanzado. La transición a procesadores multinúcleo permitió aumentar la capacidad de procesamiento; posteriormente, las mejoras entre generaciones incorporaron avances en número de núcleos, hilos, caché, proceso de fabricación y ancho de banda. Más adelante, los chiplets y las arquitecturas híbridas permitieron escalar los diseños y distribuir las cargas de trabajo de acuerdo con las características de cada núcleo. En conjunto, estas transformaciones muestran que el rendimiento computacional de las computadoras personales ya no depende de un único factor, sino de la integración de múltiples recursos microarquitectónicos y de su interacción con el software. Comprender esta evolución permite reconocer las principales tendencias que han definido a los procesadores x86 contemporáneos y entender las estrategias que orientan su desarrollo.

Referencias

AlShekh, R. H., Dawwd, S. A., & Qassabbashi, F. N. (2025). Comparative review of multicore architectures: Intel, AMD, and ARM in the modern computing era. Chips, 4(4), 44. https://doi.org/10.3390/chips4040044

Bilbao, C., Saez, J. C., & Prieto-Matias, M. (2023). Flexible system software scheduling for asymmetric multicore systems with PMCSched: A case for Intel Alder Lake. Concurrency and Computation: Practice and Experience, 35(25), e7814. https://doi.org/10.1002/cpe.7814

Intel Corporation. (2025, 9 de octubre). Intel presenta la arquitectura Panther Lake: La primera plataforma AI PC construida en 18A. https://newsroom.intel.com/es/computacion-de-cliente/intel-presenta-la-arquitectura-panther-lake-la-primera-plataforma-ai-pc-construida-en-18a

Khan, F. H., Pasha, M. A., & Masud, S. (2021). Advancements in microprocessor architecture for ubiquitous AI—An overview on history, evolution, and upcoming challenges in AI implementation. Micromachines, 12(6), 665. https://doi.org/10.3390/mi12060665

Mulyadi, R., Delvina, D., Parsono, E. M., Octavia, L. I., & Tantri, A. J. P. (2024). Analisis performansi antar generasi CPU Intel Core i5-1035G1 y Intel Core i5-7200U. Smart Comp: Jurnalnya Orang Pintar Komputer, 13(2), 262–266. https://doi.org/10.30591/smartcomp.v13i2.5192

Nikolić, G., Dimitrijević, B., Nikolić, T., & Stojčev, M. (2022). Fifty years of microprocessor evolution: From single CPU to multicore and manycore systems. Facta Universitatis, Series: Electronics and Energetics, 35(2), 155–186. https://doi.org/10.2298/FUEE2202155N

Shan, G., Zheng, Y., Xing, C., Chen, D., Li, G., & Yang, Y. (2022). Architecture of computing system based on Chiplet. Micromachines, 13(2), 205. https://doi.org/10.3390/mi13020205

Żytko, D., & Badurowicz, M. (2025). Analysis of performance and energy efficiency of processors with hybrid architecture. Journal of Computer Sciences Institute, 34, 54–59. https://doi.org/10.35784/jcsi.6690

APLICACIÓN DEL CÁLCULO DIFERENCIAL EN EL ALGORITMO DE DESCENSO POR GRADIENTES PARA EL ENTRENAMIENTO DE REDES NEURONALES ARTIFICIALES

Cesar Omar Jambo Quintana

El aprendizaje profundo plantea problemas complejos de optimización computacional que requieren fundamentos matemáticos sólidos para su resolución. En este contexto, el cálculo diferencial desempeña un papel fundamental en el entrenamiento de redes neuronales artificiales, ya que permite determinar cómo modificar los parámetros del modelo con el propósito de minimizar el error. En particular, conceptos como el vector gradiente y las derivadas de segundo orden permiten comprender el comportamiento de los procesos de optimización empleados en el aprendizaje profundo (Zhang, 2019).

El vector gradiente en las redes neuronales artificiales indica la dirección en la que una función de pérdida presenta el mayor incremento. Por esta razón, constituye uno de los fundamentos del algoritmo de descenso por gradiente, cuyo objetivo es modificar los parámetros del modelo en la dirección opuesta al gradiente para reducir progresivamente el error. En este proceso, la retropropagación o backpropagation permite calcular las derivadas de la función de pérdida con respecto a los diferentes pesos de la red mediante la aplicación de la regla de la cadena. De esta manera, los pesos pueden actualizarse de forma iterativa durante el entrenamiento (Zhang, 2019).

El descenso por gradiente se aplica a problemas de optimización que pueden presentar funciones de pérdida no convexas, como ocurre en distintos modelos de redes neuronales profundas. En determinadas condiciones, investigaciones teóricas han demostrado que el descenso por gradiente puede alcanzar soluciones de pérdida de entrenamiento nula en redes suficientemente sobreparametrizadas. Estos resultados muestran la importancia de estudiar las condiciones matemáticas bajo las cuales los métodos basados en gradientes pueden converger durante el entrenamiento de redes neuronales (Du et al., 2019).

La investigación también ha establecido conexiones entre los métodos de optimización utilizados en el aprendizaje profundo y los métodos numéricos para la resolución de ecuaciones diferenciales. Desde esta perspectiva, el descenso por gradiente puede interpretarse como una discretización relacionada con el método de Euler hacia adelante. Asimismo, las aproximaciones basadas en series de Taylor permiten analizar el comportamiento de los optimizadores y desarrollar métodos que incorporan información de estados anteriores para mejorar el proceso de actualización de los parámetros (Ma et al., 2024).

En términos generales, el cálculo diferencial constituye uno de los fundamentos matemáticos del entrenamiento de redes neuronales artificiales. El vector gradiente permite determinar la dirección de actualización de los parámetros, mientras que las derivadas de segundo orden proporcionan información sobre la curvatura de la función de pérdida. A su vez, la relación entre los métodos de optimización y las técnicas numéricas permite comprender con mayor profundidad el comportamiento de los algoritmos empleados en el aprendizaje profundo. Por ello, el dominio de conceptos de cálculo diferencial resulta especialmente relevante para comprender los fundamentos matemáticos de la inteligencia artificial y continuar profundizando en el desarrollo de métodos de optimización para redes neuronales.

Du, S., Lee, J., Li, H., Wang, L., & Zhai, X. (2019). Gradient descent finds global minima of deep neural networks. Proceedings of Machine Learning Research, 97, 1675–1685. https://proceedings.mlr.press/v97/du19c.html

Ma, Y., Sun, D., Gao, E., Sang, N., Li, I., & Huang, G. (2024). Enhancing deep learning with optimized gradient descent: Bridging numerical methods and neural network training. arXiv. https://arxiv.org/abs/2409.04707

Zhang, J. (2019). Gradient descent based optimization algorithms for deep learning models training. arXiv. https://arxiv.org/abs/1903.03614

Rita Monzón Briceño

¿Qué pasaría si, por diferentes motivos, una persona quedara paralizada y perdiera por completo la capacidad de hablar? ¿Podrían los avances tecnológicos ayudarla? La restauración del habla en personas con parálisis es una propuesta en desarrollo que tiene la finalidad de mejorar la calidad de vida en esta población. Este proyecto puede progresar mediante la integración de la inteligencia artificial a la interfaz cerebro-computadora, ya que la IA ayuda a interpretar con gran velocidad y precisión las complejas señales eléctricas que emite el cerebro. Por ello, se necesita comprender los fundamentos tecnológicos, la evolución y la ampliación de la interfaz cerebro-computadora en la decodificación neuronal, y evaluar la viabilidad clínica y uso real de las neuroprótesis del habla.

La interfaz cerebro-computadora (BCI, por sus siglas en inglés) es un sistema tecnológico capaz de decodificar la actividad neuronal principalmente del área sensoriomotora ventral vinculada con la producción del habla (Moses et al., 2021). Este sistema permite tres tipos de comunicación decodificada: texto, audio y animación facial (Metzger et al., 2023). Además, registra la actividad neuronal de dos maneras: primero, mediante microelectrodos intracorticales y, segundo, mediante electrocorticografía sobre la superficie cortical (Willett et al., 2023). A ello se integran arquitecturas de inteligencia artificial como la de red neuronal recurrent (RNN), para decodificar y convertir las señales neuronales en probabilidades de fonemas y la clasificación temporal conexionista (CTC) empleada en el entrenamiento del modelo (Willett et al., 2023). Estas arquitecturas pueden combinarse con la arquitectura Transformers para mejorar la precisión sin la necesidad de una calibración recurrente (Card et al., 2026). Asimismo, el uso de modelos de lenguaje natural es de gran importancia al generar probabilidades de la siguiente palabra según las palabras precedentes, para facilitar la decodificación de oraciones completas (Moses et al., 2021).

El sistema de decodificación de texto evolucionó desde palabras individuales, con un vocabulario de 50 palabras, hasta oraciones no restringidas, con vocabulario de 125 000 palabras (Moses et al., 2021; Willett et al., 2023). Cabe destacar que existen factores de diseño que afectan la precisión del sistema: el primer factor es el número de electrodos, ya que la tasa de error de palabra disminuye de forma log-lineal al aumentar su número (Willett et al., 2023); el segundo factor es el tamaño de vocabulario con el que una neuroprótesis alcanzó un 99.6 % de precisión con un vocabulario de 50 palabras y 90.2 % de precisión usando 125 000 palabras (Card et al., 2024); y el tercer factor es el uso de datos de entrenamiento, pues la precisión de clasificación aumentó cuando el conjunto de datos fue recogido a lo largo de todo el período de estudio en comparación con el uso de solo una hora de datos recientes (Moses et al., 2021). Además, el progreso en velocidad y tasa de error se evidencia respecto a un estudio de 2021 donde la tasa media de velocidad es de 15.2 palabras por minuto, con una tasa de error de palabra del 25.6 % (Moses et al., 2021), con otro estudio de 2026 donde la tasa media de velocidad es de 56.1 palabras por minuto y 99.2 % de precisión de palabra (Copy Task) (Card et al., 2026).

La ampliación hacia una comunicación multimodal y expresiva se logra mediante la decodificación y las salidas simultáneas de texto, voz sintetizada y control de avatar facial, todo en tiempo real (Metzger et al., 2023). Asimismo, la síntesis de voz instantánea surgió por la incapacidad de los sistemas previos para capturar matices del habla humana, como la prosodia, y por la posibilidad de escuchar la propia voz de manera inmediata; esto dio origen a un sistema de circuito cerrado con retroalimentación auditiva, lo que facilita intervenir en una conversación (Wairagkar et al., 2025). Además, el sistema BCI logró decodificar rasgos paralingüísticos como la modificación de voz sintetizada en tiempo real, al cambiar la entonación y al cantar breves melodías (Wairagkar et al., 2025). Finalmente, la personalización de la voz sintetizada a partir de la voz previa del paciente se da mediante un software que convierte el texto en voz diseñado para sonar como la voz previa a la parálisis (Card et al., 2024).

La viabilidad clínica y el uso real de las neuroprótesis del habla se evidencia en aspectos como el tiempo de calibración, uso independiente y sostenido, estabilidad de señales neuronales y brechas en los avances técnicos. En primer lugar, la reducción del tiempo de calibración para facilitar su aplicación práctica mejoró al desarrollarse un nuevo decodificador basado en arquitectura Transformers que permitió que la calibración diaria de la neuroprótesis fuera mínima o nula (Card et al., 2026). En segundo lugar, el uso independiente y sostenido en el hogar se comprobó mediante la utilización de una neuroprótesis del habla por un hombre con esclerosis lateral amiotrófica (ELA), parálisis y disartria severa que le permitió comunicarse y controlar una computadora de forma independiente desde su hogar durante casi dos años con más de 183 000 oraciones y una precisión de 99.2 % (Card et al., 2026). En tercer lugar, la estabilidad de las señales neuronales se demostró mediante análisis que indicaron que más del 90 % de los electrodos de cada arreglo detectaron actividad de disparo de forma confiable durante más de 19 meses, y los patrones de modulación neuronal relacionados con el habla se mantuvieron estables durante todo el periodo estudiado (Card et al., 2026). Pese a todo ello, aún existen brechas entre los avances técnicos y la validación clínica en personas realmente paralizadas, ya que solo 6 estudios (5.2 %) entre el periodo de 2019 y 2025 de los 115 estudios en total evaluaron personas con parálisis, todos con métodos invasivos, mientras que ningún método no invasivo demostró una decodificación funcional del habla en esta población; por último, la reproducibilidad fue limitada, pues de los estudios solo el 9.6 % compartió completamente el código y el 7.0 %, los datos (Belfrouh et al., 2026).

Para concluir, la inteligencia artificial integrada a la interfaz cerebro-computadora ha resultado determinante para transformar la decodificación neuronal en una vía real de restauración del habla. El sistema pasó de reconocer 50 palabras a interpretar oraciones con un vocabulario de 125 000 palabras, y de un simple texto en pantalla a una voz expresiva y a la animación facial a través de un avatar, en tiempo real. El uso real y autónomo de las neuroprótesis se ha demostrado en casos individuales, pero falta validarlo en poblaciones más amplias y directamente en población realmente paralizada, por lo que también es fundamental el uso de datos y códigos compartidos por estudios semejantes para disminuir brechas tecnológicas y clínicas aún existentes. Por lo tanto, es esencial seguir desarrollando tecnologías capaces de lograr una decodificación más completa, como la expresividad emocional no verbal, para tener una comunicación afectiva mejorada en personas con parálisis y facilitar su reinserción autónoma en las diversas actividades cotidianas.

Belfrouh, S., Salmam, F. Z., Errattahi, R., Hanine, M., Obidallah, W. J., & Alhulayyil, H. (2026). Artificial intelligence for brain-to-speech decoding in paralysis: A systematic review. BMC Medical Informatics and Decision Making, 26 (1), Article 272. https://doi.org/10.1186/s12911-026-03552-8

Card, N. S., Singer-Clark, T., Peracha, H., Iacobacci, C., Hou, X., Wairagkar, M., Fogg, Z., Offenberg, E., Hochberg, L. R., Brandman, D. M., & Stavisky, S. D. (2026). Long-term independent use of an intracortical brain-computer interface for speech and cursor control. Nature Medicine. Advance online publication. https://doi.org/10.1038/s41591-026-04414-6

Card, N. S., Wairagkar, M., Iacobacci, C., et al. (2024). An accurate and rapidly calibrating speech neuroprosthesis. The New England Journal of Medicine, 391 (7), 609-618. https://doi.org/10.1056/NEJMoa2314132

Metzger, S. L., Littlejohn, K. T., Silva, A. B., et al. (2023). A high-performance neuroprosthesis for speech decoding and avatar control. Nature, 620 (7976), 1037-1046. https://doi.org/10.1038/s41586-023-06443-4

Moses, D. A., Metzger, S. L., Liu, J. R., et al. (2021). Neuroprosthesis for decoding speech in a paralyzed person with anarthria. The New England Journal of Medicine, 385 (3), 217-227. https://doi.org/10.1056/NEJMoa2027540

Wairagkar, M., Card, N. S., Singer-Clark, T., Hou, X., Iacobacci, C., Miller, L. M., Hochberg, L. R., Brandman, D. M., & Stavisky, S. D. (2025). An instantaneous voice-synthesis neuroprosthesis. Nature, 644 (8075), 145-152. https://doi.org/10.1038/s41586-025-09127-3

Willett, F. R., Kunz, E. M., Fan, C., Avansino, D. T., Wilson, G. H., Choi, E. Y., Kamdar, F., Glasser, M. F., Hochberg, L. R., Druckmann, S., Shenoy, K. V., & Henderson, J. M. (2023). A high-performance speech neuroprosthesis. Nature, 620(7976), 1031-1036. https://doi.org/10.1038/s41586-023-06377-x

Mujica Palomino Diego

Comprender el funcionamiento de Internet y las telecomunicaciones permite explicar la conectividad global. En la era digital, la capacidad de transferir información a larga distancia ha transformado las dinámicas sociales, académicas e industriales. Este sistema global requiere comprender los componentes físicos y lógicos que permiten conectar a millones de usuarios en todo el mundo.

Internet funciona como una red tecnológica global que enlaza usuarios, dispositivos y servidores. Esta infraestructura permite el transporte continuo y bidireccional de datos mediante nodos interconectados distribuidos en distintas regiones. Gracias a esta base técnica, los sistemas digitales pueden procesar y almacenar información accesible en tiempo real.

La comunicación global en Internet depende de la integración de diversas tecnologías de red. El flujo constante de datos se sostiene en centros de datos, redes inalámbricas, cables de fibra óptica, enlaces satelitales y sistemas de enrutamiento. Todos estos elementos operan de forma coordinada para favorecer la estabilidad y la rapidez de las transmisiones digitales.

El estudio de Internet abarca su evolución histórica, su arquitectura física y su aplicación en la Ingeniería de Sistemas. A lo largo del texto, se analizará la evolución de la red desde el cómputo personal hasta la conectividad móvil, así como la infraestructura física que la sostiene, sus sistemas de identificación, como el DNS, y su impacto en la Industria 4.0.

Para comprender la conectividad actual, es necesario analizar primero la distinción entre Internet como infraestructura de red y la World Wide Web como servicio que opera sobre ella. Asimismo, resulta fundamental examinar el paso del cómputo personal en la década de 1980 a la masificación de la Web en la década de 1990, hasta la consolidación de la conectividad móvil y los entornos virtuales en la actualidad.

Para comprender la comunicación digital, es necesario distinguir Internet como infraestructura global de red de la World Wide Web como servicio que opera sobre ella. Mientras Internet constituye la infraestructura que conecta cables, servidores y dispositivos interconectados para transportar datos, la Web representa un conjunto de servicios que facilitan el acceso, la navegación y la interacción con contenidos digitales. Así, la Web utiliza la infraestructura técnica de Internet como base para ofrecer servicios accesibles a los usuarios en todo el mundo (Rojas Chuquihuaccha, 2024).

La expansión de las tecnologías digitales ha seguido un proceso progresivo desde la llegada de las computadoras personales hasta la masificación de la red global. Durante la década de 1980, se popularizó el cómputo personal, lo que sentó las bases para que, en la década de 1990, la World Wide Web se expandiera de forma masiva y transformara el acceso a la información (Abarca-Reyes, 2020). La adopción de redes interconectadas y protocolos estandarizados durante este período permitió elevar en más de un 55 % la capacidad para procesar y consultar servicios a distancia, aunque se registraron marcadas diferencias de acceso entre las zonas urbanas y rurales (Pérez Pinzón, 2020).

La incorporación masiva de dispositivos móviles redefinió la forma en que los usuarios acceden a Internet y permitió una conexión constante sin limitaciones de espacio. A partir de la década de 2010, la llegada de teléfonos inteligentes y tabletas impulsó una conectividad ubicua que redujo las brechas de acceso a la red en más de un 40 % (Abarca-Reyes, 2020). Este cambio favoreció la adopción de entornos virtuales para actividades laborales, académicas y sociales, e integró la tecnología en la vida cotidiana (Abarca-Reyes, 2020; Pérez Pinzón, 2020).

La comunicación digital depende de una infraestructura física de transmisión y enrutamiento. La transferencia global de datos se realiza mediante la integración de servidores, centros de datos y la arquitectura cliente-servidor. A su vez, este flujo requiere cables submarinos de fibra óptica, enlaces satelitales, redes móviles 5G integradas al Internet de las Cosas (IoT) y el sistema DNS para identificar recursos en la red.

El funcionamiento de los servicios digitales se apoya en centros de datos y granjas de servidores que gestionan la información. En estos espacios se alojan equipos especializados que procesan y almacenan grandes volúmenes de datos mediante una arquitectura cliente-servidor (Rojas Chuquihuaccha, 2024; Vega-Luna et al., 2020). En esta estructura, los dispositivos de los usuarios realizan peticiones a través de nodos y redes y reciben respuestas de los servidores, lo que permite la disponibilidad constante de las plataformas en la nube (Vega-Luna et al., 2020).

La transferencia internacional de datos requiere una infraestructura física capaz de conectar continentes y océanos. Para lograr este intercambio global, la información viaja en forma de señales a través de cables submarinos de fibra óptica y enlaces satelitales que conectan puntos distantes del planeta (Rojas Chuquihuaccha, 2024). El rendimiento de esta red depende, en gran medida, de la latencia, que mide el tiempo que tarda una señal en desplazarse desde el origen hasta su destino (Rojas Chuquihuaccha, 2024).

