# Riesgos, ética y uso responsable de la inteligencia artificial

**Categoría:** Inteligencia artificial · **Nivel:** Intermedio · **Lectura:** 18 min
**Publicada:** 2026-07-27 · **Actualizada:** 2026-07-27 · **Autoría:** Underc0de
**Versión HTML (canónica):** https://underc0de.org/guias/inteligencia-artificial/riesgos-etica-y-uso-responsable-de-la-ia/

Sin catástrofes de ciencia ficción y sin minimizar: las seis familias de riesgo que aparecen en la práctica, con casos documentados, los marcos que existen para gestionarlas y qué hacer concretamente vos y tu equipo.

## Respuesta rápida

Los riesgos de la IA que aparecen en la práctica son **seis**, y ninguno tiene que ver con robots rebeldes: **alucinación** —afirmar con seguridad algo falso—, **sesgo** heredado de los datos, **privacidad** —lo que escribís en un prompt sale de tu organización—, **propiedad intelectual**, **seguridad** —con la inyección de prompts en el primer puesto del Top 10 de OWASP— y **dependencia** del criterio propio. Para gestionarlos hay tres marcos de referencia: el del **NIST**, voluntario y práctico; el **Reglamento europeo**, obligatorio y organizado por niveles de riesgo; y la **Recomendación de la UNESCO**, con cuatro valores y diez principios. Los tres piden lo mismo: saber qué puede salir mal, medirlo y dejar por escrito quién responde.

## De qué hablamos cuando hablamos de riesgo

La conversación pública sobre riesgos de la IA se va a dos extremos que sirven poco: la catástrofe existencial y el «no pasa nada, es solo una herramienta». Entre los dos hay un territorio mucho más útil, que es el de los **problemas que ya ocurren**, tienen casos documentados y se manejan con decisiones concretas.

Conviene empezar por una definición que el Reglamento europeo da de forma escueta y precisa: **riesgo** es «la combinación de la probabilidad de que se produzca un perjuicio y la gravedad de dicho perjuicio». Las dos variables importan. Un error muy probable pero inocuo es una molestia; uno improbable pero grave requiere control. Todo lo que sigue es una forma de aplicar esas dos preguntas.

Y una aclaración de encuadre, porque marca el tono de toda la guía: **ninguno de los marcos serios que existen pide dejar de usar IA**. Los tres piden lo mismo —saber qué puede salir mal, medirlo, y dejar por escrito quién responde cuando pasa—. Eso es, íntegramente, lo que significa «uso responsable».

## Las seis familias de riesgo

![Las seis familias de riesgo de la IA con su control principal: alucinación, sesgo y discriminación, privacidad y datos, propiedad intelectual, seguridad y dependencia. Debajo, las siete características de una IA confiable según el NIST, y los tres marcos de referencia: el del NIST, el Reglamento europeo y la Recomendación de la UNESCO.](../../assets/img/guias/riesgos-etica-y-uso-responsable-de-la-ia-mapa.svg)

### 1. Alucinación y desinformación

Es el riesgo más cotidiano. Como se explica en [qué es la inteligencia artificial y cómo funciona](../que-es-la-inteligencia-artificial/index.md), el mecanismo optimiza continuidad plausible y no verdad, así que una cita inventada con formato impecable es, para el modelo, una excelente continuación. El problema práctico no es que se equivoque: es que **se equivoca con el mismo tono seguro con que acierta**, así que el error viaja sin señales de advertencia.

### 2. Sesgo y discriminación

Un modelo replica los patrones de sus datos, incluidos los injustos. El caso de referencia —un sistema de selección de personal descartado por penalizar sistemáticamente a las candidatas mujeres, que el foro de Underc0de cubrió en 2018— no fue una regla escrita por nadie: fue el resultado de entrenar con historial de contrataciones sesgado. Lo importante es que este riesgo **no se ve mirando el promedio**: un modelo con excelente rendimiento general puede fallar sistemáticamente en un grupo concreto, y solo aparece si se mide por grupo.

### 3. Privacidad y datos

Lo que escribís en un prompt sale de tu equipo y viaja a un servicio de un tercero. Según la configuración y el plan, puede quedar registrado, revisarse o usarse para mejorar el servicio. No es una hipótesis: es cómo funcionan estos productos. La regla práctica que mejor funciona es simple: **no pegues nada que no pondrías en un correo a alguien de afuera de tu organización**. Y si el material tiene datos personales de terceros, además hay obligaciones legales de protección de datos que no dependen de lo cómodo que sea.

