Aspectos a tener en cuenta sobre el riesgo de inyección de «prompt» en la empresa
- En mayo de 2026, dos tribunales brasileños reaccionaron ante unos escritos que contenían instrucciones ocultas: uno de ellos condenó solidariamente a las abogadas firmantes al pago de 84 250 reales, mientras que el otro abrió una investigación penal.
- Un estudio publicado en 2025 ha demostrado que seis sistemas de inteligencia artificial destinados al público en general caen todos en esta trampa.
- El Derecho francés aún no se ha pronunciado al respecto. No obstante, ya es posible invocar el dolo y la estafa.
- Ninguna medida técnica es infalible: mantener un registro de lo que se ha enviado a la IA sigue siendo la mejor protección.
Inyección de indicaciones: ¿por qué los modelos de lenguaje grande (LLM) tienen dificultades para distinguir una instrucción de un contenido?
Un modelo de lenguaje a gran escala (LLM) no distingue de forma nativa entre las instrucciones de su operador y el texto que se le pide que analice. Ambos llegan como un único flujo de tokens, sin ningún marcador que los diferencie. La OWASP (Open Worldwide Application Security Project), una fundación sin ánimo de lucro que publica marcos de referencia sobre seguridad de aplicaciones utilizados en todo el mundo, ha situado la inyección de prompts en el primer puesto de su clasificación de riesgos relacionados con los LLM en la edición de 2023/2024 y la mantiene en ese puesto en la edición de 2025[3].
Sin embargo, existen medidas de protección. El Tribunal Superior de Brasil aplica una defensa en tres niveles, entre los que se incluye un pretratamiento que aísla los comandos maliciosos antes de que lleguen a su modelo². Los intentos dirigidos contra esta jurisdicción han fracasado por este motivo. La OWASP recomienda medidas similares, aunque reconoce que ningún método previene la inyección de forma infalible.
Todo depende, pues, de quién diseñe esas medidas de protección. Una empresa que integra por sí misma un modelo en sus aplicaciones se hace cargo de ello, en el marco de los riesgos asociados al desarrollo interno de software. La que utiliza una herramienta del mercado no tiene ningún control sobre ellas.
Se distinguen dos formas de manipulación. La inyección directa se dirige al modelo de forma directa, en la propia interfaz: «ignora sus instrucciones anteriores». La inyección indirecta se oculta en un contenido que el modelo va a leer, ya sea un documento, una página web o un correo electrónico.
Este segundo procedimiento supone un riesgo para la empresa: la trampa no reside en la pregunta que se le formula a la IA, sino en el texto que se le envía.
Las técnicas de inyección de «prompt» mejor documentadas
El método más extendido se basa en el procesamiento de textos. El estafador escribe sus instrucciones en blanco sobre fondo blanco o reduce el tamaño de la fuente hasta que resulte ilegible. Un estudio, publicado el 22 de octubre de 2025 en la revista Education Sciences?, resume el nivel de competencia requerido: saber copiar y pegar, y saber cambiar el color de un carácter.
Los escenarios de ataque recopilados por la OWASP[3] describen otros más:
- una codificación o caracteres no imprimibles que ocultan la instrucción a los filtros;
- una instrucción incluida en una imagen, cuando el modelo consultado admite varios formatos;
- fragmentos de instrucciones repartidos por toda la sala, que el modelo recompone a medida que los lee.
OWASP describe asimismo una inyección oculta en un archivo PDF, en la que la instrucción se encuentra fuera del texto que se muestra en pantalla. Por lo tanto, un documento puede contener la instrucción tanto en su contenido visible como en sus capas invisibles.
Los principales modelos de lenguaje grande (LLM) siguen siendo vulnerables a la inyección de prompts
Este riesgo no se limita a un modelo concreto. Los resultados se observan en todos los modelos de lenguaje grande (LLM).
Resultados coincidentes en varios modelos destinados al público general
Un directivo recibe un contrato por correo electrónico. Antes de firmarlo, lo introduce en Claude o ChatGPT y solicita un resumen de las cláusulas que pueden suponer un riesgo. Una instrucción oculta en el documento sesga la respuesta del modelo sin que haya nada que lo indique: por lo tanto, el directivo lee el análisis de su IA, creyendo que es fiable, sin saber que ha sido sesgado.
