En el pasado reciente, el nivel de amenazas cibernéticas ha cambiado drásticamente, lo que ha llevado a la actual transformación del panorama de la ciberseguridad. Por ejemplo, amenazas emergentes como Zero-day y malware polimórfico no pueden ser detectadas por métodos de detección convencionales como métodos heurísticos y basados en firmas, que han demostrado ser útiles en la identificación de malware. Teniendo en cuenta este cambio en el paradigma de la ciberseguridad, este estudio propone discutir la utilización de modelos transformadores para mejorar la efectividad de la detección de malware y la precisión y eficiencia en la detección de software malicioso. En este sentido, este estudio adopta la aplicación de transformadores para identificar diferentes formas de software malicioso: ransomware, spyware y troyanos. Los transformadores tienen la capacidad de manejar datos secuenciales y capturar patrones intrincados. Al emplear técnicas de aprendizaje profundo y realizar un análisis contextual exhaustivo, estos modelos mejoran el proceso de detección al identificar indicaciones sutiles de compromiso, que los métodos tradicionales pueden pasar por alto. Esta investigación también explica los desafíos y limitaciones relacionados con la aplicación de modelos basados en transformadores en entornos de ciberseguridad del mundo real, que incluyen requisitos de cómputo y requisitos de conjuntos de datos etiquetados a gran escala. Al final, el artículo sugiere posibles futuras líneas de investigación para mejorar e integrar estos modelos en sistemas de ciberseguridad.