### 4. Propiedad intelectual y atribución

Dos problemas distintos que suelen mezclarse. Uno: el material generado puede parecerse mucho a obras existentes, y usarlo sin revisar traslada el problema a quien lo publica. Dos: la autoría de lo generado es un terreno legal todavía abierto y con respuestas distintas según el país. En la duda, revisar, atribuir lo que corresponda y declarar el uso de IA cuesta poco y evita bastante.

### 5. Seguridad

Aparece cuando la IA deja de ser una ventana de chat y se integra en sistemas: puede leer material externo, usar herramientas y ejecutar acciones. Ahí surgen la inyección de prompts, los modelos falsos publicados en repositorios y los agentes con más permisos de los necesarios. Es la familia con más material técnico disponible, y tiene su sección más abajo.

### 6. Dependencia y pérdida de criterio

El menos discutido y el que se acumula más despacio. Si delegás siempre el borrador, la revisión y la decisión, la capacidad de detectar cuándo el resultado está mal se atrofia justo cuando más se necesita. No es un argumento para no usar la herramienta: es un argumento para **usarla en el borrador y no en el juicio final**, y para mantener el hábito de resolver algunas cosas a mano.

## Casos documentados

Estos riesgos no son teóricos. El blog y el foro de Underc0de vienen registrando incidentes concretos, y sirven para ver la forma real que toman:

| Caso | Familia | Qué muestra |
|---|---|---|
| Inyección de prompts en un asistente que permitió exfiltrar datos *(enero de 2026)* | Seguridad | Que el contenido externo puede alterar el comportamiento del sistema y sacar información |
| Malware en Android que abusa de un asistente de IA *(febrero de 2026)* | Seguridad | Que los asistentes integrados en el sistema son una superficie de ataque nueva |
| Credenciales expuestas por despliegues inseguros de IA *(enero de 2026)* | Seguridad | Que el problema suele estar en cómo se despliega, no en el modelo |
| Modelo falso que suplantaba a uno conocido en un repositorio público *(mayo de 2026)* | Seguridad | Que descargar un modelo es traer código de un tercero: cadena de suministro |
| Sistema de selección de personal descartado por sesgo *(2018)* | Sesgo | Que el sesgo entra por los datos históricos, sin que nadie lo programe |
| Videollamadas falsas con la imagen de personas reales para engañar a políticos *(2021)* | Desinformación | Que la suplantación audiovisual ya se usa contra objetivos concretos |
| Suspensión del procesamiento de datos para IA por parte de una autoridad nacional *(2024)* | Privacidad | Que el uso de datos personales para entrenar tiene consecuencias regulatorias |

Lo que tienen en común es más interesante que cada caso por separado: **casi todos son problemas de integración, de datos o de permisos, no de capacidad del modelo**. El riesgo rara vez está en que el modelo sea demasiado potente; está en cómo se lo conectó, con qué datos y con cuánta autoridad.

## Seguridad: el Top 10 de OWASP

Si construís o integrás algo con modelos de lenguaje, el material de referencia es el **Top 10 de OWASP para aplicaciones con LLM**, cuya edición de 2025 ordena los riesgos así:

| Identificador | Riesgo |
|---|---|
| `LLM01:2025` | Inyección de prompts |
| `LLM02:2025` | Divulgación de información sensible |
| `LLM03:2025` | Cadena de suministro |
| `LLM04:2025` | Envenenamiento de datos y del modelo |
| `LLM05:2025` | Manejo inadecuado de la salida |
| `LLM06:2025` | Agencia excesiva |
| `LLM07:2025` | Filtración del prompt de sistema |
| `LLM08:2025` | Debilidades en vectores y embeddings |
| `LLM09:2025` | Desinformación |
| `LLM10:2025` | Consumo sin límites |

### Inyección de prompts, el primero de la lista

OWASP la define como la vulnerabilidad que ocurre cuando las entradas **alteran el comportamiento o la salida del modelo de un modo no previsto**, y distingue dos variantes:

- **Directa:** la entrada de quien usa el sistema es la que cambia su comportamiento.
- **Indirecta:** el modelo recibe contenido de una fuente externa —un sitio web, un archivo— y es ese contenido el que altera su comportamiento. Es la variante más peligrosa, porque quien usa el sistema no ve venir nada: pidió un resumen de una página, y la página traía instrucciones.

