Vol. 12/ Núm. 2 2025 pág. 670
https://doi.org/10.69639/arandu.v12i2.949
Las aplicaciones de inteligencia artificial: herramientas
esenciales para fortalecer la lucha contra la criminalidad
Artificial intelligence applications: essential tools for strengthening the fight against
crime
Aldo Fernando Rejas de la Peña
43246299@escpograpnp.com
https://orcid.org/0000-0002-8594-8620
Escuela de Posgrado de la PNP
Willian Andres Huarcaya Hilares
40292426@escpograpnp.com
https://orcid.org/0009-0006-8401-7687
Escuela de Posgrado de la PNP
Jersy Arbildo Saavedra
43575907@escpograpnp.com
https://orcid.org/0009-0005-7662-1668
Escuela de Posgrado de la PNP
Giancarlos Veramendi Alhuay
45274124@escpograpnp.com
https://orcid.org/0009-0000-8291-8701
Escuela de Posgrado de la PNP
Artículo recibido: 10 marzo 2025 - Aceptado para publicación: 20 abril 2025
Conflictos de intereses: Ninguno que declarar
RESUMEN
El presente investigación, analizó de qué manera las aplicaciones de inteligencia artificial
fortalecen lucha contra la criminalidad, el estudio es tipo básica o pura, método inductivo, enfoque
cualitativo, diseño fenomenológico hermeneútico, la técnica e instrumento de investigación
utilizada fue la entrevista y la guía de entrevista semi estructurada, la investigación incorporó el
expertise de cuatro destacados especialistas en inteligencia artificial, quienes aportaron su amplia
experiencia en el tratamiento avanzado de información y optimización de la toma de decisiones,
para combatir y mitigar fenómenos criminales complejos. con el objetivo de profundizar en los
significados implícitos en los datos, se optó por un análisis cualitativo para ello se utilizó el
estadígrafo ATLAS.TI. Concluyendo que las aplicaciones de inteligencia artificial han
demostrado ser un recurso valioso al mejorar la precisión y eficiencia del Sistema de Inteligencia
Policial (SIPOL), automatizando la recolección de datos para decisiones más informadas. Sin
embargo, persisten desafíos como la dependencia tecnológica, la calidad de los datos y el riesgo
de sesgo algorítmico. Por ello, es crucial integrar estas capacidades con supervisión humana
adecuada para garantizar resultados justos y efectivos en seguridad pública.
Palabras Claves: análisis de datos, inteligencia artificial, criminalidad, predicción,
prevención
Vol. 12/ Núm. 2 2025 pág. 671
ABSTRACT
The present research, analyzed how artificial intelligence applications strengthen the fight against
crime, the study is basic or pure type, inductive method, qualitative approach, hermeneutic
phenomenological design, the technique and research instrument used was the interview and the
semi-structured interview guide, the research incorporated the expertise of four leading specialists
in artificial intelligence, who brought their extensive experience in advanced information
processing and optimization of decision making, to combat and mitigate complex criminal
phenomena. In order to delve deeper into the meanings implicit in the data, we opted for a
qualitative analysis using the ATLAS.TI statistician. In conclusion, artificial intelligence
applications have proven to be a valuable resource in improving the accuracy and efficiency of
the Police Intelligence System (SIPOL), automating data collection for more informed decisions.
However, challenges such as technology dependency, data quality and the risk of algorithmic bias
remain. Therefore, it is crucial to integrate these capabilities with adequate human oversight to
ensure fair and effective public safety outcomes.
Keywords: data analysis, artificial intelligence, crime, prediction, prevention
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
The present research, analyzed how artificial intelligence applications strengthen the fight against
crime, the study is basic or pure type, inductive method, qualitative approach, hermeneutic
phenomenological design, the technique and research instrument used was the interview and the
semi-structured interview guide, the research incorporated the expertise of four leading specialists
in artificial intelligence, who brought their extensive experience in advanced information
processing and optimization of decision making, to combat and mitigate complex criminal
phenomena. In order to delve deeper into the meanings implicit in the data, we opted for a
qualitative analysis using the ATLAS.TI statistician. In conclusion, artificial intelligence
applications have proven to be a valuable resource in improving the accuracy and efficiency of
the Police Intelligence System (SIPOL), automating data collection for more informed decisions.
However, challenges such as technology dependency, data quality and the risk of algorithmic bias
remain. Therefore, it is crucial to integrate these capabilities with adequate human oversight to
ensure fair and effective public safety outcomes.
Keywords: data analysis, artificial intelligence, crime, prediction, prevention
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 2 2025 pág. 672
INTRODUCCIÓN
La inteligencia artificial (IA) ha emergido como una herramienta fundamental en la lucha
contra la criminalidad a nivel global, transformando las estrategias de prevención y respuesta
policial. Las fuerzas de seguridad están adoptando tecnologías de IA para analizar datos masivos
y detectar patrones delictivos, lo que permite una intervención más proactiva (López Riba, 2024).
Por ejemplo, el uso de sistemas de videovigilancia inteligente ha demostrado ser eficaz en la
identificación de comportamientos sospechosos y la prevención de delitos en tiempo real (Caro
et al., 2025). Esta capacidad de análisis instantáneo es crucial en un mundo donde la criminalidad
se adapta rápidamente a nuevas tecnologías (Dignum, 2023; Garrido et al., 2025).
A medida que las ciudades se urbanizan y los entornos se vuelven más complejos, la IA
ofrece soluciones innovadoras para mejorar la seguridad pública. Los sistemas de predicción del
delito utilizan algoritmos para analizar datos históricos y actuales, permitiendo a las autoridades
anticipar actividades delictivas y asignar recursos de manera más efectiva (Pickett, 2019). Este
enfoque no solo mejora la eficiencia operativa, sino que también contribuye a una mayor
confianza pública en las instituciones encargadas de la seguridad (Tonry, 2019).
Sin embargo, la implementación de IA en el ámbito de la seguridad también plantea
desafíos éticos significativos. Las preocupaciones sobre la privacidad y el sesgo algorítmico son
temas recurrentes en el debate sobre el uso de estas tecnologías (Kaplan & Haenlein, 2019). Es
esencial que los gobiernos y las organizaciones establezcan marcos regulatorios claros para
garantizar que el uso de IA sea transparente y respetuoso con los derechos humanos (CIECIEM,
2023; de la Peña et al., 2024).
En América Latina, el uso de inteligencia artificial para combatir la criminalidad ha
cobrado relevancia debido a los altos índices de violencia y delincuencia en diversas regiones.
Países como Chile y Colombia están implementando tecnologías basadas en IA para mejorar sus
sistemas de seguridad pública (López Riba, 2024). Proyectos como "Barrio Protegido" en
Santiago han demostrado cómo la videovigilancia inteligente puede reducir significativamente
los robos y aumentar la percepción de seguridad entre los ciudadanos (Revista Summa, 2024).
Estas iniciativas reflejan un esfuerzo por parte de las autoridades locales para adaptarse a los
desafíos contemporáneos que enfrenta la seguridad urbana.
La colaboración entre el sector público y privado es crucial en este contexto. Empresas
tecnológicas están desarrollando soluciones innovadoras que permiten a las fuerzas del orden
optimizar sus recursos y mejorar su capacidad de respuesta ante incidentes delictivos (Tamayo et
al., 2023). La implementación de sistemas de análisis predictivo ha permitido identificar áreas
críticas donde se concentran delitos, facilitando así una asignación más estratégica del personal
policial (Pickett, 2019).
INTRODUCCIÓN
La inteligencia artificial (IA) ha emergido como una herramienta fundamental en la lucha
contra la criminalidad a nivel global, transformando las estrategias de prevención y respuesta
policial. Las fuerzas de seguridad están adoptando tecnologías de IA para analizar datos masivos
y detectar patrones delictivos, lo que permite una intervención más proactiva (López Riba, 2024).
Por ejemplo, el uso de sistemas de videovigilancia inteligente ha demostrado ser eficaz en la
identificación de comportamientos sospechosos y la prevención de delitos en tiempo real (Caro
et al., 2025). Esta capacidad de análisis instantáneo es crucial en un mundo donde la criminalidad
se adapta rápidamente a nuevas tecnologías (Dignum, 2023; Garrido et al., 2025).
A medida que las ciudades se urbanizan y los entornos se vuelven más complejos, la IA
ofrece soluciones innovadoras para mejorar la seguridad pública. Los sistemas de predicción del
delito utilizan algoritmos para analizar datos históricos y actuales, permitiendo a las autoridades
anticipar actividades delictivas y asignar recursos de manera más efectiva (Pickett, 2019). Este
enfoque no solo mejora la eficiencia operativa, sino que también contribuye a una mayor
confianza pública en las instituciones encargadas de la seguridad (Tonry, 2019).
Sin embargo, la implementación de IA en el ámbito de la seguridad también plantea
desafíos éticos significativos. Las preocupaciones sobre la privacidad y el sesgo algorítmico son
temas recurrentes en el debate sobre el uso de estas tecnologías (Kaplan & Haenlein, 2019). Es
esencial que los gobiernos y las organizaciones establezcan marcos regulatorios claros para
garantizar que el uso de IA sea transparente y respetuoso con los derechos humanos (CIECIEM,
2023; de la Peña et al., 2024).
En América Latina, el uso de inteligencia artificial para combatir la criminalidad ha
cobrado relevancia debido a los altos índices de violencia y delincuencia en diversas regiones.
Países como Chile y Colombia están implementando tecnologías basadas en IA para mejorar sus
sistemas de seguridad pública (López Riba, 2024). Proyectos como "Barrio Protegido" en
Santiago han demostrado cómo la videovigilancia inteligente puede reducir significativamente
los robos y aumentar la percepción de seguridad entre los ciudadanos (Revista Summa, 2024).
Estas iniciativas reflejan un esfuerzo por parte de las autoridades locales para adaptarse a los
desafíos contemporáneos que enfrenta la seguridad urbana.
La colaboración entre el sector público y privado es crucial en este contexto. Empresas
tecnológicas están desarrollando soluciones innovadoras que permiten a las fuerzas del orden
optimizar sus recursos y mejorar su capacidad de respuesta ante incidentes delictivos (Tamayo et
al., 2023). La implementación de sistemas de análisis predictivo ha permitido identificar áreas
críticas donde se concentran delitos, facilitando así una asignación más estratégica del personal
policial (Pickett, 2019).
Vol. 12/ Núm. 2 2025 pág. 673
No obstante, los desafíos éticos persisten en América Latina. La falta de regulaciones
claras sobre el uso de tecnologías de vigilancia plantea riesgos significativos para la privacidad y
los derechos humanos (de la Peña et al., 2024; CIECIEM, 2023). Es fundamental que los países
latinoamericanos desarrollen políticas públicas que integren consideraciones éticas en el uso de
inteligencia artificial para garantizar un enfoque equilibrado entre seguridad y respeto por los
derechos fundamentales.
En Perú, la inteligencia artificial se está integrando gradualmente en las estrategias para
combatir la criminalidad. La implementación de más de 600 cámaras con tecnología IA en
Miraflores ha mostrado resultados positivos al reducir delitos como robos y asaltos (TV Perú
Noticias, 2024). Estas cámaras permiten identificar personas a través del reconocimiento facial y
alertar a las autoridades sobre comportamientos sospechosos. Este enfoque no solo mejora la
respuesta policial, sino que también actúa como un disuasivo efectivo contra el crimen (Aranzabal
Carazas, 2024).
Además del uso de videovigilancia, se están explorando otras aplicaciones de IA para
fortalecer la lucha contra el crimen organizado. La recopilación y análisis de datos provenientes
de diversas fuentes permiten a las autoridades identificar patrones delictivos y anticipar acciones
criminales (CIECIEM, 2023). Esta capacidad analítica es vital en un país donde la criminalidad
puede ser altamente organizada y sofisticada.
Sin embargo, el desarrollo e implementación efectiva de estas tecnologías enfrenta
obstáculos significativos. La falta de inversión adecuada en infraestructura tecnológica y
capacitación del personal limita el potencial completo de la inteligencia artificial en el Perú (de
la Peña et al., 2024; Dignum, 2023). Es esencial que se establezcan políticas claras y se destinen
recursos suficientes para garantizar que estas herramientas se utilicen eficazmente en beneficio
de la seguridad ciudadana sin comprometer los derechos individuales.
De lo antes señalado se gesta la interrogante de investigación ¿De qué manera las
aplicaciones de inteligencia artificial fortalecen lucha contra la criminalidad?, así mismo se
presenta las interrogantes especificas ¿De qué manera la predicción y prevención del delito
fortalecen lucha contra la criminalidad?, ¿De qué manera la vigilancia inteligente fortalece lucha
contra la criminalidad?, y ¿De qué manera los análisis de datos fortalecen lucha contra la
criminalidad?
