Introducción

La ciberseguridad en el sector financiero se configuró como un campo de análisis en permanente transformación, debido a la digitalización progresiva de los servicios bancarios y al aumento de amenazas cibernéticas más complejas. ^{Oyeniyi et al., (2024)} señalaron que los marcos tradicionales de ciberseguridad, aunque cumplieron una función inicial relevante, resultaron cada vez menos suficientes frente a ataques sofisticados, por lo que plantearon la necesidad de adoptar estructuras más flexibles, adaptativas y apoyadas en tecnologías emergentes.

En este escenario, la inteligencia artificial (IA) adquirió un papel estratégico en la protección de los sistemas financieros digitales. ^{Faraji et al., (2024)} evidenciaron que las técnicas de IA, entre ellas el aprendizaje automático y el aprendizaje profundo, contribuyeron a mejorar la detección de fraudes y la defensa frente a ciberataques en transacciones financieras. De forma complementaria, ^{Vučinić & Luburić (2022)} sostuvieron que las innovaciones fintech generaron beneficios relevantes para el sistema financiero, pero también incorporaron riesgos que exigieron marcos regulatorios y mecanismos de supervisión más precisos. Por ello, los autores destacaron la importancia de reducir el riesgo cibernético mediante la adopción de instrumentos legales adecuados.

Las investigaciones recientes aportaron elementos importantes para comprender la relación entre IA, ciberseguridad y regulación financiera. ^{Waliullah et al., (2025)}, mediante una revisión sistemática de 78 artículos basada en la metodología PRISMA, evidenciaron que el cumplimiento de regulaciones internacionales, como GDPR, PSD2 y GLBA, fortaleció la seguridad bancaria digital. Sin embargo, también identificaron dificultades persistentes para equilibrar protección tecnológica, facilidad de uso y cumplimiento normativo.

Por su parte, ^{Eskandarany (2024)}, a través de entrevistas cualitativas aplicadas a directivos bancarios saudíes, identificó que las tecnologías de IA ofrecieron beneficios relevantes en la detección de amenazas y la prevención de fraudes. No obstante, el estudio también reveló barreras asociadas con infraestructura tecnológica limitada, preocupaciones éticas sobre privacidad de datos y posibles sesgos algorítmicos. En una línea similar, ^{Udeh et al., (2024)} analizaron la incorporación de IA en medidas de ciberseguridad para plataformas financieras sostenibles, concluyendo que las soluciones basadas en IA fortalecieron la resiliencia frente a amenazas cibernéticas, aunque exigieron criterios éticos y garantías sólidas de privacidad durante su implementación.

Pese a los avances identificados, la literatura mostró vacíos relevantes que justificaron el desarrollo de la presente investigación. ^{Kamuangu (2025)} evidenció que las infraestructuras actuales de ciberseguridad no siempre avanzaron al mismo ritmo que la adopción acelerada de tecnologías emergentes. Esta situación resultó más crítica en regiones en desarrollo, donde los marcos regulatorios presentaron limitaciones para proteger adecuadamente los datos de los consumidores.

Asimismo, ^{Oyewole et al., (2024)} señalaron que la relación entre fintech y las normas de privacidad de datos expuso un “trilema de innovación”, en el cual la expansión tecnológica entró en tensión con la integridad del mercado y la claridad regulatoria. Esta situación permitió advertir la falta de marcos específicos orientados al uso de IA en plataformas bancarias móviles. De manera concordante, ^{Ali et al., (2024)} confirmaron que, aunque la IA y el aprendizaje automático fueron incorporados progresivamente como herramientas de mitigación en la ciberseguridad fintech, todavía persistió la necesidad de afrontar desafíos regulatorios, técnicos y organizacionales para que estas tecnologías desarrollaran plenamente su potencial. En ese sentido, se identificó una carencia de marcos regulatorios integrados y específicos para la banca móvil.

Ante los vacíos identificados, el presente artículo de revisión sistemática tuvo como objetivo identificar y clasificar los marcos regulatorios existentes a nivel global que abordan el uso de inteligencia artificial en la ciberseguridad del sector financiero, así como analizar su aplicabilidad específica a las plataformas de banca móvil.