Las medidas que OWASP recomienda son de arquitectura, no de redacción de prompts, y funcionan en capas:

1. **Acotar el comportamiento en las instrucciones del sistema.** Definir explícitamente el alcance y qué no debe hacer, en lugar de dejarlo abierto.
2. **Definir y validar el formato de salida esperado.** Si la respuesta tiene que ser una de tres etiquetas, validar que lo sea antes de usarla.
3. **Filtrar entrada y salida.** Con verificaciones tanto semánticas como de cadenas de texto.
4. **Aplicar control de privilegios y mínimo privilegio.** El sistema accede solo a lo que necesita para su tarea. Es la medida que más contiene el daño cuando algo falla.
5. **Exigir aprobación humana para acciones de alto riesgo.** Nada irreversible se ejecuta sin que una persona lo autorice.
6. **Segregar e identificar el contenido externo.** Marcar claramente qué parte del prompt es material de terceros.
7. **Hacer pruebas adversarias periódicas.** Simular ataques sobre el propio sistema, con autorización y en un entorno controlado, para encontrar los agujeros antes que otro.

> **La medida que más rinde, si solo podés aplicar una: privilegio mínimo.** Un asistente que solo puede leer no puede borrar nada, aunque alguien logre confundirlo. La mayoría de los incidentes documentados no fueron posibles porque el modelo fuera inteligente, sino porque tenía permisos que no necesitaba para su tarea. Cuanto más pueda *actuar* un sistema, más importa esta capa.

## Los tres marcos de referencia

No hace falta inventar un criterio propio: hay tres marcos públicos, y cada uno sirve para algo distinto.

### NIST AI RMF 1.0 — para organizar el trabajo

El **Marco de Gestión de Riesgos de IA** del NIST, publicado como `NIST AI 100-1` en enero de 2023, es voluntario y está pensado para incorporar consideraciones de confiabilidad en el diseño, el desarrollo, el uso y la evaluación de sistemas de IA. Se organiza en cuatro funciones: **gobernar**, **mapear**, **medir** y **gestionar**.

Y define siete **características de una IA confiable**: válida y fiable, segura, protegida y resiliente, responsable y transparente, explicable e interpretable, con privacidad reforzada, y justa con los sesgos dañinos gestionados. El NIST aclara que la primera es la base de todas las demás: «*ser válida y fiable es una condición necesaria de la confiabilidad*». Tiene sentido, porque un sistema explicable, transparente y equitativo que produce resultados incorrectos no sirve para nada.

### Reglamento (UE) 2024/1689 — para saber qué es exigible

Es la primera ley general de IA del mundo, entró en vigor el 1 de agosto de 2024 y organiza los sistemas en cuatro niveles de riesgo con obligaciones distintas. El detalle de cada nivel, con ejemplos y fechas de aplicación, está en [tipos de inteligencia artificial](../tipos-de-inteligencia-artificial/index.md).

### Recomendación de la UNESCO — para discutir el «debería»

En noviembre de 2021, los 193 estados miembros de la UNESCO adoptaron **la primera norma mundial sobre ética de la IA**. Se estructura en cuatro valores —dignidad y derechos humanos; sociedades justas, pacíficas e interconectadas; diversidad e inclusión; y florecimiento del medio ambiente y los ecosistemas— y diez principios: proporcionalidad y no causar daño, seguridad y protección, derecho a la privacidad y protección de datos, gobernanza adaptativa y multiactor, responsabilidad y rendición de cuentas, transparencia y explicabilidad, **supervisión y determinación humanas**, sostenibilidad, sensibilización y educación, y equidad y no discriminación.

Es el marco menos operativo de los tres y el más útil para las decisiones que no son técnicas: si algo *se puede* hacer, si *conviene* hacerlo, y a quién le toca decidirlo.

## Cuándo hay que avisar

Hay un caso en que el deber de informar no es una cortesía sino una obligación legal en el marco europeo: los sistemas de **riesgo de transparencia**. Las dos obligaciones concretas son avisar a las personas cuando están interactuando con un chatbot, y etiquetar el contenido generado o manipulado por IA.

