INTELIGENCIA ARTIFICIAL
Y SU ROL EN LA TRANSFORMACIÓN DIGITAL DEL SECTOR FINANCIERO: REVISIÓN
SISTEMÁTICA
ARTIFICIAL INTELLIGENCE AND ITS ROLE IN THE DIGITAL TRANSFORMATION OF
THE FINANCIAL SECTOR: SYSTEMATIC REVIEW
Ángel J. VELAZQUEZ REY[1]
|
Recibido
Aprobado |
: : |
03/10/2025 |
|
12/11/2025 |
||
|
Publicado |
: |
25/12/2025 |
RESUMEN: El objetivo de este
artículo de estado de la cuestión es explorar la interfaz entre la inteligencia
artificial (IA) ha transformado la digitalización de instituciones financieras
durante los últimos seis años. Para el análisis se utilizó un corpus de 20
artículos extraídos de las bases de datos Scopus y Web of Science, ciñéndose a
la Declaración PRISMA (Preferred Reporting Items for Systematic Reviews and
Meta-Analyses). Se evidenció que la llegada de la IA a la banca ha sido un
acontecimiento disruptivo, debido al fortalecimiento de las convenciones sobre
ciberseguridad y la trazabilidad y precisión de los perfiles de usuarios. Sin
embargo, es necesario investigar mejor el impacto que tendrá la inteligencia
artificial en la banca de los países menos desarrollados, ya que esta tendencia
probablemente refuerce la brecha tecnológica con el Primer Mundo, a lo que se
añade la inexistencia de personal cualificado para manejar de manera ética y
responsable las nuevas tecnologías. Se concluye que, a pesar de los notables
resultados logrados por la aplicación de los avances de IA, es imperativo que
no aumenten las diferencias preexistentes, sino más bien reducirlas.
Palabras
clave: digitalización,
globalización, inteligencia artificial, sector terciario.
ABSTRACT: The objective of this state-of-the-art article is
to explore the interface between artificial intelligence (AI) and how it has
transformed the digitization of financial institutions over the last six years.
For the analysis, a corpus of 20 articles extracted from the Scopus and Web of
Science databases was used, adhering to the PRISMA Statement (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses). It was found that
the arrival of AI in banking has been a disruptive event, due to the strengthening
of cybersecurity conventions and the traceability and accuracy of user
profiles. However, further research is needed on the impact that artificial
intelligence will have on banking in less developed countries, as this trend is
likely to widen the technological gap with the First World, compounded by the
lack of qualified personnel to manage new technologies in an ethical and
responsible manner. It is concluded that, despite the remarkable results
achieved by the application of AI advances, it is imperative that pre-existing
differences are not increased, but rather reduced.
Keywords: digitization, globalization, artificial intelligence, tertiary sector.
INTRODUCCIÓN
En el
2016, el Foro Económico Mundial, conclave que reúne a los principales
referentes de la economía global, señaló que la civilización había ingresado a
la Cuarta Revolución Industrial. Sin embargo, en el Perú, la IA es de difícil
acceso para algunos segmentos del sector terciario. Por lo tanto, tiene sentido
considerar el financiamiento público; de hecho, una política de este tipo
ayudará a mejorar la eficiencia de la gestión empresarial (León Gutiérrez et
al., 2022; Pacheco, 2023).
En esta
investigación, las premisas del marco conceptual tienen como base la teoría de
los sistemas sociotécnicos para explicar la inteligencia artificial y en la
teoría de la innovación disruptiva para la transformación digital. La primera
perspectiva sostiene que, para que la implementación tenga el impacto
organizacional deseado, es necesario reestructurar los equipos de trabajo,
gestionar el cambio y desarrollar nuevas competencias (Vargas, 2021). Por otro
lado, la teoría de la innovación disruptiva resalta el impacto de la tecnología
de vanguardia al democratizar el acceso a los servicios financieros (Sánchez et
al., 2023).
Por
consiguiente, los resultados obtenidos apuntan a una conclusión provisional: La
competitividad y sostenibilidad de las instituciones financieras dependen en
último término de su capacidad de adaptación a la transformación digital.
Existen oportunidades de negocio que están volviendo obsoletos a los modelos
tradicionales en el sector financiero, los cuales han prevalecido durante los
últimos 20 o 30 años (Pandey y Sergeeva, 2020). No obstante, se advierten
algunos problemas, como la brecha tecnológica entre las instituciones con mayor
cobertura de clientes y aquellas con menor alcance. Esto impide una competencia
equitativa, además de generar un desajuste entre las innovaciones tecnológicas
y el cumplimiento del marco normativo que asegura la seguridad y la
confiabilidad del sistema financiero. Por ejemplo, es necesario contar con
regulaciones mucho más claras y directas en relación con la custodia de la
información y la minimización de errores en decisiones ya automatizadas. Estas
condiciones, en cierta medida, hacen más lenta la implementación de ciertas
posibilidades digitales, lo que no convence a los usuarios (Chahal, 2023).
Los
estudios anteriores informaron que la IA influye en diversos contextos. Así, en
Rumanía, Andronie et al. (2023) concluyen que el big data ha permitido el
desarrollo de productos financieros personalizados en la industria de servicios
financieros. En los EE. UU., Chahal (2023) encontró que la introducción de IA y
RPA ha mejorado significativamente la satisfacción del cliente. En un contexto
similar, Pandey y Sergeeva (2022) demostraron que la IA en Rusia ha abierto el
debate sobre cuestiones reglamentarias y éticas. En India, Mittala (2020) añade
que los sistemas híbridos que combinan redes neuronales con algoritmos de soft
computing mejoran la exactitud en la prevención de riesgos.
Luego de
una búsqueda inicial, se ha identificado la carencia de artículos de revisión
acerca de cómo la inteligencia artificial está abriendo oportunidades de
negocio y acercando a las entidades financieras a los mercados emergentes.
Además, se observa una carencia de estudios sobre cómo los Estados nacionales
están adaptando sus marcos normativos a la IA. De forma similar, será
interesante analizar cómo las entidades financieras responden a la brecha
tecnológica y a los problemas de conectividad en la mayoría de los países del
hemisferio sur.
El
problema de investigación es el siguiente: ¿De qué manera la inteligencia
artificial está impactando en la transformación digital del sector financiero
en los últimos seis años, del 2019 al 2024? A su vez, se plantean cuatro
preguntas específicas: ¿Cómo está la disrupción digital redefiniendo el sector
financiero? ¿De qué manera la inteligencia artificial y el Machine Learning
están impulsando el desarrollo de la banca? ¿Cómo contribuye la inteligencia
artificial al análisis y gestión de grandes volúmenes de datos en el sector
financiero? ¿Cómo puede la inteligencia artificial prevenir el fraude y
fortalecer la ciberseguridad? Por ende, el objetivo general es explorar de qué
manera la inteligencia artificial está impactando en la transformación digital del
sector financiero entre 2019 y 2024.