Metodología

La presente investigación adopta un enfoque de revisión sistemática de la literatura, siguiendo las directrices del protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), el cual constituye un estándar metodológico ampliamente reconocido para garantizar la transparencia, reproducibilidad y rigor en la identificación, selección y síntesis de estudios relevantes.

La búsqueda se realizó en la base de datos Scopus, empleando la siguiente cadena booleana: (("artificial intelligence" OR "machine learning" OR "deep learning") AND ("cybersecurity" OR "cyber security" OR "information security") AND ("regulatory framework" OR "regulation" OR "compliance" OR "governance" OR "ethical" ) AND ("banking" OR "financial sector" OR "fintech" OR "mobile banking"))

Para orientar la revisión sistemática, se formularon las siguientes preguntas de investigación: PI1: ¿Cuáles son los marcos regulatorios existentes a nivel global que abordan el uso de inteligencia artificial en ciberseguridad del sector financiero? PI2: ¿En qué medida estos marcos regulatorios contemplan disposiciones específicas aplicables a plataformas de banca móvil? PI3: ¿Cuáles son los principales desafíos éticos identificados en la literatura respecto a la implementación de IA en ciberseguridad bancaria móvil? PI4: ¿Qué brechas regulatorias se identifican entre las diferentes jurisdicciones en relación con la gobernanza de la IA aplicada a la ciberseguridad de servicios financieros móviles?

Se seleccionó Scopus como base de datos principal debido a que constituye una de las fuentes bibliográficas más exhaustivas y multidisciplinarias, con amplia cobertura de publicaciones en ciencias computacionales, finanzas y regulación, lo cual permite capturar la intersección temática entre IA, ciberseguridad y marcos regulatorios del sector financiero.

La estrategia de búsqueda se fundamentó en la combinación de palabras clave derivadas del objetivo de investigación, organizadas en cuatro bloques temáticos: a) inteligencia artificial (artificial intelligence, machine learning, deep learning); b) ciberseguridad (cybersecurity, cyber security, information security); c) regulación y ética (regulatory framework, regulation, compliance, governance, ethical); y d) sector financiero y banca móvil (banking, financial sector, fintech, mobile banking)

La aplicación sistemática de estos criterios de inclusión y exclusión, junto con el protocolo PRISMA, garantiza la reproducibilidad del proceso de selección y la calidad de la evidencia sintetizada, elementos fundamentales para una revisión sistemática rigurosa orientada a identificar y clasificar los marcos regulatorios globales sobre IA en ciberseguridad financiera y su aplicabilidad a la banca móvil (Ver Figura 1).

Figura 1 Flujograma del método PRISMA 

Resultados

Discusión de resultados

Los hallazgos de esta revisión sistemática evidenciaron que la regulación del uso de inteligencia artificial en la ciberseguridad del sector financiero se encuentra en una fase de consolidación fragmentada. Los estudios analizados no mostraron un único marco normativo global, sino una combinación de estándares de seguridad de la información, leyes de protección de datos, normas de cumplimiento financiero, políticas de gobernanza tecnológica y propuestas emergentes de regulación algorítmica.

Esta configuración permitió identificar cuatro ejes principales: los marcos de ciberseguridad y gobernanza institucional; las normas de privacidad y protección de datos; los mecanismos técnicos aplicables a banca móvil; y las brechas regulatorias derivadas de la desigual madurez normativa entre jurisdicciones.

En primer lugar, los resultados mostraron que los marcos tradicionales de seguridad de la información siguen siendo la base de la ciberseguridad bancaria. Instrumentos como ISO 27002, ISO 27014, COBIT, FFIEC, NIST Cybersecurity Framework e ISO/IEC 27001 fueron identificados como referencias recurrentes para evaluar controles, auditoría, gestión de riesgos, supervisión directiva y madurez institucional. Este resultado coincide con ^{Al Batayneh et al., (2021)}, quienes sostuvieron que los marcos de gobernanza de seguridad pueden utilizarse para evaluar la preparación institucional de los bancos antes de incorporar tecnologías avanzadas.