El presente artículo adquiere relevancia al posicionarse como un eje fundamental en el
desarrollo de aplicaciones de inteligencia artificial (IA) para el combate de la criminalidad. Aporta
soluciones prácticas adaptadas a las necesidades operativas de las fuerzas del orden, integrando
tecnologías como algoritmos predictivos y videovigilancia inteligente, las cuales optimizan la
prevención y respuesta ante delitos (Tamayo et al., 2023). Asimismo, establece un marco
metodológico para evaluar el impacto real de estas herramientas en la reducción del crimen,
No obstante, los desafíos éticos persisten en América Latina. La falta de regulaciones
claras sobre el uso de tecnologías de vigilancia plantea riesgos significativos para la privacidad y
los derechos humanos (de la Peña et al., 2024; CIECIEM, 2023). Es fundamental que los países
latinoamericanos desarrollen políticas públicas que integren consideraciones éticas en el uso de
inteligencia artificial para garantizar un enfoque equilibrado entre seguridad y respeto por los
derechos fundamentales.
En Perú, la inteligencia artificial se está integrando gradualmente en las estrategias para
combatir la criminalidad. La implementación de más de 600 cámaras con tecnología IA en
Miraflores ha mostrado resultados positivos al reducir delitos como robos y asaltos (TV Perú
Noticias, 2024). Estas cámaras permiten identificar personas a través del reconocimiento facial y
alertar a las autoridades sobre comportamientos sospechosos. Este enfoque no solo mejora la
respuesta policial, sino que también actúa como un disuasivo efectivo contra el crimen (Aranzabal
Carazas, 2024).
Además del uso de videovigilancia, se están explorando otras aplicaciones de IA para
fortalecer la lucha contra el crimen organizado. La recopilación y análisis de datos provenientes
de diversas fuentes permiten a las autoridades identificar patrones delictivos y anticipar acciones
criminales (CIECIEM, 2023). Esta capacidad analítica es vital en un país donde la criminalidad
puede ser altamente organizada y sofisticada.
Sin embargo, el desarrollo e implementación efectiva de estas tecnologías enfrenta
obstáculos significativos. La falta de inversión adecuada en infraestructura tecnológica y
capacitación del personal limita el potencial completo de la inteligencia artificial en el Perú (de
la Peña et al., 2024; Dignum, 2023). Es esencial que se establezcan políticas claras y se destinen
recursos suficientes para garantizar que estas herramientas se utilicen eficazmente en beneficio
de la seguridad ciudadana sin comprometer los derechos individuales.
De lo antes señalado se gesta la interrogante de investigación ¿De qué manera las
aplicaciones de inteligencia artificial fortalecen lucha contra la criminalidad?, así mismo se
presenta las interrogantes especificas ¿De qué manera la predicción y prevención del delito
fortalecen lucha contra la criminalidad?, ¿De qué manera la vigilancia inteligente fortalece lucha
contra la criminalidad?, y ¿De qué manera los análisis de datos fortalecen lucha contra la
criminalidad?
El presente artículo adquiere relevancia al posicionarse como un eje fundamental en el
desarrollo de aplicaciones de inteligencia artificial (IA) para el combate de la criminalidad. Aporta
soluciones prácticas adaptadas a las necesidades operativas de las fuerzas del orden, integrando
tecnologías como algoritmos predictivos y videovigilancia inteligente, las cuales optimizan la
prevención y respuesta ante delitos (Tamayo et al., 2023). Asimismo, establece un marco
metodológico para evaluar el impacto real de estas herramientas en la reducción del crimen,
Vol. 12/ Núm. 2 2025 pág. 674
permitiendo mejoras continuas (Garrido et al., 2025), lo que refuerza su contribución tanto técnica
como social.
Esta investigación se distingue por integrar saberes técnicos y sociales para afrontar los
desafíos de la inseguridad ciudadana y la creciente criminalidad. Resalta la crucial colaboración
entre especialistas en inteligencia artificial y las fuerzas policiales, enfocándose en la predicción
y prevención del delito mediante videovigilancia inteligente y análisis avanzado de datos. La
aplicación estratégica de la IA facilita la toma de decisiones asertivas para desarrollar políticas de
seguridad pública más efectivas. Este artículo promueve una cultura innovadora dentro de las
instituciones policiales en el uso de la inteligencia artificial, asegurando un impacto sostenible y
estableciendo bases sólidas para futuras aplicaciones tecnológicas en la operatoria policial,
contribuyendo así a la mitigación de la criminalidad y al fortalecimiento integral de la seguridad
ciudadana.
De los párrafos anteriores se empresa el objetivo de la investigación: Analizar de qué
manera las aplicaciones de inteligencia artificial fortalecen lucha contra la criminalidad, la misma
que se desglosa en tres ejes específicos: Analizar de qué manera la predicción y prevención del
delito fortalecen lucha contra la criminalidad, analizar de qué manera la vigilancia inteligente
fortalece lucha contra la criminalidad y analizar de qué manera los análisis de datos fortalecen
lucha contra la criminalidad.
Aplicaciones de Inteligencia Artificial
Las aplicaciones de Inteligencia Artificial (IA) en el ámbito policial se refieren al uso de
sistemas computacionales avanzados para analizar grandes volúmenes de datos, identificar
patrones, realizar predicciones y automatizar tareas, con el objetivo de mejorar la eficiencia y
efectividad de las estrategias policiales. Autores como Alcívar (2025) y de la Peña et al. (2024)
resaltan cómo la IA permite el desarrollo de estrategias innovadoras contra el crimen organizado
y el narcotráfico, facilitando la identificación de redes criminales, el análisis de comunicaciones
y la predicción de posibles actividades ilícitas. Esta capacidad de procesamiento y análisis
superior a las capacidades humanas tradicionales convierte a la IA en una herramienta crucial para
la seguridad pública.
La IA fortalece las estrategias policiales al proporcionar herramientas avanzadas para la
prevención del delito, la investigación criminal y la gestión de recursos. Ramírez Mena (2019)
propone plataformas basadas en IA para el análisis visual y la prevención de delitos, mientras que
Villalobos Fonseca (2020) subraya el desarrollo tecnológico como clave para el éxito en la
prevención del delito. La IA permite la implementación de sistemas de videovigilancia inteligente,
como describe Pistilli (2021), que transforman imágenes en datos útiles para la inteligencia
policial. Además, como señalan Guzmán & Casteleiro (2022), la IA es fundamental en la lucha
contra el cibercrimen, permitiendo la detección y prevención de ataques en el ciberespacio.
permitiendo mejoras continuas (Garrido et al., 2025), lo que refuerza su contribución tanto técnica
como social.
Esta investigación se distingue por integrar saberes técnicos y sociales para afrontar los
desafíos de la inseguridad ciudadana y la creciente criminalidad. Resalta la crucial colaboración
entre especialistas en inteligencia artificial y las fuerzas policiales, enfocándose en la predicción
y prevención del delito mediante videovigilancia inteligente y análisis avanzado de datos. La
aplicación estratégica de la IA facilita la toma de decisiones asertivas para desarrollar políticas de
seguridad pública más efectivas. Este artículo promueve una cultura innovadora dentro de las
instituciones policiales en el uso de la inteligencia artificial, asegurando un impacto sostenible y
estableciendo bases sólidas para futuras aplicaciones tecnológicas en la operatoria policial,
contribuyendo así a la mitigación de la criminalidad y al fortalecimiento integral de la seguridad
ciudadana.
De los párrafos anteriores se empresa el objetivo de la investigación: Analizar de qué
manera las aplicaciones de inteligencia artificial fortalecen lucha contra la criminalidad, la misma
que se desglosa en tres ejes específicos: Analizar de qué manera la predicción y prevención del
delito fortalecen lucha contra la criminalidad, analizar de qué manera la vigilancia inteligente
fortalece lucha contra la criminalidad y analizar de qué manera los análisis de datos fortalecen
lucha contra la criminalidad.
Aplicaciones de Inteligencia Artificial
Las aplicaciones de Inteligencia Artificial (IA) en el ámbito policial se refieren al uso de
sistemas computacionales avanzados para analizar grandes volúmenes de datos, identificar
patrones, realizar predicciones y automatizar tareas, con el objetivo de mejorar la eficiencia y
efectividad de las estrategias policiales. Autores como Alcívar (2025) y de la Peña et al. (2024)
resaltan cómo la IA permite el desarrollo de estrategias innovadoras contra el crimen organizado
y el narcotráfico, facilitando la identificación de redes criminales, el análisis de comunicaciones
y la predicción de posibles actividades ilícitas. Esta capacidad de procesamiento y análisis
superior a las capacidades humanas tradicionales convierte a la IA en una herramienta crucial para
la seguridad pública.
La IA fortalece las estrategias policiales al proporcionar herramientas avanzadas para la
prevención del delito, la investigación criminal y la gestión de recursos. Ramírez Mena (2019)
propone plataformas basadas en IA para el análisis visual y la prevención de delitos, mientras que
Villalobos Fonseca (2020) subraya el desarrollo tecnológico como clave para el éxito en la
prevención del delito. La IA permite la implementación de sistemas de videovigilancia inteligente,
como describe Pistilli (2021), que transforman imágenes en datos útiles para la inteligencia
policial. Además, como señalan Guzmán & Casteleiro (2022), la IA es fundamental en la lucha
contra el cibercrimen, permitiendo la detección y prevención de ataques en el ciberespacio.
Vol. 12/ Núm. 2 2025 pág. 675
Las estrategias policiales se ven significativamente fortalecidas por las aplicaciones de
Inteligencia Artificial (IA), especialmente en la predicción y prevención del delito. Alcívar (2025)
subraya que, a través del análisis predictivo, la IA identifica patrones delictivos y anticipa
actividades criminales, posibilitando que las fuerzas de seguridad actúen de manera proactiva. De
la Peña et al. (2024) indican que estas herramientas optimizan la asignación de recursos y
robustecen la capacidad de respuesta ante el crimen organizado, transformando la prevención en
un proceso más eficaz y fundamentado en datos concretos.
La videovigilancia inteligente, impulsada por la IA, constituye otra aplicación esencial que
refuerza la seguridad ciudadana. Según Ramírez Mena (2019) y Pistilli (2021), esta tecnología
posibilita la detección automática y en tiempo real de comportamientos sospechosos, rostros y
vehículos, facilitando intervenciones policiales rápidas y precisas. Villalobos Fonseca (2020)
destaca que la integración de la IA en los sistemas de vigilancia mejora la eficiencia operativa y
la recopilación de pruebas, contribuyendo a disuadir el delito y a optimizar las investigaciones.
El análisis de grandes volúmenes de datos mediante IA, como explican Santos et al. (2025),
permite identificar complejas conexiones entre individuos y actividades delictivas, aunque
Cabrera (2022) y Castro (2024) enfatizan la necesidad de aplicar estos análisis con criterios éticos,
asegurando transparencia y respeto a los derechos humanos.
La predicción y prevención del delito mediante inteligencia artificial (IA) se basa en el
análisis avanzado de grandes volúmenes de datos para identificar patrones delictivos y anticipar
posibles hechos criminales. Según Caro et al. (2025), los sistemas de vigilancia basados en IA
permiten monitorear en tiempo real comportamientos sospechosos y zonas de alto riesgo,
facilitando una respuesta oportuna y eficiente. Esta tecnología integra datos históricos,
geográficos y sociales para optimizar la asignación de recursos policiales y reducir la incidencia
delictiva, transformando la seguridad pública en Perú y otros contextos similares.
Por su parte, Gaona Jiménez (2024) y Jorge et al. (2023) destacan que la IA no solo mejora
la vigilancia, sino que también potencia la investigación criminal mediante herramientas
predictivas que analizan patrones de comportamiento y antecedentes delictivos. Jaulis Rua &
Vilcarromero Giraldo (2015) enfatizan el uso de minería de datos para anticipar delitos específicos
en distritos urbanos, mientras que Villalobos Fonseca (2020) resalta que el desarrollo tecnológico
en materia policial es clave para el éxito en la prevención. Ramírez Mena (2019) añade que
plataformas visuales basadas en IA facilitan el análisis integral y la toma de decisiones
estratégicas para la prevención efectiva del delito.
La videovigilancia inteligente, según Barragán-Huamán et al. (2023), utiliza algoritmos
de inteligencia artificial para analizar en tiempo real imágenes y videos, permitiendo la detección
automática de comportamientos sospechosos y la predicción de delitos en espacio-tiempo. Esta
tecnología supera la vigilancia tradicional al procesar grandes volúmenes de datos visuales,
identificar patrones y generar alertas inmediatas para una respuesta rápida. Además, Drammeh
Las estrategias policiales se ven significativamente fortalecidas por las aplicaciones de
Inteligencia Artificial (IA), especialmente en la predicción y prevención del delito. Alcívar (2025)
subraya que, a través del análisis predictivo, la IA identifica patrones delictivos y anticipa
actividades criminales, posibilitando que las fuerzas de seguridad actúen de manera proactiva. De
la Peña et al. (2024) indican que estas herramientas optimizan la asignación de recursos y
robustecen la capacidad de respuesta ante el crimen organizado, transformando la prevención en
un proceso más eficaz y fundamentado en datos concretos.
La videovigilancia inteligente, impulsada por la IA, constituye otra aplicación esencial que
refuerza la seguridad ciudadana. Según Ramírez Mena (2019) y Pistilli (2021), esta tecnología
posibilita la detección automática y en tiempo real de comportamientos sospechosos, rostros y
vehículos, facilitando intervenciones policiales rápidas y precisas. Villalobos Fonseca (2020)
destaca que la integración de la IA en los sistemas de vigilancia mejora la eficiencia operativa y
la recopilación de pruebas, contribuyendo a disuadir el delito y a optimizar las investigaciones.
