IA y Ciberdelito – Estado del fenómeno.

Estado observable, delegación operacional, evidencia y dependencia humana

La inteligencia artificial ya cumple un papel material en el cibercrimen contemporáneo, pero el fenómeno observado es más complejo que la idea simplificada de «ataques realizados por IA». El corpus analizado reúne 97 publicaciones periodísticas especializadas que, tras normalización y homogeneización, representan 58 casos o eventos diferentes desde el comienzo del año. La validación contra fuentes primarias permitió distinguir entre contenido generado, ingeniería acelerada, asistencia operacional, agentes dentro del runtime ofensivo, operadores adaptativos y ataques en los que la IA de un tercero se convierte en canal, superficie o infraestructura.

Los datos muestran cuatro transformaciones simultáneas. Primero, la IA continúa aumentando la escala, personalización y calidad del fraude, phishing y la ingeniería social. Segundo, comprime el ciclo de desarrollo de malware, exploits, scripts y tooling. Tercero, en un subconjunto creciente participa dentro del ciclo operativo: observa, propone o ejecuta acciones, evalúa resultados y, en los casos más avanzados, adapta la secuencia. Cuarto, agentes, asistentes, repositorios, registries, toolchains y endpoints de inferencia comienzan a ser manipulados o reutilizados por el adversario.

Sin embargo, los casos de máxima delegación operacional son pocos. Lo que aparece con mayor consistencia es una reducción del costo de producir, adaptar, coordinar y sostener actividades ofensivas, junto con una redistribución de tareas entre operador humano y sistema de IA.

Una señal especialmente relevante surge de la dimensión H (dependencia humana): sólo 20 de 58 casos (34,5%) presentan una dependencia humana demostrable del lado atacado. Dieciocho requieren una acción activa de una víctima y dos dependen de un error, omisión o configuración previa explícitamente demostrada. En 25 casos (43,1%) el mecanismo puede operar sin que una persona de la organización atacada tenga que hacer clic, responder, aprobar, instalar o entregar información; en 13 casos la evidencia no permite todavía una conclusión sólida.

La calidad de la evidencia (G) también influye en la lectura del fenómeno. Después de la verificación primaria, 39 casos alcanzan grado G=A y 15, G=B: 54 de 58 (93,1 %) cuentan con evidencia primaria directa o casi directa, o con una inferencia técnica fuerte basada en una fuente primaria. Esta distinción permite evitar que etiquetas como “AI-powered”, “agentic” o “unattended” se conviertan en afirmaciones no sustentadas sobre autonomía, éxito o impacto.

La conclusión provisional es más específica que afirmar que existe «más cibercrimen con IA»: la IA está alterando la economía operacional del ataque y, simultáneamente, incorporando máquinas y agentes al espacio tradicionalmente ocupado por la interacción humana, tanto como ejecutores parciales como nuevos objetivos de manipulación.

Cinco números para leer el estudio

Cinco números para leer el estudio97 publicaciones detectadas | 58 casos deduplicados | 22 casos con cobertura en 2+ medios | 54/58 con G=A o B | 20/58 con dependencia humana demostrable (H1+H2).

1. Por qué un análisis multifuente

El punto de partida de este trabajo es una decisión metodológica del autor: no considerar suficiente una única fuente para describir el estado de la influencia de la IA en el cibercrimen. Un medio especializado, una agencia gubernamental, una empresa de ciberseguridad, un proveedor de modelos o un equipo técnico puede aportar evidencia valiosa, pero cada uno observa solo una parte del fenómeno y posee sesgos naturales derivados de su visibilidad, clientes, telemetría, productos, región, agenda editorial o interés institucional.

Por ese motivo se construyó una arquitectura de fuentes de distinta naturaleza. La primera capa está integrada por cuatro medios especializados —The Hacker News, BleepingComputer, SecurityWeek y Dark Reading—, utilizados principalmente para detección, seguimiento y corroboración periodística. La segunda capa incorpora fuentes técnicas primarias: equipos de threat intelligence, respuesta a incidentes, investigación de malware, cloud security, supply chain y seguridad de agentes. La tercera capa incluye, cuando corresponde, reportes de los propios proveedores de IA y plataformas. Una cuarta capa utiliza fuentes gubernamentales o institucionales para confirmar actividad, impacto o naturaleza de la amenaza.

