Este trabajo propone un nuevo marco de recomendación federado que incorpora privacidad diferencial para salvaguardar la privacidad del usuario sin comprometer la precisión de las recomendaciones. A diferencia de los sistemas de recomendación convencionales que centralizan los datos del usuario, lo que puede llevar a posibles violaciones de privacidad, nuestro marco garantiza que los datos del usuario permanezcan en dispositivos locales. Aprovecha un enfoque de aprendizaje federado, donde un modelo global se entrena en múltiples dispositivos sin intercambiar datos en bruto. Para mejorar la protección de la privacidad, integramos un algoritmo de privacidad diferencial especialmente diseñado que agrega ruido cuidadosamente calibrado a las actualizaciones de datos agregados. Este mecanismo garantiza que el modelo global no pueda ser explotado para inferir información individual del usuario. Evaluamos nuestro marco en dos conjuntos de datos del mundo real, uno del sector del comercio electrónico y otro del dominio de recomendación de contenido multimedia. Los resultados muestran que nuestro marco logra una precisión de recomendación competitiva en comparación con enfoques centralizados tradicionales, con una pérdida mínima en las métricas de precisión y recall, al tiempo que mejora significativamente la privacidad del usuario. Nuestro trabajo es un testimonio de la viabilidad de crear sistemas de recomendación que no tengan que elegir entre privacidad y rendimiento, allanando el camino para aplicaciones de IA más éticas en dominios sensibles.