El análisis de grandes volúmenes de datos mediante IA, como explican Santos et al. (2025),
permite identificar complejas conexiones entre individuos y actividades delictivas, aunque
Cabrera (2022) y Castro (2024) enfatizan la necesidad de aplicar estos análisis con criterios éticos,
asegurando transparencia y respeto a los derechos humanos.
La predicción y prevención del delito mediante inteligencia artificial (IA) se basa en el
análisis avanzado de grandes volúmenes de datos para identificar patrones delictivos y anticipar
posibles hechos criminales. Según Caro et al. (2025), los sistemas de vigilancia basados en IA
permiten monitorear en tiempo real comportamientos sospechosos y zonas de alto riesgo,
facilitando una respuesta oportuna y eficiente. Esta tecnología integra datos históricos,
geográficos y sociales para optimizar la asignación de recursos policiales y reducir la incidencia
delictiva, transformando la seguridad pública en Perú y otros contextos similares.
Por su parte, Gaona Jiménez (2024) y Jorge et al. (2023) destacan que la IA no solo mejora
la vigilancia, sino que también potencia la investigación criminal mediante herramientas
predictivas que analizan patrones de comportamiento y antecedentes delictivos. Jaulis Rua &
Vilcarromero Giraldo (2015) enfatizan el uso de minería de datos para anticipar delitos específicos
en distritos urbanos, mientras que Villalobos Fonseca (2020) resalta que el desarrollo tecnológico
en materia policial es clave para el éxito en la prevención. Ramírez Mena (2019) añade que
plataformas visuales basadas en IA facilitan el análisis integral y la toma de decisiones
estratégicas para la prevención efectiva del delito.
La videovigilancia inteligente, según Barragán-Huamán et al. (2023), utiliza algoritmos
de inteligencia artificial para analizar en tiempo real imágenes y videos, permitiendo la detección
automática de comportamientos sospechosos y la predicción de delitos en espacio-tiempo. Esta
tecnología supera la vigilancia tradicional al procesar grandes volúmenes de datos visuales,
identificar patrones y generar alertas inmediatas para una respuesta rápida. Además, Drammeh
Vol. 12/ Núm. 2 2025 pág. 676
(2022) destaca su aplicación en sistemas de transporte, donde el monitoreo inteligente mejora la
seguridad vial mediante el control automatizado y eficiente de carreteras.
Sin embargo, Lozada et al. (2024) resaltan que la videovigilancia inteligente se extiende a
la monitorización de personas vulnerables, como adultos mayores, detectando caídas y
movimientos anómalos mediante análisis predictivos (Quintero Benavides & Ruiz Omen, 2021).
Narváez Narváez et al. (2023) aportan que la integración con tecnologías como blockchain
fortalece la autenticidad y seguridad de los datos capturados. Así, la videovigilancia inteligente
se configura como una herramienta avanzada que combina análisis visual, automatización y
seguridad para optimizar la prevención y detección del delito.
El análisis de datos mediante inteligencia artificial (IA) fortalece la lucha contra el crimen
al procesar grandes volúmenes de información para identificar patrones delictivos y predecir
comportamientos criminales. Álvarez (2024) destaca que esta tecnología permite optimizar la
asignación de recursos y diseñar estrategias preventivas más efectivas. De la Peña et al. (2024)
señalan que la IA facilita la extracción de datos relevantes de diversas fuentes, como redes sociales
y registros policiales, acelerando la investigación y mejorando la precisión en la identificación de
sospechosos y vínculos criminales.
Asimismo, Castro (2024) advierte sobre la importancia de considerar aspectos éticos para
garantizar transparencia y respeto a los derechos humanos en el uso de IA. Moreno et al. (2024)
subrayan que estas tecnologías están revolucionando el derecho penal al incorporar herramientas
avanzadas que anticipan y combaten el crimen organizado. Díaz et al. (2025) resaltan que la
percepción social y la confianza en la IA son fundamentales para su aceptación y eficacia en la
lucha contra la corrupción y otros delitos.
Criminalidad
Se define como el conjunto de conductas y actos que violan las normas legales
establecidas en una sociedad, afectando su orden y bienestar. Acevedo Vásquez et al. (2022)
enfatizan que la criminalidad organizada, como el narcotráfico y el lavado de activos, genera
graves impactos sociales y económicos, debilitando las instituciones y fomentando la corrupción.
Ayala (2020) añade que estas formas de criminalidad erosionan la confianza ciudadana y
dificultan la gobernabilidad, provocando inseguridad y miedo en la población, lo que afecta
directamente la calidad de vida y el desarrollo social.
La criminalidad no solo daña la seguridad física, sino que también fractura el tejido social.
Gangi Guillén (2023) señala que fenómenos como las dinámicas migratorias pueden facilitar la
expansión de la criminalidad transnacional, incrementando la violencia y la inseguridad en las
fronteras. García et al. (2020) explican que la criminalidad implica desviación social que desafía
las normas y valores colectivos, generando exclusión y desconfianza entre los miembros de la
comunidad. Esta situación fomenta un ambiente de violencia y desintegración social, afectando
la cohesión y la convivencia pacífica.
(2022) destaca su aplicación en sistemas de transporte, donde el monitoreo inteligente mejora la
seguridad vial mediante el control automatizado y eficiente de carreteras.
Sin embargo, Lozada et al. (2024) resaltan que la videovigilancia inteligente se extiende a
la monitorización de personas vulnerables, como adultos mayores, detectando caídas y
movimientos anómalos mediante análisis predictivos (Quintero Benavides & Ruiz Omen, 2021).
Narváez Narváez et al. (2023) aportan que la integración con tecnologías como blockchain
fortalece la autenticidad y seguridad de los datos capturados. Así, la videovigilancia inteligente
se configura como una herramienta avanzada que combina análisis visual, automatización y
seguridad para optimizar la prevención y detección del delito.
El análisis de datos mediante inteligencia artificial (IA) fortalece la lucha contra el crimen
al procesar grandes volúmenes de información para identificar patrones delictivos y predecir
comportamientos criminales. Álvarez (2024) destaca que esta tecnología permite optimizar la
asignación de recursos y diseñar estrategias preventivas más efectivas. De la Peña et al. (2024)
señalan que la IA facilita la extracción de datos relevantes de diversas fuentes, como redes sociales
y registros policiales, acelerando la investigación y mejorando la precisión en la identificación de
sospechosos y vínculos criminales.
Asimismo, Castro (2024) advierte sobre la importancia de considerar aspectos éticos para
garantizar transparencia y respeto a los derechos humanos en el uso de IA. Moreno et al. (2024)
subrayan que estas tecnologías están revolucionando el derecho penal al incorporar herramientas
avanzadas que anticipan y combaten el crimen organizado. Díaz et al. (2025) resaltan que la
percepción social y la confianza en la IA son fundamentales para su aceptación y eficacia en la
lucha contra la corrupción y otros delitos.
Criminalidad
Se define como el conjunto de conductas y actos que violan las normas legales
establecidas en una sociedad, afectando su orden y bienestar. Acevedo Vásquez et al. (2022)
enfatizan que la criminalidad organizada, como el narcotráfico y el lavado de activos, genera
graves impactos sociales y económicos, debilitando las instituciones y fomentando la corrupción.
Ayala (2020) añade que estas formas de criminalidad erosionan la confianza ciudadana y
dificultan la gobernabilidad, provocando inseguridad y miedo en la población, lo que afecta
directamente la calidad de vida y el desarrollo social.
La criminalidad no solo daña la seguridad física, sino que también fractura el tejido social.
Gangi Guillén (2023) señala que fenómenos como las dinámicas migratorias pueden facilitar la
expansión de la criminalidad transnacional, incrementando la violencia y la inseguridad en las
fronteras. García et al. (2020) explican que la criminalidad implica desviación social que desafía
las normas y valores colectivos, generando exclusión y desconfianza entre los miembros de la
comunidad. Esta situación fomenta un ambiente de violencia y desintegración social, afectando
la cohesión y la convivencia pacífica.
Vol. 12/ Núm. 2 2025 pág. 677
La expansión de la criminalidad organizada representa un reto global que impacta
regiones específicas y la seguridad ciudadana. Gavilán (2023) y Reyes (2024) destacan cómo
estos grupos criminales se infiltran en diversas actividades ilícitas, desde el tráfico de drogas hasta
la corrupción, debilitando el Estado y sus mecanismos de control. Soler Prieto (2024) resalta que
la confianza y la socialización dentro de estos grupos perpetúan su persistencia, dificultando su
erradicación. Silva-García y Barreto Montoya (2022) advierten sobre la creciente criminalidad de
cuello blanco transnacional, que afecta la economía y la justicia, generando desigualdad y
desconfianza en las instituciones.
Las consecuencias de la criminalidad son profundas y multidimensionales. Vereau (2021)
señala que los delitos informáticos y económicos afectan la estabilidad financiera y la seguridad
pública. Zeta Flores (2022) atribuye el alto índice de criminalidad en Perú a políticas criminales
deficientes, que no logran frenar la violencia ni proteger a la ciudadanía. Zúñiga Rodríguez&
Ballesteros Sánchez (2021) enfatizan que la criminalidad organizada y el terrorismo plantean
nuevos desafíos para la seguridad, requiriendo respuestas integrales y coordinadas. En suma, la
criminalidad deteriora la confianza social, obstaculiza el desarrollo y genera un clima de
inseguridad que afecta a toda la sociedad.
METODOLOGÍA
La investigación básica constituye el motor del avance científico al profundizar en los
fundamentos de los fenómenos, expandiendo las fronteras del conocimiento como señalan
Hernández-Sampieri & Mendoza (2018). Según Mertens (2020), no solo genera conocimiento
nuevo, sino que fomenta la creatividad y la resolución de problemas, habilidades esenciales para
abordar desafíos globales. Este tipo de investigación resulta fundamental para generar ideas
innovadoras y transformar nuestra comprensión del mundo, estableciendo bases sólidas para
aplicaciones prácticas mediante hipótesis fundamentadas y experimentos rigurosos, como destaca
Babbie (2020). La investigación básica y aplicada mantienen así una relación simbiótica, donde
la primera proporciona los cimientos teóricos indispensables para la segunda.
El método inductivo se erige como un pilar esencial en la investigación cualitativa,
gracias a su flexibilidad para explorar fenómenos en profundidad. Hernández-Sampieri &
Mendoza (2018) resaltan cómo facilita la construcción de marcos conceptuales basados en datos
empíricos, enriqueciendo la comprensión contextual de realidades sociales complejas. Su utilidad
sobresale en el estudio de estos fenómenos, donde las categorías analíticas emergen directamente
del análisis de datos. López & Martínez (2022) enfatizan que este enfoque genera conocimiento
significativo mediante la recolección sistemática de información, adaptándose a nuevos hallazgos
para edificar teorías precisas y relevantes.
El enfoque cualitativo, El enfoque cualitativo es una estrategia de investigación que
busca comprender en profundidad los significados y experiencias humanas dentro de sus
La expansión de la criminalidad organizada representa un reto global que impacta
regiones específicas y la seguridad ciudadana. Gavilán (2023) y Reyes (2024) destacan cómo
estos grupos criminales se infiltran en diversas actividades ilícitas, desde el tráfico de drogas hasta
la corrupción, debilitando el Estado y sus mecanismos de control. Soler Prieto (2024) resalta que
la confianza y la socialización dentro de estos grupos perpetúan su persistencia, dificultando su
erradicación. Silva-García y Barreto Montoya (2022) advierten sobre la creciente criminalidad de
cuello blanco transnacional, que afecta la economía y la justicia, generando desigualdad y
desconfianza en las instituciones.
Las consecuencias de la criminalidad son profundas y multidimensionales. Vereau (2021)
señala que los delitos informáticos y económicos afectan la estabilidad financiera y la seguridad
pública. Zeta Flores (2022) atribuye el alto índice de criminalidad en Perú a políticas criminales
deficientes, que no logran frenar la violencia ni proteger a la ciudadanía. Zúñiga Rodríguez&
Ballesteros Sánchez (2021) enfatizan que la criminalidad organizada y el terrorismo plantean
nuevos desafíos para la seguridad, requiriendo respuestas integrales y coordinadas. En suma, la
criminalidad deteriora la confianza social, obstaculiza el desarrollo y genera un clima de
inseguridad que afecta a toda la sociedad.
METODOLOGÍA
La investigación básica constituye el motor del avance científico al profundizar en los
fundamentos de los fenómenos, expandiendo las fronteras del conocimiento como señalan
Hernández-Sampieri & Mendoza (2018). Según Mertens (2020), no solo genera conocimiento
nuevo, sino que fomenta la creatividad y la resolución de problemas, habilidades esenciales para
abordar desafíos globales. Este tipo de investigación resulta fundamental para generar ideas
innovadoras y transformar nuestra comprensión del mundo, estableciendo bases sólidas para
aplicaciones prácticas mediante hipótesis fundamentadas y experimentos rigurosos, como destaca
Babbie (2020). La investigación básica y aplicada mantienen así una relación simbiótica, donde
la primera proporciona los cimientos teóricos indispensables para la segunda.