El objetivo no es construir una estadística exhaustiva de todo el cibercrimen mundial, algo que estas fuentes no permiten. El objetivo es obtener una lectura independiente, trazable y de alta confianza del estado observable del fenómeno, haciendo explícitos tanto el grado de evidencia como las incertidumbres y los casos que deben permanecer fuera del núcleo cuantitativo.

Las fuentes y referencias utilizadas se incluyen al final del documento para facilitar la verificación y la reproducibilidad. El manifiesto bibliográfico conserva, para cada registro, la URL completa, la fecha de consulta, el caso asociado y el estado de validación.

2. Alcance, corpus y unidad de análisis

La unidad principal de análisis es el caso o evento, no la noticia. Varias publicaciones pueden describir una misma campaña, un seguimiento técnico o una actualización de impacto; contarlas como hechos independientes inflaría la actividad de forma artificial.

Figura 1. Construcción del corpus: de 97 publicaciones a 58 casos/eventos deduplicados; 22 presentan cobertura en dos o más medios.

El resultado de la homogeneización es: 4 casos cubiertos por las cuatro fuentes, 4 por tres fuentes, 14 por dos y 36 por una sola fuente dentro del corpus. La corroboración periodística no reemplaza la fuente primaria: un caso con una única noticia puede tener evidencia técnica excelente, mientras que varias notas pueden repetir una misma afirmación con el mismo origen.

Cantidad de fuentes	Casos	Lectura
4	4	Cobertura convergente en las cuatro fuentes
3	4	Cobertura convergente en tres medios
2	14	Corroboración en dos medios
1	36	Verificada en una única publicación, lo que hace que cada una sea tratada con mayor cautela.

2.1 Criterios de inclusión

IA con papel material en fraude, phishing, ingeniería social, malware, explotación, intrusión, C2, post–explotación, distribución, supply chain, automatización ofensiva o abuso de infraestructura de IA.

Campañas reales, servicios criminales, tooling adversarial funcional y actividad observada “in the wild”.

Ataques mediados por IA: manipulación de chatbots, agentes, filtros, recomendaciones, registries/skills o endpoints de terceros.

2.2 Criterios de exclusión o separación

PoC o laboratorio sin actividad adversarial operacional; investigación puramente defensiva.

Vulnerabilidades de productos de IA sin explotación criminal observada.

Notas donde «AI» es sólo marca, señuelo o contexto y no se demuestra uso material por el adversario.

Operaciones estatales o de espionaje sin componente criminal/financiero claro.

Eventos anteriores a 2026 reutilizados únicamente como contexto, salvo que exista una nueva campaña o hecho verificable dentro del período.

3. Metodología y controles de calidad

La arquitectura metodológica puede resumirse como:

A) prensa para detección;

B) normalización;

C) homogeneización;

D) fuente primaria;

F) verificación literal de qué hizo la IA;

G) clasificación U/M/T/R/E/G/H;

H) análisis y productos.

1) Barrido de las cuatro fuentes periodísticas por contenido, no sólo por la etiqueta «AI».

2) Normalización de fecha, actor/campaña, víctima/sector, infraestructura, vulnerabilidad/herramienta, modelo o sistema de IA y etapa del ataque.

3) Homogeneización contra el corpus maestro con IDs estables.

4) Búsqueda de fuente primaria técnica o institucional y preferencia por evidencia original sobre réplicas.

5) Verificación explícita: qué hizo la IA, en qué etapa, con qué evidencia y si esa evidencia es directa o inferida.

6) Clasificación separada de uso, mecánica, objetivo, realidad, evolución/delegación, fuerza de evidencia y dependencia humana.

7) Conservación de todo cambio antes | ahora y su justificación.

3.1 Controles para no “inflar” el fenómeno

Control	Regla
Evidencia	“AI-assisted”, “likely”, “suspected” o “signs of”1 no equivalen a uso confirmado.
Realidad	Código disponible no equivale a campaña; intentos no equivalen a compromiso; exposición no equivale a víctima.
Autonomía	“Unattended” no equivale automáticamente a E4; E4 exige objetivo amplio, adaptación y delegación sustantiva.
No mezclar categorías de análisis E5 con E4	E5 describe otra arquitectura de ataque, no un nivel superior de autonomía.
No convertir H? en H0	La ausencia de evidencia sobre interacción humana no demuestra que ésta no haya sido necesaria.
Corroboración no es verdad técnica	Más medios elevan corroboración periodística, pero la fuente primaria manda sobre detalles técnicos.