Dentro de eso, el reglamento define una categoría con nombre propio, la **ultrasuplantación**, y vale citarla porque la definición es más amplia de lo que se suele suponer:

> **Artículo 3.60 del Reglamento (UE) 2024/1689.** «*Ultrasuplantación*: un contenido de imagen, audio o vídeo generado o manipulado por una IA que se asemeja a personas, objetos, lugares, entidades o sucesos reales y que puede inducir a una persona a pensar erróneamente que son auténticos o verídicos.»

Fijate que no exige mala intención ni que el parecido sea perfecto: alcanza con que se parezca a algo real y pueda inducir a error. Y no se limita a caras: incluye lugares, objetos y sucesos.

Fuera del marco europeo la obligación varía según el país, pero la razón para avisar no es solo legal. Quien lee tiene derecho a saber con qué criterio evaluar lo que está leyendo, y declararlo cuesta una línea. La comunidad de Underc0de también viene siguiendo el otro lado del problema: *AXCESS* publicó en febrero de 2026 un hilo con servicios para detectar imágenes generadas por IA, útil cuando el que tiene que evaluar sos vos.

## Lista de control para una persona

Nada de esto requiere un departamento de cumplimiento. Ocho hábitos cubren la mayor parte del riesgo individual:

- Verificar todo dato comprobable antes de usarlo: nombres, cifras, fechas, citas, artículos de leyes, funciones de una biblioteca.
- No pegar en un prompt nada que no pondrías en un correo a alguien de afuera de tu organización.
- Revisar la configuración de privacidad y de entrenamiento de la herramienta que usás, y saber qué plan tenés.
- Tratar la primera respuesta como un borrador, no como un resultado.
- Desconfiar de un resultado que se desvía de lo pedido cuando había material de terceros en el prompt.
- Declarar el uso de IA cuando el contexto lo pida, y siempre que puedan pensar que lo escribió una persona.
- Asumir la responsabilidad de lo que firmás: si lleva tu nombre, lo leíste y lo verificaste.
- Resolver algunas cosas a mano, para no perder la capacidad de detectar cuándo el resultado está mal.

## Lista de control para un equipo

Si en tu trabajo se está incorporando IA, las cuatro funciones del NIST se traducen a preguntas que un equipo de tres personas puede contestar en una hoja:

1. **Gobernar: ¿quién decide y quién responde?** Qué herramientas están aprobadas, para qué usos, con qué datos, y a quién se le avisa cuando algo sale mal. Una política de una página vale más que ninguna.
2. **Mapear: ¿qué puede salir mal en este uso concreto?** No en abstracto. Para *este* flujo: qué dato entra, quién ve la salida, qué decisión se toma con ella, a quién perjudica un error.
3. **Medir: ¿cómo nos vamos a enterar?** Definir qué se revisa, con qué frecuencia y con qué criterio. Si la respuesta es «cuando alguien se queje», no hay medición.
4. **Gestionar: ¿qué hacemos cuando pasa?** Quién puede desactivar el sistema, cómo se corrige el resultado ya publicado, y qué se registra para que no vuelva a pasar igual.

Y tres decisiones técnicas que conviene tomar antes de conectar nada, no después: **qué permisos** tiene el sistema —lo mínimo—, **qué acciones requieren aprobación humana** —todas las irreversibles— y **qué queda registrado** para poder reconstruir qué pasó.

## Errores frecuentes

- **Discutir el riesgo existencial y no la configuración de privacidad.** El segundo afecta hoy; el primero, en el mejor de los casos, algún día.
- **Creer que el sesgo se arregla con más datos.** Más datos del mismo lugar refuerzan el mismo sesgo. Lo que hace falta es medir por grupo.
- **Confiar en que el modelo distingue tus instrucciones del material ajeno.** No lo hace de forma fiable, y ahí está la inyección indirecta.
- **Darle a un agente todos los permisos «para que funcione bien».** Es exactamente el patrón que convierte un error en un incidente.
- **Descargar modelos de repositorios sin verificar el origen.** Es traer código de un tercero: aplica todo lo que ya sabés de cadena de suministro.
- **Tener política pero no medición.** Un documento que nadie comprueba es una declaración de intenciones.
- **Suponer que declarar el uso de IA resta valor.** Resta mucho menos que descubrirlo después.