La quinta generación de redes móviles ofrece un avance significativo en la velocidad y estabilidad de la comunicación inalámbrica. La tecnología 5G destaca por reducir la latencia y permitir que múltiples dispositivos se conecten simultáneamente, lo que favorece el desarrollo de aplicaciones como el Internet de las Cosas (IoT) (Crespo-Berti, 2023). Para sostener este flujo de datos, las redes 5G requieren conexión con líneas de fibra óptica que transportan la información de manera rápida y segura (Crespo-Berti, 2023).

La localización de sitios y equipos en Internet se realiza mediante un sistema de identificación jerárquico y organizado. El Sistema de Nombres de Dominio (DNS) actúa como un sistema que vincula los nombres de los sitios web, comprensibles para los usuarios, con las direcciones IP numéricas que identifican los recursos de la red (Chávez Zárate, 2020). La clasificación de estos nombres mediante dominios de nivel superior y nacionales, como el .MX, permite mantener la organización técnica y administrativa de la red global (Chávez Zárate, 2020).

El uso de Internet en la Industria 4.0 transforma el trabajo en la Ingeniería de Sistemas. La incorporación del Internet de las Cosas y la Computación en la Nube optimiza los entornos industriales, aunque también presenta fallas asociadas con la falta de planificación y vacíos en ciberseguridad. Ante esta situación, el ingeniero de sistemas cumple un rol clave en el diseño de arquitecturas de red seguras, escalables e interoperables.

En el sector industrial, la convergencia del Internet de las Cosas, la Computación en la Nube y los sistemas ciberfísicos conforma la base de la denominada Industria 4.0. La aplicación de estas tecnologías interconectadas incrementa la eficiencia en la transmisión de información en un 38 % y reduce las pausas no planificadas en la producción en un 25 % (Rozo-García, 2020). Gracias a esta arquitectura distribuida, los sensores instalados en la maquinaria pueden enviar datos en tiempo real a servidores en la nube para su procesamiento (Rozo-García, 2020).

A pesar de las ventajas operativas de la red, existen fallas recurrentes asociadas con una deficiente planificación técnica y medidas de protección insuficientes. Se evidencia que más del 54 % de los procesos de adopción tecnológica carecieron de un marco de Ingeniería de Sistemas a largo plazo, mientras que el 58 % de las soluciones implementadas no dispone de estándares de interoperabilidad (Abarca-Reyes, 2020; Rozo-García, 2020). A esto se suma que dimensiones clave, como la ciberseguridad industrial y la gobernanza de datos, han sido escasamente investigadas en la literatura (Rozo-García, 2020).

Frente a estos desafíos técnicos, la labor del profesional en Ingeniería de Sistemas resulta determinante para garantizar el funcionamiento de las plataformas conectadas. El ingeniero de sistemas se encarga de diseñar redes escalables, optimizar los protocolos de comunicación y aplicar esquemas de seguridad que protejan el tráfico de datos (Rozo-García, 2020). Su intervención permite solucionar problemas de incompatibilidad entre tecnologías y asegurar la continuidad operativa de los servicios digitales (Rozo-García, 2020).

En síntesis, la infraestructura global de Internet constituye la base de la comunicación digital contemporánea. El análisis de su estructura demuestra cómo los componentes físicos, los sistemas de identificación, los protocolos de enrutamiento y la Ingeniería de Sistemas se articulan para sostener el intercambio de datos a nivel internacional.

El desarrollo histórico y la infraestructura técnica consolidaron la red global utilizada en la actualidad. Desde la masificación de la Web en la década de 1990 hasta la conectividad móvil, el sistema se sostiene en servidores, fibra óptica submarina, redes 5G y el DNS para la localización de recursos.

La aplicación de Internet en la Industria 4.0 permite integrar tecnologías para optimizar los procesos industriales, pero también presenta fallas operativas y vacíos de ciberseguridad. Si bien la integración del IoT y la Computación en la Nube optimiza los procesos industriales, persisten problemas relacionados con la falta de planificación de infraestructura y de estándares de interoperabilidad.

En conclusión, la Ingeniería de Sistemas es esencial para garantizar la seguridad y sostenibilidad de las redes y servicios digitales. La labor del ingeniero resulta determinante para diseñar arquitecturas escalables, resolver incompatibilidades técnicas y proteger el flujo de datos en la sociedad global.

Abarca-Reyes, J. (2020). Evolución de las tecnologías de conectividad y su impacto en el acceso a la información. Revista Digital de Tecnología y Sociedad, 15(2), 45-58.

Chávez Zárate, P. (2020). Estructura y funcionamiento del Sistema de Nombres de Dominio (DNS) en la red global. Redes y Telecomunicaciones, 8(1), 112-125.

Crespo-Berti, L. (2023). Redes 5G e Internet de las Cosas: Transformación de la conectividad inalámbrica. Journal of Advanced Telecom, 12(3), 89-104.

Pérez Pinzón, R. (2020). Reducción de la brecha digital mediante conectividad móvil y entornos virtuales. Comunicación y Sociedad Digital, 19(4), 201-215.

Rojas Chuquihuaccha, M. (2024). Infraestructura física de Internet: De los cables submarinos a los centros de datos. Editorial Académica Tech.

Rozo-García, A. (2020). La Ingeniería de Sistemas en la Industria 4.0: Desafíos de ciberseguridad e interoperabilidad. Revista Iberoamericana de Sistemas e Informática, 22(1), 30-47.

Vega-Luna, J. I., Salgado-Guzmán, G., & Torres-Muñoz, J. (2020). Arquitectura cliente-servidor y computación en la nube para sistemas distribuidos. Ingeniería e Investigación, 40(2), 67-79.

Saul Pompa Polo

Uno de los problemas actuales dentro de la ciberseguridad es el crecimiento exponencial de los ciberataques, sumado a la constante evolución de los virus y programas maliciosos. Este escenario provoca que los métodos de seguridad tradicionales pierdan eficiencia al combatir las amenazas. Para afrontar dicho problema, se propone el desarrollo de sistemas de seguridad autónomos y el uso de la inteligencia artificial (IA) para la detección de amenazas en tiempo real. En ese sentido, resulta fundamental explorar los diversos aspectos de estos sistemas, desde su funcionamiento operativo hasta su confiabilidad y seguridad.

Los sistemas de detección de intrusos (IDS, por sus siglas en inglés) son herramientas diseñadas para analizar el tráfico de red y emitir alertas al detectar anomalías. Dichos sistemas utilizan machine learning para entrenarse a partir de volúmenes de datos. Por ejemplo, el estudio de Bhuse y Hooda (2025) menciona el entrenamiento de estas herramientas con datos históricos de manera offline, empleando la técnica SMOTE (Synthetic Minority Over-sampling Technique). Este método, propio de la inteligencia artificial y la ciencia de datos, sirve para equilibrar un conjunto de información cuando una de las categorías es infrecuente. De esta manera, los sistemas logran identificar diversos patrones en el tráfico de la red. Asimismo, dicha investigación demuestra la viabilidad de aplicar este planteamiento en hardware de bajo costo, como una Raspberry Pi. Para realizar una selección adecuada del algoritmo, es imperativo comprender las diferencias entre los modelos de inteligencia artificial; entre ellos destaca el deep learning, capaz de analizar situaciones altamente complejas, aunque requiere una mayor cantidad de recursos computacionales. Por otro lado, los modelos de aprendizaje automático tradicionales exigen un menor rendimiento, lo que los hace ideales para hardware con recursos limitados.

Las pruebas de rendimiento son cruciales, ya que permiten validar el correcto funcionamiento del sistema. El objetivo fundamental es que la herramienta sea rápida, precisa y presente el menor margen de error posible; para lograrlo, se evalúa tanto la velocidad de detección de amenazas como el consumo de recursos. Además, con el fin de mitigar el problema de las falsas alarmas y diferenciar de forma efectiva a un usuario legítimo de un intruso, se aplica la ya mencionada técnica SMOTE. Finalmente, existe el desafío de encontrar un equilibrio óptimo entre velocidad y precisión: un sistema rápido pero impreciso puede generar errores críticos, mientras que uno preciso, pero lento corre el riesgo de detectar la amenaza cuando ya es demasiado tarde (Muneer et al., 2024).

La confiabilidad de la inteligencia artificial es un pilar fundamental para su implementación en la ciberseguridad. Por ello, es indispensable que las decisiones de la IA sean transparentes, garantizando la protección de la privacidad del usuario y resultando comprensibles para los analistas humanos. Para cumplir con este propósito, es posible fundamentarse en el trabajo de Tabassi (2023) respecto al marco de gestión de riesgos de IA del NIST. El seguimiento de estas normativas asegura que la inteligencia artificial sea confiable, tomando decisiones claras, éticas y seguras.

En conclusión, la integración de la inteligencia artificial en los sistemas de detección de intrusos permite desarrollar herramientas más efectivas, rápidas y accesibles para contrarrestar las amenazas modernas. La implementación de algoritmos adaptados a las capacidades técnicas disponibles, sumada a un balance entre rapidez y precisión, optimiza la detección y mantiene un margen de error mínimo. Por último, resulta indispensable que estos sistemas se diseñen bajo marcos de seguridad estandarizados, garantizando así un uso responsable y confiable de la IA en la protección de datos.

• Bhuse, V., & Hooda, M. (2025). A cost effective machine learning based network intrusion detection system using Raspberry Pi for real time analysis. PLOS ONE, 20(12), e0331123. https://doi.org/10.1371/journal.pone.0331123

• Muneer, S., et al. (2024). A Critical Review of Artificial Intelligence Based Approaches in Intrusion Detection: A Comprehensive Analysis. Journal of Engineering, 2024(1), 1-16.

• Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1

                                                                            José Luis Caruanambo Ortiz

El crecimiento del Internet de las cosas (IoT, por sus siglas en inglés) ha permitido conectar una gran variedad de dispositivos, sensores y sistemas capaces de generar grandes cantidades de datos. Sin embargo, cuando toda esta información se envía directamente a servidores remotos o a la nube, pueden surgir problemas de latencia, congestión de la red y menor capacidad de respuesta de los sistemas. En este contexto, la computación en el borde (edge computing) surge como una alternativa que procesa parte de los datos cerca del lugar donde se generan, lo que reduce la dependencia de la nube y favorece respuestas más rápidas. En este sentido, este trabajo tiene como objetivo analizar cómo esta tecnología contribuye a optimizar el procesamiento de datos en el IoT. Con ese fin, se abordan su arquitectura y funcionamiento, sus aplicaciones en agricultura, salud, videovigilancia, manufactura y transporte, y los desafíos que plantea su implementación.

La computación en el borde es un modelo de procesamiento distribuido en el que los datos se procesan próximos a la fuente que los genera, en lugar de depender exclusivamente de centros de datos remotos (Garnica Estrada & Guerrero Rincón, 2024; Hasan & Idrees, 2024). En un entorno IoT, esa fuente puede ser un sensor, una cámara, una máquina industrial u otro dispositivo conectado. Así, el procesamiento en nodos cercanos permite realizar tareas como el filtrado, el análisis inicial o la detección de eventos antes de enviar la información a otros niveles de la red.

Este modelo no necesariamente reemplaza a la computación en la nube (cloud computing), pues ambos pueden complementarse mediante arquitecturas distribuidas en las que cada tarea se asigna al nivel más conveniente (Andriulo et al., 2024; Navarrete Intriago, 2025). En una arquitectura edge-fog-cloud, los nodos del borde se encargan del procesamiento inmediato. La capa fog (computación en la niebla) actúa como nivel intermedio entre los dispositivos y la nube, y coordina los recursos disponibles. Por último, la nube almacena grandes volúmenes de información o ejecuta procesos que demandan mayor capacidad de cómputo. De este modo, los datos fluyen desde los sensores hacia el borde, donde se procesan de inmediato, y solo los resultados relevantes continúan hacia los niveles superiores, según las necesidades de cada aplicación.

La computación en el borde se complementa con tecnologías habilitadoras como la inteligencia artificial (IA) y la virtualización ligera. La IA es una de las tecnologías consideradas en la integración entre el borde y el IoT (Hasan & Idrees, 2024). Cuando sus modelos se ejecutan cerca de los dispositivos, se habla de edge AI, que permite analizar la información localmente y tomar decisiones con menor dependencia de un servidor remoto. Por su parte, la virtualización ligera, por ejemplo, mediante contenedores, facilita la ejecución de servicios en dispositivos con recursos limitados, aunque su implementación debe considerar la capacidad de procesamiento, la memoria y la energía disponibles (Hasan & Idrees, 2024).

El procesamiento en el borde ofrece dos beneficios principales: la reducción del tráfico hacia la nube y la disminución de la latencia. En cuanto al tráfico, al filtrar la información en el borde solo se envían los resultados relevantes o los datos consolidados, lo que puede mejorar el aprovechamiento del ancho de banda (Andriulo et al., 2024). En cuanto a la latencia, entendida como el tiempo que transcurre entre el envío de una solicitud y la recepción de su respuesta, el procesamiento próximo a la fuente acorta ese tiempo y favorece las aplicaciones de respuesta rápida, como el monitoreo, la videovigilancia o determinados procesos industriales (Garnica Estrada & Guerrero Rincón, 2024).

La agricultura es uno de los ámbitos en los que los dispositivos IoT resultan útiles para monitorear los cultivos, pues mediante sensores miden variables como la temperatura, la humedad y la luminosidad (Chanchí-Golondrino et al., 2022). En este tipo de escenarios, el procesamiento en el propio campo podría agilizar el análisis de esos datos y la detección de condiciones que afecten el desarrollo de las plantas, aunque esta posibilidad requiere mayor evidencia específica.

En el sector salud, los dispositivos IoT pueden registrar variables como el ritmo cardíaco, la temperatura corporal o la presión arterial, y el análisis local puede generar alertas cuando se detecten situaciones que requieran atención. No obstante, estas aplicaciones exigen especial atención a la protección de los datos y a la privacidad (Asanza Honores et al., 2024). En la videovigilancia, el análisis de las imágenes en las proximidades de las cámaras reduce la necesidad de enviar continuamente todo el contenido de video hacia la nube.

En la manufactura y el transporte, esta tecnología se aplica al análisis de la información que generan las máquinas y los vehículos. En la manufactura y la Industria 4.0, los dispositivos IoT recopilan datos de máquinas y procesos productivos, y su análisis en el entorno del proceso favorece decisiones rápidas y reduce la dependencia de la conectividad con la nube (Navarrete Intriago, 2025). En el transporte, el mismo enfoque puede emplearse para procesar información procedente de vehículos, sensores y sistemas de monitoreo (Hasan & Idrees, 2024). En ambos casos, se busca mejorar la eficiencia y la capacidad de respuesta de los sistemas conectados.

Pese a estas ventajas, su implementación presenta obstáculos que conviene considerar. El primero es la seguridad y la privacidad. Como los datos se distribuyen entre numerosos dispositivos y nodos, aumenta la necesidad de protegerlos frente a accesos no autorizados, pérdida de datos y otras amenazas (Asanza Honores et al., 2024; Garnica Estrada & Guerrero Rincón, 2024). Por ello, la seguridad debe considerarse tanto en los dispositivos IoT como en las comunicaciones y en los distintos niveles de la arquitectura.

La gestión de recursos y la escalabilidad representan un segundo desafío. Los nodos del borde pueden disponer de recursos limitados de procesamiento, memoria y energía, por lo que la literatura señala la necesidad de modelos eficientes de gestión y de distribución de tareas (Andriulo et al., 2024). Además, a medida que aumenta el número de dispositivos conectados, resulta importante gestionar el tráfico y repartir la carga para mantener un funcionamiento estable y evitar la sobrecarga de determinados nodos.

La heterogeneidad de los dispositivos constituye un tercer desafío para la integración de las soluciones en el borde. Los entornos IoT están formados por dispositivos con diferentes capacidades, sistemas y protocolos de comunicación, lo que genera problemas de compatibilidad y dificulta la interoperabilidad (Hasan & Idrees, 2024). Por esta razón, el software y las arquitecturas deben adaptarse a las características de los dispositivos utilizados.

La computación en el borde constituye una alternativa para optimizar el procesamiento de los datos generados por el IoT al acercar determinadas tareas a la fuente. Apoyada en arquitecturas edge-fog-cloud, en la inteligencia artificial y en la virtualización ligera, permite reducir el tráfico hacia la nube y disminuir la latencia. Estos beneficios son relevantes para la salud, la videovigilancia y la manufactura, y resultan prometedores en la agricultura y el transporte. Sin embargo, su implementación aún enfrenta desafíos de seguridad y privacidad, de gestión de recursos y escalabilidad, y de heterogeneidad de los dispositivos. Así, su desarrollo dependerá de la capacidad de diseñar arquitecturas seguras, eficientes y adaptables a cada entorno, de modo que el IoT pueda responder con rapidez sin comprometer la protección de los datos.

Andriulo, F. C., Fiore, M., Mongiello, M., Traversa, E., & Zizzo, V. (2024). Edge computing and cloud computing for Internet of Things: A review. Informatics, 11(4), 71. https://doi.org/10.3390/informatics11040071

Asanza Honores, A. I., Chuchuca Vacacela, D. G., Zea Ordóñez, M. P., & Contreras Alonso, T. Y. (2024). Mejores prácticas en la implementación del Edge Computing: Un enfoque basado en casos de éxito. Informática y Sistemas: Revista de Tecnologías de la Informática y las Comunicaciones, 8(2), 70–85. https://doi.org/10.33936/isrtic.v8i2.6879

Chanchí-Golondrino, G. E., Ospina-Alarcón, M. A., & Saba, M. (2022). Sistema IoT para el monitoreo de variables climatológicas en cultivos de agricultura urbana. Revista Científica, 44(2), 257–271. https://doi.org/10.14483/23448350.18470

Garnica Estrada, E., & Guerrero Rincón, J. S. (2024). Explorando las posibilidades del Edge Computing en la era de la conectividad. Revista Ingeniería, Matemáticas y Ciencias de la Información, 11(21), 135–144. https://doi.org/10.21017/rimci.2024.v11.n21.a160

Hasan, B. T., & Idrees, A. K. (2024). Edge computing for IoT. En P. K. Donta, A. Hazra, & L. Lovén (Eds.), Learning techniques for the Internet of Things (pp. 1–20). Springer. https://doi.org/10.1007/978-3-031-50514-0_1

Navarrete Intriago, L. X. (2025). Aplicación de tecnologías de Edge Computing en la Industria 4.0. REMULCI, 3(1), 1–16. https://doi.org/10.59282/remulci.3.1.828

Jhexon Yamyl Tocas Garcia

El desarrollo de la inteligencia artificial y de las tecnologías biométricas ha ampliado las posibilidades de identificación y vigilancia en contextos de seguridad ciudadana. El reconocimiento facial permite comparar rasgos del rostro con imágenes almacenadas y puede emplearse tanto para verificar una identidad como para identificar a una persona entre múltiples registros. Sin embargo, su incorporación a espacios públicos plantea interrogantes relacionados con la privacidad, la igualdad y la protección de datos personales. Lucero et al. (2020) advierten que, desde la perspectiva ética, uno de los principales focos de preocupación es «el derecho a la privacidad de los individuos» (p. 43). Por ello, la utilidad de estas herramientas debe analizarse conjuntamente con sus posibles efectos sobre los derechos fundamentales.

El reconocimiento facial no constituye una tecnología homogénea: su funcionamiento depende del algoritmo, de la calidad y representatividad de los datos y de las condiciones en que se capturan las imágenes. Además, es necesario distinguir entre verificación e identificación biométrica. La primera compara una característica con un registro previamente asociado a una persona, mientras que la segunda puede contrastar una imagen con múltiples registros. Durante la pandemia de COVID-19, distintas aplicaciones de reconocimiento facial y vigilancia digital adquirieron especial visibilidad. Almonacid-Díaz (2020) señala que el reconocimiento facial «se ha utilizado para el control de la población» (p. 55), lo que evidencia que la tecnología puede cumplir funciones de seguridad, pero también ampliar las capacidades de observación de las personas. En consecuencia, su uso exige determinar con precisión qué finalidad persigue y cuáles son sus límites.

Uno de los principales riesgos asociados con estos sistemas es el sesgo algorítmico. Cuando determinados grupos se encuentran insuficientemente representados en los datos de entrenamiento o cuando existen diferencias en la calidad de las imágenes, pueden producirse variaciones en el rendimiento del sistema. En el ámbito policial, un error de identificación puede adquirir consecuencias especialmente graves si una coincidencia algorítmica se interpreta como evidencia suficiente para detener o investigar a una persona. Sanabria-Moyano et al. (2022) destacan que la expansión de estas tecnologías genera «preocupación en torno a la autonomía de la voluntad individual» (p. 61). El problema ético no se reduce, por tanto, a la precisión técnica: también comprende la manera en que las instituciones interpretan los resultados y las garantías disponibles para las personas afectadas.