4. Presentación de las categorías de análisis: U/M/T/R/E/G/H

Las siete dimensiones se diseñaron para evitar que conceptos distintos queden comprimidos en una única etiqueta de «sofisticación» o «autonomía». Cada dimensión responde una pregunta diferente.

Dimensión	Pregunta	Categorías
U – Uso	¿Para qué se utiliza la IA?	U1 engaño/fraude; U2 ingeniería ofensiva; U3 reconocimiento/targeting; U4 ejecución/orquestación; U5 distribución/supply chain/mediación.
M – Mecánica	¿Cómo interviene técnicamente?	M1 asistente generativo; M2 IA embebida en runtime; M3 orquestación agéntica; M4 manipulación indirecta/confused deputy; M5 abuso de infraestructura IA.
T – Objetivo	¿Sobre qué superficie actúa?	T1 humano/identidad/ finanzas; T2 endpoint/mobile/IoT; T3 IT/cloud/red; T4 desarrollo/supply chain; T5 ecosistema IA/agentes; T6 OT/ICS.
R – Realidad	¿Qué tan real es el despliegue observado?	R0 claim/marketing; R1 desarrollo/prototipo; R2 operación observada; R3 impacto confirmado.
E – Evolución	¿Cuánta función operacional se delega?	E0 amplificación generativa; E1 ingeniería acelerada; E2 copiloto operacional; E3 ejecución agéntica embebida; E4 operador adaptativo/delegado; E5 ataque mediado por IA como rama paralela.
G – Evidencia	¿Qué tan sólida es la afirmación?	A evidencia primaria directa/casi directa; B inferencia técnica fuerte de fuente primaria; C claim/evidencia indirecta corroborada; D media-only o atribución insuficiente.
H – Dependencia humana	¿Necesita que una persona atacada actúe o se equivoque?	H1 acción activa; H2 error/omisión/ configuración previa demostrada; H0 sin dependencia humana material; H? indeterminado.

4.1 Evolución/delegación E: una escala con una rama paralela.

E0: Amplificación generativa: texto, voz, imagen o contenido; el humano conserva el ciclo operativo.

E1: Ingeniería acelerada: IA produce o modifica malware, exploits, scripts, evasión o tooling.

E2: Copiloto operacional: IA planifica, recomienda, documenta o coordina, pero el humano ejecuta el loop principal.

E3: Ejecución agéntica embebida: el modelo está dentro del runtime ofensivo, usa herramientas y observa/actúa/valida durante la operación.

E4: Operador adaptativo/delegado: recibe un objetivo relativamente alto, encadena acciones multietapa y adapta rutas sin instrucciones paso a paso.

E5: Ataque mediado por IA: el actor manipula, induce o reutiliza el sistema/agente de un tercero. Es una rama paralela, no un «nivel 5» de autonomía.

4.2 Dependencia humana H

Código	Categoría	Regla
H1	Acción activa	La ruta observada necesita que una persona crea o siga un señuelo, converse, haga clic, abra/ejecute/instale, entregue credenciales/OTP, apruebe o pague.
H2	Error u omisión previa	No hace falta interacción social durante el ataque, pero la explotación depende materialmente de un error, omisión o configuración humana previa explícitamente demostrada.
H0	Sin dependencia humana material	El mecanismo puede operar contra sistemas, software, agentes o infraestructura sin que una persona del lado atacado deba actuar o equivocarse materialmente.
H?	Indeterminado	La evidencia disponible no permite establecer si la ruta necesita acción/error humano del lado atacado.

H mide al humano atacado, no al operador criminal. Por eso un caso puede ser H0 y, al mismo tiempo, E1 o E2: es decir que el atacante humano puede seguir controlando la operación aunque la víctima no tenga que interactuar.

5. Resultados cuantitativos

5.1 Evolución temporal

Figura 2. Casos nuevos homogenizados por mes de primera aparición y casos con cobertura en dos o más medios. Agosto tiene corte al 29/08/2026.

Julio concentra 15 de los 58 casos y siete de esos quince aparecen en al menos dos medios. El mes no marca el inicio de la actividad agéntica, pero sí una convergencia de volumen y diversidad: ransomware adaptativo, cloud, supply chain, C2, plataformas criminales, manipulación de agentes y ataques contra la propia infraestructura de IA aparecen simultáneamente.