Asimismo, converge con ^{Nadella et al., (2025)}, quienes indicaron que los estándares clásicos mantienen relevancia, pero deben complementarse con técnicas de IA generativa, privacidad diferencial, cifrado y detección adaptativa de anomalías. Esta convergencia sugiere que la regulación bancaria no está siendo sustituida por la IA, sino reconfigurada por ella. Sin embargo, la diferencia principal radica en que los marcos tradicionales fueron diseñados para riesgos relativamente estructurados, mientras que los sistemas de IA operan sobre patrones dinámicos, datos masivos y amenazas adaptativas. Por ello, su aplicación directa a banca móvil resulta limitada si no se incorporan exigencias sobre explicabilidad, monitoreo continuo, trazabilidad algorítmica y supervisión humana.

En segundo lugar, la revisión identificó que las normas de protección de datos constituyen el principal puente regulatorio entre IA, ciberseguridad financiera y banca móvil. Marcos como GDPR, CCPA, PSD2, PIPL, DPDPA, LGPD y GLBA fueron recurrentes en la literatura por su relación con privacidad, consentimiento, seguridad de datos, autenticación fuerte y responsabilidad institucional.

Este hallazgo coincide con ^{Kumari (2026)}, quien señaló que la protección de datos en sistemas financieros digitales exige integrar regulación, ciberseguridad, blockchain, cifrado, IA y responsabilidad del usuario. También se relaciona con ^{Ullah et al., (2024)}, quienes destacaron que la banca global enfrenta riesgos de phishing, ransomware, amenazas internas e incumplimiento regulatorio, por lo que requiere políticas de seguridad robustas, cooperación internacional y tecnologías avanzadas.

No obstante, el presente estudio permite precisar que la banca móvil incrementa la complejidad regulatoria porque concentra datos financieros, biométricos, conductuales, geográficos y transaccionales en dispositivos personales. En consecuencia, la regulación de datos no debería limitarse a la protección formal de la información, sino incluir controles sobre el ciclo de vida del dato, el uso de modelos predictivos, la minimización de datos y la intervención de terceros tecnológicos.

En tercer lugar, se observó que la aplicabilidad específica de los marcos regulatorios a plataformas de banca móvil continúa siendo parcial. Los estudios revisados mostraron una fuerte orientación técnica hacia autenticación multifactor, biometría, OAuth 2.0, FIDO2, detección de fraude, ciberdefensa multicanal, protección frente a DDoS, sistemas IDS/IPS y monitoreo conductual. ^{Ilyasov (2025)} sostuvo que la integración de MFA en aplicaciones móviles mejora la seguridad y la usabilidad cuando se apoya en servicios cloud, biometría y autenticación adaptativa.

De manera complementaria, ^{Asmar & Tuqan (2024)} indicaron que la banca digital requiere modelos de machine learning, cifrado y monitoreo continuo para enfrentar phishing, ransomware, fraude y amenazas internas. Asimismo, ^{Dasari & Kaluri (2024)} demostraron que los modelos jerárquicos de machine learning pueden fortalecer la clasificación de ataques DDoS, lo cual resulta crítico para la disponibilidad de plataformas financieras móviles. Estos hallazgos coinciden en reconocer que la banca móvil requiere controles técnicos específicos; sin embargo, divergen en el tratamiento regulatorio de dichos controles.

Mientras la literatura técnica se concentró en precisión, rendimiento o capacidad de detección, la literatura jurídica abordó con menor profundidad la auditoría de modelos, la explicabilidad, la responsabilidad por falsos positivos y la gobernanza de proveedores. Esta diferencia revela una brecha entre innovación técnica y madurez regulatoria.

En cuarto lugar, los resultados mostraron que la implementación de IA en ciberseguridad bancaria móvil plantea desafíos éticos relevantes. Los problemas más recurrentes fueron privacidad, explicabilidad, sesgo algorítmico, transparencia, rendición de cuentas, calidad de datos, exclusión digital y dependencia de infraestructura tecnológica.