METODOLOGÍA
Esta
investigación consiste en una revisión exhaustiva sobre lo investigado respecto
a una temática específica, precisando lugar, fecha de publicación, título del
recurso, diseño metodológico y contribución principal. También conocida como
Revisión Sistemática de la Literatura - (RSL), que tiene como objetivo proporcionar
evidencia para la toma de decisiones basadas en evidencias contrastables
(Quispe et al., 2021).
Se ha
empleado el protocolo PRISMA, el cual consta de una serie de pasos destinados
al aseguramiento de la rigurosidad y transparencia en una RSL. Este protocolo
establece criterios estandarizados para la identificación, cribado,
elegibilidad e inclusión de estudios, además de exigir la presentación de un
diagrama de flujo que documenta cada etapa del proceso. Su uso es común entre
los investigadores, pues permite garantizar que la revisión proporcione un
estado del arte de calidad, basado en procedimientos sistemáticos y claramente
trazables (Liberati et al., 2009).
Cada una
de las interrogantes presentadas en la Tabla 1 cumple la función de ser hitos o
referentes de consulta obligatoria para una evaluación adecuada de la
producción bibliográfica.
En el
análisis de la revisión sistemática se formularon cinco preguntas de
investigación (RQ), que permitieron estructurar la extracción, síntesis y
comparación de los hallazgos. La RQ1 se centró en identificar los estudios
publicados entre 2019 y 2024, con el fin de delimitar el panorama reciente de
la producción científica sobre inteligencia artificial en el sector financiero.
La RQ2 buscó comprender cómo la disrupción digital está redefiniendo los
procesos, modelos de negocio y dinámicas competitivas en la industria
financiera, poniendo especial énfasis en la incorporación de tecnologías
emergentes. Por su parte, la RQ3 analizó de qué manera la inteligencia
artificial (IA) y el machine learning (ML) impulsan el desarrollo de la banca,
tanto desde la optimización de servicios como desde la eficiencia operativa.
Asimismo,
la RQ4 examinó el aporte de la IA al análisis y la gestión de grandes volúmenes
de datos, aspecto crucial para la toma de decisiones estratégicas y la
personalización de servicios financieros. Y la RQ5 se orientó a explorar cómo
la inteligencia artificial contribuye a la detección de fraude y al
fortalecimiento de la ciberseguridad, dos áreas prioritarias en un entorno
digital cada vez más complejo. Estas preguntas guiaron la organización de los
resultados y permitieron interpretar de forma sistemática los aportes de la
literatura incluida.
Tabla 1
Preguntas
de investigación
|
Códigos |
Denominaciones |
|
RQ1 |
¿Qué estudios fueron
seleccionados entre 2019-2024? |
|
RQ2 |
¿Cómo la disrupción digital
está redefiniendo el sector financiero? |
|
RQ3 |
¿De qué manera
la IA y el ML están impulsando el desarrollo de la banca? |
|
RQ4 |
¿De qué manera la inteligencia artificial aporta al análisis y gestión de gran
volumen de datos en el sector financiero? |
|
RQ5 |
¿Cómo puede preverse el fraude y desarrollar la ciberseguridad mediante la inteligencia artificial? |
Criterios
de elección
Para
garantizar la coherencia metodológica y la pertinencia temática de los estudios
incluidos en la revisión sistemática, se definieron criterios de inclusión y
exclusión que permitieron filtrar la evidencia científica de forma rigurosa.
Estos criterios se establecieron considerando el objetivo central de la
investigación, el periodo temporal de análisis, el tipo de diseño metodológico,
el acceso al texto completo y la relación directa del estudio con el sector
financiero. De esta manera, los criterios permitieron asegurar que solo se
incluyan investigaciones que aporten evidencia empírica relevante, reciente y
aplicable al fenómeno analizado (ver Tabla 2).
Criterios de elección
|
Criterio |
Código |
Descripción |
|
Inclusión Exclusión |
IC1 IC2 IC3
IC4 IC5 EC1 EC2 EC3 EC4 EC5 |
Investigaciones con diseño
experimental entre los
años 2019 al 2024
Estudios causales publicadas entre los años 2019 al 2024 La muestra considera a empresas del sector financiero Cualquier idioma de la publicación Artículos completos y disponibles Publicaciones anteriores al año 2019
Investigaciones con diseño
descriptivo simple Publicaciones que consideren como muestra a empresas que no forman
parte del sector financiero Artículos de estudios secundarios y terciarios Artículos
incompletos o no disponibles |
Fuentes
de información
Para una
mayor consistencia y confiabilidad de los datos, se trabajó con fuentes de
información como Scopus y Web of Science. La selección de estas bases de datos
científicas se justifica debido a que ambas son reconocidas internacionalmente
por su rigurosa curaduría editorial, la inclusión exclusiva de revistas con
alto impacto y revisión por pares, así como su amplia cobertura
multidisciplinaria, lo que asegura la obtención de literatura científica válida
y de calidad. Además, son consideradas como los principales referentes para la
realización de revisiones sistemáticas, dado que permiten recuperar estudios
relevantes, actualizados y con alto nivel de citación, garantizando así la
solidez del análisis bibliográfico.
Estrategia
de búsqueda
Durante
el proceso de la búsqueda se utilizaron diversas estrategias como emplear
palabras clave obtenidas en tesauros. Además, se aplicaron operadores booleanos,
tales como “AND” y “OR”, considerando los años de publicación de cada artículo
perteneciente a los diversos continentes. Con la finalidad de asegurar la
integridad del conjunto de datos, los resultados fueron importados al gestor
bibliográfico Mendeley el cual permite identificar y eliminar de manera
automática los registros duplicados mediante su función de “Check for
duplicates”. Esta herramienta compara títulos, autores, años y metadatos,
facilitando la detección de coincidencias y garantizando que solo se conserven
las referencias únicas y válidas para el respectivo análisis (ver Tabla 3).