5.2 Uso dominante de la IA (U)

Figura 3. Uso dominante U en los 58 registros: U1=13; U2=10; U3=1; U4=16; U5=15; NC=3.

La ejecución/orquestación (U4) y la distribución, supply chain o mediación (U5) forman los bloques más numerosos, por delante del fraude/engaño (U1). El fenómeno no puede reducirse a phishing o deepfakes: 31 de los 55 registros clasificables se concentran en ejecución, automatización y mediación técnica.

5.3 Mecánica de intervención (M)

Figura 4. Mecánica M en los 58 registros: M1=19; M2=7; M3=15; M4=13; M5=1; NC=3.

La asistencia generativa (M1) sigue siendo la mecánica más frecuente, pero la orquestación agéntica (M3) y la manipulación indirecta o confused deputy (M4) reúnen 28 de los 55 registros clasificables. El adversario no necesita controlar siempre un modelo propio: puede explotar el contexto, las recomendaciones, la autoridad o los permisos de un sistema legítimo de terceros.

5.4 Objetivo tecnológico (T)

Figura 5. Objetivo tecnológico T en los 58 registros: T1=14; T2=5; T3=16; T4=4; T5=14; T6=2; NC=3.

IT/cloud/red (T3) es el objetivo más frecuente, mientras humano/identidad/finanzas (T1) y el ecosistema de IA/agentes (T5) comparten el segundo lugar. OT/ICS aparece solo en dos registros; su relevancia, sin embargo, no debe juzgarse únicamente por frecuencia debido a la posible consecuencia física y sistémica.

5.5 Realidad de implementación (R)

Figura 6. Realidad de implementación después de la validación primaria: R1=4; R2=32; R3=22.

Cincuenta y cuatro de 58 casos superan el mero desarrollo/prototipo, pero sólo 22 tienen compromiso, fraude, ejecución, exfiltración, víctimas o impacto medible suficientemente confirmados. La separación entre R1, R2 y R3 intenta evitar convertir capacidad técnica en prevalencia.

5.6 Evolución y delegación operacional (E)

Figura 7. E tras la validación primaria: E0=10; E1=11; E2=4; E3=13; E4=3; E5=15; 2 casos sin clasificación E suficientemente sólida.

Los tres E4 son importantes precisamente porque siguen siendo pocos. La autonomía end-to-end no es la forma dominante en la actualidad. En cambio, E3 y E5 suman 28 casos: la transformación observable ocurre en dos direcciones paralelas, con IA dentro del loop del atacante y con IA de terceros convertida en parte de la superficie atacable.

5.7 Fuerza de evidencia (G)

Figura 8. Fuerza de evidencia G: A=39; B=15; C=2; D=2.

El 93,1% del corpus queda en A o B. Esto no significa que todos los casos tengan impacto real; significa que la afirmación sobre el papel de la IA cuenta con evidencia primaria directa/casi directa o con una inferencia técnica fuerte sustentada por una fuente primaria.

G y R deben leerse por separado.

5.8 Dependencia humana del lado atacado (H)

Figura 9. H sobre los 58 casos: H0=25; H1=18; H2=2; H?=13.

La dependencia humana demostrable es H1+H2=20/58, equivalente al 34,5%. En 25 casos (43,1%) el mecanismo ofensivo observado puede operar sin que una persona de la organización atacada deba hacer clic, responder, aprobar, instalar o entregar información. Trece casos permanecen indeterminados y no se “fuerzan” hacia H0.

5.9 Cruce H x E

Figura 10. Cruce entre dependencia humana (H) y delegación/evolución (E).

En E0, nueve de diez casos son H1, coherente con fraude, phishing, deepfakes y contenido sintético. En E4, los tres casos son H0. E5 muestra el fenómeno más nuevo: nueve H0, tres H1, un H2 y dos indeterminados, reflejando ataques donde el receptor de la manipulación puede ser un agente, chatbot, registry, filtro o servicio de inferencia, no necesariamente una persona.

