Entre la innovación y la regulación: evaluación sistemática de la Privacidad de datos en el uso financiero del machine learning

Abstract

El uso intensivo de machine learning en el sector financiero ha transformado la forma en que las instituciones procesan y analizan grandes volúmenes de datos para la toma de decisiones, mejorando la eficiencia y precisión en la gestión de riesgos e inversiones. Sin embargo, esta evolución tecnológica plantea serios desafíos en torno a la privacidad, la protección de los datos personales y la responsabilidad algorítmica, especialmente en contextos donde la regulación no avanza al mismo ritmo que la innovación. El objetivo de este estudio fue evaluar las implicaciones de privacidad derivadas del uso de datos en machine learning para la toma de decisiones financieras, con énfasis en la regulación existente y las brechas en su aplicación. Se desarrolló un artículo de revisión sistemática bajo los lineamientos PRISMA 2020, abarcando publicaciones indexadas en Scopus, Web of Science y SciELO durante los últimos cinco años. Los resultados revelan deficiencias significativas en la armonización normativa internacional, en la trazabilidad de los modelos algorítmicos y en la aplicación de tecnologías de mejora de privacidad, pese a sus avances teóricos. En conclusión, se evidencia la necesidad urgente de marcos regulatorios adaptativos y de una gobernanza algorítmica que integre la ética, la transparencia y la protección efectiva de los datos en el ecosistema financiero digital.

The intensive use of machine learning in the financial sector has transformed the way institutions process and analyze large volumes of data for decisionmaking, improving efficiency and accuracy in risk and investment management. However, this technological evolution poses serious challenges regarding privacy, personal data protection, and algorithmic accountability, especially in contexts where regulation has not kept pace with innovation. The objective of this study was to assess the privacy implications of using data in machine learning for financial decision-making, with an emphasis on existing regulations and gaps in their application. A systematic review article was developed under the PRISMA 2020 guidelines, encompassing publications indexed in Scopus, Web of Science, and SciELO over the past five years. The results reveal significant gaps in international regulatory harmonization, in the traceability of algorithmic models, and in the application of privacy-enhancing technologies, despite theoretical advances. In conclusion, there is an urgent need for adaptive regulatory frameworks and algorithmic governance that integrates ethics, transparency, and effective data protection in the digital financial ecosystem.