Tabla 3
Cadenas
de búsquedas utilizadas
|
Ecuaciones de búsqueda |
Descripción |
|
Ecuación básica |
(“Inteligencia artificial” OR “IA” OR “aprendizaje automático” OR
“machine learning”) AND (“transformación digital”
OR “digitalización” OR “innovación digital”)
AND (“sector financiero” OR “bancos” OR “instituciones financieras” OR “fintech” OR “servicios
financieros” |
|
Ecuación en innovación |
(“algoritmos” OR “sistemas inteligentes” OR “redes neuronales”) AND
(“innovación digital” OR “disrupción digital” OR “modernización tecnológica”)
AND (“sector bancario” OR “instituciones de crédito” OR “fintech”) |
|
Ecuación en transformación digital |
(“Inteligencia artificial” OR “IA” OR “machine learning”)
AND (“transformación digital” OR “digitalización”) AND (“sector financiero” OR “bancos” OR “fintech”) NOT (“sector salud” OR “educación”) |
|
Ecuación en automatización
avanzada |
(“automatización avanzada” OR “inteligencia
artificial” OR “aprendizaje automático”) AND (“cambio digital” OR “estrategia
digital” OR “adopción tecnológica”) AND (“instituciones financieras” OR
“servicios financieros” OR “fintech”) |
De acuerdo con lo detallado en la
tabla, se diseñaron cuatro ecuaciones de búsqueda temáticas (búsqueda básica,
innovación, transformación digital y automatización avanzada). Sin embargo, no
se aplicaron simultáneamente; cada ecuación fue utilizada de manera iterativa y
complementaria para afinar los resultados, verificando cuál de ellas recuperaba
evidencia reciente y relevante. Para garantizar la exhaustividad, las
ecuaciones de búsqueda fueron adaptadas a las características de cada base de
datos científica. Es decir, en la base de datos Scopus,
las búsquedas se realizaron en los campos TITLE-ABS-KEY, que integran el
título, el resumen y las palabras clave de los artículos. La ecuación general
utilizada en Scopus se muestra a continuación:
Scopus (TITLE-ABS-KEY): ("inteligencia
artificial" OR "IA" OR "machine learning"
OR "aprendizaje automático") AND ("transformación digital"
OR "digitalización" OR "innovación digital") AND
("sector financiero" OR "bancos" OR "instituciones
financieras" OR "fintech")
Respecto al uso de la base de
datos científica Web of Science,
las ecuaciones se aplicaron en el campo Topic (TS),
considerando el título, resumen, palabras clave de autor y KeyWords
Plus. La ecuación general utilizada
fue:
Web of
Science (TS): ("artificial intelligence" OR
"machine learning" OR "deep learning") AND ("digital
transformation" OR "digitalization") AND ("financial
sector" OR "banking" OR "fintech")
Las ecuaciones específicas
mostradas en la tabla fueron empleadas como variantes secundarias, con el
objetivo de ampliar o depurar los resultados cuando la ecuación general
recuperaba literatura insuficiente o muy heterogénea. Se completaron los
registros obtenidos de todas las búsquedas, eliminando los duplicados mediante
el gestor Mendeley previo al procedimiento del análisis final.
Proceso de selección de estudios
El proceso de selección se llevó
a cabo en cuatro fases, las mismas que se detallan a continuación:
·
Identificación. En las fuentes de información previamente mencionadas,
se utilizaron palabras clave y ecuaciones de búsqueda para localizar los
estudios pertinentes.
·
Cribado. En esta fase, se realizó una revisión exhaustiva de la
evidencia disponible, tomando en cuenta su relevancia y su conformidad con los
criterios de selección.
·
Elegibilidad. En esta etapa, se evaluó si el artículo cumplía con los
parámetros establecidos para la inclusión y exclusión de evidencias.
·
Inclusión. En esta fase, solo se incluyeron las evidencias que fueron
identificadas y cribadas. La decisión se toma basándose en una evaluación
exhaustiva del contenido y su alineación con los objetivos de la RSL.
La búsqueda inicial en Scopus, Web of Science y ScienceDirect
identificó 2 364 registros. Después de eliminar duplicados (n = 54), registros
marcados como no aptos por las herramientas de automatización (n = 5) y
documentos excluidos por otras razones (n = 2 168), quedaron 137 artículos para
la fase de cribado por título y resumen. Durante esta etapa, se excluyeron 99
artículos por falta de pertinencia temática, quedando 38 documentos, de los
cuales 2 no pudieron recuperarse en su versión completa. En consecuencia, 36
artículos fueron evaluados en texto completo. Tras aplicar los criterios de
elegibilidad —acceso restringido (n = 4), falta de alineación con los objetivos
del estudio (n = 9) y población no pertinente (n = 3)— se seleccionaron 20
estudios para la síntesis cualitativa final. El proceso completo se describe en
la Figura 1 siguiendo la declaración PRISMA.
Figura 1
Diagrama de flujo del proceso de
selección de los estudios
Identificación de estudios vía bases de datos y repositorios Artículos identificados a partir de: Base de datos
(n: 2364) WOS:282 Scopus: 1698 ScienceDirect: 384 Resultados
duplicados removidos (n = 54) Registros
marcados como no aptos por las herramientas de automatización (n =5) Identificación Artículos seleccionados (n =137) Artículos excluidos (n = 99) Artículos no recuperados (n = 2) Cribado Artículos evaluados para la admisibilidad (n = 36) Artículos
excluidos: Razón 2: 9
estudios que no comparten los objetivos del estudio Estudios incluidos en la revisión (n = 20) Incluido
Registros eliminados por otras razones (n = 2,168)
Razón 1: 4 artículos con acceso restringido al PDF
Razón 3: 3 estudios no comparten la población de estudio
Sobre el análisis bibliométrico
Se seleccionaron 1314 estudios
como tamaño muestral, utilizando el software VOS Viewer.
La Figura 2 muestra la red de coocurrencia de términos derivada del análisis
bibliométrico realizado sobre n = 1 314 registros. Los clusters
identificados revelan las áreas temáticas más investigadas en la intersección
IA–sector financiero. Por consiguiente, se observa la relevancia y las
interconexiones entre los diversos elementos temáticos:
Figura 2
Visualización de red
En la Figura 2, se presentan
nodos agrupados en colores rojo, verde y azul. Esto se interpretó de la
siguiente manera:
·
Grupo de nodos azules: en este conglomerado se encuentra el nodo más
grande, aunque con menos participantes. El tema principal es “digitalization”, “financial institutions”, “data analytics”,
“on-line banking”, entre otros.
·
Grupo de nodos rojo: este grupo es uno de los grupos con más nodos y
tiene el segundo tema con mayor participación, “digital transformarían”, “big data”, “chatbots”, “automation” y “metadata”.
·
Grupo de nodos verde: el punto más sobresaliente se centra en el tema
“machine learning”, seguido de “deep
learning”, “e-learning”, “network
security”, “learning systems”.
En la Figura 3 se muestra el mapa
de superposición generado mediante VOSviewer a partir
del análisis bibliométrico de la colección de documentos seleccionados. Esta
representación permite observar la evolución temporal de los términos más
frecuentes en la literatura, así como su distribución dentro de los clústeres
temáticos identificados. Los colores reflejan el promedio de año de aparición
de cada término, lo que facilita identificar conceptos emergentes y tendencias
recientes en la investigación sobre inteligencia artificial aplicada al sector
financiero. Resulta particularmente interesante el comportamiento asociado al
color amarillo, ya que refleja un incremento significativo en el número de
estudios científicos al respecto.