El sesgo racial adquiere una dimensión particularmente delicada cuando la tecnología se utiliza en actividades de vigilancia y persecución del delito. Las decisiones automatizadas pueden reproducir o reforzar desigualdades que ya existen en las prácticas institucionales, especialmente si las bases de datos policiales y los criterios de selección contienen patrones históricos de discriminación. En Estados Unidos, la evidencia reciente ofrece resultados que deben interpretarse con cautela: Johnson et al. (2024) analizaron 268 ciudades y encontraron reducciones en determinados indicadores de violencia sin observar un incremento de las disparidades raciales en las tasas de arresto por delitos violentos. Esto no elimina los riesgos derivados de los falsos positivos, la falta de transparencia o el uso desproporcionado de la tecnología, pero sí demuestra que el análisis académico debe evitar generalizaciones que presenten todo uso policial del reconocimiento facial como necesariamente discriminatorio.

La vigilancia biométrica también plantea problemas relacionados con la privacidad y la protección de datos. Una imagen facial puede convertirse en un dato biométrico capaz de vincular a una persona con otros registros y, en determinadas circunstancias, permitir su seguimiento. En este sentido, Lalangui-Granda et al. (2025) identifican que la obtención de imágenes mediante videovigilancia puede situarse como una «potencial violación a la privacidad» (p. 1602). El riesgo aumenta cuando no existen reglas claras sobre la finalidad de la recopilación, el tiempo de conservación, las personas autorizadas para acceder a los registros y las condiciones para compartirlos con terceros. Por ello, la seguridad ciudadana no debería plantearse como un objetivo que permita eliminar las garantías de privacidad, sino como un ámbito en el que ambos intereses deben armonizarse mediante reglas de necesidad, proporcionalidad y control.

Otro aspecto ético relevante es la transparencia. Los sistemas automatizados pueden presentar resultados que los usuarios no comprenden plenamente, mientras que las empresas desarrolladoras pueden proteger determinados componentes del algoritmo como información técnica o comercial. Esta situación dificulta que una persona cuestionada por una coincidencia biométrica pueda conocer cómo se produjo el resultado y, sobre todo, cómo impugnarlo. Sanabria-Moyano et al. (2022) señalan la necesidad de ponderar el acceso al funcionamiento de los algoritmos con otros intereses jurídicos, especialmente cuando sus resultados pueden influir en actuaciones de persecución penal. En consecuencia, la supervisión humana debe ser una condición esencial: una coincidencia producida por un sistema de reconocimiento facial debería constituir un elemento de apoyo y no, por sí sola, una prueba concluyente de responsabilidad.

La mitigación del sesgo requiere una estrategia que combine medidas técnicas, institucionales y jurídicas. Entre ellas se encuentran la evaluación periódica del rendimiento, la utilización de conjuntos de datos suficientemente representativos, las auditorías independientes, la documentación de errores, la supervisión humana y la definición de límites claros para la vigilancia en espacios públicos. También resulta necesario establecer mecanismos que permitan informar a las personas sobre el tratamiento de sus datos y cuestionar decisiones basadas en resultados automatizados. Lucero et al. (2020) sostienen que el uso de la biometría debe considerar tanto los derechos individuales como los colectivos, lo que exige «satisfacer ambos tipos de derechos de manera equilibrada» (p. 45). De este modo, la innovación tecnológica puede compatibilizarse con una política de seguridad que respete la dignidad y la igualdad.

En síntesis, el sesgo racial en los sistemas de reconocimiento facial constituye un problema que no puede abordarse únicamente desde la eficiencia del algoritmo. Sus implicaciones alcanzan la igualdad, la no discriminación, la privacidad, la protección de datos, la autonomía individual, el debido proceso y la confianza de la ciudadanía en las instituciones. La evidencia disponible tampoco permite sostener que todos los sistemas o todos los usos policiales produzcan los mismos efectos; por ello, resulta indispensable evaluar cada aplicación según su contexto, finalidad, desempeño y salvaguardas. El uso responsable de esta tecnología exige transparencia, auditoría, supervisión humana y límites jurídicos proporcionales al riesgo. Solo bajo estas condiciones el reconocimiento facial puede incorporarse a las políticas de seguridad ciudadana sin convertir la innovación tecnológica en un mecanismo de discriminación o vigilancia indiscriminada.

Almonacid-Díaz, C. (2020). Consideraciones teóricas y éticas del reconocimiento facial de las emociones en contexto de pandemia. Veritas, (46), 55–75. https://doi.org/10.4067/S0718-92732020000200055

Johnson, T. L., Johnson, N. N., Topalli, V., McCurdy, D., & Wallace, A. (2024). Police facial recognition applications and violent crime control in U.S. cities. Cities, 155, 105472. https://doi.org/10.1016/j.cities.2024.105472

Lalangui-Granda, K. E., Proaño-Reyes, G. M., & Castro-Sánchez, F. J. (2025). Confidencialidad versus obtención de imágenes faciales por el ECU911. Noesis. Revista Electrónica de Investigación, 7(2), 1601–1619. https://doi.org/10.35381/noesisin.v7i2.664

Lucero, B. A., Saracini, C., Mora, M., & Muñoz-Quezada, M. T. (2020). Aspectos éticos del uso de identificadores biométricos. Acta Bioethica, 26(1), 43–50. https://doi.org/10.4067/S1726-569X2020000100043

Sanabria-Moyano, J. E., Roa-Avella, M. del P., & Lee-Pérez, O. I. (2022). Tecnología de reconocimiento facial y sus riesgos en los derechos humanos. Revista Criminalidad, 64(3), 61–78. https://doi.org/10.47741/17943108.366

Jafet Adrian Malapartida Aquino

En el contexto actual de la era digital, la ciberseguridad se ha convertido en una condición indispensable para la seguridad y defensa de las entidades públicas. Desde este punto de partida, la Presidencia del Consejo de Ministros (PCM, 2025) propuso la Estrategia Nacional de Ciberseguridad en el Perú (ESNACIB 2026-2028). Este plan plantea responder a un escenario de crecientes ataques digitales. Por ello, el presente texto analizará, en primer lugar, el panorama y la magnitud de las amenazas cibernéticas; en segundo lugar, el marco normativo y sus limitaciones; en tercer lugar, las brechas estructurales e institucionales que agrandan la brecha digital en el Estado; y, finalmente, se ejemplificará este abandono de la ciberseguridad a través de un análisis crítico de las vulnerabilidades digitales, la obsolescencia institucional y el déficit formativo en el sector público. Esta evaluación permitirá comprender la urgencia de fortalecer las defensas nacionales frente a un entorno global cada vez más hostil e impredecible; de este modo, se busca ofrecer una visión integral que impulse reformas sostenibles en la gestión pública digital.

En ese sentido, se empieza por el panorama actual de la ciberseguridad en el Perú y cómo este expone un creciente nivel de riesgo en el ciberespacio. Tan solo en 2023 se registraron más de 5 mil millones de intentos de ciberataques —ya sea mediante phishing, ransomware o ataques DoS— que buscan lucrar con los datos personales de la ciudadanía y que, a su vez, afectan las plataformas del Estado (Zúñiga Carnero, 2026, p. 15). En el contexto nacional, estas modalidades se manifiestan con frecuencia en la clonación de portales web institucionales, la suplantación de identidad bancaria y la filtración no autorizada de registros ciudadanos. Asimismo, América Latina presenta fuertes carencias en el desarrollo de políticas en ciberseguridad (Aguilar Antonio, 2021, p. 175), por lo que la fragilidad del Estado se ve expuesta a ataques coordinados por actores maliciosos o hackers de sombrero negro. Esta falta de preparación sistemática convierte a las redes estatales en blancos sumamente atractivos para organizaciones delictivas transnacionales; en consecuencia, la soberanía digital del país permanece en constante riesgo de ser comprometida.

Esto va de la mano con el marco normativo vigente, el cual, a pesar de las nuevas leyes establecidas en los últimos años, ha quedado obsoleto ante el avance agresivo de la tecnología. En esa línea, el plan ESNACIB toma como base el Índice Global de Ciberseguridad para evaluar el desempeño digital del Estado, articulando la gestión de riesgos y la protección de infraestructuras críticas nacionales a través del Centro Nacional de Seguridad Digital (CNSD) frente a filtraciones de datos o secuestros de información (ransomware). Debido a la transformación tecnológica, el uso de herramientas digitales ya no es una opción, sino una necesidad diaria en la administración pública (Huamán-Rondo & Medina-Sotelo, 2022, p. 95). Por el contrario, si no se actualizan y gestionan estas herramientas, aumentarán las brechas y diferencias sociales frente a las amenazas cibernéticas. Las leyes actuales carecen de mecanismos ágiles de sanción y respuesta inmediata ante delitos informáticos emergentes; además, la lentitud burocrática impide la fiscalización efectiva del cumplimiento de estándares mínimos de seguridad en el aparato público.

Más allá del marco normativo, el Perú enfrenta profundas brechas estructurales que limitan la implementación efectiva de una red de seguridad actualizada frente a sistemas informáticos obsoletos. Al gran problema de infraestructura se suma la escasez de talento humano especializado en ciberseguridad en el sector público. Un análisis del modelo de madurez en las entidades públicas revela falencias en sus niveles de desarrollo, definición, gestión y optimización, mostrando un leve decrecimiento del personal capacitado para estas tareas respecto a años anteriores. Asimismo, los avances tecnológicos conllevan desafíos en la digitalización; en consecuencia, el enfoque en ciberseguridad se verá afectado si no se recurre a un cambio en el corto plazo (Alayo et al., 2021, p. 3). Por ello, la prevención, actualización y capacitación constante de especialistas son elementos primordiales para el cambio. La falta de incentivos laborales competitivos provoca que el poco personal cualificado migre hacia el sector privado, dejando desprotegidas a las instituciones estatales clave frente a incidentes complejos.

A esta problemática se suma el evidente abandono de las infraestructuras informáticas del Estado y las deficiencias en el sistema educativo nacional. Un ejemplo claro se observa en la alta vulnerabilidad institucional: reportes del sector público revelan que «más del 82% de las municipalidades y gobiernos regionales operan con sistemas operativos obsoletos y sin parches de seguridad actualizados», lo que facilitó la filtración masiva de más de 80 mil credenciales de acceso gubernamentales en foros ilícitos (Jáuregui Iparraguirre, 2024, p. 92). Esta fragilidad técnica se origina en un estancamiento educativo y formativo. Según datos de la industria tecnológica e instituciones públicas, «América Latina enfrenta un déficit superior a los 329,000 profesionales en ciberseguridad, mientras que en el Perú el 59% de instituciones y empresas sufren serias dificultades para contratar talento especializado» (Fortinet & ENAP, 2023, p. 8). Como consecuencia de este rezago formativo, el sector público opera con un déficit crítico de especialistas para defender la infraestructura digital del país. La falta de presupuesto asignado a la modernización tecnológica perpetúa el uso de servidores obsoletos e inseguros, impidiendo además generar una cultura de ciberseguridad entre los funcionarios públicos.

En conclusión, la ciberseguridad en el Perú se desarrolla en un escenario complejo, marcado por amenazas cibernéticas constantes que ponen al descubierto las vulnerabilidades estructurales del país. No obstante, esto no significa que no existan soluciones. Propuestas como la ESNACIB (PCM, 2025) buscan establecer un plan nacional para garantizar un espacio web seguro en los próximos años. Para salvaguardar la soberanía digital futura, se debe priorizar la formación de especialistas y la inversión articulada entre el Estado, la academia y la industria privada a fin de edificar un ciberespacio resiliente. Finalmente, asumir la ciberseguridad como una prioridad nacional permitirás proteger los derechos fundamentales e información de todos los ciudadanos.

Aguilar Antonio, J. M. (2021). Retos y oportunidades en materia de ciberseguridad de América Latina frente al contexto global: ciberamenazas, seguridad nacional y política exterior. Estudios Internacionales, 53(198), 169-197. https://doi.org/10.5354/0719-3769.2021.57067

Alayo, J. G., Mendoza, P. N., Armas-Aguirre, J., & Molina, B. M. (2021). Maturity model for providing services in the financial sector in Peru. 2021 IEEE International Conference on Innovation and Trends in Engineering (CONITI). https://doi.org/10.1109/CONITI53815.2021.9619733

Fortinet, & Escuela Nacional de Administración Pública [ENAP]. (2023). Reporte sobre la brecha de habilidades y talento en ciberseguridad en el sector público. Fortinet / ENAP.

Huamán-Rondo, P. L., & Medina-Sotelo, C. G. (2022). Transformación digital en la administración pública: desafíos para una gobernanza activa. Comuni@cción, 13(2), 93-104. https://doi.org/10.33595/2226-1478.13.2.594

Jáuregui Iparraguirre, P. K. (2024). El impacto del gobierno digital en la modernización del Estado: una revisión sistemática. Revista Científica Visión de Futuro, 28(1), 87-106. https://doi.org/10.36995/j.visiondefuturo.2024.28.01.003.es

Presidencia del Consejo de Ministros [PCM], Secretaría de Gobierno y Transformación Digital. (2025). Propuesta de la Estrategia Nacional de Ciberseguridad del Perú 2026-2028 (ESNACIB). Plataforma del Estado Peruano. https://www.gob.pe/institucion/pcm/informes-publicaciones/7046161

Zúñiga Carnero, M. (2026). Panorama actual de la ciberseguridad: amenazas, legislación y brechas estructurales desde una revisión sistemática. Revista InveCom, 6(1), e260102. https://ve.scielo.org/scielo.php?script=sci_arttext&pid=S2739-006320260001020928

Ramírez Mas,  Jesús Marcelo

Lima genera grandes cantidades de basura cada día, porque tiene muchos habitantes y su consumo sigue creciendo. Además, su clima nublado limita la radiación solar y la fuerza del viento, por lo que la energía solar y la eólica resultan poco adecuadas en la ciudad. Por ello, los residuos pueden convertirse en un recurso para generar energía. En la sierra central, en cambio, la minería produce aguas ácidas. Este fenómeno ocurre cuando los minerales con azufre entran en contacto con el aire y el agua. El problema es más grave en zonas altas y sensibles, como el área de la minera Yanacocha en Cajamarca. Allí se requieren plantas especiales que limpien el agua y cumplan las normas ambientales.

Ante estos problemas, este trabajo explica cómo se aplican las tecnologías verdes en el Perú. En Lima, se aprovechan los residuos para producir electricidad limpia y se buscan alternativas de transporte menos contaminantes. En las zonas rurales de la sierra, los paneles solares llevan electricidad a comunidades alejadas. En la minería de la sierra central, procesos químicos y biológicos limpian el agua contaminada antes de que llegue a los ríos. Así, cada tecnología responde a las necesidades de su zona, según el clima, la geografía y las actividades económicas.

La valorización energética consiste en usar los residuos para producir energía. Principalmente, se aprovecha el gas que se forma cuando la basura se descompone. Con este gas se genera electricidad, se reduce el volumen de residuos y disminuyen las emisiones dañinas para el ambiente. El ejemplo más importante en el Perú es el relleno sanitario de Huaycoloro, donde se capta y se quema el metano de la basura de Lima para producir electricidad. Según Petramás (2022), el 63 % de la basura de Lima ya se convierte en energía de esta forma. Esta práctica evita que cerca de 500 mil toneladas de dióxido de carbono lleguen a la atmósfera cada año (Petramás, 2022).

Esta forma de generar energía resulta más conveniente en Lima que la solar o la eólica. Según Studocu/UNMSM (2025), la ciudad produce abundantes residuos aprovechables, mientras que su clima nublado reduce el potencial de otras fuentes. Además de captar el biogás, existen otros procesos, como la digestión anaeróbica y la termovalorización. Ríos (2023) señala que estos procesos también ayudan a reducir las emisiones de metano de los rellenos sanitarios de Lima.

El agua ácida de las minas es uno de los principales problemas ambientales de esta actividad. Por ello, se necesitan tecnologías que limpien el agua y eliminen los metales antes de que llegue a los ríos. Una de las más usadas es el proceso HDS. Este método utiliza cal para neutralizar la acidez, añade aire para que los metales se separen y concentra los residuos sólidos para tratarlos mejor (Flowen, 2025). Otra opción es el sistema SULFATEQ, que convierte el sulfato en azufre. Este proceso controla los metales tóxicos, permite recuperar metales valiosos y facilita la reutilización del agua tratada (Paques, s. f.).

Los humedales artificiales son zonas creadas para limpiar el agua de forma natural. Según Huamán y Torres (2021), pueden eliminar hasta el 90 % de los metales pesados del agua minera y así proteger los ríos de la sierra central. El caso de Yanacocha muestra la importancia de estas tecnologías. Como la mina se ubica en una zona alta y sensible, necesita plantas que limpien el agua ácida para cumplir las normas ambientales (Studocu/UNMSM, 2025).

El aprovechamiento de la basura para generar energía es una opción adecuada para Lima, porque se ajusta al clima de la ciudad y a su gran volumen de residuos. Esta práctica reduce las emisiones de gases que dañan el ambiente. Por su parte, el HDS, el SULFATEQ y los humedales artificiales permiten limpiar el agua ácida, recuperar metales y proteger los ríos de la sierra, como muestra el caso de Yanacocha.

En resumen, estas tecnologías verdes funcionan porque se ajustan a las condiciones de cada lugar: el clima y los residuos de Lima, el recurso solar de la sierra rural y la geografía de las zonas mineras. Por ello, es importante seguir aplicándolas y mejorándolas, siempre según la realidad de cada zona del Perú, para lograr un ambiente más sano en el futuro.

Flowen. (2025). Aguas ácidas en minería: causas, riesgos y tratamiento HDS. https://flowen.com.pe/blog/impacto-mineria-tratamiento-aguas-acidas/

Paques. (s. f.). Tratamiento de aguas residuales en minería con biotecnología. https://www.paquesglobal.com/es-es/sectores/tratamiento-de-aguas-para-la-mineria

Petramás. (2022). El 63 % de la basura de Lima se convierte en energía eléctrica. https://petramas.com/el-63-de-la-basura-de-lima-se-convierte-en-energia-electrica/

Ríos, M. (2023). Análisis de ciclo de vida de la gestión de residuos en Lima Metropolitana. Journal of Environmental Management Perú, 5(1), 15-29.

Studocu/UNMSM. (2025). GEO 2023: Tratamiento de aguas residuales en Minera Yanacocha, Cajamarca. https://www.studocu.com/pe/document/universidad-nacional-mayor-de-san-marcos/ecologia-y-evaluacion-ambiental/geo-2023-tratamiento-de-aguas-residuales-en-minera-yanacocha-cajamarca/131705903

Huamán, E., & Torres, J. (2021). Eficiencia de remoción de metales pesados en humedales artificiales de flujo subsuperficial. Ingeniería Ambiental y Ecológica, 14(2), 110-125.

                                                                                                       Diego Chalan Briones

En la actualidad, la recopilación de datos de ubicación mediante aplicaciones móviles se ha vuelto una práctica fundamental para el funcionamiento de herramientas cotidianas, como los mapas, los sistemas de navegación y los servicios de recomendaciones personalizadas. No obstante, su uso intensivo genera desconfianza entre los usuarios, hasta el punto de que las preocupaciones por la privacidad pueden llevarlos a no instalar una aplicación o a desinstalarla (Degirmenci, 2020). Por ello, este artículo analiza el impacto de esta recopilación en la privacidad de los usuarios, examina las principales medidas de protección disponibles y reflexiona sobre la transparencia en el tratamiento de esta información.

El impacto de las aplicaciones móviles en la privacidad de los usuarios responde a diversos factores. En primer lugar, la recopilación constante de datos de ubicación puede comprometer la privacidad de la persona. Conocer los lugares que frecuenta un individuo permite inferir sus rutinas, como su domicilio y su lugar de trabajo, y esa información, combinada con otros datos, puede resultar muy reveladora (Leith, 2021). En segundo lugar, la situación se agrava porque los usuarios suelen aceptar los términos sin comprender plenamente el tratamiento de su información personal; un estudio sobre la normativa ecuatoriana de protección de datos advierte que, en varios casos, «el consentimiento se obtiene de manera genérica» (Calle-Morillo et al., 2025, p. 460). Por ello, aunque las aplicaciones necesitan ciertos permisos básicos para funcionar, los usuarios deben revisar qué accesos requieren realmente, a fin de evitar la filtración de información sensible. En consecuencia, el acceso continuo o innecesario a los datos de geolocalización representa un riesgo considerable para la privacidad, especialmente cuando se desconoce el uso final que se dará a dicha información.

