Se diseñó e implementó un sistema inteligente de detección y clasificación de vulnerabilidades en aplicaciones Android, empleando técnicas de minería de datos y algoritmos supervisados. La investigación tuvo como objetivo desarrollar un modelo automatizado que identifique patrones de vulnerabilidad en aplicaciones Android nativas e híbridas, facilitando estrategias de mitigación específicas. La intervención consistió en analizar 32 aplicaciones (16 nativas y 16 híbridas) en un estudio de caso en un entorno empresarial durante 14 semanas, usando análisis estático, dinámico, pruebas de penetración y evaluaciones de configuración de seguridad. El modelo fue validado mediante análisis estadísticos como la prueba de Chi-cuadrado y métricas de rendimiento como precisión, recall y tasa de falsos positivos, para evaluar la efectividad en la detección y clasificación de vulnerabilidades. Los resultados indicaron diferencias significativas entre ambos tipos de aplicaciones en patrones de vulnerabilidad, confirmando que el modelo logra distinguir eficazmente entre riesgos específicos de cada desarrollo. Las conclusiones muestran que el sistema es una herramienta valiosa para la gestión de seguridad en el desarrollo de software empresarial, permitiendo la identificación temprana de riesgos y la adopción de medidas correctivas precisas.