Figura 3
Visualización
superpuesta
La Figura 4 presenta la
visualización de densidad generada mediante VOSviewer,
la cual permite identificar los términos con mayor frecuencia y relevancia
dentro de la literatura analizada. Las áreas en tonalidades amarillas indican
una alta concentración de publicaciones asociadas a conceptos centrales como
artificial intelligence, machine learning,
digitalization y big data.
En contraste, las zonas de color verde más suave reflejan términos con menor
intensidad, aunque igualmente vinculados al ecosistema financiero, tales como banking sectors, competition y fintech. Esta
distribución evidencia que la integración de procesos digitales en el sector
financiero no solo es amplia y transversal, sino también irreversible,
posicionando a la inteligencia artificial como un motor clave de innovación y
competitividad en la industria.
Figura 4
Visualización
de la densidad
RESULTADOS
A
continuación, se resumen las características básicas de los 20 estudios
incluidos en la RSL (autor/año, revista, título y base de datos de
procedencia). La Tabla 4 permite identificar la distribución geográfica, las
tecnologías estudiadas y el enfoque metodológico de la evidencia seleccionada.
RQ1: ¿Qué
estudios fueron seleccionados entre 2019-2024?
Tabla 4
Estudios
incluidos en la revisión sistemática (2019-2024)
|
Autores/Año
de Publicación |
Revista / conference |
Título de la investigación |
Base de datos |
|
Ajigini y Chinamasa (2023) |
Information Resources Management Journal |
Modelling digital
transformation within thefinancial sector: A South African perspective |
Web of Science |
|
Wang y Yu (2023) |
International Journal
of Information Technologies
and Systems Approach |
Supply
chain resources and economic security based on artificial intelligence and blockchain multi-channel technology |
Web of Science |
|
Mavlutova et al. (2020) |
Studies of Applied Economics |
Financial sector
transformation in the era of digitalization |
Web of Science |
|
Wang y Zhao (2022) |
Mobile Information Systems |
Digital economy
meets artificial intelligence: forecasting economic conditions based
on big data
analytics |
Web of Science |
|
Yi et al. (2023) |
IEEE Access |
Artificial intelligence in
accounting and finance: Challenges and opportunities |
Web of Science |
|
Nametala et al. (2023) |
Computational Economics |
Use of econometric predictors and artificial neural networks for the construction of stock market
investment bots |
Web of Science |
|
Gómez et al.
(2022) |
Tripodos |
Bitcoin investment strategies
based on google
trends and AI models |
Web of Science |
|
Zhou (2022) |
Journal of Environmental and Public Health |
The application trend
of digital finance and technological innovation in the development of green economy |
Web of Science |
|
Yan
(2023) |
Applied Artificial Intelligence |
Research on
financial field integrating artificial intelligence: application basis, case analysis, and SVR model-based overnight |
Web of Science |
|
Kumar et al. (2023) |
Information Systems Frontiers |
Artificial
intelligence and Blockchain integration in business: Trends from a bibliometric-content analysis |
Web of Science |
|
Shanmuganathan (2020) |
Journal of Behavioral
and Experimental Finance |
Behavioural finance in an era of artificial intelligence:
Longitudinal case study
of robo- advisors in investment decisions |
Web of Science |
|
Wang et al. (2023) |
Resources Policy |
Economic analysis
of sustainable exports value addition through natural resource management and artificial intelligence |
Web of Science |
|
Al-Hawamdeh y Alshaer
(2022) |
Journal of Asian Finance |
Artificial
intelligence applications as a modern trend to achieve organizational innovation in Jordanian commercial banks |
Web of Science |
|
Ladeira et al. (2024) |
Service Industries Journal |
Big data
analytics and the
use of artificial intelligence in the services industry: a meta-analysis |
Scopus |
|
Dubey et al. (2020) |
International Journal
of Production Economics |
Big data analytics
and artificial intelligence pathway to operational performance under the effects of entrepreneurial
orientation and environmental dynamism: A study of manufacturing organisations |
Scopus |
|
Mills et al.
(2024) |
Discover Artificial Intelligence |
A cloud-based
architecture for explainable Big Data analytics using self-structuring Artificial Intelligence |
Scopus |
|
Alghamdi y Agag (2023) |
Sustainability |
Boosting
innovation performance through big data analytics powered by artificial intelligence use:
An empirical exploration of the role
of strategic agility and market turbulence |
Scopus |
|
Saleh y Mishra
(2024) |
Journal of
Cybersecurity and Information Management |
The impact of
AI-based cyber security on the banking and financial sectors |
Scopus |
|
Mishra (2023) |
Applied Sciences |
Exploring the impact of AI-based cyber security financial sector management |
Scopus |
|
Chitimira et al. (2024) |
Potchefstroom Electronic Law Journal |
Leveraging
artificial intelligence to combat money laundering and related crimes in the south african banking sector |
Scopus |
En la
Tabla 5 se sintetizan los hallazgos relativos a cómo la disrupción digital está
redefiniendo el sector financiero, organizados por autor y principales aportes.
RQ2. ¿Cómo
la disrupción digital está redefiniendo el sector financiero?