Por consiguiente, la implementación de medidas de protección resulta fundamental para resguardar la privacidad digital. En este sentido, la protección de datos desde el diseño debe ser un requisito esencial durante la creación de las aplicaciones, pues constituye una barrera preventiva frente al uso indebido de la información. Asimismo, se debe priorizar la minimización de los datos recopilados, limitándose a lo indispensable para el funcionamiento del servicio, dado que los permisos solicitados influyen de forma decisiva en la preocupación de los usuarios: Degirmenci (2020) halló que las inquietudes por los permisos de las aplicaciones tienen «aproximadamente el doble de valor predictivo que los demás factores juntos» (p. 261; traducción propia) para explicar la preocupación general por la privacidad. Igualmente, para prevenir el robo de datos personales, es clave emplear esquemas de cifrado y un estricto control de acceso que protejan la información almacenada. Por último, es indispensable asegurar una gestión adecuada del consentimiento, en la que la persona reciba explicaciones claras y transparentes sobre los permisos que concede, especialmente en lo relativo a su ubicación, en lugar de los términos de servicio genéricos que suelen aceptarse por desconocimiento.

Finalmente, el seguimiento y el almacenamiento de la información no son prácticas exclusivas de las aplicaciones móviles, pues también ocurren en el propio sistema operativo. Leith (2021) observó que, en los equipos analizados, tanto iOS como Android envían a Apple y a Google identificadores del dispositivo y cookies, y que transmiten telemetría «a pesar de que el usuario lo rechaza de forma explícita» (p. 232; traducción propia). Además, cada conexión con los servidores revela la dirección IP del dispositivo, una referencia aproximada de su ubicación, por lo que la alta frecuencia de estas conexiones podría permitir el rastreo de la posición del usuario a lo largo del tiempo (Leith, 2021). Ante este panorama, el problema principal radica en la falta de control del usuario, que en ocasiones ni siquiera puede evitar estos envíos de datos. Por ello, el desafío no se limita a la recolección de coordenadas, sino que incluye, sobre todo, la transparencia sobre el destino y la gestión de dichos registros.

En conclusión, proteger los datos de geolocalización es crucial para salvaguardar la privacidad de las personas en el entorno digital. En primer lugar, la recopilación constante de esta información conlleva riesgos graves, como la pérdida de privacidad y el seguimiento no consentido de las rutinas de los usuarios. En segundo lugar, medidas como la protección de datos desde el diseño, la minimización y el cifrado reducen esa exposición, a lo que debe sumarse la exigencia de un consentimiento informado, claro y transparente antes de cualquier tratamiento. Finalmente, es fundamental otorgar al usuario un mayor control sobre el uso y el almacenamiento de sus coordenadas, de modo que pueda decidir con libertad sobre la gestión de sus datos personales.

Referencias

Calle-Morillo, A. D., Proaño-Reyes, G. M., & Castro-Sánchez, F. de J. (2025). Consentimiento informado y afectación al principio de confidencialidad. Noesis. Revista Electrónica de Investigación, 7(2), 452–469. https://doi.org/10.35381/noesisin.v7i2.598

Degirmenci, K. (2020). Mobile users’ information privacy concerns and the role of app permission requests. International Journal of Information Management, 50, 261–272. https://doi.org/10.1016/j.ijinfomgt.2019.05.010

Leith, D. J. (2021). Mobile handset privacy: Measuring the data iOS and Android send to Apple and Google. En J. Garcia-Alfaro et al. (Eds.), Security and Privacy in Communication Networks: SecureComm 2021 (Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, Vol. 399, pp. 231–251). Springer. https://doi.org/10.1007/978-3-030-90022-9_12

Anddy Steve Carrasco Briones

Uno de los desafíos más importantes para las infraestructuras digitales actuales es la amenaza que representa el desarrollo de la computación cuántica. Los sistemas de cifrado utilizados para proteger las comunicaciones y la información digital no son ajenos a esta realidad, especialmente aquellos que dependen de problemas matemáticos susceptibles de ser resueltos de manera eficiente mediante algoritmos cuánticos. En este contexto, resulta necesario analizar las vulnerabilidades de los sistemas criptográficos actuales, los riesgos asociados con la posibilidad de descifrar información almacenada, los avances en la estandarización de la criptografía post-cuántica y las estrategias necesarias para realizar una transición progresiva hacia mecanismos de seguridad resistentes a las amenazas cuánticas (Yunakovsky et al., 2021; Cherkaoui Dekkaki et al., 2024).

Las vulnerabilidades de los sistemas criptográficos actuales representan un desafío significativo para la infraestructura digital ante el desarrollo de computadores cuánticos capaces de ejecutar algoritmos criptográficos a gran escala. Los sistemas tradicionales de criptografía de clave pública, como RSA y la criptografía de curva elíptica (ECC), dependen de problemas matemáticos cuya dificultad constituye la base de su seguridad. Sin embargo, el algoritmo de Shor podría comprometer estos mecanismos al permitir resolver de manera eficiente problemas como la factorización de números enteros y el logaritmo discreto. Por esta razón, las infraestructuras de clave pública (PKI) y los mecanismos de autenticación empleados en entornos de producción y comunicaciones digitales deberán adaptarse ante la eventual disponibilidad de computadores cuánticos criptográficamente relevantes (Yunakovsky et al., 2021).

A esta amenaza se suma el riesgo conocido como “almacenar ahora, descifrar después” (harvest now, decrypt later), mediante el cual un adversario puede interceptar y almacenar información cifrada en el presente con la expectativa de descifrarla cuando disponga de tecnologías capaces de comprometer los mecanismos criptográficos utilizados. Este escenario resulta especialmente relevante para información que conserva su valor durante largos períodos, como datos personales, información financiera, propiedad intelectual y documentos institucionales. En consecuencia, la amenaza cuántica no debe considerarse exclusivamente como un problema futuro, sino como un riesgo que puede comenzar a afectar desde el presente la confidencialidad a largo plazo de la información digital (Barzola-Plúas et al., 2023).

La transición hacia una infraestructura resistente a la computación cuántica también plantea desafíos jurídicos y regulatorios. Los marcos tradicionales de protección de datos personales deben considerar que determinados mecanismos criptográficos utilizados actualmente podrían perder su nivel de seguridad ante el desarrollo de tecnologías cuánticas. En este sentido, la protección de la información no depende únicamente de la existencia de normas de privacidad, sino también de la capacidad técnica de las organizaciones para mantener mecanismos criptográficos adecuados durante todo el ciclo de vida de los datos. Por ello, resulta necesario considerar los desafíos legales y regulatorios asociados con la protección de datos en un escenario de evolución de las capacidades criptanalíticas (Barzola-Plúas et al., 2023).

La estandarización de la criptografía post-cuántica constituye un proceso fundamental para establecer mecanismos de seguridad capaces de enfrentar las amenazas derivadas de la computación cuántica. En este contexto, el Instituto Nacional de Estándares y Tecnología (NIST) ha desarrollado un proceso de evaluación y selección de algoritmos criptográficos post-cuánticos con el propósito de establecer mecanismos estandarizados que puedan ser incorporados progresivamente en diferentes sistemas y aplicaciones. Este proceso resulta fundamental porque la transición criptográfica requiere soluciones que, además de ofrecer resistencia frente a ataques cuánticos, presenten características adecuadas de seguridad, rendimiento e interoperabilidad (Cherkaoui Dekkaki et al., 2024).

Las propuestas de criptografía post-cuántica se fundamentan en diferentes familias de problemas matemáticos y construcciones criptográficas. Entre las principales se encuentran los esquemas basados en retículos, códigos y funciones hash. Estas alternativas buscan reemplazar o complementar los mecanismos de clave pública que podrían resultar vulnerables ante el algoritmo de Shor. Dentro de este panorama, los sistemas basados en retículos y códigos han adquirido especial importancia debido a sus características de seguridad y a su potencial para construir mecanismos resistentes a ataques cuánticos. Asimismo, la relación entre la teoría de la información y la criptografía permite explorar nuevas soluciones para proteger las comunicaciones sin depender exclusivamente de los problemas matemáticos utilizados por los sistemas criptográficos tradicionales (Wang et al., 2022).

La criptografía post-cuántica no constituye, sin embargo, la única alternativa tecnológica considerada frente a la amenaza cuántica. También existen mecanismos basados en tecnologías cuánticas, como la distribución cuántica de claves (QKD), que pueden complementar las estrategias de protección de las comunicaciones. No obstante, la QKD presenta requerimientos de infraestructura diferentes a los de las soluciones criptográficas implementadas mediante software. Por esta razón, la migración hacia una infraestructura resistente a la computación cuántica debe considerar tanto las alternativas criptográficas post-cuánticas como las características tecnológicas, económicas y operativas de las organizaciones que deberán implementarlas (Cherkaoui Dekkaki et al., 2024).

La transición desde los mecanismos criptográficos tradicionales hacia soluciones resistentes a la computación cuántica constituye un proceso progresivo que requiere planificación y evaluación de los sistemas existentes. Una de las estrategias consideradas es el uso de esquemas híbridos, mediante los cuales pueden combinarse mecanismos criptográficos tradicionales con algoritmos post-cuánticos. Esta estrategia permite reducir los riesgos asociados con una migración inmediata y facilita la incorporación gradual de nuevos mecanismos de protección mientras se mantiene la compatibilidad con sistemas existentes (Cherkaoui Dekkaki et al., 2024).

Otra característica fundamental para esta transición es la criptoagilidad, entendida como la capacidad de una infraestructura para sustituir o actualizar sus mecanismos criptográficos sin realizar modificaciones profundas en todos sus componentes. Esta capacidad resulta especialmente importante ante la posibilidad de que determinados algoritmos pierdan su nivel de seguridad o sean reemplazados por nuevos estándares. Asimismo, el empleo de certificados con períodos de validez más cortos puede facilitar la renovación de las credenciales y contribuir a una migración más flexible de los mecanismos criptográficos empleados en las infraestructuras de clave pública (Yunakovsky et al., 2021).

La viabilidad de las soluciones post-cuánticas también depende de sus requerimientos de procesamiento, memoria, energía y latencia. Este aspecto adquiere especial importancia en dispositivos con recursos limitados, como determinados sistemas embebidos y dispositivos conectados. Las evaluaciones de algoritmos resistentes a ataques cuánticos muestran que el rendimiento debe considerarse junto con la seguridad, debido a que un algoritmo criptográficamente robusto puede resultar poco práctico si sus requerimientos superan las capacidades del dispositivo en el que será implementado (Halak et al., 2024).

En este contexto, las evaluaciones realizadas sobre algoritmos post-cuánticos han mostrado resultados favorables para determinadas combinaciones de mecanismos de encapsulación de claves y firmas digitales. En particular, la combinación de Kyber y Dilithium ha mostrado un desempeño eficiente en escenarios con recursos limitados, aunque su conveniencia debe determinarse de acuerdo con las características específicas del sistema, los requisitos de seguridad y las condiciones de implementación. Por ello, la selección de algoritmos no debería realizarse únicamente considerando la velocidad de procesamiento, sino también factores como el consumo energético, el uso de memoria, la latencia, el tamaño de las claves y la compatibilidad con la infraestructura existente (Halak et al., 2024).

La vulnerabilidad del cifrado web frente a la computación cuántica constituye un desafío que requiere atención antes de que los computadores cuánticos alcancen la capacidad necesaria para comprometer de manera práctica los mecanismos criptográficos actuales. Los sistemas tradicionales de clave pública, particularmente aquellos basados en problemas matemáticos susceptibles al algoritmo de Shor, representan uno de los principales ámbitos que deberán ser considerados durante este proceso de transición. A ello se suma el riesgo de que información cifrada actualmente pueda ser almacenada por adversarios para ser descifrada posteriormente, lo que convierte la protección de los datos de largo plazo en una prioridad de seguridad (Yunakovsky et al., 2021; Barzola-Plúas et al., 2023).

La criptografía post-cuántica ofrece una alternativa para afrontar este escenario mediante nuevos mecanismos basados en diferentes fundamentos matemáticos. Sin embargo, su adopción no debe entenderse como un proceso inmediato ni exclusivamente tecnológico. La transición requiere estandarización, evaluación de rendimiento, planificación institucional, criptoagilidad y mecanismos híbridos que permitan reducir los riesgos asociados con el reemplazo de los sistemas existentes. Además, las organizaciones deberán considerar las características particulares de sus infraestructuras y de los dispositivos en los que se implementarán los nuevos mecanismos criptográficos (Cherkaoui Dekkaki et al., 2024; Halak et al., 2024).

En consecuencia, garantizar la seguridad de las comunicaciones digitales en la era post-cuántica exige una estrategia de transición progresiva que combine innovación tecnológica, evaluación de riesgos, actualización de las infraestructuras de clave pública y fortalecimiento de los marcos de protección de datos. La preparación anticipada permitirá reducir los riesgos derivados de la obsolescencia criptográfica y facilitará la adopción de mecanismos capaces de proporcionar seguridad frente a las amenazas que plantea el desarrollo de la computación cuántica (Wang et al., 2022; Yunakovsky et al., 2021).

Cherkaoui Dekkaki, K., Tasic, I., & Cano, M.-D. (2024). Exploring Post-Quantum Cryptography: Review and Directions for the Transition Process. Technologies, 12(12), 241. https://doi.org/10.3390/technologies12120241

Yunakovsky, S. E., Kot, M., Pozhar, N., Nabokov, D., Kudinov, M., Guglya, A., Kiktenko, E. O., Kolycheva, E., Borisov, A., & Fedorov, A. K. (2021). Towards security recommendations for public-key infrastructures for production environments in the post-quantum era. EPJ Quantum Technology, 8(1), 14. https://doi.org/10.1140/epjqt/s40507-021-00104-z.

Wang, J. B., Liu, L., Lyu, S. X., Wang, Z., Zheng, M., Lin, F., Chen, Z., Yin, L., Wu, X., & Ling, C. (2022). Quantum-safe cryptography: crossroads of coding theory and cryptography. Science China Information Sciences, 65(1), 111301. https://doi.org/10.1007/s11432-021-3354-7

Barzola-Plúas, Y. G., Samaniego-Quiguiri, D. P., Núñez-Ribadeneyra, R. A., & Bonilla-Morejón, D. M. (2023). Protección de datos personales en la era de la computación cuántica y sus desafíos legales. Revista Científica Ciencia y Método, 1(3), 45-57. https://doi.org/10.55813/gaea/rcym/v1/n3/19

Halak, B., Gibson, T., Henley, M., Botea, C.-B., Heath, B., & Khan, S. (2024). Evaluation of Performance, Energy, and Computation Costs of Quantum-Attack Resilient Encryption Algorithms for Embedded Devices. IEEE Access, 12, 8791-8805. https://doi.org/10.1109/ACCESS.2024.3350775

Estefany Daniela Meza Riquelme

En la actualidad, vivimos rodeados de sistemas que responden, conversan e incluso parecen entendernos, como si interactuáramos con otro ser humano. Esta cercanía tiene un nombre: antropomorfismo, es decir, la atribución de cualidades humanas a entidades que no lo son (Placani, 2024). Este fenómeno, más común de lo que creemos, redefine la manera en que interactuamos con las máquinas y, al mismo tiempo, genera nuevas formas de dependencia tecnológica. Para comprender su impacto, conviene examinar los fundamentos conceptuales del antropomorfismo en la inteligencia artificial (IA), su manifestación a través de una empatía artificial, su papel en la evolución de la interacción humano-computadora y la dependencia que genera.

El antropomorfismo en la IA no es un fenómeno nuevo. Según Placani (2024), esta tendencia está presente en los sistemas conversacionales desde los años sesenta, con ELIZA, hasta los modelos generativos actuales. En términos generales, funciona como una exageración de las capacidades reales de la IA (hype), que genera expectativas ajenas a su funcionamiento efectivo (Placani, 2024). Esto no ocurre de forma accidental: Karami et al. (2026) identificaron una taxonomía de comportamientos que los modelos exhiben de forma sistemática, por decisiones de diseño humano, para parecer humanos, como simular emociones o mostrar autonomía. Esta taxonomía incluye desde el uso de pronombres personales y expresiones de preferencia hasta gestos de cortesía que imitan la interacción humana. Se trata de recursos lingüísticos simples, pero que refuerzan en el usuario la sensación de estar tratando con una mente propia y no con un sistema estadístico de predicción de texto.

Entre estos comportamientos, la empatía es especialmente reveladora, ya que expone con claridad la distinción entre una respuesta funcional y una comprensión genuina. Dugableh y Alruwaili (2026) realizaron un estudio en el que 100 personas interactuaron con distintos modelos de IA, como GPT-5, Claude y Gemini. Los resultados mostraron que estos modelos superan a los humanos en calificaciones de empatía, pero lo hacen mediante respuestas de validación poco profundas, sin explorar el contexto particular de cada usuario. Se trata, por tanto, de una empatía funcional (que parece empática en sus respuestas) más que fenomenológica (que se vive y se siente). Esta limitación se explica porque, como sostienen Carlo et al. (2026), la empatía auténtica depende de bases biológicas y cognitivas que los sistemas actuales no han logrado replicar. La ausencia de corporalidad y de experiencia vivida impide que estos modelos capten los matices culturales con los que distintas personas expresan el sufrimiento o la alegría, de modo que se limitan a reconocer patrones estadísticos del lenguaje. De ahí surge la paradoja que plantean Karami et al. (2026): las capacidades que más valoramos de la IA, como la comprensión emocional simulada, son las que representan un mayor riesgo de sobreconfianza y dependencia de ella.

Además de manifestarse como empatía simulada, el antropomorfismo impulsa la evolución de la interacción humano-computadora al cambiar el rol que el usuario le asigna a la IA. Karami et al. (2026) identifican doce comportamientos antropomórficos agrupados en cinco categorías; entre ellos, simular experiencia interna y entablar relaciones sociales, comportamientos que llevan al usuario a tratar a la IA como un interlocutor social y no como una simple herramienta. Otro conjunto de comportamientos que redefine aún más ese rol es el que expresa autonomía e identidad. Según los mismos autores, estos comportamientos resultan más eficaces cuando se inducen mediante instrucciones (prompts) de juego de roles, lo que reconfigura la interacción tradicional entre humanos y computadoras. Sin embargo, esta transformación no está libre de riesgos: Placani (2024) advierte que el antropomorfismo también funciona como falacia, pues distorsiona los juicios morales sobre el carácter, el estatus, la responsabilidad y la confianza que el propio usuario proyecta sobre la IA.

Uno de los efectos más críticos de esta transformación es la dependencia tecnológica, que se profundiza en contextos sensibles como la salud mental y la niñez. Azeem et al. (2026) documentan un vínculo terapéutico aparente en el uso de modelos de lenguaje como apoyo psicológico, en el que el usuario percibe una comprensión genuina pese a la ausencia de responsabilidad clínica real. Los mismos autores identifican fallas graves en la gestión de crisis, como retrasos en la derivación a ayuda humana, lo que evidencia un vacío de responsabilidad cuando ocurre un daño. Este riesgo se agrava en poblaciones vulnerables, como los niños: Carlo et al. (2026) señalan que sustituir la interacción humana por la de la IA, en particular durante la niñez, puede comprometer seriamente el desarrollo socioemocional. Esto ocurre porque habilidades como la regulación emocional y la lectura de señales sociales solo se consolidan a través del contacto humano directo, algo que ninguna interacción simulada logra reemplazar del todo.

En conclusión, el antropomorfismo no es un simple recurso de diseño, sino un fenómeno sistemático que ha transformado la interacción humano-computadora, al otorgar a la IA un rol cada vez más cercano al de un interlocutor social que al de una herramienta. Pese a que estos sistemas logran simular una empatía funcional, carecen de las bases biológicas y cognitivas que sustentan la empatía humana genuina, lo que genera vacíos de responsabilidad y una dependencia especialmente riesgosa en contextos como la salud mental y la niñez. Por ello, queda abierta la pregunta: ¿hasta qué punto está dispuesta la sociedad a delegar en sistemas artificiales vínculos que exigen responsabilidad humana? Es necesario investigar mecanismos de diseño ético que equilibren la eficiencia comunicativa de la IA con la protección de sus usuarios vulnerables.

