Inteligencia artificial y percepción de culpabilidad en delitos informáticos: una revisión sistemática de sus implicancias judiciales
Barra lateral del artículo
Contenido principal del artículo
Resumen
La incorporación progresiva de herramientas de inteligencia artificial (IA) en los sistemas judiciales, especialmente en el abordaje de delitos informáticos, ha generado transformaciones sustantivas en la forma en que se produce, valora y decide la evidencia digital, planteando desafíos relevantes para la percepción de culpabilidad y la legitimidad del juicio penal. En este contexto, el objetivo de este artículo es analizar cómo la implementación de herramientas de IA afecta la percepción de culpabilidad en delitos informáticos dentro de los procesos judiciales, considerando sus efectos cognitivos, probatorios, éticos y jurídicos. Para ello, se desarrolló un artículo de revisión sistemática aplicando el método PRISMA, siguiendo un enfoque metodológico riguroso que permitió identificar, seleccionar y analizar estudios recientes publicados en revistas científicas indexadas, con énfasis en investigaciones empíricas, experimentales y normativas vinculadas al uso de IA en la justicia penal. Los resultados evidencian que la IA influye significativamente en la percepción de culpabilidad mediante mecanismos como la automatización decisional, el anclaje algorítmico, la deferencia a la autoridad técnica y la presencia de sesgos derivados de los datos y del diseño de los sistemas. Asimismo, se identificó que la falta de explicabilidad y control humano incrementa el riesgo de distorsionar principios fundamentales como la presunción de inocencia. En conclusión, el estudio demuestra que la IA no constituye una herramienta neutral en el ámbito judicial, por lo que su implementación exige marcos regulatorios, explicabilidad algorítmica y supervisión humana efectiva para garantizar una justicia penal compatible con el Estado de derecho
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El contenido de los articulos es de exclusiva responsabilidad de los autores.
Deberá cumplir con los siguentes aspectos de la Licencia CC BY NC ND :
- Atribución : Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
- No Comercial : No se puede utilizar el material con fines comerciales.
- Sin derivados : Si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
- Sin restricciones adicionales : No se pueden aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
Citas
Agudo, U., Liberal, K. G., Arrese, M., & Matute, H. (2024). The impact of AI errors in a human-in-the-loop process. Cognitive Research: Principles and Implications, 9, 1. Documento en línea. Disponible https://doi.org/10.1186/s41235-023-00529-3
Akinrinola, O., Addy, W., Ajayi-Nifise, A., Odeyemi, O., & Falaiye, T. (2024). Application of machine learning in tax prediction: A review with practical approaches. Global Journal of Engineering and Technology Advances, 18(2), 102–117. Documento en línea. Disponible https://doi.org/10.30574/gjeta.2024.18.2.0028
Barsekh-Onji, A., Torres Hernandez, Z., & Cardoso Espinosa, E. O. (2025). Advancing smart public administration: Challenges and benefits of artificial intelligence. Urban Governance, 5, 279–292. Documento en línea. Disponible https://doi.org/10.1016/j.ugj.2025.06.003
Borba, R. L., de Paula Ferreira, I. E., & Bertucci Ramos, P. H. (2024). Addressing discriminatory bias in artificial intelligence systems operated by companies: An analysis of end-user perspectives. Technovation, 138, 103118. Documento en línea. Disponible https://doi.org/10.1016/j.technovation.2024.103118
Cavus, M., Benli, M. N., Altuntas, U., Sari, M., Ayan, H., & Ugurluoglu, Y. F. (2025). Transparent and bias-resilient AI framework for recidivism prediction using deep learning and clustering techniques in criminal justice. Applied Soft Computing, 176, 113160. Documento en línea. Disponible https://doi.org/10.1016/j.asoc.2025.113160
Chuan, C.-H., Sun, R., Tian, S., & Tsai, W.-H. S. (2024). Explainable artificial intelligence (XAI) for facilitating recognition of algorithmic bias: An experiment from imposed users’ perspectives. Telematics and Informatics, 91, 102135. Documento en línea. Disponible https://doi.org/10.1016/j.tele.2024.102135
Cirillo, D., Catuara-Solarz, S., Morey, C., Guney, E., Subirats, L., Mellino, S., Gigante, A., Valencia, A., Rementeria, M. J., Santuccione Chadha, A., & Mavridis, N. (2020). Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. NPJ Digital Medicine, 3(1), 81. Documento en línea. Disponible https://doi.org/10.1038/s41746-020-0288-5