Tabla 5
Disrupción
digital
|
Autores/Año de Publicación |
Disrupción digital |
Cambios en el sector financiero |
|
Ajigini y Chinamasa (2023) |
Las instituciones adoptaron tecnologías
como blockchain y banca móvil, pero enfrentaron
barreras operativas. La cultura organizacional resultó ser clave en
la transformación. |
Las FinTech mejoraron la inclusión financiera con productos personalizados, aunque las instituciones
enfrentaron desafíos operativos que dificultaron una digitalización total. |
|
Mavlutova et
al. (2020) |
Nuevos modelos
de negocio y cadenas de valor, impulsados por tecnologías como la inteligencia artificial, crean ecosistemas digitales eficientes. |
Las FinTech promovieron la innovación y colaboraron
competitivamente con bancos, impulsando inversiones en pagos y préstamos. |
|
Wang y Zhao
(2022) |
El diseño de
aprendizaje automático se hace para mostrar la posibilidad de bancarrota de empresas
pequeñas, en tanto que equipos de soporte vectorial y redes neuronales han
sido utilizados para hacer predicciones sobre precios en los mercados
financieros. |
Los avances
en el aprendizaje automático
permiten predecir quiebras en pequeñas empresas con modelos simples y complejos. |
|
Yi
et al. (2023) |
Se
simplificaron procesos, con lo que se alcanza una mayor eficiencia operativa. Además, ubo optimización en procesos claves
como la prevención de fraudes, el manejo del portafolio y la contabilidad
financiera. |
La IA y el ML
optimizaron procesos financieros, mejoraron la eficiencia y la gestión de
riesgos. |
|
Nametala et
al. (2023) |
La disrupción
digital ha transformado el sector financiero, incorporando redes neuronales
artificiales en modelos econométricos y mejorando la predicción de la volatilidad del
mercado. |
Las estrategias
híbridas de IA mejoraron la predicción y superaron los índices en periodos. |
|
Gómez et al. (2022) |
El documento
analiza la disrupción digital en el sector financiero y destaca a InvestMood Fintech 2, que utiliza big
data e IA para evaluar
el ánimo de los inversores. |
Los sistemas de
trading algorítmico basados en IA y Google Trends
demostraron mayor rentabilidad, lo que evidencia la influencia del estado de
ánimo y la eficacia de los sistemas basados en tendencias de
búsqueda. |
|
Zhou (2022) |
Financiación
inclusiva a empresas tecnológicas, que promueve operaciones más eficientes y apoya la innovación tecnológica. |
Se reduce la
asimetría de información y se promueve el desarrollo empresarial. Tecnologías como big data y blockchain optimizan la experiencia del
cliente. |
|
Yan (2023) |
Los servicios
son personalizados y optimizan las estrategias de procesamiento de datos y gestión de riesgos. |
La Inteligencia
Artificial ha transformado las microfinanzas y la gestión patrimonial en soluciones más inteligentes y accesibles. |
|
Kumar
et al. (2023) |
La IA y blockchain han favorecido estrategias de inversión mucho
más efectivas. Además, su ayuda es crucial
para operaciones cada vez menos vulnerables por el hampa. |
La IA ha
permitido que la evaluación crediticia, en algunas economías emergentes,
tenga el menor margen de error posible. |
|
Shanmuganathan
(2020) |
Los robo-advisors
están contribuyendo al servicio digital. Así, este se hace más personalizado. |
Modelos como
B2B y B2B2C han ayudado a la disminución de costes y al diseño de propuestas
mucho más individualizadas. |
|
Wang et al. (2023) |
Los procesos
económicos se remodelan, con lo que el valor agregado se consolida en el
comercio global. |
La disrupción
digital respalda las decisiones políticas informadas. |
|
Al-Hawamdeh y Alshaer (2022) |
Las posibilidades
despertadas por la banca móvil han mejorado el soporte continuo y los
préstamos entre pares. |
La inteligencia
artificial y el aprendizaje automático mejoran la evaluación de riesgos y la
detección de fraude. Si bien la emergencia sanitaria ha acelerado el trabajo remoto
y la colaboración digital, la banca
abierta fomenta la innovación. |
Los estudios seleccionados
coinciden en varias ideas básicas sobre el impacto de la disrupción digital en
el sector financiero. Todo ello a través de la automatización, la
personalización de los servicios, la mejora de la detección del fraude y el
papel innovador de la tecnología financiera (Ajigini y
Chinamasa, 2023; Kumar et al., 2023; Mavlutova et al., 2020; Yan, 2023; Yi et al., 2023). Sin
embargo, se pueden observar diferencias en el enfoque tecnológico específico,
el análisis del mercado geográfico y la innovación adoptada. Mientras algunos
estudios se centran en la optimización de procesos y la mejora operativa (Al- Hawamdeh y Alshaer, 2022; Nametala et al., 2023; Wang y Zhao, 2022; Wang y Yu, 2023), otros destacan la creación de nuevos productos y
modelos financieros, sobre todo en economías emergentes como Brasil (Nametala et al., 2023) y Sudáfrica (Ajigini
y Chinamasa, 2023). Estos contrastes permiten una
visión más amplia de cómo la disrupción digital está redefiniendo el sector
financiero en todo el mundo, dependiendo de las tecnologías empleadas y del
contexto en el que se implementan.
En la siguiente tabla se detalla
para dar respuesta a la RQ3. ¿De qué manera la inteligencia artificial y el
machine learning están impulsando el desarrollo de la
banca?ç
Tabla 6
Desarrollo de la banca gracias a
la IA
|
Autores/Año de Publicación |
Desarrollo
de la banca |
|
Ajigini y Chinamasa (2023) |
Han reforzado
los servicios bancarios en Sudáfrica, promoviendo la innovación en pagos
digitales, seguros, préstamos y gestión patrimonial. Estas tecnologías han
acelerado la transformación digital y han mejorado los modelos de negocios y
la mejora de los servicios financieros. |
|
Wang y Yu (2023) |
Han mejorado
los procesos bancarios, automatizado tareas repetitivas y mejorado la eficiencia operativa. Lo mismo ocurrió con la calidad del producto, la innovación
tecnológica, el costo operativo disminuyó y la estabilidad económica, al
igual que las ventajas globales, han aumentado. |
|
Mavlutova et
al. (2020) |
Han
transformado la banca personalizando el servicio, optimizando las tareas
rutinarias a través de RPA, se reducen costos y mejora la eficiencia. Estas
tecnologías también han mejorado la gestión del riesgo, permitiendo
innovaciones como contratos inteligentes y que las P2P faciliten el préstamo
a los usuarios. |
|
Wang y Zhao (2022) |
Han transformado el sector bancario mediante modelos como
xgboost y dbn-svm, con
lo que mejoró la precisión en la predicción de quiebras y gestión de riesgos.
El análisis de un enorme volumen de datos es una evidencia plausible para la
toma de decisiones. La automatización de procesos y modelos avanzados
disponibles aportó eficiencia y valoración de crédito. |
|
Yi
et al. (2023) |
Han
transformado el sector bancario al automatizar procesos clave como la
detección de fraude, la gestión del riesgo crediticio y el comercio
automatizado. Con todo ello, se tiene un mayor margen de previsión del
mercado y eficiencia operativa. |
|
Nametala et al. (2023) |
Están transformando el sector bancario mediante el desarrollo de herramientas de inversión que mejoran la
estrategia comercial. Esto permite el análisis de ganancias y la toma de
decisiones estratégicas. Se identifican oportunidades auspiciosas y se
responde eficientemente a los cambios del mercado, superando
significativamente a los métodos convencionales en rentabilidad y gestión de
riesgos. |
La IA y el machine learning han transformado el sector bancario al automatizar
procesos clave (Kumar et al., 2023; Wang y Yu, 2023;
Yan, 2023; Yi et al., 2023), personalizar productos financieros (Shanmuganathan, 2020) y mejorar la experiencia del cliente
(Al-Hawamdeh y Alshaer,
2022; Gómez et al., 2022; Kumar et al., 2023; Nametala
et al., 2023; Wang y Yu, 2023; Yi et al., 2023; Yan,
2023; Zhou, 2022). Estas tecnologías no solo han reducido los costos operativos
(Ajigini y Chinamasa,
2023), mejorado la eficiencia, sino que también han permitido a las
instituciones bancarias ofrecer servicios más personalizados y seguros.