El método inductivo se erige como un pilar esencial en la investigación cualitativa,
gracias a su flexibilidad para explorar fenómenos en profundidad. Hernández-Sampieri &
Mendoza (2018) resaltan cómo facilita la construcción de marcos conceptuales basados en datos
empíricos, enriqueciendo la comprensión contextual de realidades sociales complejas. Su utilidad
sobresale en el estudio de estos fenómenos, donde las categorías analíticas emergen directamente
del análisis de datos. López & Martínez (2022) enfatizan que este enfoque genera conocimiento
significativo mediante la recolección sistemática de información, adaptándose a nuevos hallazgos
para edificar teorías precisas y relevantes.
El enfoque cualitativo, El enfoque cualitativo es una estrategia de investigación que
busca comprender en profundidad los significados y experiencias humanas dentro de sus
Vol. 12/ Núm. 2 2025 pág. 678
contextos naturales, priorizando la interpretación detallada de datos ricos y contextualizados sobre
generalizaciones estadísticas. Según Hernández-Sampieri & Mendoza (2018), este método capta
la complejidad y diversidad de las realidades sociales, evitando reduccionismos, mientras que
Ñaupas et al. (2019) destacan su carácter colaborativo mediante técnicas como entrevistas y
grupos focales, donde las voces de los participantes construyen conocimiento. Creswell (2019)
enfatiza su capacidad para generar teorías auténticas, y Faneite (2023) subraya la reflexividad
como eje central, permitiendo a los investigadores reconocer su influencia en el proceso.
Silverman (2022) complementa señalando que esta autorreflexión crítica no solo mejora el rigor
metodológico, sino que también enriquece la comprensión de los fenómenos estudiados,
asegurando resultados equilibrados y socialmente relevantes.
El diseño fenomenológico hermenéutico proporciona un marco metodológico riguroso
para explorar la experiencia vivida, permitiendo acceder a dimensiones subjetivas e
intersubjetivas que revelan estructuras significativas en las acciones y creencias de los analistas
TIC, como destacan Hernández-Sampieri & Mendoza (2018). Mediante un análisis cualitativo
exhaustivo, este enfoque construye una comprensión contextualizada de los fenómenos
estudiados, generando conocimiento relevante para la práctica. Ñaupas et al. (2019) enfatizan su
capacidad para analizar experiencias de manera profunda, facilitando intervenciones efectivas,
mientras Castañeda Mota (2022) subraya que la comprensión hermenéutica fomenta un diálogo
crítico y reflexivo, consolidando saberes sólidos y aplicables.
La participación de especialistas analistas en TIC enriquece la obtención de datos
contextualizados. Hernández-Sampieri & Mendoza (2018) resaltan cómo su formación y
experiencia aportan perspectivas teóricas y prácticas valiosas al análisis (Medina et al., 2023) Su
conocimiento experto permite abordar el fenómeno desde múltiples dimensiones, asegurando una
comprensión integral. La inclusión de especialistas legales es crucial para identificar mejores
prácticas en inteligencia, cuya experiencia en análisis TIC y recolección de información genera
insights estratégicos que fortalecen el marco normativo.
Para esta investigación se contó con especialistas en ciberseguridad que laboran en el
departamento de seguridad digital de un órgano de inteligencia del Sistema de Inteligencia
Policial (SIPOL). El equipo está conformado por un oficial con 10 años de experiencia, capacitado
y especializado en tratamiento de la información, ciberseguridad, inteligencia y análisis policial,
quien desempeña el cargo de jefe del área de ciberseguridad. Complementan el equipo dos
suboficiales técnicos con 16 años de experiencia en el ámbito de ciberseguridad, especializados
en transformación digital, inteligencia policial, análisis estratégico y vigilancia digital, quienes
actualmente fungen como auxiliares analistas. Adicionalmente, participa un suboficial con 7 años
de experiencia, capacitado en transformación digital y especializado en inteligencia policial,
quien también se desempeña como auxiliar analista.
contextos naturales, priorizando la interpretación detallada de datos ricos y contextualizados sobre
generalizaciones estadísticas. Según Hernández-Sampieri & Mendoza (2018), este método capta
la complejidad y diversidad de las realidades sociales, evitando reduccionismos, mientras que
Ñaupas et al. (2019) destacan su carácter colaborativo mediante técnicas como entrevistas y
grupos focales, donde las voces de los participantes construyen conocimiento. Creswell (2019)
enfatiza su capacidad para generar teorías auténticas, y Faneite (2023) subraya la reflexividad
como eje central, permitiendo a los investigadores reconocer su influencia en el proceso.
Silverman (2022) complementa señalando que esta autorreflexión crítica no solo mejora el rigor
metodológico, sino que también enriquece la comprensión de los fenómenos estudiados,
asegurando resultados equilibrados y socialmente relevantes.
El diseño fenomenológico hermenéutico proporciona un marco metodológico riguroso
para explorar la experiencia vivida, permitiendo acceder a dimensiones subjetivas e
intersubjetivas que revelan estructuras significativas en las acciones y creencias de los analistas
TIC, como destacan Hernández-Sampieri & Mendoza (2018). Mediante un análisis cualitativo
exhaustivo, este enfoque construye una comprensión contextualizada de los fenómenos
estudiados, generando conocimiento relevante para la práctica. Ñaupas et al. (2019) enfatizan su
capacidad para analizar experiencias de manera profunda, facilitando intervenciones efectivas,
mientras Castañeda Mota (2022) subraya que la comprensión hermenéutica fomenta un diálogo
crítico y reflexivo, consolidando saberes sólidos y aplicables.
La participación de especialistas analistas en TIC enriquece la obtención de datos
contextualizados. Hernández-Sampieri & Mendoza (2018) resaltan cómo su formación y
experiencia aportan perspectivas teóricas y prácticas valiosas al análisis (Medina et al., 2023) Su
conocimiento experto permite abordar el fenómeno desde múltiples dimensiones, asegurando una
comprensión integral. La inclusión de especialistas legales es crucial para identificar mejores
prácticas en inteligencia, cuya experiencia en análisis TIC y recolección de información genera
insights estratégicos que fortalecen el marco normativo.
Para esta investigación se contó con especialistas en ciberseguridad que laboran en el
departamento de seguridad digital de un órgano de inteligencia del Sistema de Inteligencia
Policial (SIPOL). El equipo está conformado por un oficial con 10 años de experiencia, capacitado
y especializado en tratamiento de la información, ciberseguridad, inteligencia y análisis policial,
quien desempeña el cargo de jefe del área de ciberseguridad. Complementan el equipo dos
suboficiales técnicos con 16 años de experiencia en el ámbito de ciberseguridad, especializados
en transformación digital, inteligencia policial, análisis estratégico y vigilancia digital, quienes
actualmente fungen como auxiliares analistas. Adicionalmente, participa un suboficial con 7 años
de experiencia, capacitado en transformación digital y especializado en inteligencia policial,
quien también se desempeña como auxiliar analista.
Vol. 12/ Núm. 2 2025 pág. 679
Técnicas e instrumento de recolección de datos: La entrevista cualitativa se erige como
una herramienta flexible y poderosa para explorar en profundidad las experiencias subjetivas de
los analistas. Según Ñaupas et al. (2019), esta técnica se adapta a las particularidades de cada
contexto, permitiendo una comprensión profunda y contextualizada de los fenómenos estudiados
(Creswell, 2019). González & Pérez (2021) resaltan su utilidad para abordar temas complejos,
mientras Kvale & Brinkmann (2020) enfatizan la importancia de las habilidades del entrevistador
para construir una relación de confianza. La guía de entrevista, como instrumento flexible,
permite adaptar las preguntas a cada sesión, combinando estructura predefinida con exploración
de temas emergentes (Sánchez & López, 2022). Martínez et al. (2023) subrayan la necesidad de
ajustar la guía durante la entrevista, mientras Merriam y Tisdell (2019) destacan su contribución
a la validez y confiabilidad de los resultados.
El análisis de datos es un proceso iterativo y reflexivo, edifica teorías fundamentadas en
la evidencia empírica. Hernández-Sampieri y Mendoza (2018) resaltan la inmersión profunda en
los datos textuales para identificar patrones y categorías que sustenten una comprensión teórica
robusta. Ñaupas et al. (2019) enfatizan la postura teórica del investigador para trascender la
descripción y construir explicaciones causales contextualizadas. Sánchez (2018) subraya la
triangulación para robustecer la validez, y Martínez & López (2023) añaden la crucial
consideración del contexto sociocultural en la interpretación de significados. Para el análisis de
las entrevistas a especialistas, se empleó el software cualitativo ATLAS.ti, facilitando la
identificación de congruencias, coincidencias y discrepancias.
La ética en la investigación cualitativa es un pilar fundamental para la construcción de
conocimiento válido y confiable. Hernández-Sampieri et al. (2018) y Tracy (2021) y Creswell &
Poth (2018) subrayan la importancia del consentimiento informado y la confidencialidad para
proteger los derechos de los participantes y fomentar un ambiente de confianza. Guillemin &
Gillam (2004) añaden que es esencial reflexionar sobre las implicaciones éticas de la relación
investigador-analista TICs, reconociendo las posibles asimetrías de poder y tomando medidas
para minimizarlas. Un enfoque ético no solo garantiza la integridad de la investigación, sino que
también contribuye a la construcción de relaciones basadas en el respeto mutuo, lo que a su vez
facilita la obtención de datos más ricos y auténticos.
RESULTADOS
Los resultados de las entrevistas a cuatro especialistas en TIC destacan el rol crucial de la
inteligencia artificial en la lucha contra la criminalidad. Ellos enfatizaron que la IA fortalece
significativamente la toma de decisiones estratégicas en las fuerzas policiales. Esta capacidad de
análisis avanzado permite orientar las estrategias de manera más efectiva, optimizando la lucha
contra el crimen y mejorando la seguridad ciudadana.
Técnicas e instrumento de recolección de datos: La entrevista cualitativa se erige como
una herramienta flexible y poderosa para explorar en profundidad las experiencias subjetivas de
los analistas. Según Ñaupas et al. (2019), esta técnica se adapta a las particularidades de cada
contexto, permitiendo una comprensión profunda y contextualizada de los fenómenos estudiados
(Creswell, 2019). González & Pérez (2021) resaltan su utilidad para abordar temas complejos,
mientras Kvale & Brinkmann (2020) enfatizan la importancia de las habilidades del entrevistador
para construir una relación de confianza. La guía de entrevista, como instrumento flexible,
permite adaptar las preguntas a cada sesión, combinando estructura predefinida con exploración
de temas emergentes (Sánchez & López, 2022). Martínez et al. (2023) subrayan la necesidad de
ajustar la guía durante la entrevista, mientras Merriam y Tisdell (2019) destacan su contribución
a la validez y confiabilidad de los resultados.
El análisis de datos es un proceso iterativo y reflexivo, edifica teorías fundamentadas en
la evidencia empírica. Hernández-Sampieri y Mendoza (2018) resaltan la inmersión profunda en
los datos textuales para identificar patrones y categorías que sustenten una comprensión teórica
robusta. Ñaupas et al. (2019) enfatizan la postura teórica del investigador para trascender la
descripción y construir explicaciones causales contextualizadas. Sánchez (2018) subraya la
triangulación para robustecer la validez, y Martínez & López (2023) añaden la crucial
consideración del contexto sociocultural en la interpretación de significados. Para el análisis de
las entrevistas a especialistas, se empleó el software cualitativo ATLAS.ti, facilitando la
identificación de congruencias, coincidencias y discrepancias.
La ética en la investigación cualitativa es un pilar fundamental para la construcción de
conocimiento válido y confiable. Hernández-Sampieri et al. (2018) y Tracy (2021) y Creswell &
Poth (2018) subrayan la importancia del consentimiento informado y la confidencialidad para
proteger los derechos de los participantes y fomentar un ambiente de confianza. Guillemin &
Gillam (2004) añaden que es esencial reflexionar sobre las implicaciones éticas de la relación
investigador-analista TICs, reconociendo las posibles asimetrías de poder y tomando medidas
para minimizarlas. Un enfoque ético no solo garantiza la integridad de la investigación, sino que
también contribuye a la construcción de relaciones basadas en el respeto mutuo, lo que a su vez
facilita la obtención de datos más ricos y auténticos.
RESULTADOS
Los resultados de las entrevistas a cuatro especialistas en TIC destacan el rol crucial de la
inteligencia artificial en la lucha contra la criminalidad. Ellos enfatizaron que la IA fortalece
significativamente la toma de decisiones estratégicas en las fuerzas policiales. Esta capacidad de
análisis avanzado permite orientar las estrategias de manera más efectiva, optimizando la lucha
contra el crimen y mejorando la seguridad ciudadana.
Vol. 12/ Núm. 2 2025 pág. 680
Figura 1
Nube de palabras
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
La nube de palabras evidencia términos clave como "criminalidad", "inteligencia
artificial" y "tecnologías contra", destacando el enfoque en el uso de IA para combatir el delito.