^{Alrafi & Mishra (2024)} señalaron que la IA mejora la detección de fraude y la gestión de amenazas, pero requiere proteger los datos del consumidor y asegurar decisiones algorítmicas responsables. De forma similar, ^{Alnaabi & Al Mahruqi (2026)} identificaron barreras asociadas con ambigüedad regulatoria, infraestructura heredada, escasez de capacidades y gobernanza ética. Estos resultados convergen con ^{Matlala (2026)}, quien sostuvo que la IA generativa puede transformar los servicios financieros africanos mediante chatbots, personalización y eficiencia operativa, aunque también puede ampliar riesgos de ciberseguridad, sesgo, baja calidad de datos y exclusión.

La contribución de la presente revisión consiste en contextualizar estos desafíos en la banca móvil, donde las decisiones automatizadas se ejecutan en tiempo real, con alto volumen de datos sensibles y bajo una interacción directa con usuarios que no siempre comprenden el funcionamiento de los sistemas inteligentes.

En quinto lugar, la revisión permitió identificar brechas regulatorias entre jurisdicciones. ^{Alazzam et al., (2026)} mostraron diferencias de madurez normativa entre Emiratos Árabes Unidos y Jordania respecto a IA, IoT y ciberseguridad financiera. ^{Mota Makore (2024)} sostuvo que Sudáfrica requiere un marco regulatorio específico para IA que permita promover inclusión financiera sin descuidar responsabilidad, ciberseguridad y protección frente a riesgos algorítmicos.

Por su parte, ^{Bui (2026)} propuso para Vietnam un marco de evaluación de riesgos que transforma obligaciones legales sobre ciberseguridad, AML/CFT, datos y banca digital en controles auditables. Estos estudios coinciden en que la regulación de IA en finanzas depende de la capacidad institucional y del nivel de desarrollo normativo de cada país.

Sin embargo, divergen en su énfasis: algunos priorizan inclusión financiera, otros cumplimientos técnicos y otra madurez legal comparada. Esta diversidad confirma que la gobernanza global de IA en ciberseguridad financiera aún carece de armonización suficiente, especialmente cuando se analiza su aplicación a servicios móviles transfronterizos.

En sexto lugar, las brechas regulatorias no solo aparecieron entre países, sino también entre sectores financieros. ^{Leelavathi et al., (2024)} evidenciaron diferencias entre la banca tradicional y las plataformas de criptomonedas en materia de amenazas, prevención, detección y respuesta. ^{Sujadmiko et al. (2025)} mostraron que la banca offshore, el secreto bancario y la recuperación de activos presentan retos adicionales para la trazabilidad digital, aun cuando herramientas como IA, machine learning y blockchain analytics pueden apoyar la detección de flujos ilícitos.

Estos resultados convergen con ^{Nefla & Jellouli (2025)}, quienes identificaron que las tecnologías emergentes en finanzas generan oportunidades para eficiencia e inclusión, pero también riesgos de ciberseguridad, sesgo algorítmico, fragmentación regulatoria y sostenibilidad. En este punto, la banca móvil se configura como un espacio híbrido: opera dentro del sistema financiero regulado, pero comparte riesgos con fintech, plataformas digitales, servicios cloud, APIs abiertas y ecosistemas descentralizados.

Otro hallazgo relevante fue el desfase entre la velocidad de avance de los modelos técnicos de IA y la capacidad regulatoria para auditarlos. ^{Maashi et al., (2023)} y ^{Udayakumar et al., (2023)} propusieron modelos avanzados de deep learning para detección de fraude financiero, con altos niveles de rendimiento predictivo. No obstante, estos estudios abordaron de manera limitada aspectos como explicabilidad, sesgo, responsabilidad, protección de datos y supervisión ex post.

Este resultado coincide con ^{Fahimifar & Momenzadeh (2025)}, quienes identificaron una transición temática desde la seguridad de la información tradicional hacia IA, machine learning, fintech, aprendizaje federado y detección inteligente de fraude. La implicancia central es que la regulación debe avanzar desde el cumplimiento documental hacia una gobernanza algorítmica verificable, capaz de auditar datos, modelos, decisiones automatizadas, proveedores tecnológicos y resultados operativos.