Azeem, O., Sulaiman, F., & Dong, Z. H. (2026). Bonding with the machine: The empathy-accountability gap in human interactions with LLM-powered artificial therapists. Computers in Human Behavior: Artificial Humans, 8, Article 100296. https://doi.org/10.1016/j.chbah.2026.100296

Carlo, G., Ahn, J., & Cervera, K. (2026). Complexities, gaps, and risks in simulating AI empathy. AI, Brain and Child, 2, Article 13. https://doi.org/10.1007/s44436-026-00037-3

Dugableh, A., & Alruwaili, H. M. (2026). Functional vs. phenomenological empathy in large language models: Rethinking artificial empathy through experimental evidence. East European Journal of Psycholinguistics, 13(1), 307–332. https://doi.org/10.29038/eejpl.2026.13.1.mug

Karami, A., Lutz, C., Jarrahi, M. H., Park, L., & Jarrahi, E. (2026). Anthropomorphic behaviors of AI (arXiv:2607.18247). arXiv. https://doi.org/10.48550/arXiv.2607.18247

Placani, A. (2024). Anthropomorphism in AI: Hype and fallacy. AI and Ethics, 4(3), 691–698. https://doi.org/10.1007/s43681-024-00419-4

José Armando Minchán Cholán

Las tecnologías digitales forman parte de la vida cotidiana de los estudiantes universitarios. El uso de internet, computadoras, teléfonos celulares y redes sociales facilita el acceso a la información y favorece múltiples actividades académicas. Sin embargo, esta exposición también puede incrementar los riesgos relacionados con la seguridad de la información personal y académica. En este contexto, la ciberseguridad adquiere especial relevancia en el ámbito universitario, tanto para prevenir amenazas como para promover un uso responsable y seguro de las tecnologías. En consecuencia, este artículo aborda la vulnerabilidad de los estudiantes frente a distintas amenazas digitales, los hábitos de seguridad y la importancia de la capacitación universitaria.

El uso frecuente de herramientas digitales expone a los estudiantes a diversas amenazas que pueden afectar su información y su seguridad. Entre ellas se encuentran el phishing, el robo de información, el malware y el ciberacoso. El phishing destaca por emplear mensajes y enlaces fraudulentos con el propósito de obtener información de los usuarios. (Molina Hernández & Olivas Doña, 2026) encontraron que el 38,2 % de los estudiantes evaluados fueron clasificados como vulnerables ante ataques simulados de phishing, lo que evidencia la necesidad de fortalecer las medidas de prevención. En este sentido, el correo electrónico constituye un medio relevante para la distribución de este tipo de ataques. Asimismo, (Ramírez et al., 2022) identificaron la conciencia sobre phishing, el spamming, la eficacia del software antivirus y el bullying en la web como dimensiones relacionadas con la conciencia sobre ciberdelitos. Por ello, reconocer las principales amenazas constituye un paso necesario para reducir los riesgos en los entornos digitales.

Contar con conocimientos básicos sobre ciberseguridad permite reconocer determinados riesgos; sin embargo, conocerlos no garantiza que los usuarios adopten medidas adecuadas de protección. (Salazar et al., 2025) analizaron las prácticas de ciberseguridad de estudiantes universitarios en computadoras personales y teléfonos inteligentes y evidenciaron la importancia de considerar los hábitos de seguridad en ambos tipos de dispositivos. Esta diferencia entre conocimiento y práctica resulta relevante porque la protección debe aplicarse de manera coherente en los distintos dispositivos utilizados cotidianamente. En consecuencia, la seguridad digital no debe limitarse al conocimiento conceptual de las amenazas, sino que debe traducirse en hábitos de protección sostenidos.

Ante las vulnerabilidades relacionadas con los conocimientos y los hábitos de seguridad, la capacitación se presenta como una estrategia para fortalecer la capacidad de los estudiantes para reconocer amenazas y desarrollar conductas preventivas. Una formación adecuada permite abordar los riesgos de manera sistemática y promover prácticas de protección. (Roque Hernández & Juárez Ibarra, 2018) estudiaron las deficiencias de seguridad informática de estudiantes universitarios y evaluaron preliminarmente el efecto de una actividad de capacitación y concientización. Sus resultados respaldan la conveniencia de implementar programas permanentes de formación y concientización en seguridad informática.

Los resultados de (Roque Hernández & Juárez Ibarra, 2018) muestran efectos positivos de la actividad formativa sobre determinados indicadores relacionados con la percepción de conocimientos y la conciencia de prácticas de seguridad. No obstante, estos resultados no permiten afirmar que una única capacitación resuelva de manera permanente las vulnerabilidades de los usuarios. Por esta razón, la formación debería desarrollarse de manera periódica y práctica, con actividades orientadas a reforzar la identificación de amenazas y la adopción de medidas preventivas. De este modo, la capacitación puede integrarse como un componente continuo de la estrategia de seguridad digital.

Las universidades cumplen un papel relevante en este proceso, ya que pueden incorporar la formación en ciberseguridad dentro de la preparación académica mediante programas de concientización, prevención y capacitación. Esta responsabilidad adquiere mayor importancia en un contexto en el que los estudiantes utilizan de manera constante dispositivos conectados a internet para actividades académicas, personales y sociales. La formación universitaria, por tanto, puede contribuir no solo a incrementar el conocimiento sobre las amenazas, sino también a consolidar hábitos de protección.

La necesidad de reforzar esta formación también se relaciona con el crecimiento de la investigación sobre ciberseguridad en la educación superior. (Orosco et al., 2024) realizó una revisión bibliométrica de la producción científica sobre ciberseguridad en educación superior y encontró un crecimiento de las publicaciones sobre el tema, especialmente a partir de los últimos años analizados. De manera complementaria, (Ramírez et al., 2022) desarrollaron y validaron una escala para evaluar la conciencia sobre ciberdelitos en estudiantes universitarios del Perú. Estos antecedentes muestran la relevancia de evaluar las competencias y prácticas de seguridad digital en el ámbito universitario.

En este contexto, las universidades pueden fortalecer las competencias y los hábitos de seguridad digital mediante programas de formación continua que combinen conocimientos conceptuales, prevención y actividades prácticas. La capacitación debería abordar amenazas como el phishing, el malware, el robo de información y otras formas de ciberdelito, pero también promover comportamientos concretos, como la identificación de mensajes sospechosos, el uso adecuado de mecanismos de autenticación, la protección de dispositivos y la adopción de prácticas seguras de navegación. La evidencia disponible respalda la necesidad de complementar el conocimiento con acciones de prevención y concientización.

En conclusión, la ciberseguridad constituye un componente fundamental de la formación de los estudiantes universitarios debido al uso constante de internet, redes sociales y herramientas digitales. Las amenazas existentes pueden comprometer tanto la información personal como la académica, por lo que no basta con conocer los riesgos. Es necesario desarrollar competencias que permitan identificarlos y adoptar medidas de protección de manera habitual. En este sentido, la capacitación universitaria y la formación continua representan estrategias pertinentes para fortalecer una cultura de seguridad digital entre los estudiantes.

Molina Hernández, R. del C., & Olivas Doña, H. Á. (2026). Vulnerabilidad de estudiantes ante ataques de phishing. Espila, 8(1), 180–192. https://doi.org/10.61454/88z0zw71

Orosco-Fabian, J. R. (2024). Ciberseguridad en educación superior: Una revisión bibliométrica. Revista Digital de Investigación en Docencia Universitaria, 18(2), e1933. https://doi.org/10.19083/ridu.2024.1933

Ramírez Asís, E. H., Norabuena Figueroa, R. P., Toledo Quiñones, R. E., & Henostroza Márquez Mázmela, P. R. (2022). Validación de una escala de conciencia sobre ciberdelito en estudiantes universitarios de Perú. Revista Científica General José María Córdova, 20(37), 209–224. https://doi.org/10.21830/19006586.791

Roque Hernández, R. V., & Juárez Ibarra, C. M. (2018). Concientización y capacitación para incrementar la seguridad informática en estudiantes universitarios. PAAKAT: Revista de Tecnología y Sociedad, 8(14), Artículo 00005. https://doi.org/10.32870/pk.a8n14.318

Salazar Hernández, R., Roque Hernández, R. V., & López Mendoza, A. (2025). Evaluación comparativa de la alfabetización de ciberseguridad en estudiantes universitarios. RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo, 16(31), e1022. https://doi.org/10.23913/ride.v16i31.2780

                                                                                                                Walter Mori Membrillo

¿Qué sucede cuando un desarrollador puede apoyarse en una herramienta capaz de generar código? ¿Completar más tareas significa necesariamente trabajar mejor? ¿Qué ocurre con la comprensión del código? ¿Y cómo deben considerarse la calidad, los derechos de autor y la información sensible? Estas preguntas permiten examinar un impacto que abarca las actividades de desarrollo, la productividad y las responsabilidades asociadas con el uso de IA generativa.

La incorporación de la IA generativa comprende diversas actividades de ingeniería de software. Hou et al. (2024), mediante una revisión de 395 estudios, identificaron 85 tareas agrupadas en seis actividades: requisitos, diseño, desarrollo, calidad, mantenimiento y gestión. El desarrollo concentra investigaciones sobre generación de código y reparación de programas. Los autores presentan su revisión como “a thorough guide to the convergence of LLMs and SE” (Hou et al., 2024, p. 2). Por tanto, su incorporación no se limita a una tarea, sino que abarca diferentes actividades cuyo aprovechamiento depende de la tarea y el contexto, además de enfrentar desafíos relacionados con los datos y la evaluación.

La productividad constituye uno de los efectos más visibles, aunque debe analizarse junto con la comprensión del código. Cui et al. (2026), mediante tres experimentos con 4.867 desarrolladores, estimaron un aumento combinado del 26,08 % en las tareas completadas con asistentes de IA, con mayores ganancias entre desarrolladores de menor experiencia. El estudio registra “a 26.08% increase […] in completed tasks among developers using the AI tool” (Cui et al., 2026, p. 1). Sin embargo, completar más tareas no implica necesariamente comprender mejor el código. Martin-Lopez et al. (2026) encontraron una mediana de completitud más de dos veces mayor con IA, pero respuestas correctas sobre el código del 87,5 % frente al 100 % sin ella. Esto se relaciona con el *code ownership*, entendido como la capacidad de comprender y explicar las decisiones de implementación.

La calidad y los riesgos constituyen otra dimensión del impacto. Yu et al. (2026), mediante tres proyectos industriales, tres talleres y 23 entrevistas, identificaron 14 usos de GenAI y 28 métricas para evaluar sus resultados. El estudio advierte que “traditional quality measurements may not be fully applicable” (Yu et al., 2026, para. 4), por lo que la evaluación debe considerar el contexto. Un resultado puede ser correcto de manera aislada y no ajustarse al proyecto, haciendo necesaria la revisión humana. A ello se suman las preocupaciones señaladas por Stalnaker et al. (2026) sobre derechos de autor, licencias, propiedad del código y filtración de información. Los autores ofrecen una “snapshot of developers’ views at a time when GenAI and perceptions of it were rapidly evolving” (Stalnaker et al., 2026, p. 1). Además, solo el 12 % reportó formación formal sobre implicaciones legales.

Finalmente, la relación entre el desarrollador y la IA generativa puede entenderse como una evolución conceptual de la forma de trabajar. Stalnaker et al. (2026) muestran la coexistencia entre la adopción de estas herramientas y las preocupaciones sobre propiedad, derechos de autor y protección de información. Su utilización depende, por ello, no solo de la utilidad práctica, sino también de la confianza, la seguridad y la claridad sobre las responsabilidades. Como el estudio recoge percepciones y no un cambio temporal de actitud, es más preciso hablar de una evolución conceptual que de una transformación temporal demostrada. Esto refuerza la necesidad de mantener la participación del desarrollador en la evaluación y comprensión de los resultados.

En conclusión, la IA generativa puede ampliar las actividades apoyadas en el desarrollo de software y aumentar las tareas completadas en determinados contextos, pero productividad no equivale por sí sola a un mejor resultado. La comprensión del código, la calidad y los riesgos también forman parte de su impacto. Su beneficio depende de la tarea y el contexto, por lo que su incorporación requiere evaluación y supervisión humana.

Jheyson Alexander Rios Garrido

En un mundo cada vez más conectado, un ataque informático puede comprometer grandes cantidades de información en cuestión de segundos, generando pérdidas económicas, interrupciones de servicios y riesgos para la seguridad digital. Por ello, la detección temprana de amenazas se ha vuelto fundamental para proteger las redes informáticas mediante el uso de técnicas de inteligencia artificial. En este contexto, los sistemas de detección de intrusiones (IDS) y, específicamente, los sistemas de detección de intrusiones en redes (NIDS), desempeñan un papel importante en la identificación de actividades sospechosas dentro del tráfico de red. En consecuencia, el presente artículo analiza la efectividad de las técnicas de inteligencia artificial, con énfasis en Machine Learning y Deep Learning, los principales datasets utilizados para su entrenamiento y evaluación, algunos resultados obtenidos y los desafíos actuales de la detección de intrusiones.

Las técnicas de inteligencia artificial utilizadas en la detección de intrusiones se han desarrollado mediante diversos métodos de Machine Learning y minería de datos. Buczak y Guven (2016) revisaron métodos como las redes bayesianas y los árboles de decisión, entre otros, y señalaron que no existe un algoritmo universalmente superior, debido a que su efectividad depende de las características y de la estructura del tráfico de red. Asimismo, distinguieron métodos basados en firmas, métodos basados en anomalías y métodos híbridos. En cuanto al Deep Learning, Shone et al. (2018) propusieron un enfoque basado en un nonsymmetric deep autoencoder (NDAE) para el aprendizaje de características y Random Forest para la clasificación. Por su parte, Vinayakumar et al. (2019) analizaron la escalabilidad de las redes neuronales profundas (DNN) para la clasificación de amenazas a nivel de red y de host. Finalmente, las revisiones de Ferrag et al. (2020) y Ahmad et al. (2021) muestran el crecimiento del uso de arquitecturas de Deep Learning, entre ellas las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), para identificar patrones relacionados con las intrusiones.

Los datasets constituyen un elemento fundamental para evaluar la efectividad de las técnicas de inteligencia artificial en la detección de intrusiones, debido a que permiten entrenar y evaluar los modelos con diferentes tipos de tráfico y ataques. Shone et al. (2018) evaluaron su propuesta de Deep Learning mediante los datasets KDD Cup ’99 y NSL-KDD. Por otro lado, Ferrag et al. (2020) analizaron datasets más recientes, entre ellos CSE-CIC-IDS2018 y Bot-IoT, para comparar diferentes enfoques de detección. Vinayakumar et al. (2019) utilizaron conjuntos de datos como NSL-KDD, UNSW-NB15 y Kyoto para evaluar redes neuronales profundas en distintos escenarios de ataque. En conjunto, estos estudios muestran que los resultados pueden variar según las características y la representatividad de los datos utilizados. Además, Hindy et al. (2018) señalaron que los datasets utilizados en la investigación sobre sistemas de detección de intrusiones presentan limitaciones, especialmente cuando no representan adecuadamente las amenazas y condiciones de las redes actuales. Por ello, la efectividad de los modelos no depende únicamente del algoritmo, sino también de la calidad, actualidad y representatividad de los datos empleados en el entrenamiento y la evaluación.

Los resultados encontrados sobre la efectividad de las técnicas de inteligencia artificial no son uniformes, sino que dependen de la arquitectura, el modelo, el dataset y las condiciones experimentales. Shone et al. (2018) evaluaron un enfoque no supervisado basado en un autoencoder profundo (S-NDAE) y utilizaron Random Forest para la clasificación, obteniendo resultados elevados en los datasets analizados. Por su parte, Ferrag et al. (2020) realizaron una comparación de diferentes enfoques de Deep Learning y reportaron resultados de detección elevados en varios escenarios y datasets. Asimismo, Vinayakumar et al. (2019) demostraron la capacidad de las redes neuronales profundas frente a clasificadores clásicos, obteniendo un accuracy de 93,5 % y una precisión de 92 % en uno de los escenarios multiclase analizados. Estos resultados muestran que la efectividad debe interpretarse de acuerdo con la métrica utilizada y con las características del conjunto de datos, ya que un porcentaje elevado de accuracy no necesariamente representa el mismo desempeño en precision, recall o F1-score. En síntesis, las diferencias de rendimiento pueden relacionarse con la técnica utilizada, el balance de las clases, el tipo de ataque y la complejidad de los datasets.

Los principales desafíos identificados en los artículos revisados están relacionados con la dificultad para detectar ataques nuevos y de día cero, debido a que los modelos pueden enfrentar dificultades para reconocer variaciones que no estuvieron presentes durante su entrenamiento. Asimismo, las falsas alarmas y la necesidad de mantener un alto nivel de precisión constituyen desafíos frecuentes. También existen problemas relacionados con la disponibilidad y representatividad de los datasets, debido a que algunos conjuntos de datos no reflejan completamente las amenazas presentes en las redes modernas. Finalmente, la evaluación de los modelos debe considerar las métricas utilizadas, los recursos computacionales y las condiciones experimentales, ya que estos factores influyen en los resultados y en la comparación entre diferentes técnicas de inteligencia artificial (Buczak & Guven, 2016; Ferrag et al., 2020; Hindy et al., 2018; Shone et al., 2018; Vinayakumar et al., 2019; Ahmad et al., 2021).

En síntesis, las técnicas de inteligencia artificial presentan una efectividad considerable para la detección y clasificación de intrusiones en redes informáticas, aunque su rendimiento no es uniforme en todos los escenarios. Tanto los métodos de Machine Learning como las arquitecturas de Deep Learning han mostrado resultados favorables en diferentes conjuntos de datos y tipos de ataques. Sin embargo, la efectividad depende del modelo utilizado, del dataset, de la métrica de evaluación y de las características de cada amenaza. Asimismo, la calidad y representatividad de los datos son factores fundamentales para obtener evaluaciones confiables. Por ello, los estudios analizados evidencian la necesidad de utilizar datasets más actualizados y de realizar evaluaciones en condiciones que representen adecuadamente los entornos reales de las redes, con el propósito de responder a las amenazas actuales.

Ahmad, Z., Khan, A. S., Shiang, C. W., Abdullah, J., & Ahmad, F. (2021). Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Transactions on Emerging Telecommunications Technologies, 32(1), e4150. https://doi.org/10.1002/ett.4150

Buczak, A. L., & Guven, E. (2016). A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176. https://doi.org/10.1109/COMST.2015.2494502

Ferrag, M. A., Maglaras, L., Moschoyiannis, S., & Janicke, H. (2020). Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study. Journal of Information Security and Applications, 50, 102419. https://doi.org/10.1016/j.jisa.2019.102419

Hindy, H., Brosset, D., Bayne, E., Seeam, A., Tachtatzis, C., Atkinson, R., & Bellekens, X. (2018). A taxonomy and survey of intrusion detection system design techniques, network threats and datasets. arXiv. https://arxiv.org/abs/1806.03517

Shone, N., Ngoc, T. N., Phai, V. D., & Shi, Q. (2018). A deep learning approach to network intrusion detection. IEEE Transactions on Emerging Topics in Computational Intelligence, 2(1), 41–50. https://doi.org/10.1109/TETCI.2017.2772792

Vinayakumar, R., Alazab, M., Soman, K. P., Poornachandran, P., Al-Nemrat, A., & Venkatraman, S. (2019). Deep learning approach for intelligent intrusion detection system. IEEE Access, 7, 41525–41550. https://doi.org/10.1109/ACCESS.2019.2895334

Yerimen Fernando Didier Calderón Salazar

¿Qué ocurre cuando un sistema tan rígido como el educativo se enfrenta, de pronto, a una de las mayores revoluciones tecnológicas de los últimos años? ¿Es la inteligencia artificial (IA) una herramienta que viene a potenciar la educación o a revolucionar por completo el sistema tradicional? Estas preguntas cobran especial relevancia hoy, cuando el proyecto “Inteligencia Artificial en la Educación” (IAED; AIED, por sus siglas en inglés) ha pasado, en menos de una década, de ser una iniciativa incipiente a convertirse en una tendencia mundial, respaldada por resultados prometedores en distintos contextos académicos. Dentro de este contexto mundial, China se destaca por impulsar con rapidez la IA en su sistema educativo. Esto plantea la necesidad de indagar sobre el panorama político, la implementación y los impactos, tanto positivos como negativos, de la IA en la educación básica y superior de China.