## Preguntas frecuentes

### ¿Cuál es el riesgo más frecuente de usar IA en el trabajo?

Los dos que más aparecen no son espectaculares: dar por buena una afirmación que el modelo inventó, y pegar información confidencial en un prompt. El primero cuesta credibilidad y a veces dinero, porque el error viaja escrito con el mismo tono seguro que una afirmación correcta. El segundo es una fuga de datos silenciosa: lo que escribís sale de tu organización hacia un servicio de un tercero, y en muchas configuraciones queda registrado. Las dos se manejan con hábitos simples, sin renunciar a la herramienta.

### ¿Puedo pegar datos de clientes o código de la empresa en una IA?

Depende de la política de tu organización y del plan contratado, y esa es exactamente la pregunta que hay que hacer antes, no después. Los planes empresariales suelen ofrecer condiciones distintas a las cuentas gratuitas en cuanto a retención y uso de los datos para entrenamiento. La regla práctica que funciona: no pegues nada que no pondrías en un correo a alguien de afuera de la organización. Y si el material incluye datos personales de terceros, hay además obligaciones legales de protección de datos que no dependen de lo cómodo que resulte.

### ¿Qué es la inyección de prompts y por qué es un riesgo real?

OWASP la define como la vulnerabilidad que ocurre cuando las entradas alteran el comportamiento o la salida del modelo de un modo no previsto, y la ubica en el primer puesto de su Top 10 para aplicaciones con LLM de 2025. Es directa cuando quien escribe el prompt busca ese efecto, e indirecta cuando el contenido llega desde una fuente externa —una página, un archivo, un correo— y es ese contenido el que altera el comportamiento. Es un riesgo real y documentado: hay casos publicados de exfiltración de datos por esta vía.

### ¿Estoy obligado a avisar que un contenido lo generó una IA?

En el marco europeo, ciertos usos entran en la categoría de riesgo de transparencia y traen obligaciones concretas: informar a las personas cuando interactúan con un chatbot y etiquetar el contenido generado o manipulado por IA, incluidas las ultrasuplantaciones. Fuera de ese marco, la obligación legal varía según el país, pero la razón para avisar no es solo legal: quien lee tiene derecho a saber con qué criterio evaluar lo que está leyendo. Declararlo cuesta una línea y evita el problema de que se descubra después.

### ¿Sirve para algo un marco como el del NIST si no soy una gran empresa?

Sí, porque su valor está en las preguntas que ordena, no en el volumen de documentación que genera. Sus cuatro funciones —gobernar, mapear, medir y gestionar— se traducen a cualquier escala: quién decide y responde, qué puede salir mal en este uso concreto, cómo nos vamos a dar cuenta si sale mal, y qué hacemos cuando pasa. Un equipo de tres personas puede contestar esas cuatro preguntas en una hoja. Lo que no funciona es no contestarlas y confiar en que el problema no va a aparecer.

### ¿Usar IA para escribir es hacer trampa?

La pregunta útil no es esa sino otra: ¿quién se hace responsable del resultado? Si firmás algo, respondés por su contenido, lo hayas escrito con ayuda o sin ella, y eso implica haberlo leído, verificado y corregido. Donde sí hay un problema real es en contextos con reglas explícitas —un examen, una publicación académica, un contrato— y en el uso que reemplaza el aprendizaje en lugar de acelerarlo: si delegás siempre el borrador, la capacidad de detectar cuándo el borrador está mal se atrofia, y es justamente la que hace falta.

## Fuentes

Normativa, marcos de referencia y material de la comunidad consultados para esta guía. Fecha de consulta: 27 de julio de 2026.