En términos generales, los resultados permitieron responder al objetivo de la revisión al identificar y clasificar los marcos regulatorios existentes en cuatro categorías: marcos de ciberseguridad y seguridad de la información; normas de protección de datos y privacidad; marcos de gobernanza, cumplimiento y ética de IA; y enfoques sectoriales vinculados con banca digital, fintech, banca móvil y servicios financieros transfronterizos. La principal contribución analítica radica en demostrar que la aplicabilidad de estos marcos a banca móvil no es automática.

Las plataformas móviles requieren una regulación más específica debido a su dependencia de autenticación biométrica, procesamiento en tiempo real, modelos de detección de fraude, datos conductuales, infraestructura cloud, proveedores externos y canales multiactor. Por ello, una gobernanza adecuada de IA en banca móvil debe integrar seguridad técnica, protección de datos, supervisión algorítmica, control humano, transparencia, gestión de terceros y cooperación internacional.

La primera limitación se relaciona con la delimitación documental. La revisión se centró en artículos científicos indexados y disponibles a texto completo, por lo que pudo excluir guías regulatorias, circulares supervisoras, estándares técnicos, documentos de bancos centrales e informes institucionales no indexados. Esta restricción puede limitar la comprensión de regulaciones recientes que todavía no han sido suficientemente tratadas en la literatura académica.

La segunda limitación corresponde a la heterogeneidad metodológica de los estudios incluidos. La muestra integró estudios jurídicos, revisiones sistemáticas, análisis bibliométricos, propuestas conceptuales y modelos técnicos experimentales. Esta diversidad enriqueció la interpretación, pero impidió una comparación homogénea sobre efectividad regulatoria o impacto empírico de los marcos identificados.

La tercera limitación se vincula con la especificidad de la banca móvil. Aunque varios estudios abordaron banca digital, fintech, e-banking o servicios financieros móviles, no todos analizaron directamente aplicaciones de banca móvil. Por ello, algunas inferencias se realizaron a partir de evidencia relacionada con autenticación móvil, fraude digital, cloud computing, biometría y servicios financieros digitales.

La cuarta limitación deriva del carácter cambiante del objeto de estudio. La regulación de IA, ciberseguridad y banca móvil evoluciona rápidamente; en consecuencia, algunos hallazgos podrían modificarse con la aprobación de nuevas normas, estándares técnicos o políticas de supervisión financiera. Esta condición exige interpretar los resultados como una síntesis actualizada, pero no definitiva.

La quinta limitación se asocia con la desigual representación geográfica. La literatura disponible mostró mayor presencia de estudios sobre Europa, Estados Unidos, Asia y algunas economías africanas, mientras que América Latina tuvo menor visibilidad. Esto puede afectar la generalización de los hallazgos hacia contextos regulatorios menos representados.

Futuras investigaciones deberían desarrollar comparaciones empíricas entre jurisdicciones para evaluar cómo los marcos de IA, ciberseguridad y protección de datos se implementan realmente en plataformas de banca móvil. Estos estudios podrían analizar diferencias entre modelos regulatorios de la Unión Europea, Estados Unidos, Reino Unido, Sudáfrica, Vietnam, Emiratos Árabes Unidos, Jordania y países latinoamericanos.

También se recomienda diseñar modelos de madurez regulatoria para IA en ciberseguridad bancaria móvil. Estos modelos deberían incluir dimensiones como explicabilidad, protección de datos biométricos, auditoría de modelos, supervisión humana, seguridad de APIs, resiliencia operativa, gestión de proveedores cloud, mitigación de sesgos y respuesta ante incidentes.

Asimismo, futuros estudios deberían incorporar literatura gris regulatoria, incluyendo documentos de bancos centrales, organismos supervisores, autoridades de protección de datos, agencias de ciberseguridad y organismos internacionales. Esta ampliación permitiría contrastar la evidencia académica con la práctica normativa y supervisora.