6. Qué fenómenos aparecen

6.1 Industrialización y cibercrimen como producto.

RedVDS, Bluekit, Outsider Enterprise, Forg365, ATHR y AnonyMousKIT muestran que la IA deja de ser solo una herramienta individual y pasa a incorporarse como una función de servicios criminales reutilizables. Señuelos, voz, páginas, traducción, perfilado, conversación y operación se empaquetan en plataformas o paneles. El efecto más estable no parece ser una sofisticación radical, sino una reducción de las barreras de entrada y del costo por operación.

6.2 Compresión del ciclo de ingeniería ofensiva

VoidLink, Slopoly, el zero-day 2FA, el laboratorio de evasión EDR, TuxBot y Siemens S7 apuntan a una reducción del tiempo entre idea, código, prueba, error, corrección y nuevo intento. La señal mas clara es velocidad e iteración. No existe una base suficiente para afirmar que todo el malware generado con IA sea más evasivo o exitoso.

6.3 De asistencia a iniciativa táctica

FortiGate y la campaña mexicana muestran una zona intermedia entre copiloto y autonomía amplia. En Monterrey, la IA identificó por iniciativa propia un activo SCADA/IIoT de alto valor dentro de una intrusión real y desarrolló pasos de credential attack. El operador humano seguía conduciendo el objetivo general, pero el sistema construyó un objetivo intermedio no expresamente solicitado.

6.4 IA dentro del loop operacional

PromptSpy, Marimo, Gemini CLI, RedC2, UAT-10147 y varios ataques cloud ya utilizan IA durante la ejecución. El cambio técnico es que el modelo recibe información del entorno, decide o propone una acción, utiliza herramientas y vuelve a evaluar el resultado. La diferencia con E1 no es sólo producir código, sino participar en el ciclo observar-decidir-actuar-verificar.

6.5 Operador adaptativo y delegación de objetivo

JadePuffer y los casos DeepSeek de mayor autonomía muestran el extremo actual: objetivos más amplios, uso de herramientas, abandono de rutas fallidas, reintentos y adaptación con supervisión humana reducida. Los casos son pocos y no justifican describir al cibercrimen como mayoritariamente autónomo, pero sí constituyen un cambio cualitativo.

6.6 Ataque mediado por IA y confused deputy

Moltbook, Bob-p2p, Meta AI Support, prompt injection cripto, Phantom Squatting, FakeGit y poisoning de recomendaciones ilustran una arquitectura paralela: el delincuente manipula un sistema de IA de terceros para que recomiende, confíe, modifique, pague, ejecute o facilite una acción. El adversario puede no controlar ningún modelo propio.

6.7 “Living off the AI toolchain”

FakeGit, Hugging Face/ClawHub, Sandworm_Mode y Ollama/LiteLLM sugieren que registries, skills, coding assistants, CI/CD, claves de acceso y endpoints de inferencia empiezan a convertirse simultáneamente en superficie de ataque y recurso ofensivo. Es una extensión de la lógica living-off-the-land hacia la infraestructura de IA.

6.8 Expansión hacia OT e infraestructura crítica

El subevento de Monterrey y los scripts contra Siemens S7 muestran dos caminos: iniciativa táctica dentro de una intrusión y reducción del costo de generar tooling especializado contra PLC/ICS. El volumen sigue siendo bajo, por lo que el corpus no demuestra una generalización de ataques autónomos contra OT; sí justifica seguimiento separado por consecuencia potencial.

7. El factor humano y la ingeniería social contra máquinas

La dimensión H evidencia una lectura fuerte: el humano atacado deja de ser una condición universal de la ruta ofensiva. Esto no significa que desaparezca el atacante humano ni que H0 equivalga a autonomía. Significa que, en una parte sustantiva de los casos, la organización puede ser atacada sin que un usuario tenga que caer en un señuelo durante esa secuencia.

La consecuencia más interesante aparece en E5. Muchos de los principios de la ingeniería social permanecen – confianza, autoridad, contexto, engaño, procedencia y presión hacia una acción -, pero el receptor puede ser una máquina. Un agente puede confiar en una skill falsa; un asistente puede recomendar un repositorio malicioso; un modelo puede seguir una instrucción indirecta incrustada en una web; un flujo automatizado puede actuar como confused deputy; un endpoint de inferencia expuesto puede convertirse en backend de una herramienta ofensiva.