Conceptos como "herramientas", "algoritmos" y "sistemas" subrayan la dimensión técnica de la
investigación, mientras que "vigilancia", "delitos" y "robos" reflejan su aplicación operativa en
seguridad pública. La presencia de "datos históricos" y "patrones" sugiere el empleo de
aprendizaje automático para detectar tendencias delictivas, consolidando un marco analítico que
integra tecnología y estrategias preventivas para abordar la criminalidad de manera inteligente y
focalizada.
Los especialistas coinciden en que las aplicaciones de Inteligencia Artificial fortalecen la
lucha contra la criminalidad; es prioritario, dada su capacidad para procesar grandes volúmenes
de datos e identificar patrones predictivos. La implementación de sistemas inteligentes en
vigilancia, análisis forense y optimización de recursos policiales demuestra su potencial
transformador. Sin embargo, advierten sobre la necesidad de abordar consideraciones éticas y de
privacidad, garantizando que estas tecnologías se utilicen con transparencia, equidad y respeto a
los derechos individuales, aspectos fundamentales para su legitimidad social y eficacia a largo
plazo.
Figura 1
Nube de palabras
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
La nube de palabras evidencia términos clave como "criminalidad", "inteligencia
artificial" y "tecnologías contra", destacando el enfoque en el uso de IA para combatir el delito.
Conceptos como "herramientas", "algoritmos" y "sistemas" subrayan la dimensión técnica de la
investigación, mientras que "vigilancia", "delitos" y "robos" reflejan su aplicación operativa en
seguridad pública. La presencia de "datos históricos" y "patrones" sugiere el empleo de
aprendizaje automático para detectar tendencias delictivas, consolidando un marco analítico que
integra tecnología y estrategias preventivas para abordar la criminalidad de manera inteligente y
focalizada.
Los especialistas coinciden en que las aplicaciones de Inteligencia Artificial fortalecen la
lucha contra la criminalidad; es prioritario, dada su capacidad para procesar grandes volúmenes
de datos e identificar patrones predictivos. La implementación de sistemas inteligentes en
vigilancia, análisis forense y optimización de recursos policiales demuestra su potencial
transformador. Sin embargo, advierten sobre la necesidad de abordar consideraciones éticas y de
privacidad, garantizando que estas tecnologías se utilicen con transparencia, equidad y respeto a
los derechos individuales, aspectos fundamentales para su legitimidad social y eficacia a largo
plazo.
Vol. 12/ Núm. 2 2025 pág. 681
Figura 2
Diagrama de Sankey
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
El diagrama de Sankey, basado en entrevistas a especialistas en TIC’s, revela un flujo
significativo desde diversas fuentes de "Datos masivos" y "Big Data" hacia la "Inteligencia
artificial". Esta convergencia alimenta directamente la "Predicción y prevención del delito" y la
"Videovigilancia". Se observa una fuerte conexión entre la IA y la mejora de la "Eficacia
operativa" y la capacidad de "Identificar patrones delictivos". Los especialistas enfatizan cómo el
análisis avanzado de datos a través de las aplicaciones de IA fortalece las estrategias policiales,
permitiendo una toma de decisiones más informada y una asignación de recursos más eficiente
en la lucha contra la criminalidad, aunque también señalan la necesidad de considerar
"Limitaciones" y "Derechos individuales".
Figura 2
Diagrama de Sankey
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
El diagrama de Sankey, basado en entrevistas a especialistas en TIC’s, revela un flujo
significativo desde diversas fuentes de "Datos masivos" y "Big Data" hacia la "Inteligencia
artificial". Esta convergencia alimenta directamente la "Predicción y prevención del delito" y la
"Videovigilancia". Se observa una fuerte conexión entre la IA y la mejora de la "Eficacia
operativa" y la capacidad de "Identificar patrones delictivos". Los especialistas enfatizan cómo el
análisis avanzado de datos a través de las aplicaciones de IA fortalece las estrategias policiales,
permitiendo una toma de decisiones más informada y una asignación de recursos más eficiente
en la lucha contra la criminalidad, aunque también señalan la necesidad de considerar
"Limitaciones" y "Derechos individuales".
Vol. 12/ Núm. 2 2025 pág. 682
Figura 3
Diagrama de Redes
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
Figura 3
Diagrama de Redes
Nota: datos obtenidos del análisis de las entrevistas en el Software Atlas.ti.
Vol. 12/ Núm. 1 2025 pág. 683
El diagrama de redes evidencia un consenso sólido entre especialistas sobre el papel central de
las aplicaciones de inteligencia artificial (IA) en el combate a la criminalidad, vinculándose
directamente con nodos como "Análisis de datos", "Predicciones" y "Vigilancia inteligente", lo que
refleja su utilidad para identificar tendencias y anticipar delitos. Su asociación con "Optimización
operativa policial" y "Herramientas" demuestra una visión unificada sobre cómo la IA mejora la
eficiencia institucional, mientras que su conexión con "Prevención del delito" y "Seguridad ciudadana"
subraya su potencial integral para fortalecer estrategias de seguridad pública.
Objetivo General: Analizar de qué manera las aplicaciones de inteligencia artificial fortalecen
lucha contra la criminalidad
Los entrevistados y especialistas coinciden en que la automatización de procesos en el Sistema
de Información Policial (SIPOL) mejora significativamente la precisión y eficiencia de la información
obtenida. Según AE1, al reducir el error humano y optimizar el flujo de trabajo, se logra una recolección
de datos más rápida y exacta, lo que se traduce en decisiones más informadas y efectivas. AE2 también
resalta que los sistemas automatizados permiten procesar información en tiempo real, identificando
patrones y conexiones que antes podrían pasar desapercibidos, lo que resulta en una reducción del
tiempo de procesamiento de información en aproximadamente un 70% con un nivel de precisión
superior al 95%.
Además, AE3 enfatiza que la automatización no solo aumenta la eficiencia, sino que también
permite una identificación temprana de amenazas. Los algoritmos pueden detectar anomalías y
tendencias que podrían ser difíciles de identificar para los analistas humanos, permitiendo así una
respuesta más ágil ante situaciones emergentes. AE4 complementa esta idea al señalar que la capacidad
de los sistemas automatizados para monitorear múltiples fuentes de información en tiempo real es
fundamental para detectar señales de alerta temprana de posibles amenazas, lo cual es crucial para la
protección de la sociedad.
Sin embargo, existen discrepancias sobre las limitaciones y desafíos asociados con la
implementación de estas tecnologías. AE1 menciona que, a pesar de los beneficios, hay una alta
inversión inicial y dependencia tecnológica que puede complicar su implementación a largo plazo. AE2
también destaca que la calidad del análisis depende críticamente de la calidad de los datos de entrada,
lo que puede ser un obstáculo significativo si no se gestionan adecuadamente. Además, AE3 señala el
riesgo de sesgo en los algoritmos como una preocupación importante, ya que esto podría llevar a
decisiones erróneas basadas en datos distorsionados.
Por otro lado, AE4 advierte sobre la necesidad continua de personal altamente capacitado para
supervisar y ajustar los procesos automatizados. Esto implica un desafío adicional en términos de
formación y actualización constante del personal ante la rápida evolución tecnológica. La interpretación
crítica de los resultados obtenidos por sistemas automatizados es esencial para asegurar que las
decisiones tomadas sean justas y efectivas, lo cual subraya la importancia del análisis humano
complementario a las capacidades tecnológicas.
El diagrama de redes evidencia un consenso sólido entre especialistas sobre el papel central de
las aplicaciones de inteligencia artificial (IA) en el combate a la criminalidad, vinculándose
directamente con nodos como "Análisis de datos", "Predicciones" y "Vigilancia inteligente", lo que
refleja su utilidad para identificar tendencias y anticipar delitos. Su asociación con "Optimización
operativa policial" y "Herramientas" demuestra una visión unificada sobre cómo la IA mejora la
eficiencia institucional, mientras que su conexión con "Prevención del delito" y "Seguridad ciudadana"
subraya su potencial integral para fortalecer estrategias de seguridad pública.
Objetivo General: Analizar de qué manera las aplicaciones de inteligencia artificial fortalecen
lucha contra la criminalidad
Los entrevistados y especialistas coinciden en que la automatización de procesos en el Sistema
de Información Policial (SIPOL) mejora significativamente la precisión y eficiencia de la información
obtenida. Según AE1, al reducir el error humano y optimizar el flujo de trabajo, se logra una recolección
de datos más rápida y exacta, lo que se traduce en decisiones más informadas y efectivas. AE2 también
resalta que los sistemas automatizados permiten procesar información en tiempo real, identificando
patrones y conexiones que antes podrían pasar desapercibidos, lo que resulta en una reducción del
tiempo de procesamiento de información en aproximadamente un 70% con un nivel de precisión
superior al 95%.
Además, AE3 enfatiza que la automatización no solo aumenta la eficiencia, sino que también
permite una identificación temprana de amenazas. Los algoritmos pueden detectar anomalías y
tendencias que podrían ser difíciles de identificar para los analistas humanos, permitiendo así una
respuesta más ágil ante situaciones emergentes. AE4 complementa esta idea al señalar que la capacidad
de los sistemas automatizados para monitorear múltiples fuentes de información en tiempo real es
fundamental para detectar señales de alerta temprana de posibles amenazas, lo cual es crucial para la
protección de la sociedad.
Sin embargo, existen discrepancias sobre las limitaciones y desafíos asociados con la
implementación de estas tecnologías. AE1 menciona que, a pesar de los beneficios, hay una alta
inversión inicial y dependencia tecnológica que puede complicar su implementación a largo plazo. AE2
también destaca que la calidad del análisis depende críticamente de la calidad de los datos de entrada,
lo que puede ser un obstáculo significativo si no se gestionan adecuadamente. Además, AE3 señala el
riesgo de sesgo en los algoritmos como una preocupación importante, ya que esto podría llevar a
decisiones erróneas basadas en datos distorsionados.
Por otro lado, AE4 advierte sobre la necesidad continua de personal altamente capacitado para
supervisar y ajustar los procesos automatizados. Esto implica un desafío adicional en términos de
formación y actualización constante del personal ante la rápida evolución tecnológica. La interpretación
crítica de los resultados obtenidos por sistemas automatizados es esencial para asegurar que las
decisiones tomadas sean justas y efectivas, lo cual subraya la importancia del análisis humano
complementario a las capacidades tecnológicas.
Vol. 12/ Núm. 1 2025 pág. 684
Objetivo específico 1: Analizar de qué manera la predicción y prevención del delito fortalecen
lucha contra la criminalidad
Los especialistas AE1 y AE4 coinciden en que la inteligencia artificial (IA) ha transformado
significativamente las estrategias de lucha contra la criminalidad al permitir un análisis más profundo
y en tiempo real de grandes volúmenes de datos. Ambos destacan que esta capacidad para identificar
patrones delictivos y prever incidentes optimiza la asignación de recursos policiales, lo que resulta en
una respuesta más rápida y efectiva ante actividades delictivas. AE1 menciona específicamente cómo
la IA ayuda a anticipar delitos antes de que ocurran, mientras que AE4 enfatiza el uso de modelos
predictivos para identificar áreas y momentos de mayor riesgo, lo que permite prevenir delitos de
manera más eficiente.
Asimismo, AE2 y AE3 también resaltan la importancia de la IA en la mejora de las operaciones
policiales. AE2 señala que el análisis de grandes volúmenes de datos permite prever incidentes, mientras
que AE3 destaca cómo esta tecnología libera a los agentes para enfocarse en construir relaciones con la
comunidad. Ambos especialistas subrayan que el uso de algoritmos predictivos no solo mejora la
eficacia operativa, sino que también permite una asignación más estratégica de los recursos,
fortaleciendo así la lucha contra la criminalidad.
A pesar del consenso sobre los beneficios de la inteligencia artificial en la lucha contra la
criminalidad, los especialistas presentan discrepancias significativas en cuanto a los desafíos éticos
asociados con su implementación. Por ejemplo, AE1 enfatiza el riesgo de invasión a la privacidad
debido al uso de tecnologías como el reconocimiento facial y la vigilancia masiva, mientras que AE2
se centra en el problema del sesgo algorítmico que puede resultar en discriminación hacia ciertas
comunidades. Esta diferencia resalta cómo cada especialista prioriza distintos aspectos del impacto
ético de la IA en las operaciones policiales.
Además, AE3 y AE4 abordan el tema de la transparencia desde perspectivas diferentes.
Mientras que AE3 menciona políticas rigurosas sobre el acceso y uso de datos recopilados mediante IA,
AE4 se enfoca más en establecer protocolos claros para garantizar un uso responsable y justo. Esta
discrepancia sugiere diferentes enfoques sobre cómo implementar mecanismos efectivos para asegurar
la rendición de cuentas y la confianza pública en el uso de tecnologías avanzadas dentro del ámbito
policial.
Objetivo específico 2: Analizar de qué manera la vigilancia inteligente fortalece lucha contra la
criminalidad
Los entrevistados coinciden en que las herramientas de predicción del delito basadas en
algoritmos y aprendizaje automático son fundamentales para fortalecer la lucha contra la criminalidad.
