A medida que los ciberataques continúan en aumento junto con la rápida expansión de los sistemas digitales, la detección efectiva de amenazas sigue siendo una tarea crítica pero desafiante. Aunque se han propuesto varios enfoques de aprendizaje automático, el uso de redes neuronales de grafos (GNN) para la detección de ciberataques aún no se ha explorado sistemáticamente en profundidad. Este documento presenta una revisión sistemática de la literatura (SLR) que analiza 28 estudios académicos recientes publicados entre 2020 y 2025, recuperados de bases de datos importantes como IEEE, ACM, Scopus y Springer. La revisión se centra en evaluar cómo se aplican los modelos de GNN en la detección de varios tipos de ataques, particularmente aquellos dirigidos a entornos de IoT, servicios web, phishing y tráfico de red. Los estudios fueron clasificados según el tipo de conjunto de datos, la arquitectura del modelo de GNN y el dominio del ataque. Además, se extrajeron y analizaron las principales limitaciones y direcciones futuras de investigación. Los hallazgos proporcionan una comparación estructurada de las metodologías actuales y destacan las brechas que justifican una mayor exploración. Esta revisión contribuye con una perspectiva enfocada sobre el potencial de las GNN en ciberseguridad y ofrece ideas para guiar futuros desarrollos en el campo.