Para comprender este fenómeno, conviene comenzar por el marco político. La integración de la IA en la educación básica de China responde a una política planificada, no a una adopción espontánea, y se despliega en dos frentes: la enseñanza de la IA como contenido curricular y su uso como herramienta que asiste directamente los procesos de enseñanza-aprendizaje. Su origen se remonta al Plan de Desarrollo de Inteligencia Artificial de Nueva Generación, documento que exige formación en IA en todos los niveles educativos (Consejo de Estado de China, 2017, como se citó en Kshetri, 2025). A partir de este rumbo temprano, China ha construido en pocos años un currículo estructurado. Los lineamientos curriculares más recientes, que abarcan desde la primaria hasta la secundaria, se organizan en un “currículo en espiral” para la educación en IA de forma progresiva: primero se despierta la curiosidad, luego se enseñan los principios básicos y finalmente se crea con IA. En este marco, ciudades como Pekín exigen un mínimo de 8 horas anuales de formación en IA por estudiante, e iniciativas como Squirrel AI ya han capacitado a más de 2,97 millones de docentes y 24 millones de estudiantes (Kshetri, 2025). Esta política nacional sentó las bases para una implementación a gran escala dentro de las aulas.

En la práctica, estas políticas se expresan de manera variada en las aulas, con resultados dispares. La instrucción en IA se realiza mediante un enfoque predominantemente constructivista en el 96,94 % de las clases evaluadas y se organiza en tres modalidades pedagógicas: la conceptual, la más común, orientada a enseñar principios teóricos básicos; la heurística, centrada en métodos intuitivos de resolución de problemas; y la experimental, dirigida a probar y crear con IA (Wu et al., 2024). En términos de resultados, una evaluación realizada a 12 escuelas chinas equipadas con dispositivos de “realidad mixta” con IA (dispositivos que combinan sensores y algoritmos de IA para superponer contenido digital interactivo sobre el entorno físico del aula) registró una mejora del 15,69 % en el promedio de calificaciones de las escuelas rurales, superior al 10,27 % de las urbanas (Chen et al., 2025), lo que sugiere que este tipo de tecnologías podría contribuir a reducir la brecha urbano-rural en la educación. No obstante, el mismo análisis de instrucción en IA reveló una clara deficiencia en la enseñanza de habilidades de orden superior, como la innovación y la creación, presentes solo en el 35,71 % de las clases y, más preocupante aún, una escasa atención a la ética en el uso de la IA, presente solo en el 5,10 % de las clases (Wu et al., 2024).

En la educación superior, en cambio, la Ley de Educación Superior de China no menciona explícitamente la IA, por lo que su adopción depende de cada universidad. A pesar de ello, en 2024 más de 500 universidades abrieron carreras y especialidades con IA, en las que se matricularon 40 000 estudiantes (Kshetri, 2025). Este crecimiento, no obstante, no está libre de desafíos: se ha registrado una baja alfabetización digital en el profesorado y las universidades enfrentan una severa fuga de talento, pues solo el 12 % de los mejores expertos en IA permanece en el país (Kshetri, 2025). Esta situación se explica, en parte, por las limitaciones tecnológicas impuestas a China por Estados Unidos, sobre todo en semiconductores, que restringen su poder de cómputo para la investigación en IA (Kshetri, 2025).

En este escenario, la efectividad de la IA en la educación superior depende fuertemente del contexto institucional. Un ejemplo de ello es la Universidad de Tsinghua, una institución de élite que integró un sistema de asistencia docente basado en IA desde 2018: su promedio de calificaciones subió de 86,1 a 91,4 puntos y el ausentismo se redujo en un 23,7 %. En cambio, en la Universidad Normal de Guizhou, ubicada en una región menos desarrollada, la implementación de un sistema similar enfrentó deficiencias de infraestructura y una capacitación docente insuficiente, lo que produjo una mejora de apenas 0,9 puntos en el promedio y una caída del 3,7 % en la satisfacción docente, fenómeno denominado “tecnología suspendida” (Ge et al., 2025).

A este desafío institucional se suma la dependencia de la IA, que se manifiesta en dos dimensiones: la instrumental, dada por el uso recurrente y hasta excesivo de las herramientas con IA; y la cognitiva, la más preocupante, que se da al delegar el pensamiento crítico y el juicio a la herramienta, lo que se asocia con una mayor inercia cognitiva y una menor capacidad de innovación (Yang et al., 2025). A ello se añade la preocupación de los docentes universitarios chinos por la integridad académica, dada la facilidad con la que la IA generativa permite el plagio, y por la pérdida del elemento humano en la educación y de la capacidad relacional docente, que la IA no puede replicar (Liu et al., 2025).

En esencia, la IA en la educación china no es ni una simple herramienta que potencia el sistema tradicional ni una revolución que lo reemplaza por completo, sino una transformación desigual, que varía según el nivel educativo y el contexto institucional. En definitiva, más que de la innovación tecnológica, su futuro parece depender de contar con políticas claras y docentes alfabetizados en IA y, sobre todo, de priorizar el pensamiento autónomo de los estudiantes.

Chen, R., Wu, Y., Chen, Z., & Zhou, P. (2025). Advancing educational equity in rural China: The impact of AI devices on teaching quality and learning outcomes for sustainable development. Frontiers in Psychology, 16, 1588047. https://doi.org/10.3389/fpsyg.2025.1588047

Ge, J., Lei, J., & Tang, B. (2025). Research on new models of AI empowering higher education development: Taking China as an example. Journal of Industrial Integration and Management, 1–30. https://doi.org/10.1142/S2424862225500149

Kshetri, N. (2025). Artificial intelligence in China’s education: Policy agendas, innovation drivers, and global consequences. IT Professional, 27(5), 18–23. https://doi.org/10.1109/MITP.2025.3608885

Liu, X., Fang, Y., & Lan, X. (2025). Regulations, technology policies and universities’ attitudes to artificial intelligence in China. Higher Education Quarterly, 79(4), e70055. https://doi.org/10.1111/hequ.70055

Wu, D., Chen, M., Chen, X., & Liu, X. (2024). Analyzing K-12 AI education: A large language model study of classroom instruction on learning theories, pedagogy, tools, and AI literacy. Computers and Education: Artificial Intelligence, 7, 100295. https://doi.org/10.1016/j.caeai.2024.100295

Yang, Z., Deng, H., & Jiang, N. (2025). The impact mechanism of artificial intelligence dependence on college students’ innovation capability: An empirical study from China. Frontiers in Psychology, 16, 1732837. https://doi.org/10.3389/fpsyg.2025.1732837

                                                                                         Luis Adrian Gutierrez Vega

En la actualidad, la expansión de las herramientas de inteligencia artificial (IA) generativa ha transformado diversos sectores de la sociedad. Estos sistemas, basados en modelos capaces de procesar lenguaje natural y generar contenidos, se han incorporado progresivamente a actividades académicas, profesionales y tecnológicas. En este contexto, su creciente utilización ha abierto oportunidades para agilizar tareas y apoyar la producción de información, pero también ha planteado interrogantes sobre la calidad, la fiabilidad y las implicaciones éticas de los resultados obtenidos (Sallam, 2023).

La incorporación de modelos de lenguaje de gran escala se relaciona con avances técnicos que permiten procesar y generar información mediante arquitecturas basadas en mecanismos de atención. Vaswani et al. (2017) señalan que su arquitectura propuesta permite prescindir de la recurrencia y las convoluciones, favoreciendo un procesamiento más paralelizable. Este desarrollo tecnológico constituye uno de los antecedentes fundamentales de los sistemas generativos contemporáneos.

No obstante, el aumento de las capacidades de estos modelos no implica que sus resultados sean automáticamente rigurosos o seguros. Bender et al. (2021) advierten sobre los riesgos asociados con modelos lingüísticos de gran escala y destacan la necesidad de evaluar sus costos, datos, objetivos y efectos antes de su implementación. Por ello, la rapidez y la apariencia formal de un resultado generado por IA no deben confundirse con calidad académica, corrección técnica o seguridad.

Ante esta realidad, surge la siguiente interrogante: ¿de qué manera impacta la inteligencia artificial generativa en la calidad de la producción académica, la ingeniería de software y la ciberseguridad? Se sostiene que la IA generativa puede incrementar la productividad y facilitar la estructuración de determinadas tareas, pero no garantiza por sí sola la calidad integral ni la seguridad del producto final. Su utilización requiere, por tanto, supervisión humana, evaluación crítica y criterios de uso responsable (Dwivedi et al., 2023).

En primer lugar, la inteligencia artificial generativa influye de manera significativa en la producción académica universitaria. Estas herramientas pueden facilitar la elaboración y organización de textos; sin embargo, su utilización plantea desafíos relacionados con la integridad académica, el plagio y la autoría. Cotton et al. (2023) señalan que ChatGPT ofrece beneficios en el ámbito educativo, pero también genera preocupaciones sobre la honestidad académica y el plagio. En palabras de los autores, “ChatGPT is an AI tool that offers a range of benefits, including increased student engagement, collaboration, and accessibility” (Cotton et al., 2023, párr. 1). Por ello, su incorporación en la educación superior debe acompañarse de políticas, formación y mecanismos que promuevan un uso ético y responsable.

En segundo lugar, en la ingeniería de software, la IA generativa puede mejorar la productividad de los desarrolladores al asistirlos en tareas de programación. Peng et al. (2023) encontraron, mediante un experimento controlado con GitHub Copilot, que el grupo que tuvo acceso al asistente de IA completó una tarea de programación con mayor rapidez que el grupo de control. Los autores informan que el grupo con acceso al asistente “completed the task 55.8% faster than the control group” (Peng et al., 2023, párr. 1). Este resultado evidencia un beneficio importante en términos de tiempo; sin embargo, la velocidad de desarrollo no debe considerarse equivalente a calidad técnica o seguridad del código, por lo que la revisión humana continúa siendo necesaria.

Finalmente, en el ámbito de la ciberseguridad, la inteligencia artificial generativa presenta un impacto dual, debido a que puede ser utilizada tanto para fortalecer la defensa como para facilitar determinadas actividades maliciosas. Gupta et al. (2023) explican que estas tecnologías pueden emplearse en escenarios ofensivos, como ataques de ingeniería social y phishing, y también en funciones defensivas, como inteligencia de amenazas, identificación de ataques y detección de malware. Los autores destacan que la investigación analiza usos de la IA generativa “in both the defensive and offensive side of cybersecurity” (Gupta et al., 2023, párr. 1). En consecuencia, la expansión de estas herramientas exige medidas de seguridad, evaluación constante y supervisión humana.

En conclusión, la inteligencia artificial generativa produce efectos relevantes en la producción académica, la ingeniería de software y la ciberseguridad, pero sus beneficios no deben interpretarse como una garantía automática de calidad, precisión o seguridad. En el ámbito académico, puede facilitar la producción y organización de textos, aunque también plantea riesgos para la integridad académica; en la ingeniería de software, puede incrementar la productividad, aunque sus resultados requieren revisión; y en ciberseguridad, puede fortalecer la defensa al mismo tiempo que amplía determinadas capacidades ofensivas.

Por lo tanto, el valor de la IA generativa depende no solo de sus capacidades técnicas, sino también de la forma en que es utilizada. Su incorporación responsable requiere criterios éticos, evaluación crítica, políticas institucionales y supervisión humana. En lugar de sustituir el juicio de estudiantes, profesionales y especialistas, estas herramientas deben emplearse como apoyo para mejorar procesos, manteniendo la responsabilidad humana sobre las decisiones y los productos finales (Dwivedi et al., 2023).

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922

Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International, 61(2), 228–239. https://doi.org/10.1080/14703297.2023.2190148

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bhaduri, I., Bhatnagar, A., Buhalis, D., … Wright, R. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, Artículo 102642. https://doi.org/10.1016/j.ijinfomgt.2023.102642

Gupta, M., Akiri, C., Aryal, K., Parker, E., & Praharaj, L. (2023). From ChatGPT to ThreatGPT: Impact of generative AI in cybersecurity and privacy. IEEE Access, 11, 80218–80245. https://doi.org/10.1109/ACCESS.2023.3300381

Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot (arXiv Preprint No. 2302.06590). arXiv. https://doi.org/10.48550/arXiv.2302.06590

Sallam, M. (2023). ChatGPT utility in healthcare education, research, and practice: Systematic review on the promising perspectives and valid concerns. Healthcare, 11(6), Artículo 887. https://doi.org/10.3390/healthcare11060887

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. En I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in Neural Information Processing Systems 30 (pp. 5998–6008). Curran Associates, Inc.

Luis Abanto Godoy

La robótica es uno de los pilares de la Construcción 4.0, un modelo que integra máquinas programables, sensores y sistemas automatizados con otras tecnologías digitales, como el BIM. En el Perú, sin embargo, la incorporación de robots a las obras de edificación atraviesa todavía una etapa inicial, marcada por limitaciones de orden técnico, económico y normativo. Según Gago et al. (2026), en América Latina la adopción de estas tecnologías sigue siendo incipiente y se concentra en proyectos piloto o en grandes organizaciones. Este texto describe el estado actual de la robótica en el sector de la construcción peruano, explica sus componentes, revisa su aplicación y analiza su relación con la seguridad laboral y la competitividad empresarial.

Cabe aclarar que la Construcción 4.0 integra tecnologías digitales, análisis de datos y automatización para mejorar el desempeño de la construcción (Gago et al., 2026). Entre ellas figuran el BIM (Building Information Modeling), que crea un modelo digital con la información del edificio, y el Internet de las Cosas, que conecta sensores y equipos que recogen datos en tiempo real. La robótica aporta la parte física: máquinas programables y sistemas automatizados capaces de ejecutar tareas con intervención humana limitada (Gago et al., 2026). Un robot autónomo, en particular, percibe su entorno y actúa sobre él con una intervención humana mínima, a diferencia de una herramienta que depende de un operador en todo momento.

Respecto a la situación actual, Gago et al. (2026) identificaron 13 desafíos y 11 beneficios de implementar robots mediante una revisión de 41 artículos científicos, validada por seis expertos, y luego encuestaron a 70 ingenieros civiles peruanos. Los principales retos fueron «una cultura de innovación débil, una capacidad de inversión limitada y requisitos tecnológicos complejos» (Gago et al., 2026, p. 1). También figuran la escasez de mano de obra calificada y la falta de legislación específica, aunque esta última se percibe con menor intensidad. Entre los beneficios más valorados destacan la mejora continua mediante la automatización, la interoperabilidad con otras tecnologías digitales, la mejor calidad de construcción y la ventaja competitiva, junto con la reducción de costos de mano de obra y retrabajo y la disminución de lesiones.

Estas limitaciones parecen reforzarse entre sí. Las empresas que no han visto resultados previos dudan en financiar equipos costosos, y la falta de personal especializado dificulta su operación y mantenimiento. Gago et al. (2026) añaden que la ausencia de un marco regulatorio claro aumenta la percepción de riesgo y, con ello, frena la inversión en robótica. Por ello, el avance no depende de una sola medida, sino de actuar de forma coordinada sobre inversión, formación y normativa.

Desde el punto de vista técnico, una máquina autónoma integra tres procesos. La detección está a cargo de los sensores, que convierten una magnitud física (posición, distancia, presencia de un objeto) en una señal eléctrica. El procesamiento lo realiza el microcontrolador, que interpreta esas señales según un programa y decide qué movimiento corresponde. La ejecución se lleva a cabo mediante actuadores, como los servomotores, que mueven las articulaciones con precisión. Huacasi Añamuro et al. (2025) describen esta arquitectura en una célula de ensamblaje: los sensores envían señales al microcontrolador, que regula el movimiento del brazo mediante servomotores.

Esa célula ofrece un ejemplo concreto. Incluía un brazo robótico de cuatro grados de libertad sobre una base fija, un microcontrolador Arduino Mega, sensores ópticos y una interfaz gráfica. Los sensores detectan la posición de los componentes y el sistema incorpora seguridad mediante la parada automática ante un obstáculo y un botón físico de emergencia. Antes de operar en producción, se sometió a 15 ciclos de prueba sin carga y se capacitó al personal en dos sesiones teórico-prácticas. Tras cinco días de adaptación, los errores de uso desaparecieron y los operarios manifestaron confianza. Al comparar 30 ciclos manuales y 30 automatizados, el tiempo promedio de ciclo bajó de 21,4 a 14 segundos (34,6 %), los ciclos con errores pasaron de 40 % a 3,3 %, las microparadas de 12 a 1 y la desviación estándar de 1,26 a 0,48 segundos (Huacasi Añamuro et al., 2025).

Conviene, sin embargo, precisar el alcance de cada fuente. Gago et al. (2026) ofrecen un panorama general, mientras que Huacasi Añamuro et al. (2025) presentan un caso aplicado en una empresa manufacturera, sin grupo de control. Sus resultados ilustran el potencial de la automatización, pero no son directamente trasladables a una obra de edificación, donde las condiciones son más variables.

En el ámbito de la construcción, Gago et al. (2026) mencionan los brazos robóticos para prefabricación o colocación de ladrillos y los equipos autónomos o semiautónomos. La literatura que revisan los asocia con mejoras en productividad, calidad y eficiencia operativa, además de menor retrabajo y menores tiempos de ciclo. No obstante, requieren una inversión inicial considerable, personal capacitado y una cultura organizacional favorable a la innovación. De ahí que desarrollar robots para la construcción no consista solo en adquirir máquinas, sino en preparar a las empresas y a los trabajadores para usarlas correctamente.

La automatización tiene, además, implicaciones directas en la seguridad. Según Gago et al. (2026), automatizar tareas de riesgo, como los trabajos en altura o la manipulación de equipos pesados, reduce la exposición de los trabajadores y puede disminuir los accidentes y los costos por lesiones. Ello podría reorientar al personal hacia tareas de supervisión y control. Aun así, los mismos autores identifican como un obstáculo la ausencia de organismos y estándares que regulen la interacción entre personas y robots. A ello se suma la desconfianza de algunos trabajadores. En el caso de Huacasi Añamuro et al. (2025), el temor a perder funciones apareció al inicio, pero cedió con la capacitación y la experiencia directa con el sistema. Por eso, la formación y la participación del personal resultan fundamentales.

Las máquinas autónomas también pueden fortalecer a las empresas. Gago et al. (2026) señalan la ventaja competitiva y la reducción de costos de mano de obra y retrabajo entre los beneficios más valorados por los profesionales. Huacasi Añamuro et al. (2025) evidenciaron que la automatización redujo tiempos, errores y variabilidad, lo que puede traducirse en menores costos y mejor calidad, aunque el estudio no reporta costos. Ambos trabajos coinciden en que los resultados no aparecen con solo comprar una máquina, sino que dependen de la inversión inicial, la capacitación y una adecuada gestión organizacional (Gago et al., 2026; Huacasi Añamuro et al., 2025). Como advierten Huacasi Añamuro et al. (2025), la automatización «no solo es una herramienta técnica, sino una palanca para repensar modelos administrativos» (p. 70). Es, entonces, una transformación que involucra personas, procesos y herramientas digitales.

En esencia, la construcción de máquinas autónomas en el Perú representa una oportunidad para modernizar sectores como el de la edificación, tanto por su capacidad de aumentar la productividad y la competitividad como por su potencial para mejorar la seguridad. No obstante, su desarrollo enfrenta desafíos importantes: la limitada inversión, la escasa capacitación técnica y la ausencia de un marco normativo específico. Superarlos exige fortalecer la innovación, establecer estándares claros e invertir en la formación de los trabajadores. En definitiva, la robótica podría convertirse en una herramienta que transforme de manera sostenible las condiciones de trabajo y producción en el país.

EL IMPACTO DE LA INTELIGENCIA ARTIFICIAL GENERATIVA EN LA PRODUCTIVIDAD Y EMPLEABILIDAD DE LOS PROGRAMADORES JUNIOR

Jefferson Omar Alexandro Gómez Díaz

La incorporación de herramientas de inteligencia artificial generativa al desarrollo de software plantea nuevos desafíos para quienes inician su trayectoria profesional. Estos sistemas pueden generar código, proponer soluciones y apoyar la depuración, pero disponer de esa asistencia no implica necesariamente obtener mayores oportunidades laborales. En este texto, la productividad se examina mediante las tareas completadas y las contribuciones de código, mientras que la empleabilidad se aborda principalmente a través de los requisitos y las oportunidades de contratación. Los programadores junior son desarrolladores en las primeras etapas de su carrera, aunque los estudios utilizan criterios diferentes para delimitarlos. A partir de investigaciones recientes, se presentan los resultados sobre productividad, los cambios en las vacantes, los riesgos formativos y las estrategias educativas que pueden orientar un uso crítico de esta tecnología. La evidencia revisada procede de contextos empresariales, proyectos abiertos y el mercado laboral estadounidense; no permite describir específicamente la situación peruana.