Contini, F., Minissale, A., & Bergman Blix, S. (2024). Artificial intelligence and real decisions: Predictive systems and generative AI vs. emotive-cognitive legal deliberations. Frontiers in Sociology, 9, 1417766. Documento en línea. Disponible https://doi.org/10.3389/fsoc.2024.1417766
Engle, T. A., Maher, C. A., & Nedelec, J. L. (2025). Sellin and Wolfgang revisited: A partial replication and expansion considering cybercrime. Journal of Criminal Justice, 101, 102523. Documento en línea. Disponible https://doi.org/10.1016/j.jcrimjus.2025.102523
Fazel, S., Fanshawe, T., & Sariaslan, A. (2022). Towards a more evidence-based risk assessment for people in the criminal justice system: The case of OxRec in the Netherlands. European Journal on Criminal Policy and Research, 28, 397–406. Documento en línea. Disponible https://doi.org/10.1007/s10610-022-09520-y
Ferrara, C., Sellitto, G., Ferrucci, F., Palomba, F., & De Lucia, A. (2024). Fairness-aware machine learning engineering: How far are we? Empirical Software Engineering, 29(1), 9. Documento en línea. Disponible https://doi.org/10.1007/s10664-023-10402-y
Franguloiu, S. (2024). Principles for the use of artificial intelligence (AI) in the judiciary as derived from the European Ethics Charter. Justice Efficiency and Limitations. Series VII – Social Sciences and Law, 39–46. Documento en línea. Disponible https://doi.org/10.31926/but.ssl.2023.16.65.3.5
Ghasemaghaei, M., & Kordzadeh, N. (2024). Understanding how algorithmic injustice leads to making discriminatory decisions: An obedience to authority perspective. Information & Management, 61, 103921. Documento en línea. Disponible https://doi.org/10.1016/j.im.2024.103921
Giroux, M., Kim, J., Lee, J. C., & Park, J. (2022). Artificial intelligence and declined guilt: Retailing morality comparison between human and AI. Journal of Business Ethics, 178, 1027–1041. Documento en línea. Disponible https://doi.org/10.1007/s10551-022-05056-7
Hahn, T., Ernsting, J., Winter, N. R., et al., (2022). An uncertainty-aware, shareable, and transparent neural network architecture for brain-age modeling. Science Advances, 8(1), eabg9471. Documento en línea. Disponible https://doi.org/10.1126/sciadv.abg9471
Han, W., Shen, J., Liu, Y., et al. (2024). LegalAsst: Human-centered and AI-empowered machine to enhance court productivity and legal assistance. Information Sciences, 679, 121052. Documento en línea. Disponible https://doi.org/10.1016/j.ins.2024.121052
Hani, U., Sohaib, O., Khan, M., Aleidi, A., & Islam, N. (2024). Psychological profiling of hackers via machine learning toward sustainable cybersecurity. Frontiers in Computer Science, 6, 1381351. Documento en línea. Disponible https://doi.org/10.3389/fcomp.2024.1381351
Hastings Blow, C., Qian, L., Gibson, C., Obiomon, P., & Dong, X. (2025). Data augmentation via diffusion model to enhance AI fairness. Frontiers in Artificial Intelligence, 8, 1530397. Documento en línea. Disponible https://doi.org/10.3389/frai.2025.1530397
Hefetz, I. (2023). Mapping AI-ethics’ dilemmas in forensic case work: To trust AI or not? Forensic Science International, 350, 111807. Documento en línea. Disponible https://doi.org/10.1016/j.forsciint.2023.111807
Hefetz, I. (2025). Evaluating bias in forensic evidence: From expert analysis to AI-based decision tools. Forensic Science International: Synergy, 11, 100645. Documento en línea. Disponible https://doi.org/10.1016/j.fsisyn.2025.100645
Herrera-Tapias, B. A., & Hernández Guzmán, D. (2025). Legal hallucinations and the adoption of artificial intelligence in the judiciary. Procedia Computer Science, 257, 1184–1189. Documento en línea. Disponible https://doi.org/10.1016/j.procs.2025.03.158
Javed, K., & Li, J. (2025). Bias in adjudication: Investigating the impact of artificial intelligence, media, financial and legal institutions in pursuit of social justice. PLOS ONE, 20(1), e0315270. Documento en línea. Disponible https://doi.org/10.1371/journal.pone.0315270
Kerimkhulle, S., Dildebayeva, Z., Tokhmetov, A., et al. (2023). Fuzzy logic and its application in the assessment of information security risk of industrial Internet of Things. Symmetry, 15(10), 1958. Documento en línea. Disponible https://doi.org/10.3390/sym15101958
Kirsanova, N., Gogoleva, V., Zyabkina, T., & Semenova, K. (2021). The use of digital technologies in the administration of justice in the field of environmental crime. E3S Web of Conferences, 258, 05035. Documento en línea. Disponible https://doi.org/10.1051/e3sconf/202125805035