Continuando con el desarrollo de
la RQ4. ¿De qué manera la inteligencia artificial aporta al análisis y gestión
de gran volumen de datos en el sector financiero? Se detalla a continuación la
respuesta
Tabla 7
Gestión de datos en el sector
financiero mediante la IA
|
Autores/Año
de Publicación |
Gestión de datos |
|
Ladeira et al. (2024) |
La Inteligencia Artificial le permite procesar datos rápidamente, aumentar la eficiencia operativa, predecir el comportamiento futuro
y mejorar la ventaja
competitiva |
|
Dubey et al.
(2020) |
IA facilita la interpretación de información
compleja y desarrolla capacidades dinámicas. Con el análisis de big data, se mejora el rendimiento
operativo, la creación de productos, la calidad y la reducción de costos. |
|
Mills et al.
(2024) |
La inteligencia artificial ha brindado información
en tiempo real, lo que les ha permitido a los inversores la posibilidad de
tasas de ganancia mayores. Tecnologías como la Inteligencia Artificial
Explicable (XAI) y la Inteligencia Artificial Autorreguladora (SSAI)
mejorarán la transparencia y flexibilidad de los análisis. |
|
Alghamdi y
Agag (2023) |
Facilitan el análisis predictivo,
convierten los datos sin procesar en conocimientos estratégicos y aumentan la resiliencia de las instituciones financieras a los cambios del mercado. Además,
se alinean las innovaciones disponibles de productos financieros para
que los clientes tengan más opciones de elegir. Luego, el mercado incrementa
su eficiencia. |
En cuanto a las diferencias
entre los estudios citados, estas radican en cómo se integra la inteligencia
artificial en el manejo de datos financieros. Al respecto, Mills et al. (2024)
se ha referido a un aspecto innovador como lo son IA explicable e IA autoorganizada.
No obstante, todavía no ha sido abordado lo suficiente en otras publicaciones.
Donde sí se concuerda es que la IA ha revolucionado el análisis y la gestión de
grandes cantidades de información en el sector financiero (Ladeira
et al., 2024), incrementando la precisión, rapidez y capacidades de las
corporaciones (Dubey et al., 2020; Mills et al.,
2024). A su vez, ya es una realidad la toma de decisiones más informada y
eficiente (Alghamdi y Agag,
2023). Por otra parte, hay diferencias en cuanto a mecanismos tecnológicos
específicos no abordados por otros estudios, como la inteligencia artificial
explicada, la inteligencia artificial autoorganizada y la computación en nube,
los cuales resaltan Mills et al. (2024), si bien no son objeto de tratamiento
similar en el resto de trabajos analizados. Estas diferencias reflejan las
distintas maneras en que las instituciones financieras pueden poner la
inteligencia artificial en práctica para enfrentarse al reto del análisis de
grandes datos, de acuerdo a sus necesidades.
En la siguiente tabla se
responde a la RQ5. ¿Cómo puede prevenirse el fraude y desarrollar la
ciberseguridad mediante la inteligencia artificial?
Tabla 8
Ciberseguridad
mediante la IA
|
Autores/Año de Publicación |
Gestión de datos |
|
Yi et al. (2023) |
La Inteligencia Artificial está mejorando drásticamente la detección de fraude y la ciberseguridad en el sector
financiero. El análisis de texto y los
algoritmos adaptativos mejoran la lucha contra
el lavado de dinero. |
|
Kumar et al. (2023) |
Los contratos inteligentes, dentro de la
infraestructura de blockchain, automatizan y verifican las transacciones. De
esta forma, la IA ayuda a predecir fraudes y fomenta la ciberseguridad.
También mejora la confiabilidad de los datos financieros, con lo que
disminuye el peligro potencial de un fraude contable. |
|
Saleh y Mishra (2024) |
La inteligencia
artificial mejora la ciberseguridad en el sector financiero al identificar
riesgos, detectar actividades sospechosas y prevenir el fraude en tiempo real.
Es decir, automatización de medidas
de seguridad. Además, permite una mejor gestión de
riesgos y enfatiza la necesidad de transparencia en los algoritmos para
garantizar decisiones éticas y justas. |
|
Mishra (2023) |
La inteligencia artificial mejora la ciberseguridad y previene el fraude en el sector financiero mediante la
detección automatizada de amenazas, el uso
de criptografía algorítmica avanzada y la predicción de ciberataques.
En conclusión, mejorar los programas de seguridad. |
|
Chitimira et
al. (2024) |
Mejora la ciberseguridad en las instituciones financieras, detecta patrones inusuales y actividades sospechosas, mejora la verificación de identidad y monitorea el comportamiento de los
usuarios en tiempo real. Además, detecta vulnerabilidades mejorando la
seguridad. |
Todos los estudios analizados
en esta revisión sistemática coinciden en que la IA mejora considerablemente la
detección de fraude al analizar grandes cantidades de datos e identificar
patrones inusuales que indican actividad fraudulenta. Según Yi et al. (2023),
la IA utiliza técnicas como la regresión logística, árboles de decisión y redes
bayesianas para analizar datos financieros y detectar fraudes con mayor
precisión que los métodos tradicionales. Esta afirmación es respaldada por Chitimira et al. (2024), quienes destacaron que la IA es
particularmente efectiva para detectar fraudes relacionados con el lavado de
dinero, verificar la identidad y mejorar los procesos de debida diligencia
mediante el monitoreo del comportamiento de los usuarios (Chitimera
et al., 2024; Kumar et al., 2023). En este sentido, los algoritmos de minería
de datos permiten el aprendizaje automático, lo que permite a las instituciones
financieras identificar actividades sospechosas de manera más rápida y precisa.
DISCUSIÓN
DE RESULTADOS
Interpretación
En los
últimos cinco años, la IA se ha convertido en una especie de locomotora del
ámbito financiero. Esta tendencia coincide con lo reportado por Dubey et al.
(2020), Kumar et al. (2023) y Yi et al. (2023), quienes destacan que la IA
impulsa cambios sustantivos en la cultura organizacional, la gestión del
riesgo, la automatización de procesos y el diseño de nuevos servicios
financieros. Pero, también suscita preguntas necesarias sobre la regulación
ética y el acortamiento de la brecha tecnológica entre economías hegemónicas y
economías subordinadas. Es evidente que sólo el primer grupo de estos estados
está en buenas condiciones para aprovechar plenamente el progreso técnico que
trae consigo la IA. El segundo grupo, en contraste, formado por países del hemisferio
sur, se encuentra enfrentando obstáculos estructurales como la falta de enfoque
tecnológico, infraestructura y manejo del idioma inglés. Si se quiere que la
interacción hombre-máquina tenga éxito, se debe adoptar un enfoque holístico y
tomar medidas eficaces para controlar el efecto sociotécnico que implica dicha
disrupción.