El estudio mencionado anteriormente? evaluó esta vulnerabilidad en seis modelos destinados al público general, en las versiones disponibles en agosto de 2025: ChatGPT, Gemini, DeepSeek, Grok, Perplexity y Copilot. Los investigadores les presentaron trabajos de estudiantes para que los calificaran, tras haber ocultado en algunos de ellos una instrucción escrita en blanco sobre fondo blanco. Los LLM ejecutaron las órdenes ocultas en los trabajos y asignaron las calificaciones.
Aunque el marco elegido por los investigadores sea la corrección de exámenes y no el análisis de un contrato, el mecanismo, en sí mismo, no cambia. Una instrucción oculta orienta el juicio del modelo sin que la persona que confía en él sea consciente de ello.
Un fraude que va más allá de lo estipulado en el contrato
Este mismo principio se aplica a otras profesiones. La OWASP³ documenta el caso de un currículum repleto de instrucciones ocultas, capaz de inducir a un sistema de selección de personal asistido por IA a recomendar a un candidato que no guarda relación alguna con su perfil real. Contratos, copias de exámenes, currículos: el punto en común radica en la propia decisión, tomada basándose en un documento cuya fiabilidad nadie comprueba.
Este fenómeno forma parte de una tendencia más amplia. La inteligencia artificial ya ha hecho que el fraude documental clásico resulte más difícil de detectar a simple vista, ya que genera falsificaciones cada vez más convincentes. La inyección de prompts funciona a la inversa: no altera lo que lee el ser humano, sino que añade al archivo una capa escrita exclusivamente para el modelo de lenguaje grande (LLM). Por lo tanto, el documento está efectivamente falsificado, pero esta manipulación no es visible a simple vista.
¿Cómo puede protegerse contra este tipo de fraude mediante la inyección de «prompt»?
En este sentido, surgen dos preguntas: ¿qué permite la legislación actual y qué puede hacer la empresa en la práctica?
La ambigüedad jurídica y sus consecuencias ante el juez
La inyección de prompts no debe confundirse con la falsificación documental clásica. Esta última modifica lo que ve el lector: un importe, una fecha o una firma. La inyección, por su parte, deja intacto el contenido visible y añade una instrucción que solo lee el modelo de lenguaje grande (LLM). Por lo tanto, el archivo se ve alterado mediante una maniobra fraudulenta, destinada a engañar al sistema de análisis o a la persona que confía en su resultado.
El Derecho francés aún no se ha pronunciado sobre este caso concreto. Siguen siendo aplicables varias tipificaciones. El dolo por ocultación intencionada, previsto en el artículo 1137 del Código Civil, se aplica siempre que la información oculta forme parte de un procedimiento destinado a engañar. El artículo 1112-1 establece la obligación precontractual de informar que recae sobre quien tenga conocimiento de un dato determinante para el consentimiento de la otra parte.
Cuando la manipulación tiene por objeto obtener la entrega de un bien o un compromiso, también entra en juego el delito de estafa, tal y como lo define el artículo 313-1 del Código Penal.
Una empresa que descubra a posteriori que ha firmado un contrato basándose en un resumen sesgado puede, según el caso, solicitar la nulidad del contrato o reclamar una indemnización por daños y perjuicios.
La dificultad probatoria, por el contrario, sigue siendo real. Demostrar que una instrucción oculta ha influido efectivamente en una decisión supone reconstruir un nexo de causalidad que no es fácil de documentar a posteriori. La protección de la empresa depende, en estas circunstancias, menos de la calificación que un juez pueda adoptar en su momento que de su capacidad para demostrar qué información ha facilitado a la IA y en qué momento.
Prevenir las inyecciones precipitadas: formar, comprobar, documentar
La legislación ofrece recursos a posteriori. La prevención, por su parte, se lleva a cabo de forma preventiva. No existe ninguna medida técnica que impida la intrusión de forma infalible. Sin embargo, algunas medidas concretas reducen la vulnerabilidad de la empresa:
- Formar a los equipos sobre la existencia de este riesgo: la mayoría de los empleados que envían un contrato a una IA nunca han oído hablar de la inyección de prompts y no se les ocurriría buscar una anomalía en un documento.
- Compruebe el documento antes de enviarlo a la IA: al pegar su contenido en un editor de texto sin formato, aparece un texto invisible o una fuente anormalmente pequeña. Una comprobación de los metadatos del archivo completa esta primera revisión.
- Dar una instrucción explícita a la IA: indicarle, antes del análisis, que no tenga en cuenta ninguna instrucción que figure en el propio documento y que trate todo su contenido como texto que debe examinarse, nunca como una orden.