Kong, Y., Wang, Y.-G., Deng, H., Xiao, Z., & Zhang, Y. (2025). LF-HGRILF: A law-fact heterogeneous graph representation and iterative learning framework for legal judgment prediction. Knowledge-Based Systems, 327, 114083. Documento en línea. Disponible https://doi.org/10.1016/j.knosys.2025.114083
Miazek, K., & Bocian, K. (2025). When AI is fairer than humans: The role of egocentrism in moral and fairness judgments of AI and human decisions. Computers in Human Behavior Reports, 19, 100719. Documento en línea. Disponible https://doi.org/10.1016/j.chbr.2025.100719
Naik, N., Hameed, B. M. Z., Shetty, D. K., et al. (2022). Legal and ethical consideration in artificial intelligence in healthcare: Who takes responsibility? Frontiers in Surgery, 9, 862322. Documento en línea. Disponible https://doi.org/10.3389/fsurg.2022.862322
Noriega, M. (2020). The application of artificial intelligence in police interrogations: An analysis addressing the proposed effect AI has on racial and gender bias, cooperation, and false confessions. Futures, 117, 102510. Documento en línea. Disponible https://doi.org/10.1016/j.futures.2019.102510
Olawade, D. B., Ayoola, F. I., Ebo, T. O., et al., (2025). Artificial intelligence in forensic mental health: A review of applications and implications. Journal of Forensic and Legal Medicine, 113, 102895. Documento en línea. Disponible https://doi.org/10.1016/j.jflm.2025.102895
Peng, Y.-T., & Lei, C.-L. (2024). Using Bidirectional Encoder Representations from Transformers (BERT) to predict criminal charges and sentences from Taiwanese court judgments. PeerJ Computer Science, 10, e1841. Documento en línea. Disponible https://doi.org/10.7717/peerj-cs.1841
Pristanskov, V., Kharatishvili, A., & Evstratova, J. (2023). Artificial intelligence—A new form of using special knowledge in investigating and solving cybercrimes. Russian Journal of Criminology, 17(6), 586–596. Documento en línea. Disponible https://doi.org/10.17150/2500-4255.2023.17(6).586-596
Reedy, P. (2023). Interpol review of digital evidence for 2019–2022. Forensic Science International: Synergy, 6, 100313. Documento en línea. Disponible https://doi.org/10.1016/j.fsisyn.2022.100313
Sessa, F., Esposito, M., Cocimano, G., et al., (2024). Artificial intelligence and forensic genetics: Current applications and future perspectives. Applied Sciences, 14(5), 2113. Documento en línea. Disponible https://doi.org/10.3390/app14052113
Shakeel, A., Sultan, M., Idrees, S., et al., (2025). Evaluating the application of machine learning algorithms in predicting disease outcomes and enhancing diagnostic accuracy in healthcare systems. IJLSS, 3(5), 50–57. Documento en línea. Disponible https://doi.org/10.71000/ddt1bm68
Shaligar, S., Arefnia, T., & Mohammadian Amiri, M. (2024). Applications of artificial intelligence in the production and use of digital documents and electronic evidence as proof in civil and criminal litigation. Legal Studies in Digital Age, 3(2), 10–30. Documento en línea. Disponible https://doi.org/10.61838/kman.lsda.3.2.2
Sovrano, F., Hine, E., Anzolut, S., & Bacchelli, A. (2025). Simplifying software compliance: AI technologies in drafting technical documentation for the AI Act. Empirical Software Engineering, 30, 91. Documento en línea. Disponible https://doi.org/10.1007/s10664-025-10645-x
Thamizh Mani, R., Palimar, V., Pai, M. S., Shwetha, T. S., & Krishnan, M. N. (2025). An evolution of forensic linguistics: From manual analysis to machine learning – A narrative review. Forensic Science International: Reports, 11, 100417. Documento en línea. Disponible https://doi.org/10.1016/j.fsir.2025.100417
Wang, H., & Ma, S. (2022). Preventing crimes against public health with artificial intelligence and machine learning capabilities. Socio-Economic Planning Sciences, 80, 101043. Documento en línea. Disponible https://doi.org/10.1016/j.seps.2021.101043
Wu, W., & Lin, X. (2025). Access to technology, access to justice: China’s artificial intelligence application in criminal proceedings. International Journal of Law, Crime and Justice, 81, 100741. Documento en línea. Disponible https://doi.org/10.1016/j.ijlcj.2025.100741
Yuan, W., Song, K., Jiang, Z., et al., (2026). A multi-agent framework with legal event logic graph for multi-defendant legal judgment prediction. Information Processing & Management, 63, 104319. Documento en línea. Disponible https://doi.org/10.1016/j.ipm.2025.104319
Zeadally, S., Adi, E., Baig, Z., & Khan, I. (2020). Harnessing artificial intelligence capabilities to improve cybersecurity. IEEE Access, 8, 23817–23837. Documento en línea. Disponible https://doi.org/10.1109/ACCESS.2020.2968045