Significación
Los
resultados obtenidos profundizan el marco teórico que vincula la tecnología de
IA, innovación financiera y desempeño organizacional. Se confirma la premisa
teórica de que la IA actúa como un catalizador de eficiencia y una fuente de
ventaja competitiva, sustentada por modelos predictivos más precisos,
automatización de tareas críticas y análisis avanzado de datos (Andronie et
al., 2023; Mills et al., 2024). Las dinámicas internas de la IA cambiarán la
forma de funcionar de empresas financieras. Probablemente, ahora el equipo de
trabajo necesita que se incorporen habilidades duras y blandas para operar en
un mundo impulsado por la tecnología. Por lo tanto, la administración de la
gente más convencional tiene que ser reformada poniendo más recursos a la adquisición
y consolidación de competencias digitales y su sistema de incentivos. Nuevos
modelos de pronóstico de fraudes y fluctuaciones bursátiles con una precisión
inusitada generan nuevos riesgos, como una dependencia creciente de los
algoritmos y volverse vulnerables a ciberataques sofisticados. En este
contexto, las instituciones financieras deben ser mucho más proactivas en la
gestión de riesgos, dotándose de herramientas para ciberseguridad, incluyendo
una revisión ética de las decisiones automatizadas responsables. De hecho, esta
última cuestión lleva a reflexionar sobre la relación entre la IA y la
sostenibilidad y la inclusión financiera.
Proyección
Este
artículo de revisión propone que: a) la generalización de los resultados no es
tan simple; en juego están contextos económicos muy diversos y formas
completamente variadas de geografía, b) la mayoría de los estudios referidos
tiene lugar en mercados financieros desarrollados como Europa y Estados Unidos.
En este sentido, debería ser interesante para los estudios futuros alcanzar
conclusiones sobre el impacto de la IA en economías en vías de desarrollo como
Brasil, México, Sudáfrica o la India, c) muchos de los estudios revisados se
basan en un análisis de corte transversal o a corto plazo, por lo que se carece
de investigaciones longitudinales que nos permitan ver cómo la IA influiría a
medio y largo plazo en estructuras organizativas y el funcionamiento de los
mercados, d) Por último, aunque de comprensión lógica sea el acento en
tecnologías concretas como la IA, el ML o los chatbots, su alcance se podría
ampliar a otras tecnologías disruptivas cuya aceptación todavía es limitada.
CONCLUSIONES
En
relación con la RQ1, la evidencia identificada muestra que durante el periodo
analizado se produjo un incremento sostenido de investigaciones centradas en la
aplicación de IA, machine learning y los modelos híbridos dentro del sistema
financiero, con mayor concentración en Asia, Europa y América del Norte. Las
investigaciones recientes tienden a priorizar temas como eficiencia operativa,
personalización de servicios y ciberseguridad.
Sobre la
RQ2, los estudios analizados muestran que la disrupción digital está
redefiniendo el sector financiero al modificar sus modelos de negocio, acelerar
la digitalización de procesos y fomentar la adopción de tecnologías emergentes
como big data, blockchain e IA conversacional. Dicha transformación ha generado
un entorno competitivo en el que las organizaciones que incorporan IA se
posicionan con mayor capacidad de respuesta frente a cambios tecnológicos y de
mercado.
Respecto
a la RQ3, la literatura coincide en que la IA y el machine learning impulsan el
desarrollo de la banca mediante la automatización de procesos, la mejora en la
toma de decisiones y la optimización de la experiencia del cliente. Los modelos
predictivos y los sistemas inteligentes permiten desarrollar la precisión en la
gestión del riesgo, reducir tiempos de procesamiento y mejorar la
personalización del servicio financiero.
Para la
RQ4, los hallazgos revelan que la IA aporta significativamente al análisis y
gestión de grandes volúmenes de datos, permitiendo interpretar patrones
complejos, generar predicciones y apoyar la toma de decisiones estratégicas. La
analítica avanzada se consolida como un componente indispensable para
comprender el comportamiento del consumidor, evaluar riesgos y diseñar
productos adaptados a las necesidades de cada usuario.
En torno
a la RQ5, los estudios evidencian que la IA desempeña un rol cada vez más
decisivo en la detección del fraude y el fortalecimiento de la ciberseguridad.
Los modelos basados en machine learning, análisis de anomalías y sistemas de
vigilancia automatizada permiten identificar transacciones sospechosas con
mayor precisión y responder a amenazas en tiempo real, lo que contribuye a la
integridad y estabilidad del sistema financiero.
Conflicto de intereses
No existe conflicto de interés
por parte del autor.
Responsabilidad ética
Lo publicado no contradice la
política de transparencia y honestidad de la revista.
REFERENCIAS
Ajigini, O. A. y Chinamasa, T. J. W.
(2023). Modelling
digital transformation within the financial sector: A South African
Perspective. Information Resources Management Journal, 36(1), 1–20. https://doi.org/10.4018/irmj.320642
Al-Hawamdeh, M. M. y Alshaer, S. A. (2022). Artificial
intelligence applications as a modern trend to achieve organizational
innovation in Jordanian commercial banks. Journal of Asian Finance,
Economics and Business, 9(3), 257–263. https://doi.org/10.13106/jafeb.2022.vol9.no3.0257
Alghamdi, O. y Agag, G. (2023). Boosting Innovation Performance through Big Data Analytics Powered by
Artificial Intelligence Use: An Empirical Exploration of the Role of Strategic
Agility and Market Turbulence. Sustainability, 15(19).