Los beneficios de la inteligencia artificial generativa sobre la productividad varían según el contexto y los indicadores utilizados. Cui et al. (2026) analizaron tres experimentos de campo aleatorizados en Microsoft, Accenture y una empresa anónima de la lista Fortune 100, con 4867 desarrolladores. El análisis conjunto estimó un incremento del 26,08 % en las tareas completadas. Los autores señalan que “less experienced developers had higher adoption rates and greater productivity gains” (sección “Abstract”, párr. 2), es decir, los desarrolladores menos experimentados mostraron mayor adopción y mayores ganancias de productividad. Sin embargo, los resultados variaron entre los experimentos. Daniotti et al. (2026), al analizar más de 30 millones de contribuciones de 160 097 desarrolladores a proyectos abiertos de Python en GitHub, no observaron efectos estadísticamente significativos entre los usuarios en las primeras etapas de su carrera en sus estimaciones para Estados Unidos. La experiencia se aproximó mediante la antigüedad de actividad en la plataforma. Estos resultados no son directamente equivalentes: las tareas empresariales y la frecuencia de contribuciones miden dimensiones diferentes y no representan por sí solas la calidad del software. Por ello, la IA no ofrece beneficios uniformes a todos los programadores junior.

Las mejoras de productividad pueden coexistir con mayores barreras de acceso al empleo. Westby et al. (2026), en un documento de trabajo basado en vacantes estadounidenses de Lightcast, estimaron una reducción relativa del 14 % al 15 % en las ofertas junior frente a las de mayor experiencia durante los doce meses posteriores al lanzamiento de ChatGPT. Clasificaron como junior las vacantes que exigían hasta tres años de experiencia. También identificaron mayores requisitos de experiencia dentro de los mismos títulos de puesto y una mayor presencia de resolución de problemas, comunicación y atención al detalle. Su análisis distingue ambos fenómenos: “productivity gains do not necessarily imply expanded entry-level hiring in the short run” (p. 9). Esto significa que una mayor productividad no implica necesariamente más contratación inicial a corto plazo. Las vacantes constituyen un indicador parcial de empleabilidad: no miden contrataciones efectivas ni desempleo, y la IA no es la única fuerza que puede afectar la demanda. Como perspectiva complementaria, Mayer et al. (2025) examinaron cómo profesionales de entrada adaptan sus tareas, relaciones y visibilidad laboral en una consultora. Sus hallazgos aportan contexto, pero no constituyen evidencia directa sobre programadores junior.

La asistencia automatizada ofrece apoyo para aprender, pero puede reducir las oportunidades de práctica cuando sustituye el esfuerzo del estudiante. Ferino et al. (2026) revisaron 80 estudios sobre estudiantes y desarrolladores con hasta dos años de experiencia. Identificaron usos en generación de código, depuración y comprensión conceptual, junto con dificultades y preocupaciones formativas. Al describir la delegación de tareas, advierten que “novice developers would miss essential learning experiences” (sección 6.2.3, párr. 1). Este riesgo de perder experiencias de aprendizaje no demuestra que todo uso de IA deteriore las competencias; exige distinguir la comprensión asistida de la aceptación de soluciones sin analizarlas.

La integración educativa de la inteligencia artificial generativa debe preservar la comprensión y la autonomía del estudiante. Ferino et al. (2026) recomiendan que “novice developers should be clearly instructed about the limitations of using LLMs” (sección “Implications for Education”, párr. 1). Esta orientación subraya la necesidad de enseñar las limitaciones de los modelos. A partir de ella, se proponen tres actividades: resolver primero sin asistencia y contrastar después; revisar código generado y justificar las correcciones; y explicar oralmente las decisiones del programa. Son propuestas educativas del presente texto, cuya eficacia requiere evaluación, destinadas a vincular la asistencia con la práctica reflexiva.

En síntesis, la inteligencia artificial generativa puede mejorar determinadas dimensiones de la productividad de los programadores junior, pero sus beneficios dependen del contexto, la experiencia y las mediciones utilizadas. La evidencia sobre vacantes estadounidenses muestra cambios en las oportunidades y los requisitos de contratación, mientras que los estudios formativos señalan riesgos cuando la asistencia sustituye la práctica autónoma. Estos hallazgos no permiten afirmar que la IA determine por sí sola la empleabilidad ni que provoque inevitablemente una pérdida de competencias. Para quienes comienzan su carrera, la preparación profesional requiere comprender problemas, evaluar soluciones y comunicar decisiones. Aprovechar esta tecnología exige, por tanto, fortalecer los conocimientos de programación y mantener la capacidad de aprender de manera autónoma.

Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2026). The effects of generative AI on high-skilled work: Evidence from three field experiments with software developers. Management Science. Publicación anticipada en línea. https://doi.org/10.1287/mnsc.2025.00535

Daniotti, S., Wachs, J., Feng, X., & Neffke, F. (2026). Who is using AI to code? Global diffusion and impact of generative AI. Science, 391(6787), 831–835. https://doi.org/10.1126/science.adz9311

Ferino, S., Hoda, R., Grundy, J., & Treude, C. (2026). Novice developers’ perspectives on adopting LLMs for software development: A systematic literature review. ACM Transactions on Software Engineering and Methodology. Publicación anticipada en línea. https://doi.org/10.1145/3800580

Mayer, A.-S., Baygi, R. M., & Buwalda, R. (2025). Generation AI: Job crafting by entry-level professionals in the age of generative AI. Business & Information Systems Engineering, 67(5), 595–613. https://doi.org/10.1007/s12599-025-00959-x

Westby, S., Modestino, A., & Cheng, P. (2026). Generative AI and the redefinition of entry-level software work (IZA Discussion Paper No. 18723). IZA@LISER Network. https://docs.iza.org/dp18723.pdf

                                                                                             Ramos García Sander José

Actualmente, la transformación digital forma parte esencial de las actividades empresariales, pues facilita la comunicación, el almacenamiento de información y la gestión de servicios. Sin embargo, esta dependencia tecnológica también amplía la exposición a amenazas capaces de comprometer datos, sistemas y operaciones. En el Perú, este problema resulta especialmente relevante para las pequeñas y medianas empresas (PYMES), que suelen disponer de recursos técnicos y económicos más limitados para gestionar el riesgo cibernético. En este contexto, el presente texto analiza las estrategias de ciberseguridad orientadas a prevenir y reducir el impacto de ataques de phishing y ransomware en las PYMES peruanas durante el período 2021-2026. Para ello, se examinan sus principales amenazas y vulnerabilidades, las medidas de prevención y protección, la importancia de la resiliencia digital y, finalmente, la necesidad de adaptar la gestión de la ciberseguridad a los recursos y características de cada empresa.

Las amenazas y vulnerabilidades digitales constituyen uno de los principales desafíos de ciberseguridad para las PYMES. El phishing recurre al engaño para obtener credenciales, datos bancarios u otra información confidencial, generalmente mediante correos, mensajes o sitios web que aparentan ser legítimos. Por su parte, el ransomware es un tipo de software malicioso que puede cifrar o bloquear información y sistemas para exigir un pago a cambio de su recuperación. Ambos ataques pueden afectar la confidencialidad, la integridad y la disponibilidad de la información, así como interrumpir las actividades de una organización. El Ferjani El Ferjani et al. (2025) identifican entre los ataques más frecuentes el “phishing, el ransomware y los ataques a la cadena de suministro” (p. 1). Esta situación adquiere especial importancia en el contexto peruano: un estudio de Biggi et al. (2025), aplicado a una micro y pequeña empresa peruana, confirma la necesidad de modelos de ciberseguridad que consideren las restricciones de recursos. Por ello, reconocer las amenazas y evaluar las vulnerabilidades constituye el primer paso para establecer una protección proporcional al riesgo.

La prevención y la protección frente a los ciberataques requieren combinar medidas tecnológicas con acciones organizacionales. Entre las prácticas prioritarias se encuentran la capacitación continua del personal, el uso de contraseñas robustas y autenticación multifactor, la actualización de sistemas y aplicaciones, el control de accesos y la realización periódica de copias de seguridad. Estas últimas son especialmente relevantes frente al ransomware, porque permiten recuperar información sin depender exclusivamente de la restauración ofrecida por un atacante. Asimismo, la capacitación reduce la probabilidad de que un trabajador responda a mensajes fraudulentos o entregue credenciales ante intentos de phishing. Cerrud de Dominguez et al. (2025) subrayan que las organizaciones deben adoptar “buenas prácticas de ciberseguridad” (p. 8) acordes con sus condiciones y recursos. De manera complementaria, marcos como el NIST Cybersecurity Framework (NIST CSF) y la norma ISO/IEC 27001 permiten ordenar responsabilidades, controles y procedimientos. En consecuencia, la prevención eficaz no depende de una herramienta aislada, sino de un sistema coordinado de medidas técnicas, humanas y organizacionales.

La resiliencia digital complementa la prevención porque ningún sistema puede considerarse completamente inmune a un incidente. Una PYME debe ser capaz de detectar un ataque, contener sus efectos, responder de manera organizada y recuperar sus operaciones en el menor tiempo posible. Esto exige identificar activos críticos, establecer procedimientos de respuesta, mantener respaldos verificables y definir responsabilidades antes de que ocurra una emergencia. Bustillos Ortega y Rojas Segura (2022) sostienen que las PYMES necesitan prepararse para una “rápida y oportuna recuperación ante un posible incidente” (p. 168). En el caso peruano, Biggi et al. (2025) proponen un modelo basado en NIST CSF 2.0 para mitigar ransomware en micro y pequeñas empresas, estructurado alrededor del diagnóstico, la identificación de activos críticos, el análisis de riesgos, la selección de controles y un plan de acción. Por tanto, la resiliencia digital no consiste únicamente en restaurar archivos después de un ataque, sino en desarrollar capacidades que permitan sostener o restablecer la continuidad del negocio.

Finalmente, las estrategias de ciberseguridad deben adaptarse a las posibilidades reales de cada PYME. Las empresas de menor tamaño no siempre pueden contratar equipos especializados ni adquirir soluciones avanzadas; por ello, resulta más viable aplicar controles de manera gradual, priorizando aquellos que reduzcan los riesgos más críticos. Entre estas acciones se encuentran la formación del personal, la autenticación multifactor, los respaldos, la actualización de sistemas, la definición de políticas internas y la evaluación periódica del riesgo. Bustillos Ortega y Rojas Segura (2023) señalan que las PYMES necesitan “apoyo del gobierno y la academia” (p. 21) para fortalecer la gestión del riesgo y la cultura de ciberseguridad. Esta cooperación puede facilitar capacitación, orientación técnica y acceso a prácticas que una empresa pequeña difícilmente desarrollaría por sí sola. En consecuencia, una estrategia sostenible debe ser proporcional al tamaño, los activos, las amenazas y los recursos disponibles, sin renunciar a la mejora continua.

En conclusión, la prevención del phishing y el ransomware en las PYMES peruanas requiere una estrategia integral que combine conocimiento de las amenazas, medidas preventivas, capacidad de recuperación y adaptación a los recursos disponibles. La capacitación del personal, la autenticación segura, las copias de respaldo, la actualización de sistemas y la aplicación gradual de marcos de gestión pueden reducir la exposición a incidentes y limitar sus consecuencias. Del mismo modo, la resiliencia digital permite que una empresa responda y recupere sus operaciones cuando la prevención no es suficiente. En un entorno empresarial cada vez más digitalizado, fortalecer la ciberseguridad no debe entenderse únicamente como un gasto tecnológico, sino como una inversión orientada a proteger la información, preservar la confianza y favorecer la continuidad de las actividades empresariales.

Biggi, L., Rioja, J., Castaneda, P., Mansilla-Lopez, J., & Garcia-Nunez, A. D. (2025). Development and validation of a cybersecurity model for ransomware mitigation based on NIST CSF 2.0: The case study of a Peruvian micro-small enterprise. Engineering, Technology & Applied Science Research, 15(6), 30015-30025. https://doi.org/10.48084/etasr.12948

Bustillos Ortega, O., & Rojas Segura, J. (2022). Protocolo básico de ciberseguridad para pymes. Interfases, 16(016), 168-186. https://doi.org/10.26439/interfases2022.n016.6021

Bustillos Ortega, O., & Rojas Segura, J. (2023). Cómo promueven los Estados la ciberseguridad de las pymes. Interfases, 17(017), 21-37. https://doi.org/10.26439/interfases2023.n017.6246

Cerrud de Dominguez, H., Mendoza Ávila, D. M., & Valdés Mendoza, D. (2025). Buenas prácticas de ciberseguridad para PYMES: revisión de experiencias internacionales. Vanguardia Jurídica, 2(2), 8-41. https://doi.org/10.48204/2992-6629.7637

El Ferjani El Ferjani, I., Alcañiz Zanón, M., & Santolino Prieto, M. A. (2025). Ciberseguridad en pequeñas y medianas empresas: vulnerabilidades, amenazas y desarrollo del ciberseguro. Anales del Instituto de Actuarios Españoles, (31), 1-17. https://doi.org/10.26360/2025_01

 Villanueva Vera Juan José

La inteligencia artificial generativa (IAG) se ha convertido en uno de los avances tecnológicos con mayor impacto en la educación, pues varias de sus herramientas, ya forman parte de la enseñanza de la programación (Chávez-Boza y Erazo-Moreta, 2024). Este escenario ha generado un debate entre quienes destacan su potencial para apoyar el aprendizaje y quienes advierten sobre los riesgos que implica su uso en las aulas, tanto para estudiantes como para docentes. En este contexto, resulta necesario examinar cómo se aplica la IAG en la enseñanza de la programación básica en la educación universitaria. A continuación, se abordan las herramientas más utilizadas, sus aplicaciones y efectos, los riesgos que conllevan y las recomendaciones para lograr una aplicación efectiva en este ámbito.

En primer lugar, la IAG es concebida como la tecnología capaz de generar contenido similar al humano mediante modelos de aprendizaje profundo (deep learning) en respuesta a prompts variados y complejos (Groothuijsen et al., 2024). Teniendo esto en cuenta, se pueden identificar varias herramientas de IAG aplicadas a la programación, como los analizadores de código (por ejemplo, GitHub Copilot), los chatbots y los generadores de código y pseudocódigo (Chávez-Boza y Erazo-Moreta, 2024). Entre ellas, las más estudiadas son los chatbots, como ChatGPT, que tiene varias aplicaciones en la generación, la depuración, la comprensión y la resolución de problemas de código (Groothuijsen et al., 2024). En la misma línea, Trejos-Buriticá y Muñoz-Guerrero (2025) investigaron la aplicación de ChatGPT junto con la estrategia pedagógica del aprendizaje por retos para generar diversos problemas de programación en un curso de primer semestre de Ingeniería de Sistemas, y destacaron la posibilidad de repensar el rol docente en el aula. Además, Menacho Ángeles et al. (2024) identificaron cuatro dimensiones de uso de la IAG importantes para el aprendizaje autónomo de los estudiantes: la analítica de aprendizaje, la asistencia virtual, la retroalimentación inmediata y la tutoría inteligente.

Teniendo en cuenta estas aplicaciones en la programación, se pueden identificar varios beneficios para los estudiantes. En primer lugar, la IAG puede brindar retroalimentación inmediata, lo que les permite reducir y corregir los errores del código que generan (Chávez-Boza y Erazo-Moreta, 2024; Vera Paredes et al., 2025). En segundo lugar, según una investigación realizada en la Universidad Tecnológica de Pereira, la IAG demostró tener efectos positivos en el rendimiento académico de los estudiantes, con una ventaja aproximada del 25 % en las calificaciones respecto de quienes no utilizaron la herramienta (Trejos-Buriticá y Muñoz-Guerrero, 2025). Además, esa investigación reportó, a partir de las opiniones de los estudiantes, que la integración de la IAG con el aprendizaje por retos resultó altamente motivadora para la resolución de problemas de programación básica (Trejos-Buriticá y Muñoz-Guerrero, 2025). Por último, la IAG también contribuye al aprendizaje autónomo de los estudiantes mediante sus funciones de asistencia virtual y tutoría inteligente (Menacho Ángeles et al., 2024).

A pesar de los beneficios mencionados, también existen varios riesgos y desafíos en la implementación de la IAG en la programación básica. Uno de ellos es la escasa retención de conceptos básicos en los estudiantes, causada por la sobredependencia de estas herramientas (Vera Paredes et al., 2025). En contraste, Groothuijsen et al. (2024) señalaron que los estudiantes que usan IAG sí pueden llegar a dominar la sintaxis y la semántica del código, aunque advirtieron varios problemas en la aplicación práctica de estos conocimientos. Por otra parte, existen desafíos éticos y de integridad académica en la implementación de la IAG, principalmente relacionados con el uso que los estudiantes y docentes hacen de estas herramientas, así como preocupaciones por la seguridad y la privacidad de los datos de estudiantes y docentes que implica su uso (Bolaño-García y Duarte-Acosta, 2024; Menacho Ángeles et al., 2024).

Frente a ello, varios autores proponen estrategias para la implementación efectiva de la IAG en la programación básica. Una de ellas consiste en combinar y equilibrar la IAG con enfoques pedagógicos tradicionales, con el fin de evitar la sobredependencia de los estudiantes y garantizar la comprensión de los conceptos básicos de la programación (Chávez-Boza y Erazo-Moreta, 2024; Vera Paredes et al., 2025). Además, es necesario que las instituciones educativas capaciten a los docentes e incorporen en sus planes de estudio contenidos sobre el uso ético de la IAG, de modo que puedan guiar a los estudiantes en el uso adecuado de estas herramientas (Menacho Ángeles et al., 2024). Asimismo, Bolaño-García y Duarte-Acosta (2024) sostienen que, para mitigar las preocupaciones de seguridad inherentes al uso de la IAG y adaptar estas herramientas a las necesidades pedagógicas, es necesaria la colaboración de educadores, expertos en políticas educativas y desarrolladores de IAG. Con ello se busca investigar nuevas políticas de integración que permitan la implementación correcta de la IAG en la enseñanza y el aprendizaje de la programación básica (Bolaño-García y Duarte-Acosta, 2024).

En síntesis, las herramientas de IAG aplicadas a la programación básica, como los chatbots y los generadores de código, pueden aportar retroalimentación inmediata, apoyo al aprendizaje autónomo y mejoras en el rendimiento académico; sin embargo, también implican riesgos, como la sobredependencia, la escasa retención de conceptos básicos y los desafíos éticos y de privacidad. Por ello, los autores revisados proponen combinar la IAG con enfoques pedagógicos tradicionales, capacitar a los docentes e incorporar el uso ético de estas herramientas en los planes de estudio. En definitiva, explorar este tema es necesario para plantear alternativas que permitan una aplicación efectiva de la IAG en la enseñanza de la programación básica universitaria.

Bolaño-García, M., y Duarte-Acosta, N. (2024). Una revisión sistemática del uso de la inteligencia artificial en la educación. Revista Colombiana de Cirugía, 39(1), 51–63. https://doi.org/10.30944/20117582.2365

Chávez-Boza, B. M., y Erazo-Moreta, O. (2024). Integración de la inteligencia artificial generativa para el aprendizaje de fundamentos de programación: una revisión sistemática de la literatura. Revista Mexicana de Investigación e Intervención Educativa, 3(2), 5–17. https://doi.org/10.62697/rmiie.v3i2.78

Groothuijsen, S., van den Beemt, A., Remmers, J. C., y van Meeuwen, L. W. (2024). AI chatbots in programming education: Students’ use in a scientific computing course and consequences for learning. Computers and Education: Artificial Intelligence, 7, Artículo 100290. https://doi.org/10.1016/j.caeai.2024.100290

Menacho Ángeles, M. R., Pizarro Arancibia, L. M., Osorio Menacho, J. A., Osorio Menacho, J. A., y León Pizarro, B. L. (2024). Inteligencia artificial como herramienta en el aprendizaje autónomo de los estudiantes de educación superior. Revista INVECOM, 4(2), 1–10. https://doi.org/10.5281/zenodo.10693945

Trejos-Buriticá, O. I., y Muñoz-Guerrero, L. E. (2025). Aprendizaje por retos: un camino para entender programación por medio de inteligencia artificial. Tecnura, 29(83), 85–97. https://doi.org/10.14483/22487638.22206

Vera Paredes, D. A., Franco Arias, O. O., y Córdova Martínez, L. C. (2025). Impacto de la inteligencia artificial en el aprendizaje de la programación informática en los estudiantes universitarios. Ciencia y Educación, 6(3), 33–50. https://doi.org/10.5281/zenodo.15056104

                                                                                    Quispe Portilla Fernando Fabrizio

La masiva digitalización de la sociedad actual exige comprender el entorno virtual como el eje de nuestras actividades cotidianas. Frente a los riesgos de este escenario, la ciberseguridad surge como una garantía indispensable para proteger nuestra información. Ante esta realidad innegable, cabe preguntarnos: ¿estamos verdaderamente preparados para defender nuestra información o somos presa fácil de nuestra propia imprudencia digital? Hoy en día, resulta de vital importancia proteger nuestras cuentas, los sistemas que utilizamos y nuestros datos personales, puesto que gran parte de nuestras interacciones, finanzas y relaciones transcurren en el ciberespacio, exponiéndonos a peligros latentes. Por este motivo, el presente texto tiene como propósito analizar a profundidad este fenómeno; para ello, primero se examinarán las amenazas y vulnerabilidades en el entorno digital; luego, se expondrán los mecanismos tecnológicos de protección; posteriormente, se abordará la privacidad y su dimensión jurídica; y, finalmente, se diagnosticará la situación y los desafíos estructurales de ciberseguridad que enfrenta el Perú.