AE1 destaca que estas herramientas permiten identificar patrones ocultos en los datos históricos y en
tiempo real, lo que facilita una respuesta proactiva ante posibles delitos. AE2 complementa esta idea al
mencionar que el análisis espacial y el uso de reconocimiento facial han sido cruciales para identificar
delincuentes en situaciones críticas, lo que permite una intervención más oportuna y efectiva. Esta
Objetivo específico 1: Analizar de qué manera la predicción y prevención del delito fortalecen
lucha contra la criminalidad
Los especialistas AE1 y AE4 coinciden en que la inteligencia artificial (IA) ha transformado
significativamente las estrategias de lucha contra la criminalidad al permitir un análisis más profundo
y en tiempo real de grandes volúmenes de datos. Ambos destacan que esta capacidad para identificar
patrones delictivos y prever incidentes optimiza la asignación de recursos policiales, lo que resulta en
una respuesta más rápida y efectiva ante actividades delictivas. AE1 menciona específicamente cómo
la IA ayuda a anticipar delitos antes de que ocurran, mientras que AE4 enfatiza el uso de modelos
predictivos para identificar áreas y momentos de mayor riesgo, lo que permite prevenir delitos de
manera más eficiente.
Asimismo, AE2 y AE3 también resaltan la importancia de la IA en la mejora de las operaciones
policiales. AE2 señala que el análisis de grandes volúmenes de datos permite prever incidentes, mientras
que AE3 destaca cómo esta tecnología libera a los agentes para enfocarse en construir relaciones con la
comunidad. Ambos especialistas subrayan que el uso de algoritmos predictivos no solo mejora la
eficacia operativa, sino que también permite una asignación más estratégica de los recursos,
fortaleciendo así la lucha contra la criminalidad.
A pesar del consenso sobre los beneficios de la inteligencia artificial en la lucha contra la
criminalidad, los especialistas presentan discrepancias significativas en cuanto a los desafíos éticos
asociados con su implementación. Por ejemplo, AE1 enfatiza el riesgo de invasión a la privacidad
debido al uso de tecnologías como el reconocimiento facial y la vigilancia masiva, mientras que AE2
se centra en el problema del sesgo algorítmico que puede resultar en discriminación hacia ciertas
comunidades. Esta diferencia resalta cómo cada especialista prioriza distintos aspectos del impacto
ético de la IA en las operaciones policiales.
Además, AE3 y AE4 abordan el tema de la transparencia desde perspectivas diferentes.
Mientras que AE3 menciona políticas rigurosas sobre el acceso y uso de datos recopilados mediante IA,
AE4 se enfoca más en establecer protocolos claros para garantizar un uso responsable y justo. Esta
discrepancia sugiere diferentes enfoques sobre cómo implementar mecanismos efectivos para asegurar
la rendición de cuentas y la confianza pública en el uso de tecnologías avanzadas dentro del ámbito
policial.
Objetivo específico 2: Analizar de qué manera la vigilancia inteligente fortalece lucha contra la
criminalidad
Los entrevistados coinciden en que las herramientas de predicción del delito basadas en
algoritmos y aprendizaje automático son fundamentales para fortalecer la lucha contra la criminalidad.
AE1 destaca que estas herramientas permiten identificar patrones ocultos en los datos históricos y en
tiempo real, lo que facilita una respuesta proactiva ante posibles delitos. AE2 complementa esta idea al
mencionar que el análisis espacial y el uso de reconocimiento facial han sido cruciales para identificar
delincuentes en situaciones críticas, lo que permite una intervención más oportuna y efectiva. Esta
Vol. 12/ Núm. 1 2025 pág. 685
sinergia entre los datos históricos y actuales es clave para anticipar comportamientos delictivos y
planificar estrategias preventivas.
Además, todos los especialistas subrayan la importancia de integrar datos históricos con
información actual para mejorar la precisión de las predicciones. AE3 menciona que esta integración
no solo se basa en tasas de criminalidad pasadas, sino también en factores demográficos y sociales, lo
que permite ajustar las estrategias operativas a las tendencias emergentes. AE4 refuerza esta idea al
señalar que el aprendizaje automático permite a los sistemas adaptarse continuamente a nuevos datos,
mejorando su efectividad a lo largo del tiempo. En conjunto, estas coincidencias resaltan cómo la
vigilancia inteligente puede transformar la manera en que las fuerzas del orden abordan la criminalidad.
A pesar de las coincidencias, existen diferencias en las perspectivas sobre la efectividad y
aplicación de las herramientas predictivas. Por ejemplo, AE3 enfatiza el uso de patrones contextuales
para prever comportamientos delictivos, sugiriendo un enfoque más holístico que va más allá de los
datos históricos y actuales. Esto implica que, aunque los algoritmos son útiles, su eficacia podría
depender de un entendimiento más profundo del contexto social y cultural en el que se aplican. En
contraste, AE1 se centra más en la capacidad técnica de los algoritmos sin mencionar explícitamente el
contexto, lo que podría limitar la comprensión completa del fenómeno delictivo.
Otra discrepancia notable se encuentra en la interpretación del éxito de las intervenciones
basadas en predicciones. AE2 presenta un caso específico donde la intervención fue exitosa durante una
festividad local, pero no aborda cómo se midió esa efectividad más allá de la reducción de incidentes.
Por otro lado, AE4 proporciona un análisis más detallado al mencionar un festival cultural y cómo se
utilizaron datos históricos para identificar puntos críticos específicos. Esta diferencia sugiere que
mientras algunos especialistas pueden ver resultados positivos en términos generales, otros abogan por
una evaluación más crítica y contextualizada de los resultados obtenidos mediante estas herramientas
predictivas.
Objetivo específico 3: Analizar de qué manera los análisis de datos fortalecen lucha contra la
criminalidad
Los entrevistados coinciden en que las tecnologías de videovigilancia inteligente, como el
reconocimiento facial y el análisis de comportamiento, son herramientas clave para fortalecer la lucha
contra la criminalidad. AE1 y AE2 enfatizan que estas tecnologías permiten una respuesta más rápida
ante incidentes, mejorando tanto la capacidad operativa de las fuerzas del orden como la recopilación
de evidencia para investigaciones posteriores. AE3 también destaca que el uso de sistemas avanzados
con capacidades de IA no solo mejora la vigilancia continua, sino que proporciona pruebas cruciales
que pueden ser utilizadas en procesos judiciales. Esta sinergia entre tecnología y análisis de datos es
fundamental para disuadir actividades delictivas y aumentar la seguridad pública.
Además, todos los especialistas mencionan una reducción notable en ciertos tipos de delitos
tras la implementación de estos sistemas. AE4 señala que, específicamente, se ha observado una
disminución del 25% en robos a mano armada y vandalismo en áreas donde se han instalado cámaras
sinergia entre los datos históricos y actuales es clave para anticipar comportamientos delictivos y
planificar estrategias preventivas.
Además, todos los especialistas subrayan la importancia de integrar datos históricos con
información actual para mejorar la precisión de las predicciones. AE3 menciona que esta integración
no solo se basa en tasas de criminalidad pasadas, sino también en factores demográficos y sociales, lo
que permite ajustar las estrategias operativas a las tendencias emergentes. AE4 refuerza esta idea al
señalar que el aprendizaje automático permite a los sistemas adaptarse continuamente a nuevos datos,
mejorando su efectividad a lo largo del tiempo. En conjunto, estas coincidencias resaltan cómo la
vigilancia inteligente puede transformar la manera en que las fuerzas del orden abordan la criminalidad.
A pesar de las coincidencias, existen diferencias en las perspectivas sobre la efectividad y
aplicación de las herramientas predictivas. Por ejemplo, AE3 enfatiza el uso de patrones contextuales
para prever comportamientos delictivos, sugiriendo un enfoque más holístico que va más allá de los
datos históricos y actuales. Esto implica que, aunque los algoritmos son útiles, su eficacia podría
depender de un entendimiento más profundo del contexto social y cultural en el que se aplican. En
contraste, AE1 se centra más en la capacidad técnica de los algoritmos sin mencionar explícitamente el
contexto, lo que podría limitar la comprensión completa del fenómeno delictivo.
Otra discrepancia notable se encuentra en la interpretación del éxito de las intervenciones
basadas en predicciones. AE2 presenta un caso específico donde la intervención fue exitosa durante una
festividad local, pero no aborda cómo se midió esa efectividad más allá de la reducción de incidentes.
Por otro lado, AE4 proporciona un análisis más detallado al mencionar un festival cultural y cómo se
utilizaron datos históricos para identificar puntos críticos específicos. Esta diferencia sugiere que
mientras algunos especialistas pueden ver resultados positivos en términos generales, otros abogan por
una evaluación más crítica y contextualizada de los resultados obtenidos mediante estas herramientas
predictivas.
Objetivo específico 3: Analizar de qué manera los análisis de datos fortalecen lucha contra la
criminalidad
Los entrevistados coinciden en que las tecnologías de videovigilancia inteligente, como el
reconocimiento facial y el análisis de comportamiento, son herramientas clave para fortalecer la lucha
contra la criminalidad. AE1 y AE2 enfatizan que estas tecnologías permiten una respuesta más rápida
ante incidentes, mejorando tanto la capacidad operativa de las fuerzas del orden como la recopilación
de evidencia para investigaciones posteriores. AE3 también destaca que el uso de sistemas avanzados
con capacidades de IA no solo mejora la vigilancia continua, sino que proporciona pruebas cruciales
que pueden ser utilizadas en procesos judiciales. Esta sinergia entre tecnología y análisis de datos es
fundamental para disuadir actividades delictivas y aumentar la seguridad pública.
Además, todos los especialistas mencionan una reducción notable en ciertos tipos de delitos
tras la implementación de estos sistemas. AE4 señala que, específicamente, se ha observado una
disminución del 25% en robos a mano armada y vandalismo en áreas donde se han instalado cámaras
Vol. 12/ Núm. 1 2025 pág. 686
inteligentes. Esto resalta cómo la combinación del monitoreo constante y las capacidades analíticas no
solo actúa como un disuasivo efectivo, sino que también permite a las fuerzas del orden actuar con
mayor eficacia en situaciones delictivas. En conjunto, estas coincidencias subrayan el papel crítico que
juegan los análisis de datos en la mejora de las estrategias policiales.
A pesar de las coincidencias, existen diferencias en cuanto a cómo se manejan las
preocupaciones sobre la privacidad en relación con el uso de sistemas de vigilancia inteligente. AE1 y
AE2 destacan la implementación de políticas estrictas sobre el almacenamiento y acceso a los datos
recopilados, pero mientras AE1 menciona la importancia de informar al público sobre los beneficios de
estas tecnologías, AE2 enfatiza el anonimato en los datos utilizados para análisis. Esta diferencia sugiere
que algunos especialistas pueden enfocarse más en la transparencia hacia la comunidad, mientras que
otros priorizan medidas técnicas específicas para proteger la privacidad.
Otra discrepancia notable se presenta en cómo se percibe el impacto general de estas tecnologías
en la seguridad pública. Mientras que AE3 menciona una reducción significativa en delitos como robos
y vandalismo, lo hace sin proporcionar cifras concretas o ejemplos específicos. En contraste, AE4
presenta datos cuantitativos claros sobre una disminución del 25% en delitos tras implementar
tecnologías basadas en IA. Esta diferencia puede indicar un enfoque más anecdótico frente a uno basado
en métricas precisas, lo que podría influir en cómo se evalúa la efectividad general de las herramientas
analíticas en la lucha contra la criminalidad.
CONCLUSIONES
Primera: Las aplicaciones de inteligencia artificial han demostrado ser un recurso valioso al
mejorar la precisión y eficiencia del Sistema de Inteligencia Policial (SIPOL), automatizando la
recolección de datos para decisiones más informadas. Sin embargo, persisten desafíos como la
dependencia tecnológica, la calidad de los datos y el riesgo de sesgo algorítmico. Por ello, es crucial
integrar estas capacidades con supervisión humana adecuada para garantizar resultados justos y
efectivos en seguridad pública.
Segunda: La inteligencia artificial ha transformado la predicción y prevención del delito
mediante el análisis en tiempo real de grandes volúmenes de datos, optimizando la asignación de
recursos policiales y mejorando la eficacia operativa. Esta tecnología permite anticipar delitos y enfocar
esfuerzos en áreas de alto riesgo, aunque persisten desafíos éticos como la invasión a la privacidad y el
sesgo algorítmico, lo que exige políticas claras y mecanismos de rendición de cuentas para garantizar
su uso responsable en la lucha contra la criminalidad.
Tercera: La vigilancia inteligente, respaldada por herramientas predictivas y aprendizaje
automático, se ha convertido en un recurso clave contra la criminalidad. Los especialistas coinciden en
que integrar datos históricos y actuales permite identificar patrones delictivos y anticipar conductas,
facilitando intervenciones efectivas. Sin embargo, las diferencias en su aplicación subrayan la necesidad
inteligentes. Esto resalta cómo la combinación del monitoreo constante y las capacidades analíticas no
solo actúa como un disuasivo efectivo, sino que también permite a las fuerzas del orden actuar con
mayor eficacia en situaciones delictivas. En conjunto, estas coincidencias subrayan el papel crítico que
juegan los análisis de datos en la mejora de las estrategias policiales.