https://doi.org/10.3390/su151914296
Andronie, M., Iatagan, M., Uță, C., Hurloiu, I., Dijmărescu, A. y Dijmărescu, I. (2023). Big data management algorithms in artificial Internet
of Things-based fintech. Oeconomia Copernicana, 14(3), 769–793. https://doi.org/10.24136/oc.2023.023
Chahal,
S. (2023). Navigating financial evolution: Business process optimization and
digital transformation in the finance sector. International Journal of
Finance, 8(5), 67-81. https://www.carijournals.org/journals/index.php/ijf/article/view/1475/1823
Chitimira,
H., Torerai, E. y Jana, L. (2024). Leveraging artificial intelligence
to combat money laundering and related crimes in the South African banking
sector. Potchefstroom Electronic Law Journal, 27, 1-30. https://doi.org/10.17159/1727-3781/2024/v27i0a18024
Dubey,
R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., Roubaud, D. y Hazen, B. T. (2020). Big data
analytics and artificial intelligence pathway to operational performance under
the effects of entrepreneurial orientation and environmental dynamism: A study
of manufacturing organisations. International
Journal of Production Economics, 226. https://doi.org/10.1016/j.ijpe.2019.107599
Gómez,
R., Martínez Navalón, J. G. y Prado Román, C. (2022). Bitcoin investment strategies based on Google Trends
and AI models. Tripodos, (52),
129-141. https://doi.org/10.51698/tripodos.2022.52p129-141
Kumar, S.,
Lim, W. M., Sivarajah, U. y Kaur,
J. (2023). Artificial
intelligence and blockchain integration in business: Trends from a
bibliometric-content analysis. Information Systems Frontiers,
25, 871–896. https://doi.org/10.1007/s10796-022-10279-0
Ladeira,
W. J., Santini, F. de O., Rasul, T., Cheah, I., Elhajjar, S., Yasin,
N. y Akhtar, S. (2024). Big
data analytics and the use of artificial intelligence in the services industry:
A meta-analysis. Service
Industries Journal, 44(15-16), 1117-1144. https://doi.org/10.1080/02642069.2024.2374990
León Gutiérrez, L.,
Tesillo Gomez, M., Escobar Arcaya, E. y Godoy
Montoya, G. (2022). Revisión de los avances y cambios en ciberseguridad en el
Perú, para una transformación digital. Innovación y Software, 3(2),
109-120. https://doi.org/10.48168/innosoft.s9.a62
Liberati, A., Altman, D. G., Tetzlaff, J.,
Mulrow, C., Gøtzsche, P.
C., Ioannidis, J. P. A., Clarke, M., Devereaux, P. J., Kleijnen, J. y Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta-analyses
of studies that evaluate healthcare interventions: Explanation and elaboration.
BMJ, 339. https://doi.org/10.1136/bmj.b2700
Mavlutova,
I., Volkova, T., Natrins, A., Spilbergs,
A., Arefjevs, I. y Miahkykh,
I. (2020). Financial sector transformation in the era of digitalization. Studies
of Applied Economics, 38(4), 1-11. https://doi.org/10.25115/eea.v38i4.4055
Mills, N., Issadeen, Z., Matharaarachchi,
A., Bandaragoda, T., De Silva, D., Jennings, A. y Manic, M. (2024). A cloud-based architecture for explainable big data analytics using
self-structuring artificial intelligence. Discover Artificial Intelligence,
4(1), 1-13. https://doi.org/10.1007/s44163-024-00123-6
Mishra,
S. (2023). Exploring the impact of AI-based cybersecurity financial sector
management. Applied Sciences, 13(10). https://doi.org/10.3390/app13105875
Mittala,
A. (2020). A selective overview of artificial intelligence in finance and
banking. SSRN. https://ssrn.com/abstract=3604999
Nametala, C. A.
L., de Souza, J. V. de, Pimenta, A. y Gontijo Carrano, E. G. (2023). Use of econometric predictors and artificial neural
networks for the construction of stock market investment bots. Computational Economics, 61(2), 743–773. https://doi.org/10.1007/s10614-021-10228-0
Pacheco, M. (2023). La
aplicación de la era digital y sus efectos en el otorgamiento de créditos a
personas naturales en las cajas municipales de ahorro y crédito del Perú. Igobernanza, 6(21), 175-186. https://doi.org/10.47865/igob.vol6.n21.2023.238
Pandey, K. y Sergeeva, I. (2022). Artificial intelligence impact evaluation:
Transforming paradigms in financial institutions. World of Economics and
Management, 22(1), 147-164. https://doi.org/10.25205/2542-0429-2022-22-1-147-164
Quispe,
A. M., Hinojosa-Ticona, Y., Miranda, H. A. y Sedano, C. A. (2021). Serie de redacción científica. Revista del Cuerpo Médico
Hospital Nacional Almanzor Aguinaga Asenjo, 14(1), 94–99. https://doi.org/10.35434/rcmhnaaa.2021.141.906
Saleh,
H. y Mishra, S. (2024). The impact of AI-based cybersecurity on the banking and
financial sectors. Journal of Cybersecurity and Information Management, 14(1),
8-19. https://doi.org/10.54216/jcim.140101
Sánchez, A., Mendieta,
A. y Arguedas, R. (2023). El sector financiero en la era digital. Datos,
digitalización y descentralización: las 3D de la nueva banca. Editorial UNED.
Shanmuganathan,
M. (2020). Behavioural finance in an era of
artificial intelligence: Longitudinal case study of robo-advisors
in investment decisions. Journal of Behavioral and Experimental Finance, 27.
https://doi.org/10.1016/j.jbef.2020.100297
Vargas, C. (2021). Finanzas digitales: notas
para la transformación digital en la industria bancaria y financiera. Cygna P-Cygna Ediciones de
Negocios. https://books.google.es/books?hl=es&lr=lang_es&id=jzKxEAAAQBAJ&oi=fnd&pg=PA6&dq=IA+y+transformaci%C3%B3n+digital+en+bancos&ots=LV9Nm2DEV2&sig=DMxok5r-C8FU7xnu6TGe2uDtecg#v=onepage&q=IA%20y%20transformaci%C3%B3n%20digital%20en%20bancos&f=false
Wang,
D. y Yu, A. (2023). Supply chain resources and economic security based on
artificial intelligence and blockchain multi-channel technology. International
Journal of Information Technologies and Systems Approach, 16(3), 1–15. https://doi.org/10.4018/ijitsa.322385
Wang,
F., Wong, W. K., Reivan Ortiz, G. G., Shraah, A. Al,
Mabrouk, F., Li, J. y Li, Z. (2023). Economic analysis of sustainable exports
value addition through natural resource management and artificial intelligence.
Resources Policy, 82. https://doi.org/10.1016/j.resourpol.2023.103541
Wang,
L. y Zhao, L. (2022). Digital economy meets artificial intelligence:
Forecasting economic conditions based on big data analytics. Mobile
Information Systems, 22(1), 1-9. https://doi.org/10.1155/2022/7014874
Yan,
X. (2023). Research on financial field integrating artificial intelligence:
Application basis, case analysis, and SVR model-based overnight. Applied
Artificial Intelligence, 37(1). https://doi.org/10.1080/08839514.2023.2222258
Yi,
Z., Cao, X., Chen, Z. y Li, S. (2023). Artificial intelligence in accounting
and finance: Challenges and opportunities. IEEE Access, 11,
129100–129123. https://doi.org/10.1109/access.2023.3333389
Zhou,
Y. (2022). The application trend of digital finance and technological
innovation in the development of green economy. Journal
of Environmental and Public Health, 1-8. https://doi.org/10.1155/2022/1064558
[1] Bachiller en
Administración. Estudios concluidos de maestría en E – Business. Estudios de
Diplomado en Marketing Digital. Emprendedor en negocios digitales. Fundador y CEO de la plataforma digital ViveApp. Universidad de San Martín de Porres.
Lima, Perú, angel_velazquez@usmp.pe - https://orcid.org/0009-0004-0573-721X