Implicancia defensiva

La capacitación de usuarios sigue siendo crítica para H1, pero no es un control suficiente frente a H0/E3-E5. Cuando la decisión o la autoridad se desplazan hacia agentes y máquinas, también deben desplazarse los controles: identidad de máquina, least privilege, provenance, allowlisting, permisos de tools, validación de contenido, aislamiento, logging y límites de acción autónoma.

8. Implicancias para ciberseguridad y gestión del riesgo

El corpus no pretende convertirse automáticamente en un puntaje de riesgo. De hecho, la idea que motivó su recopilación, clasificación y análisis no fue puntuar, sino comprender los fenómenos. Sus categorías describen el entorno externo y permiten construir escenarios más precisos; la probabilidad, el impacto y el riesgo residual dependen de la exposición, los activos y los controles de cada organización.

Área	Implicancia
Velocidad defensiva	E3/E4 comprimen el tiempo entre descubrimiento y acción. MTTD, MTTR, contención automatizada y calidad de telemetría ganan peso.
Identidades no humanas	H0 y T5 elevan la relevancia de machine identities, secretos, permisos de agentes y credenciales de servicio.
Supply chain y provenance	M4/E5 exigen validar procedencia de skills, paquetes, MCP servers, repositorios y contenido que los agentes pueden consumir.
Autorización de tools	Un agente seguro no es sólo un modelo seguro: importa qué herramientas puede invocar, con qué privilegios, qué necesita confirmar y qué acciones son reversibles.
Fraude y procesos	H1 mantiene vigentes controles de callback independiente, dual approval, segregación y antifraude; awareness es complementario, no único.
OT/ICS	T6 con E1/E3 obliga a revisar barreras de acceso, identidades, segmentación y capacidad de detección, aun cuando el número de casos sea bajo.
Gestión de evidencia	G obliga a distinguir hechos observados, inferencias y claims; R evita tratar una capacidad como si fuera prevalencia.

9. Qué no muestran los datos

• No demuestran que la IA haya reemplazado por completo al atacante humano.
• No demuestran que el aumento general del ransomware o del cibercrimen sea causado principalmente por IA.
• No demuestran que todo malware generado con IA sea mejor, más evasivo o más exitoso.
• No permiten tratar “unattended” como sinónimo de autonomía estratégica.
• No convierten el número de noticias en prevalencia global.
• No justifican sumar exposición, descargas, intentos y víctimas como si fueran la misma métrica.
• No permiten ignorar sesgo de selección: el corpus depende de lo que las fuentes observan y hacen público.

Sí muestran algo más acotado y justificado: la IA aumenta la cantidad de trabajo ofensivo que puede realizar un operador, comprime determinadas fases del ataque, empieza a asumir funciones operacionales, industrializa capacidades y genera nuevas relaciones máquina a máquina susceptibles de abuso.

10. Conclusiones

La pregunta útil ya no sería si los ciberdelincuentes usan inteligencia artificial: la evidencia disponible permite responder afirmativamente. La pregunta relevante es qué función delegan, cuánto tiempo o conocimiento reduce la IA, qué superficie alcanza, qué capacidad tiene para modificar el resultado y con qué evidencia puede sostenerse esa afirmación.

Los primeros ocho meses de 2026 muestran un ecosistema híbrido. El cálculo U/M/T desplaza el centro de gravedad desde el engaño aislado hacia la operación: ejecución/orquestación y distribución/mediación reúnen 31 de los 55 registros clasificables; en mecánica, la orquestación agéntica y la manipulación indirecta reúnen 28. Conviven, por tanto, deepfakes y phishing mejorado con IA, generación acelerada de malware y exploits, agentes que participan en runtime, operaciones parcialmente delegadas, plataformas criminales con IA como función, ataques contra agentes legítimos, toolchains manipuladas e infraestructura de inferencia reutilizada.

La imagen resultante no es la sustitución lineal del ciberdelincuente por una máquina. Es una redistribución de tareas, decisiones y velocidad. La IA está cambiando la cantidad de conocimiento, tiempo, personas y decisiones necesarias para producir y sostener una operación ofensiva; al mismo tiempo, la concentración de T3 y T5 muestra que la superficie técnica y el propio ecosistema de IA ya son objetivos de primer orden.

Al mismo tiempo, cambia la arquitectura de la defensa. Ya no alcanza con preguntar si una persona puede ser engañada. También será necesario preguntar qué sistemas automatizados poseen autoridad suficiente para ser engañados en su lugar.
Anexos y tablas aquí