A pesar de las coincidencias, existen diferencias en cuanto a cómo se manejan las
preocupaciones sobre la privacidad en relación con el uso de sistemas de vigilancia inteligente. AE1 y
AE2 destacan la implementación de políticas estrictas sobre el almacenamiento y acceso a los datos
recopilados, pero mientras AE1 menciona la importancia de informar al público sobre los beneficios de
estas tecnologías, AE2 enfatiza el anonimato en los datos utilizados para análisis. Esta diferencia sugiere
que algunos especialistas pueden enfocarse más en la transparencia hacia la comunidad, mientras que
otros priorizan medidas técnicas específicas para proteger la privacidad.
Otra discrepancia notable se presenta en cómo se percibe el impacto general de estas tecnologías
en la seguridad pública. Mientras que AE3 menciona una reducción significativa en delitos como robos
y vandalismo, lo hace sin proporcionar cifras concretas o ejemplos específicos. En contraste, AE4
presenta datos cuantitativos claros sobre una disminución del 25% en delitos tras implementar
tecnologías basadas en IA. Esta diferencia puede indicar un enfoque más anecdótico frente a uno basado
en métricas precisas, lo que podría influir en cómo se evalúa la efectividad general de las herramientas
analíticas en la lucha contra la criminalidad.
CONCLUSIONES
Primera: Las aplicaciones de inteligencia artificial han demostrado ser un recurso valioso al
mejorar la precisión y eficiencia del Sistema de Inteligencia Policial (SIPOL), automatizando la
recolección de datos para decisiones más informadas. Sin embargo, persisten desafíos como la
dependencia tecnológica, la calidad de los datos y el riesgo de sesgo algorítmico. Por ello, es crucial
integrar estas capacidades con supervisión humana adecuada para garantizar resultados justos y
efectivos en seguridad pública.
Segunda: La inteligencia artificial ha transformado la predicción y prevención del delito
mediante el análisis en tiempo real de grandes volúmenes de datos, optimizando la asignación de
recursos policiales y mejorando la eficacia operativa. Esta tecnología permite anticipar delitos y enfocar
esfuerzos en áreas de alto riesgo, aunque persisten desafíos éticos como la invasión a la privacidad y el
sesgo algorítmico, lo que exige políticas claras y mecanismos de rendición de cuentas para garantizar
su uso responsable en la lucha contra la criminalidad.
Tercera: La vigilancia inteligente, respaldada por herramientas predictivas y aprendizaje
automático, se ha convertido en un recurso clave contra la criminalidad. Los especialistas coinciden en
que integrar datos históricos y actuales permite identificar patrones delictivos y anticipar conductas,
facilitando intervenciones efectivas. Sin embargo, las diferencias en su aplicación subrayan la necesidad
Vol. 12/ Núm. 1 2025 pág. 687
de contextualizar estas herramientas en entornos sociales y culturales específicos para maximizar su
eficacia, requiriendo un análisis crítico que evalúe su impacto real en la seguridad pública.
Cuarta: La videovigilancia inteligente y el análisis de datos han demostrado ser clave en la lucha
contra la criminalidad, permitiendo respuestas rápidas y eficaces. Los especialistas coinciden en que
estas herramientas actúan como disuasivos y facilitan la recolección de evidencia crucial para procesos
judiciales. Sin embargo, las diferencias en el manejo de la privacidad y la evaluación de su impacto
exigen un enfoque equilibrado que combine transparencia con medidas técnicas para maximizar su
efectividad y aceptación pública.
de contextualizar estas herramientas en entornos sociales y culturales específicos para maximizar su
eficacia, requiriendo un análisis crítico que evalúe su impacto real en la seguridad pública.
Cuarta: La videovigilancia inteligente y el análisis de datos han demostrado ser clave en la lucha
contra la criminalidad, permitiendo respuestas rápidas y eficaces. Los especialistas coinciden en que
estas herramientas actúan como disuasivos y facilitan la recolección de evidencia crucial para procesos
judiciales. Sin embargo, las diferencias en el manejo de la privacidad y la evaluación de su impacto
exigen un enfoque equilibrado que combine transparencia con medidas técnicas para maximizar su
efectividad y aceptación pública.
Vol. 12/ Núm. 1 2025 pág. 688
REFERENCIAS
Acevedo Vásquez, D. P., Soto Palomino, Y., & Virhuez Cerna, F. E. (2022). Criminalidad organizada,
lavado de activos y extinción de dominio en el Perú.
Alcívar, Y. A. (2025). Estrategias innovadoras en seguridad y tecnología para la prevención del crimen
organizado y el narcotráfico. Bastcorp International Journal, 4(1), 391-406.
Alvarez, M. B. P. (2024). El uso de la inteligencia artificial en la investigación criminal. Polo del
Conocimiento, 9(12), 2236-2244.
Aranzabal Carazas, Y. (2024). Robo agravado y nivel de vigilancia policial, de acuerdo con la
perspectiva de expertos en derecho, Madre de Dios, 2024.
Ayala, V. P. R. (2020). Criminalidad organizada y asociación criminal vigentes en la legislación
nacional. Revista jurídica. Investigación en ciencias jurídicas y sociales, 2(10), 67-78.
Barragán-Huamán, H. Y., Cataño-Añazco, K. E., Sevincha-Chacabana, M. A., & Vargas-Salas, O.
(2023). La inteligencia artificial y la video-vigilancia en la predicción y detección de delitos en
espacio-tiempo: una revisión sistemática. Revista Criminalidad, 65(1), 11-25.
Babbie, E. (2020). la práctica de la investigación social, (15th ed.) Editorial Cengage Learning.
Cabrera, R. F. (2022). La inteligencia artificial para prevenir la corrupción. Revista de Investigación
Científica, 1(1), 115-125.
Caro, C. A. H., Pino, R. C., Castillo, M. Á. C., & Solís-Castillo, J. C. (2025). Sistemas de vigilancia
basados en inteligencia artificial en la prevención del delito en Perú. Revista Escpogra PNP, 4(2),
159-181.
Castañeda Mota, M. M. (2022). La cientificidad de metodologías cuantitativa, cualitativa y emergentes.
Revista Digital de Investigación en Docencia Universitaria, 16(1).
Castro, C. M. (2024). Luces y sombras de la inteligencia artificial: ética, crimen organizado, justicia,
industria cultural y minimalismo cognitivo. Revista Estudios, 75-101.
CIECIEM. (2023). Aplicaciones de la inteligencia artificial en la criminología y ciencias policiales.
Creswell, J. W. (2019). Research design: Qualitative, quantitative, and mixed methods approaches. Sage
Publications.
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry & research design: Choosing among five
approaches (4th ed.). SAGE Publications.
de la Peña, A. F. R., Chavez, J. M. S., Salvador, J. L. A., Muñoz, E. H., & Salvatierra, E. R. D. (2024).
La Inteligencia Artificial en la Lucha Contra el Crimen Organizado. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 2144-2158.
Díaz, M. R. O., Pabón, R. M., & Ceballos, A. B. M. (2025). Percepción de la inteligencia artificial en
la lucha contra la corrupción: una exploración al caso del Estado de Colombia. Revista Opera,
(36), 7-45.
REFERENCIAS
Acevedo Vásquez, D. P., Soto Palomino, Y., & Virhuez Cerna, F. E. (2022). Criminalidad organizada,
lavado de activos y extinción de dominio en el Perú.
Alcívar, Y. A. (2025). Estrategias innovadoras en seguridad y tecnología para la prevención del crimen
organizado y el narcotráfico. Bastcorp International Journal, 4(1), 391-406.
Alvarez, M. B. P. (2024). El uso de la inteligencia artificial en la investigación criminal. Polo del
Conocimiento, 9(12), 2236-2244.
Aranzabal Carazas, Y. (2024). Robo agravado y nivel de vigilancia policial, de acuerdo con la
perspectiva de expertos en derecho, Madre de Dios, 2024.
Ayala, V. P. R. (2020). Criminalidad organizada y asociación criminal vigentes en la legislación
nacional. Revista jurídica. Investigación en ciencias jurídicas y sociales, 2(10), 67-78.
Barragán-Huamán, H. Y., Cataño-Añazco, K. E., Sevincha-Chacabana, M. A., & Vargas-Salas, O.
(2023). La inteligencia artificial y la video-vigilancia en la predicción y detección de delitos en
espacio-tiempo: una revisión sistemática. Revista Criminalidad, 65(1), 11-25.
Babbie, E. (2020). la práctica de la investigación social, (15th ed.) Editorial Cengage Learning.
Cabrera, R. F. (2022). La inteligencia artificial para prevenir la corrupción. Revista de Investigación
Científica, 1(1), 115-125.
Caro, C. A. H., Pino, R. C., Castillo, M. Á. C., & Solís-Castillo, J. C. (2025). Sistemas de vigilancia
basados en inteligencia artificial en la prevención del delito en Perú. Revista Escpogra PNP, 4(2),
159-181.
Castañeda Mota, M. M. (2022). La cientificidad de metodologías cuantitativa, cualitativa y emergentes.
Revista Digital de Investigación en Docencia Universitaria, 16(1).
Castro, C. M. (2024). Luces y sombras de la inteligencia artificial: ética, crimen organizado, justicia,
industria cultural y minimalismo cognitivo. Revista Estudios, 75-101.
CIECIEM. (2023). Aplicaciones de la inteligencia artificial en la criminología y ciencias policiales.
Creswell, J. W. (2019). Research design: Qualitative, quantitative, and mixed methods approaches. Sage
Publications.
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry & research design: Choosing among five
approaches (4th ed.). SAGE Publications.
de la Peña, A. F. R., Chavez, J. M. S., Salvador, J. L. A., Muñoz, E. H., & Salvatierra, E. R. D. (2024).
La Inteligencia Artificial en la Lucha Contra el Crimen Organizado. Ciencia Latina Revista
Científica Multidisciplinar, 8(4), 2144-2158.
Díaz, M. R. O., Pabón, R. M., & Ceballos, A. B. M. (2025). Percepción de la inteligencia artificial en
la lucha contra la corrupción: una exploración al caso del Estado de Colombia. Revista Opera,
(36), 7-45.
Vol. 12/ Núm. 1 2025 pág. 689
Dignum, V. (2023, January). Responsible Artificial Intelligence---From Principles to Practice: A
Keynote at TheWebConf 2022. In ACM SIGIR Forum (Vol. 56, No. 1, pp. 1-6). New York, NY,
USA: ACM.
Drammeh, S. (2022). Sistema Inteligente De Transporte: Control De Carretera Basado en
Videovigilancia con Sistema Raspberry Pi.
Faneite, S. F. A. (2023). Los enfoques de investigación en las Ciencias Sociales. Revista
Latinoamericana Ogmios, 3(8), 82-95.
Gaona Jimenez, M. J. (2024). La Inteligencia artificial en la investigación y prevención del delito.
Gangi Guillén, G. K. V. (2023). Dinámicas migratorias en la frontera colombo-venezolana y su relación
con la criminalidad transnacional. Revista Científica General José María Córdova, 21(44), 906-
924.
García, G. S., Irala, F., & Salazar, B. P. (2020). Criminalidad, desviación y divergencia. Una nueva
cosmovisión en la criminología del sur. Revista latinoamericana de sociología jurídica, 1(1), 17.
Garrido, L. Y. C., Vargas, E. V. Z., & Chávez, R. O. T. (2025). Uso de inteligencia artificial, drones y
biometría en las operaciones policiales: una revisión sistemática de sus implicaciones éticas y
legales. Revista Escpogra PNP, 4(2), 45-61.
Gavilán, M. B. (2023). Expansión de la criminalidad organizada (CO) en las regiones Centro-Norte de
Italia: un estudio de caso. Política y Gobernanza. Revista de Investigaciones y Análisis Político,
(7), 121-151.
González-Vega, A. M. del C., Molina Sánchez, R., López Salazar, A., & López Salazar, G. L. (2022).
La entrevista cualitativa como técnica de investigación en el estudio de las organizaciones. New
Trends in Qualitative Research, 14, e571.
Guillemin, M., & Gillam, L. (2004). Ethics, reflexivity, and "ethically important moments" in research.
Qualitative Inquiry, 10(2), 261-280.
Guzmán, S. I. V., & Casteleiro, A. O. (2022). Acciones para combatir el impacto del crimen en el
ciberespacio. Prevención y detección con la Inteligencia Artificial. Studia Prawnicze: rozprawy
i materiały, 30(1), 15-24.
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
Jaulis Rua, J. J., & Vilcarromero Giraldo, J. R. (2015). Sistema de predicción de hechos delictivos para
la mejora del proceso de prevención del delito en el distrito de La Molina utilizando minería de
datos.
Jorge, M. M., Aragon, J. I. P., & Gonzales, C. M. C. (2023). El Uso de herramientas tecnológicas para
la prevención del crimen. Revista Escpogra PNP, 3(1), 34-43.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: A critical review of the role of artificial
intelligence in marketing. Business Horizons, 62(1), 15-25.