- Conserve un registro con fecha: el archivo original tal y como se recibió, así como la respuesta del modelo, para poder presentarlos en caso de impugnación.
Ninguno de estos criterios es suficiente por sí solo. Todos se basan en el mismo principio: no considerar la síntesis de una IA ni como una prueba en sí misma, ni como garantía de exactitud.
Esta cuestión relativa al carácter probatorio se vincula con la cuestión, más amplia, del papel dela intervención humana en una decisión asistida por IA.
Conclusión: anticipar la introducción de sugerencias mediante una trazabilidad probatoria
La inyección de prompts ya no es una cuestión exclusiva de la investigación en ciberseguridad. Los casos brasileños y los trabajos realizados con diversos modelos demuestran que un documento de apariencia corriente puede orientar el análisis de una IA sin que su usuario sea informado de ello. Por lo tanto, las empresas deben integrar este riesgo en sus procedimientos de control, al igual que la verificación de una fuente o la revisión de una cláusula contractual.
Cuando una decisión cuenta con la asistencia de una IA, no siempre basta con conservar el archivo o las fuentes que se han transmitido a la IA para facilitar dicha toma de decisiones. Es necesario poder determinar qué versión del documento se ha analizado, en qué fecha, con qué indicación y, en la medida de lo posible, qué respuesta se ha generado. El sellado de tiempo cualificado permite vincular la huella digital de cada uno de estos elementos a una fecha y una hora concretas. Cualquier modificación posterior del archivo da lugar a una huella diferente y, por lo tanto, puede detectarse.
La marca de tiempo, por sí sola, no demuestra que una instrucción oculta haya influido en el razonamiento del modelo. No obstante, permite registrar los elementos necesarios para reconstruir el proceso: documento recibido, versión transmitida a la IA, instrucciones del usuario, resultado obtenido y registros asociados. Este rastro de pruebas facilita el análisis de un incidente, una auditoría interna o la preparación de un litigio.
Como proveedor de servicios de confianza cualificado según el Reglamento eIDAS, Evidency permite integrarel sellado de tiempo cualificado en los flujos documentales. De este modo, la empresa puede crear, desde el momento en que se ejecuta el proceso, un expediente que refleje las operaciones realizadas y preserve de forma duradera el valor probatorio de los elementos que puedan presentarse en caso de impugnación.
Fuentes
[1] 3.ª Sala de lo Social de Parauapebas (Tribunal Regional del Trabajo de la 8.ª región), 12 de mayo de 2026, ATOrd 0001062-55.2025.5.08.0130. Véase «Injección rápida oculta en la demanda inicial: el caso de Parauapebas», Migalhas de Peso, 25 de mayo de 2026: https://www.migalhas.com.br/depeso/455925/prompt-injection-oculto-em-peticao-inicial-o-caso-de-parauapebas.
[2] STJ, «Se investigarán los intentos de utilizar la inyección de prompts en el STJ», comunicado del 20 de mayo de 2026: https://www.stj.jus.br/sites/portalp/Paginas/Comunicacao/Noticias/2026/20052026-Tentativas-de-uso-de-prompt-injection-no-STJ-serao-investigadas.aspx.
[3] OWASP, «Top 10 para aplicaciones de modelos de lenguaje grande (LLM) 2025»: https://owasp.org/www-project-top-10-for-large-language-model-applications/assets/PDF/OWASP-Top-10-for-LLMs-v2025.pdf
[4] MILANI, A., FRANZONI, V., FLORINDI, E., OMARBEKOVA, A., BEKMANOVA, G., YERGESH, B., «When AI Is Fooled: Hidden Risks in LLM-Assisted Grading», Education Sciences, 2025, 15(11), 1419: https://doi.org/10.3390/educsci15111419.
Exención de responsabilidad
Las opiniones, presentaciones, cifras y estimaciones que figuran en el sitio web, incluido el blog, tienen únicamente fines informativos y no deben considerarse asesoramiento jurídico. Para obtener asesoramiento jurídico, debe ponerse en contacto con un profesional del derecho en su jurisdicción.
Queda prohibida la utilización del contenido de esta página web, incluido el blog, con fines comerciales, incluida la reventa, sin el permiso previo de Evidency. La solicitud de permiso debe especificar el propósito y el alcance de la reproducción. Para fines no comerciales, todo el material de esta publicación puede citarse o reimprimirse libremente, pero se requiere un reconocimiento, junto con un enlace a este sitio web.