### Casos y aportes de la comunidad Underc0de

1. **Underc0de, blog.** [Google Gemini: inyección de prompts permitió exfiltrar datos](https://blog.underc0de.org/google-gemini-inyeccion-de-prompts-permitio-exfiltrar-datos/), 19 de enero de 2026.
2. **Underc0de, blog.** [PromptSpy: malware Android que abusa de Gemini](https://blog.underc0de.org/promptspy-malware-android-que-abusa-de-gemini/), 20 de febrero de 2026.
3. **Underc0de, blog.** [Moltbot expone credenciales por despliegues inseguros de IA](https://blog.underc0de.org/moltbot-expone-credenciales-por-despliegues-inseguros-de-ia/), 30 de enero de 2026.
4. **Underc0de, blog.** [Malware en Hugging Face suplanta modelo de OpenAI](https://blog.underc0de.org/malware-en-hugging-face-suplanta-modelo-de-openai/), 12 de mayo de 2026.
5. **Underc0de, blog.** [Engañan a varios políticos europeos a través de videollamada con un deepfake](https://blog.underc0de.org/enganan-a-varios-politicos-europeos-a-traves-de-videollamada-con-un-deepfake/), 26 de abril de 2021.
6. **Underc0de, blog.** [Brasil detiene el procesamiento de datos de IA de Meta](https://blog.underc0de.org/brasil-detiene-el-procesamiento-de-datos-de-ia-de-meta/), 4 de julio de 2024.
7. **Underc0de, foro.** [Amazon desecha una IA de reclutamiento por su sesgo contra las mujeres](https://underc0de.org/foro/inteligencia-artificial-y-biohacking/amazon-desecha-una-ia-de-reclutamiento-por-su-sesgo-contra-las-mujeres/), por *graphixx*, 10 de octubre de 2018.
8. **Underc0de, foro.** [Servicios para detectar imágenes generadas por inteligencia artificial](https://underc0de.org/foro/inteligencia-artificial-y-biohacking/servicios-para-detectar-imagenes-generadas-por-inteligencia-artificial/), por *AXCESS*, 18 de febrero de 2026.
9. **Underc0de, foro.** [Bots y la difusión de noticias falsas](https://underc0de.org/foro/inteligencia-artificial-y-biohacking/bots-y-la-difusion-de-noticias-falsas/), por *Dragora*, 28 de noviembre de 2018.

### Marcos, normativa y documentación oficial

10. **NIST.** [AI Risk Management Framework (AI RMF 1.0)](https://www.nist.gov/itl/ai-risk-management-framework). Documento `NIST AI 100-1`, publicado el 26 de enero de 2023. Las cuatro funciones del marco.
11. **NIST.** [AI Risks and Trustworthiness](https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/). Las siete características de una IA confiable, citadas textualmente, y la aclaración de que ser válida y fiable es condición necesaria.
12. **OWASP.** [Top 10 for LLM Applications 2025](https://genai.owasp.org/llm-top-10/). La lista completa de riesgos con sus identificadores.
13. **OWASP.** [LLM01:2025 Prompt Injection](https://genai.owasp.org/llmrisk/llm01-prompt-injection/). Definición, distinción entre inyección directa e indirecta y las siete medidas de mitigación.
14. **Unión Europea.** [Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial)](https://eur-lex.europa.eu/legal-content/ES/TXT/?uri=OJ:L_202401689). Definiciones de riesgo y de ultrasuplantación, citadas textualmente.
15. **Comisión Europea.** [AI Act: marco regulador de la inteligencia artificial](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai). Niveles de riesgo, obligaciones de transparencia y calendario.
16. **UNESCO.** [Recommendation on the Ethics of Artificial Intelligence](https://www.unesco.org/en/artificial-intelligence/recommendation-ethics). Adoptada por 193 estados miembros en noviembre de 2021. Los cuatro valores y los diez principios.

## La ruta de IA

Cinco guías que se leen en orden, del concepto al uso responsable. Esta es la última.

1. [¿Qué es la inteligencia artificial y cómo funciona?](../que-es-la-inteligencia-artificial/index.md)
2. [Tipos de inteligencia artificial](../tipos-de-inteligencia-artificial/index.md)
3. [Introducción al machine learning](../introduccion-al-machine-learning/index.md)
4. [Cómo escribir buenos prompts para herramientas de IA](../como-escribir-buenos-prompts/index.md)

Y para el lado defensivo general, [fundamentos de hacking ético](../../hacking/fundamentos-hacking-etico/index.md).

---

Esta guía forma parte de un proyecto de la comunidad Underc0de para organizar conocimiento técnico en español. Fuente canónica: https://underc0de.org/guias/inteligencia-artificial/riesgos-etica-y-uso-responsable-de-la-ia/