Dignum, V. (2023, January). Responsible Artificial Intelligence---From Principles to Practice: A
Keynote at TheWebConf 2022. In ACM SIGIR Forum (Vol. 56, No. 1, pp. 1-6). New York, NY,
USA: ACM.
Drammeh, S. (2022). Sistema Inteligente De Transporte: Control De Carretera Basado en
Videovigilancia con Sistema Raspberry Pi.
Faneite, S. F. A. (2023). Los enfoques de investigación en las Ciencias Sociales. Revista
Latinoamericana Ogmios, 3(8), 82-95.
Gaona Jimenez, M. J. (2024). La Inteligencia artificial en la investigación y prevención del delito.
Gangi Guillén, G. K. V. (2023). Dinámicas migratorias en la frontera colombo-venezolana y su relación
con la criminalidad transnacional. Revista Científica General José María Córdova, 21(44), 906-
924.
García, G. S., Irala, F., & Salazar, B. P. (2020). Criminalidad, desviación y divergencia. Una nueva
cosmovisión en la criminología del sur. Revista latinoamericana de sociología jurídica, 1(1), 17.
Garrido, L. Y. C., Vargas, E. V. Z., & Chávez, R. O. T. (2025). Uso de inteligencia artificial, drones y
biometría en las operaciones policiales: una revisión sistemática de sus implicaciones éticas y
legales. Revista Escpogra PNP, 4(2), 45-61.
Gavilán, M. B. (2023). Expansión de la criminalidad organizada (CO) en las regiones Centro-Norte de
Italia: un estudio de caso. Política y Gobernanza. Revista de Investigaciones y Análisis Político,
(7), 121-151.
González-Vega, A. M. del C., Molina Sánchez, R., López Salazar, A., & López Salazar, G. L. (2022).
La entrevista cualitativa como técnica de investigación en el estudio de las organizaciones. New
Trends in Qualitative Research, 14, e571.
Guillemin, M., & Gillam, L. (2004). Ethics, reflexivity, and "ethically important moments" in research.
Qualitative Inquiry, 10(2), 261-280.
Guzmán, S. I. V., & Casteleiro, A. O. (2022). Acciones para combatir el impacto del crimen en el
ciberespacio. Prevención y detección con la Inteligencia Artificial. Studia Prawnicze: rozprawy
i materiały, 30(1), 15-24.
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill Interamericana.
Jaulis Rua, J. J., & Vilcarromero Giraldo, J. R. (2015). Sistema de predicción de hechos delictivos para
la mejora del proceso de prevención del delito en el distrito de La Molina utilizando minería de
datos.
Jorge, M. M., Aragon, J. I. P., & Gonzales, C. M. C. (2023). El Uso de herramientas tecnológicas para
la prevención del crimen. Revista Escpogra PNP, 3(1), 34-43.
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: A critical review of the role of artificial
intelligence in marketing. Business Horizons, 62(1), 15-25.
Vol. 12/ Núm. 1 2025 pág. 690
Kvale, S., & Brinkmann, S. (2020). InterViews: Learning the craft of qualitative research interviewing.
Sage publications.
López, P., & Martínez, F. (2022). La investigación cualitativa como enfoque para la investigación
criminal. Revista Ciencia & Sociedad, 47(1), 9-24.
López Riba, J. M. (2024). Inteligencia artificial y control policial: Cuestiones para un debate frente al
hype.
Lozada, E. L., Azuela, H. S., & Espino, E. R. (2024). Monitoreo inteligente para el cuidado de los
adultos mayores en sus hogares. ¿A dónde vas?: Aplicaciones de la IA a la Predicción del
Movimiento de Peatones.
Martínez, A., López, J., & García, R. (2023). Diseño y análisis en investigación cualitativa. Editorial
Universitaria.
Medina, M., Rojas, R., & Bustamante, W. (2023). Metodología de la investigación: Técnicas e
instrumentos de investigación. Instituto Universitario de Innovación Ciencia y Tecnología Inudi
Perú.
Mertens, D. M. (2020). Research and evaluation in education and psychology: Integrating diversity with
quantitative, qualitative, and mixed methods. Sage Publications.
Merriam, S. B., & Tisdell, E. J. (2019). Qualitative research: A guide to design and implementation (4th
ed.). Jossey-Bass.
Moreno, J. D. L., Soto, F. F. S., & Escaleras, Á. M. H. (2024). Revolucionando la Justicia: El impacto
de la Inteligencia Artificial en el Derecho Penal. Estudios y Perspectivas Revista Científica y
Académica, 4(3), 2155-2174.
Narváez Narváez, K. S., Alava Romero, C. D., & ESPOL, F. (2023). Implementación de un Sistema de
un VideoVigilancia con un método de Autenticación basado en cadena de bloques. ESPOL.
FIEC.
Ñaupas, J., López, A., & Martínez, C. (2019). Investigación cualitativa: Métodos y técnicas. Editorial
Universitaria.
Quintero Benavides, D. F., & Ruiz Omen, E. (2021). Sistema inteligente de video vigilancia para la
detección de caídas y monitorización de signos vitales (FC).
Pickett, JT (2019). Opinión pública y políticas de justicia penal: Teoría e investigación. Revista Anual
de Criminología, 2 (1), 405-428.
Pistilli, F. E. (2021). La videovigilancia como una herramienta de inteligencia aplicada a los negocios.
Las imágenes convertidas en datos y su uso.
Ramírez Mena, A. (2019). Plataforma para la prevención de delitos: entorno visual para el análisis y la
prevención de delitos
Reyes, W. F. P. (2024). La Evolución de la Criminalidad Organizada a Nivel Nacional y la Seguridad
Ciudadana. Revista de Ciencia e Investigación en Defensa, 5(1), 84-95.
Revista Summa. (2023). El rol de la Inteligencia Artificial en la prevención del delito.
Kvale, S., & Brinkmann, S. (2020). InterViews: Learning the craft of qualitative research interviewing.
Sage publications.
López, P., & Martínez, F. (2022). La investigación cualitativa como enfoque para la investigación
criminal. Revista Ciencia & Sociedad, 47(1), 9-24.
López Riba, J. M. (2024). Inteligencia artificial y control policial: Cuestiones para un debate frente al
hype.
Lozada, E. L., Azuela, H. S., & Espino, E. R. (2024). Monitoreo inteligente para el cuidado de los
adultos mayores en sus hogares. ¿A dónde vas?: Aplicaciones de la IA a la Predicción del
Movimiento de Peatones.
Martínez, A., López, J., & García, R. (2023). Diseño y análisis en investigación cualitativa. Editorial
Universitaria.
Medina, M., Rojas, R., & Bustamante, W. (2023). Metodología de la investigación: Técnicas e
instrumentos de investigación. Instituto Universitario de Innovación Ciencia y Tecnología Inudi
Perú.
Mertens, D. M. (2020). Research and evaluation in education and psychology: Integrating diversity with
quantitative, qualitative, and mixed methods. Sage Publications.
Merriam, S. B., & Tisdell, E. J. (2019). Qualitative research: A guide to design and implementation (4th
ed.). Jossey-Bass.
Moreno, J. D. L., Soto, F. F. S., & Escaleras, Á. M. H. (2024). Revolucionando la Justicia: El impacto
de la Inteligencia Artificial en el Derecho Penal. Estudios y Perspectivas Revista Científica y
Académica, 4(3), 2155-2174.
Narváez Narváez, K. S., Alava Romero, C. D., & ESPOL, F. (2023). Implementación de un Sistema de
un VideoVigilancia con un método de Autenticación basado en cadena de bloques. ESPOL.
FIEC.
Ñaupas, J., López, A., & Martínez, C. (2019). Investigación cualitativa: Métodos y técnicas. Editorial
Universitaria.
Quintero Benavides, D. F., & Ruiz Omen, E. (2021). Sistema inteligente de video vigilancia para la
detección de caídas y monitorización de signos vitales (FC).
Pickett, JT (2019). Opinión pública y políticas de justicia penal: Teoría e investigación. Revista Anual
de Criminología, 2 (1), 405-428.
Pistilli, F. E. (2021). La videovigilancia como una herramienta de inteligencia aplicada a los negocios.
Las imágenes convertidas en datos y su uso.
Ramírez Mena, A. (2019). Plataforma para la prevención de delitos: entorno visual para el análisis y la
prevención de delitos
Reyes, W. F. P. (2024). La Evolución de la Criminalidad Organizada a Nivel Nacional y la Seguridad
Ciudadana. Revista de Ciencia e Investigación en Defensa, 5(1), 84-95.
Revista Summa. (2023). El rol de la Inteligencia Artificial en la prevención del delito.
Vol. 12/ Núm. 1 2025 pág. 691
Sánchez, J., & López, M. (2022). Estrategias de investigación cualitativa. Ediciones Académicas.
Santos, J. L. G., Otálora, J. H. R., Duarte, J. G. C., & Pertuz, J. P. (2025). Importancia de la inteligencia
artificial para los cuerpos de policía: un análisis bibliométrico. Revista Logos Ciencia &
Tecnología, 17(1).
Silva-García, G., & Barreto Montoya, J. (2022). Avatares de la criminalidad de cuello blanco
transnacional. Revista Científica General José María Córdova, 20(39), 609-629.
Silverman, D. (2022). Qualitative research (5th ed.). SAGE Publications.
Soler Prieto, C. (2024). Criminalidad organizada vinculada al tráfico de drogas: vínculos, confianza y
socialización secundaria como elementos vertebradores en su persistencia. Un estudio empírico
sobre un grupo criminal real.
Tamayo, L. M. A., Martínez, F. B., Bocanegra, L. A. F., & Velásquez, M. A. V. (2023). Inteligencia
artificial y seguridad ciudadana: aplicaciones y desafíos de los grandes modelos del
lenguaje. Encuentro Internacional de Educación en Ingeniería.
Tracy, S. (2021). Calidad cualitativa: ocho pilares para una investigación cualitativa de calidad.
Márgenes Revista De Educación De La Universidad De Málaga, 2(2), 173-201.
Tonry, M. (2019). Sentencing matters. Oxford University Press.
TV Perú Noticias (2024) Miraflores: 600 cámaras de seguridad con Inteligencia Artificial.
https://tvperu.gob.pe/noticias/locales/miraflores-600-camaras-de-seguridad-con-inteligencia-
artificial
Vereau, R. V. (2021). Los delitos informáticos y su relación con la criminalidad económica. Ius et
Praxis, (053), 95-110.
Villalobos Fonseca, H. (2020). El desarrollo tecnológico en materia policial: una receta de éxito para la
prevención del delito. Revista de relaciones internacionales, estrategia y seguridad, 15(1), 79-
97.
Zeta Flores, L. (2022). El alto indice de criminalidad en el Perù como resultado de una deficiente
polìtica criminal 2019-2020.
Zúñiga Rodríguez, L., & Ballesteros Sánchez, J. (2021). Nuevos desafíos frente a la criminalidad
organizada transnacional y el terrorismo.
Sánchez, J., & López, M. (2022). Estrategias de investigación cualitativa. Ediciones Académicas.
Santos, J. L. G., Otálora, J. H. R., Duarte, J. G. C., & Pertuz, J. P. (2025). Importancia de la inteligencia
artificial para los cuerpos de policía: un análisis bibliométrico. Revista Logos Ciencia &
Tecnología, 17(1).
Silva-García, G., & Barreto Montoya, J. (2022). Avatares de la criminalidad de cuello blanco
transnacional. Revista Científica General José María Córdova, 20(39), 609-629.
Silverman, D. (2022). Qualitative research (5th ed.). SAGE Publications.
Soler Prieto, C. (2024). Criminalidad organizada vinculada al tráfico de drogas: vínculos, confianza y
socialización secundaria como elementos vertebradores en su persistencia. Un estudio empírico
sobre un grupo criminal real.
Tamayo, L. M. A., Martínez, F. B., Bocanegra, L. A. F., & Velásquez, M. A. V. (2023). Inteligencia
artificial y seguridad ciudadana: aplicaciones y desafíos de los grandes modelos del
lenguaje. Encuentro Internacional de Educación en Ingeniería.
Tracy, S. (2021). Calidad cualitativa: ocho pilares para una investigación cualitativa de calidad.
Márgenes Revista De Educación De La Universidad De Málaga, 2(2), 173-201.
Tonry, M. (2019). Sentencing matters. Oxford University Press.
TV Perú Noticias (2024) Miraflores: 600 cámaras de seguridad con Inteligencia Artificial.
https://tvperu.gob.pe/noticias/locales/miraflores-600-camaras-de-seguridad-con-inteligencia-
artificial
Vereau, R. V. (2021). Los delitos informáticos y su relación con la criminalidad económica. Ius et
Praxis, (053), 95-110.
Villalobos Fonseca, H. (2020). El desarrollo tecnológico en materia policial: una receta de éxito para la
prevención del delito. Revista de relaciones internacionales, estrategia y seguridad, 15(1), 79-
97.
Zeta Flores, L. (2022). El alto indice de criminalidad en el Perù como resultado de una deficiente
polìtica criminal 2019-2020.
Zúñiga Rodríguez, L., & Ballesteros Sánchez, J. (2021). Nuevos desafíos frente a la criminalidad
organizada transnacional y el terrorismo.