Las amenazas y vulnerabilidades en el entorno digital representan un riesgo constante que compromete tanto la información personal como la estabilidad financiera de los usuarios. En la actualidad, se enfrenta un volumen considerable de ciberataques, entre los que destacan de manera frecuente el phishing, el fraude electrónico y el robo de identidad, los cuales pueden materializarse en delitos económicos que generan pérdidas millonarias (Torres Gamarra & Zúñiga Carnero, 2026). Sin embargo, el éxito de estos ataques no solo obedece a la sofisticación tecnológica, sino también a las debilidades vinculadas a los usuarios; por ejemplo, una gran mayoría de personas no lee ni comprende las políticas de seguridad de las plataformas, olvida frecuentemente sus contraseñas y desconoce cómo recuperar una cuenta vulnerada (Alothman et al., 2023). A esto se suma la peligrosa tendencia a utilizar contraseñas débiles o repetidas y a compartir información personal sin medir los riesgos, lo que facilita enormemente los accesos no autorizados.

Los mecanismos tecnológicos para fortalecer la seguridad son herramientas fundamentales diseñadas para contrarrestar las vulnerabilidades humanas y proteger la integridad de las cuentas digitales. Una primera línea de defensa son los gestores de contraseñas: los modelos en línea facilitan su uso, pero dependen de una contraseña maestra que actúa como un punto único de falla, mientras que los gestores locales ofrecen mayor privacidad al no transmitir datos a servidores externos, aunque resultan vulnerables ante el robo físico del dispositivo (Jubur et al., 2025). Ante estas limitaciones, la integración de un gestor de contraseñas junto con la autenticación de dos factores (2FA) se consolida como una alternativa que logra un mejor equilibrio entre seguridad y usabilidad (Jubur et al., 2025). Asimismo, para la protección específica de redes sociales, existen sistemas avanzados que no solo requieren contraseñas de un solo uso (OTP) o biometría, sino que incorporan la activación de la cámara para capturar imágenes ante intentos de acceso con credenciales incorrectas, enviando alertas inmediatas al propietario de la cuenta (Alothman et al., 2023).

La privacidad y la dimensión jurídica de la seguridad digital resultan indispensables para establecer los límites legales frente al manejo y la exposición de la información personal en línea. En el ámbito de las redes sociales, la protección legal se rige por la “expectativa legítima de privacidad”, un criterio que varía según la plataforma; por ejemplo, publicar información en redes como Facebook implica una renuncia tácita a la privacidad con independencia de la configuración, mientras que en aplicaciones con cifrado de extremo a extremo, como WhatsApp, sí se reconoce dicha expectativa sobre las conversaciones (Escobar Veas, 2023). Por otro lado, la exposición de datos personales ha propiciado el fenómeno del punitivismo digital, manifestado en prácticas como la funa y el doxing, las cuales operan como un sistema informal de justicia paralela carente de garantías como el derecho a defensa y la presunción de inocencia (Castillo Ara, 2024). Específicamente, el doxing suele quedar impune en la normativa penal actual, lo que evidencia la necesidad de tipificar de manera autónoma la exposición peligrosa de datos personales para proteger la autodeterminación informativa sin afectar injustificadamente la libertad de expresión (Castillo Ara, 2024).

La ciberseguridad en el contexto peruano evidencia un panorama complejo marcado por el aumento de amenazas digitales frente a significativas brechas estructurales e institucionales. Aunque el país enfrenta ataques masivos de phishing y fraude electrónico, permanece en una etapa inicial del Modelo de Madurez de Capacidades en Ciberseguridad (CMM), caracterizada por una legislación desactualizada y una baja articulación entre los sectores público, privado y académico (Torres Gamarra & Zúñiga Carnero, 2026). A esta debilidad institucional se suma una escasez crítica de profesionales especializados, cuya demanda ha crecido entre 50% y 60% en los últimos años sin que la oferta formativa logre cubrirla (Torres Gamarra & Zúñiga Carnero, 2026). Frente a ello, resulta indispensable diseñar una estrategia nacional integral que fortalezca el marco normativo, impulse la capacitación técnica especializada y fomente la cooperación multisectorial para enfrentar con resiliencia estas vulnerabilidades (Torres Gamarra & Zúñiga Carnero, 2026).

En conclusión, la protección de la información en el entorno digital exige integrar nuestros conocimientos sobre ciberseguridad y privacidad para afrontar un desafío que es tanto tecnológico como social y jurídico. En primer lugar, se ha evidenciado que las principales amenazas y vulnerabilidades humanas afectan gravemente la seguridad de las cuentas y la información personal. Para contrarrestar esto, destaca la importancia de implementar mecanismos tecnológicos robustos, como la combinación de gestores de contraseñas y autenticación de dos factores, los cuales deben complementarse ineludiblemente con la educación y la concientización de los usuarios. Asimismo, se ha demostrado la necesidad de proteger la privacidad y los datos personales mediante mecanismos jurídicos adecuados que limiten la exposición riesgosa y el punitivismo digital. A nivel nacional, es de suma importancia fortalecer la ciberseguridad en el Perú mediante la actualización de la legislación, el impulso a la formación especializada y la cooperación institucional. En definitiva, es imperativo asumir una responsabilidad compartida frente a la protección de nuestra información, considerando que el uso cotidiano de las tecnologías también implica la decisión personal y crítica sobre cuánto de nuestra identidad estamos dispuestos a exponer y proteger.

Alothman, B., Alibrahim, O., Alenezi, N., Alhashemi, A., Alhashemi, M., Almardasi, D., Khattab, O., Joumaa, C., & Khan, M. (2023). The development of a secure online system to protect social networking platforms from security attacks. Applied Sciences, 13(21), 11731. https://doi.org/10.3390/app132111731

Castillo Ara, A. (2024). Punitivismo digital: La exposición peligrosa de datos personales como delito. Revista Chilena de Derecho y Tecnología, 13, e73276. https://doi.org/10.5354/0719-2584.2024.73276

Escobar Veas, J. (2023). Redes sociales y expectativa legítima de privacidad en la jurisprudencia de la Corte Suprema chilena. Revista Chilena de Derecho y Tecnología, 12, e69893. https://doi.org/10.5354/0719-2584.2023.69893

Jubur, M., Shrestha, P., & Saxena, N. (2025). An in-depth analysis of password managers and two-factor authentication tools. ACM Computing Surveys, 57(5), Article 128, 1–32. https://doi.org/10.1145/3711117

Torres Gamarra, N., & Zúñiga Carnero, M. (2026). Panorama actual de la ciberseguridad: Amenazas, legislación y brechas estructurales desde una revisión sistemática. Revista InveCom, 6(1), 1–10.

Gago, A., Romaní, J., Ccoyllar, I., & Erazo-Rondinel, A. A. (2026). Desafíos y beneficios potenciales de la implementación de robots en proyectos de edificación: El caso de Perú. Revista Ingeniería de Construcción, 41(1), 1–16. https://doi.org/10.7764/RIC.00170.21

Huacasi Añamuro, L. D., Berrios Fernández, E. P., Bellido Medina, R. S., & Cueva Allison, C. H. (2025). Automatización y robótica en la gestión de operaciones: Retos administrativos, sociales y de innovación emprendedora. Athenea, 6(22), 70–79. https://doi.org/10.47460/athenea.v6i22.117

Mestanza Amaya Albert Lucas

El acelerado avance tecnológico ha establecido la inteligencia artificial generativa como uno de los instrumentos de doble filo más grandes del ciberespacio. Por un lado, esta tecnología significa el mayor progreso e innovación del desarrollo tecnológico; por otro, representa el surgimiento de amenazas más difíciles de contener. En ese sentido, se debe reconocer cómo la automatización de amenazas y el cibercrimen mediante la IA pueden plantear riesgos en la sociedad. Para ello, este artículo analizará las capacidades, vulnerabilidades, evaluaciones de seguridad y contramedidas defensivas de la inteligencia artificial.

Las capacidades de la inteligencia artificial generativa en la automatización del cibercrimen han facilitado el desarrollo y escalamiento de ciberataques complejos. En primer lugar, estas herramientas permiten automatizar la redacción de campañas sofisticadas de ingeniería social y la generación de código para malware y ransomware. En segundo lugar, mediante el uso de modelos como text-davinci-003 para el estudio, los investigadores hicieron como experimento  programas maliciosos funcionales y herramientas de ataque en tiempos sumamente cortos, alcanzando un máximo de 90 minutos. Por último, se observa una limitada eficacia de los defensores actuales ante estas amenazas, dado que los sistemas de antivirus registran una tasa promedio de detección del 29 % (ChatGPT), 22 % (text-davinci-003), 27 % (Auto-GPT) y 13 % (VirusTotal) (Tanizaki et al., 2003).

La debilidad de los modelos de generación de texto ante diversas técnicas de manipulación genera fallos severos. Por un lado, la aplicación de técnicas como Jailbreak e inyecciones de fragmentos de código vulnerable por parte de usuarios malintencionados trae como efecto directo la evasión de las salvaguardas éticas y de la privacidad integradas originalmente en los modelos. Por otro lado, la inserción de indicaciones maliciosas implícitas en canales ocultos causa que los modelos más modernos sean corrompidos para producir código defectuoso, superando así los métodos de defensa orientados únicamente a detectar intenciones explícitas. Finalmente, el envenenamiento dirigido de datos en conjuntos de entrenamiento, incluso con una pequeña cantidad de inyección de datos maliciosos, provoca que los modelos de IA generen código con vulnerabilidades sutiles, difíciles de detectar (Gupta et al., 2023).

El avance de las ciberamenazas exige la integración de la propia IA y la implementación de métodos automatizados que se han convertido en contramedidas defensivas clave. Por una parte, la IA generativa se utiliza activamente para la automatización de la ciberdefensa en los SOC («centros de operaciones de seguridad»), asistiendo en el análisis de registros, el escaneo de vulnerabilidades, la propuesta de parches y la redacción de informes. Por otra parte, para contrarrestar la generación de código inseguro, se han implementado métodos automatizados como el sistema ACCA, el cual emplea la ejecución simbólica, que es una técnica de análisis de programas que utiliza variables simbólicas en lugar de datos de entrada para determinar la equivalencia semántica del código ensamblador frente a una implementación de referencia. Por último, al contrastar la eficacia de estos enfoques, se evidencia la superioridad de los métodos de evaluación automatizada sobre las métricas tradicionales de similitud y sobre otros modelos de IA, y se obtiene una correlación con la evaluación humana (r=0.84) en tiempos reportados de menos de 0.17 s (Cotromeo et al., UF, 2004).

En síntesis, la automatización de amenazas y del cibercrimen mediante la inteligencia artificial establece nuevos riesgos y evidencia las vulnerabilidades de los modelos. En definitiva, se evidencia la necesidad urgente de implementar defensas sólidas contra ataques de adversarios y las vulnerabilidades graves de estos modelos actuales. Como reflexión final es correcto afirmar que los estudios revisados muestran que la inteligencia artificial generativa ha reducido de forma notable el costo de atacar: generar malware funcional ya no exige grandes conocimientos técnicos ni mucho tiempo, y los antivirus actuales detectan solo una parte de ese código (Pa Pa et al., 2023). Al mismo tiempo, los propios modelos son vulnerables. Una pequeña cantidad de datos manipulados puede llevarlos a producir código inseguro sin que su apariencia cambie (Cotroneo et al., 2024). Para la sociedad, esto implica que organizaciones, empresas y usuarios enfrentan amenazas más numerosas y difíciles de detectar. A la vez, dependen cada vez más de herramientas cuya seguridad no controlan. Sin embargo, la misma tecnología también fortalece la defensa, al automatizar tareas de los centros de operaciones de seguridad y la evaluación del código generado (Cotroneo et al., 2024; Gupta et al., 2023). Por ello, la respuesta no puede limitarse a restringir la tecnología. Requiere combinar defensas automatizadas, evaluación continua de los modelos, regulación adecuada y formación en seguridad digital, de modo que la innovación avance sin aumentar los riesgos para la ciudadanía.

Cotroneo, D., Improta, C., Liguori, P., y Natella, R. (2024). Vulnerabilities in AI code generators: Exploring targeted data poisoning attacks. En Proceedings of the 32nd IEEE/ACM International Conference on Program Comprehension (ICPC ’24). ACM. https://doi.org/10.1145/3643916.3644416 (falta añadir las páginas desde la página del DOI)

Cotroneo, D., Foggia, A., Improta, C., Liguori, P., y Natella, R. (2024). Automating the correctness assessment of AI-generated code for security contexts. [revista, volumen y páginas: completar desde la versión publicada]. (No pude confirmar la revista; en arXiv aparece como 2310.18834.)

Gupta, M., Akiri, C., Aryal, K., Parker, E., y Praharaj, L. (2023). From ChatGPT to ThreatGPT: Impact of generative AI in cybersecurity and privacy. IEEE Access, 11, 80218–80245. https://doi.org/10.1109/ACCESS.2023.3300381 (volumen, páginas y DOI son de memoria; verifíquelos)

Pa Pa, Y. M., Tanizaki, S., Kou, T., van Eeten, M., Yoshioka, K., y Matsumoto, T. (2023). An attacker’s dream? Exploring the capabilities of ChatGPT for developing malware. En Proceedings of the 16th Cyber Security Experimentation and Test Workshop (pp. 10–18). ACM. https://doi.org/10.1145/3607505.3607513

Diego Edú Díaz Chávez

La transformación digital ha reconfigurado el proceso educativo en el siglo XXI, integrando la tecnología no solo como herramienta de apoyo, sino también como un espacio para el aprendizaje de los jóvenes. En este contexto, la gamificación y los recursos digitales adquieren relevancia dentro de los procesos educativos, pues permiten abordar tanto los aportes de la tecnología al desarrollo de habilidades de programación como los riesgos asociados con su uso excesivo. En este sentido, resulta pertinente analizar los beneficios cognitivos que pueden generar estas estrategias y, al mismo tiempo, considerar los riesgos tecnológicos que pueden afectar a los adolescentes.

La gamificación mediante videojuegos puede contribuir a que las actividades educativas sean más dinámicas y participativas. Quenema Camacho et al. (2026) señalan que “la integración de mecánicas de juego -como puntos, niveles, desafíos y recompensas- incrementa la motivación y el compromiso estudiantil” (p. 1). A partir de ello, la gamificación puede convertirse en una estrategia que favorezca la participación y la motivación durante el aprendizaje. Un ejemplo es Minecraft, videojuego que Ponce Carrillo y Alarcón Pérez (2018) proponen como entorno virtual para la alfabetización académica. Los autores sostienen que “se propone el uso de Minecraft como entorno virtual para la alfabetización académica en la educación superior” (p. 1). Aunque este estudio se desarrolló en un contexto de educación superior y no específicamente con adolescentes, constituye un antecedente relevante para comprender el potencial educativo de los videojuegos y de los entornos virtuales.

Asimismo, los recursos digitales para el aprendizaje de la programación pueden favorecer el desarrollo de distintas habilidades cognitivas. Valderrama (2025), en un estudio realizado con estudiantes de grado octavo en Colombia, evaluó recursos gratuitos como Blockly, VEXcode VR y mBlock. La autora afirma que “los resultados demuestran avances en la comprensión, aplicación, evaluación y trabajo colaborativo de los estudiantes” (p. 333). Además, la investigación encontró que Blockly fue la herramienta con mayor valoración en términos de usabilidad, con un 73 % de preferencia. Estas plataformas permiten acercar la programación a estudiantes que todavía no dominan lenguajes de programación tradicionales, debido a que emplean recursos visuales y bloques que facilitan la comprensión de conceptos básicos. Por ello, su utilización puede relacionarse con el fortalecimiento del pensamiento lógico, la resolución de problemas y la comprensión de procesos de programación.

Sin embargo, los beneficios de las tecnologías deben analizarse junto con los posibles riesgos derivados de su uso excesivo. Morales Quispe (2015), en un estudio realizado con 459 estudiantes de entre 14 y 19 años de tres colegios estatales del distrito de Mi Perú, encontró que el 33,3 % utilizaba las TIC diariamente y que los usos más frecuentes eran buscar información académica, interactuar en redes sociales y descargar música o videos. El autor concluye que “el 92,6% de los adolescentes se clasificó como usuario sin problemática y el nivel de uso de las TIC fue bajo” (p. 257). Estos resultados muestran que el uso frecuente de la tecnología no implica necesariamente una problemática; por ello, es necesario diferenciar entre un uso habitual y un uso que pueda generar consecuencias negativas en la vida cotidiana.

En relación con los riesgos asociados con la dependencia tecnológica, Lam-Figueroa et al. (2011) desarrollaron la Escala de Adicción a Internet de Lima (EAIL), aplicada a 248 adolescentes escolares de Lima Metropolitana. Los autores explican que la adicción a Internet puede caracterizarse por “una incapacidad de la persona para ejercer control sobre el uso y dependencia a Internet” (p. 463). El estudio también identificó una dimensión relacionada con la disfuncionalidad derivada de la adicción. Por tanto, el uso excesivo de Internet constituye un aspecto que debe considerarse cuando se incorporan tecnologías digitales en la vida de los adolescentes. La tecnología puede aportar beneficios educativos, pero su utilización requiere orientación y límites que permitan evitar una relación de dependencia.

En suma, la gamificación y los recursos digitales pueden transformar el aprendizaje en un proceso más dinámico, participativo y motivador, especialmente cuando se emplean para acercar a los estudiantes a la programación mediante herramientas visuales y entornos interactivos. Los estudios revisados permiten reconocer beneficios relacionados con la motivación, la comprensión, la resolución de problemas, la participación y el trabajo colaborativo. No obstante, también evidencian que el uso de las TIC e Internet puede presentar riesgos cuando se convierte en una práctica excesiva o difícil de controlar. Por ello, el reto no consiste en rechazar la tecnología, sino en promover un uso educativo, responsable y equilibrado que permita aprovechar sus beneficios sin ignorar los riesgos que puede generar en los adolescentes.

Lam-Figueroa, N., Contreras-Pulache, H., Mori-Quispe, E., Nizama-Valladolid, M., Gutiérrez, C., Hinostroza-Camposano, W., Torrejón Reyes, E., Hinostroza-Camposano, R., Coaquira-Condori, E., & Hinostroza-Camposano, W. D. (2011). Adicción a Internet: desarrollo y validación de un instrumento en escolares adolescentes de Lima, Perú. Revista Peruana de Medicina Experimental y Salud Pública, 28(3), 462–469. https://doi.org/10.17843/rpmesp.2011.283.524

Morales Quispe, J. (2015). Uso de las tecnologías de información y comunicación en adolescentes de las instituciones educativas públicas del Distrito Mi Perú. Anales de la Facultad de Medicina, 76(3), 257–259. https://doi.org/10.15381/anales.v76i3.11235

Ponce Carrillo, R., & Alarcón Pérez, L. M. (2018). Videojuego Minecraft como recurso para la alfabetización académica en la educación superior. Actualidades Investigativas en Educación, 18(3), 664–680. https://doi.org/10.15517/aie.v18i3.34382

Quenema Camacho, N., Condeso Camizan, S. D., Castillo Palacios, F. W., Otero Bocanegra, P. C., & Hernández Ramos, E. J. (2026). Gamificación en la evaluación educativa: transformando el aprendizaje en experiencias interactivas desde una revisión sistemática. Revista InveCom, 6(1), 1–10. https://doi.org/10.5281/zenodo.15427281

Valderrama, M. L. (2025). Desarrollo de habilidades de programación con recursos gratuitos en estudiantes de grado octavo durante la pandemia en Colombia. Revista Espacios, 46(6), 333–344. https://doi.org/10.48082/espacios-a25v46n06p28