Otra línea prioritaria consiste en realizar estudios empíricos con bancos, fintech, proveedores tecnológicos y reguladores para evaluar cómo se aplican en la práctica los controles sobre IA defensiva, autenticación adaptativa, detección automatizada de fraude, biometría y monitoreo conductual. Este enfoque permitiría medir no solo la existencia formal de los marcos, sino también su efectividad operativa.

Finalmente, se recomienda profundizar en riesgos emergentes vinculados con IA generativa, aprendizaje federado, modelos adversariales, blockchain analytics, AIoT y datos sintéticos en banca móvil. Estas tecnologías pueden fortalecer la detección de amenazas y la protección de datos, pero también introducen nuevos riesgos sobre manipulación de modelos, exposición de información sensible, decisiones automatizadas erróneas y responsabilidad institucional. Por ello, la agenda futura debería avanzar hacia una gobernanza integrada, adaptativa y transfronteriza de la IA aplicada a la ciberseguridad financiera móvil.

Conclusiones

Los resultados de la revisión permitieron evidenciar que la regulación del uso de inteligencia artificial en la ciberseguridad del sector financiero se encuentra estructurada en torno a marcos heterogéneos, integrados por estándares de seguridad de la información, normas de protección de datos, políticas de cumplimiento financiero, enfoques de gobernanza algorítmica y lineamientos éticos emergentes. Entre los hallazgos más relevantes se identificó que instrumentos como ISO/IEC 27001, ISO 27002, ISO 27014, COBIT, NIST Cybersecurity Framework, GDPR, CCPA, PSD2, GLBA y otros marcos nacionales constituyen referencias centrales para la gestión de riesgos, protección de datos, autenticación, auditoría y cumplimiento.

Sin embargo, también se constató que estos marcos no fueron diseñados específicamente para regular sistemas de IA aplicados a plataformas de banca móvil, por lo que su aplicabilidad requiere complementarse con criterios de explicabilidad, trazabilidad algorítmica, supervisión humana, gestión de terceros tecnológicos, protección biométrica y monitoreo continuo.

En relación con el objetivo de investigación, el estudio permitió identificar y clasificar los marcos regulatorios existentes a nivel global que abordan la IA en la ciberseguridad financiera en cuatro grandes categorías: marcos de seguridad de la información y ciberseguridad; normas de privacidad y protección de datos; esquemas de gobernanza, cumplimiento y ética de IA; y enfoques sectoriales aplicables a banca digital, fintech y servicios financieros móviles.

Esta clasificación permitió establecer que la banca móvil representa un entorno regulatorio particularmente complejo, debido a que combina procesamiento de datos financieros, biometría, geolocalización, autenticación adaptativa, infraestructura cloud, modelos predictivos de fraude y servicios digitales de alta disponibilidad. En consecuencia, la regulación aplicable a estas plataformas no puede limitarse a estándares generales de ciberseguridad, sino que requiere una gobernanza integrada que articule seguridad técnica, protección de derechos, control algorítmico y resiliencia operativa.

El presente trabajo se desarrolló como un artículo de revisión sistemática, basado en la identificación, selección, análisis y síntesis de literatura científica relevante sobre inteligencia artificial, ciberseguridad financiera, regulación y banca móvil. La adopción de este enfoque permitió organizar la evidencia disponible de manera estructurada, comparar estudios jurídicos, técnicos y de gobernanza, y reconocer patrones comunes, brechas regulatorias y desafíos éticos asociados con la implementación de IA en servicios financieros digitales.

En ese sentido, la revisión sistemática resultó adecuada para responder al objetivo planteado, debido a que permitió integrar evidencia dispersa y clasificar los aportes de la literatura según su relación con marcos regulatorios, aplicabilidad móvil, desafíos éticos y brechas jurisdiccionales.

Como reflexión final, los hallazgos sugieren que la gobernanza de la IA en la ciberseguridad bancaria móvil debe avanzar hacia modelos regulatorios más adaptativos, interoperables y transfronterizos. La rápida evolución de tecnologías como IA generativa, aprendizaje federado, AIoT, blockchain analytics, autenticación biométrica y detección automatizada de fraude exige superar enfoques normativos fragmentados.

Futuras investigaciones deberían profundizar en estudios comparativos entre jurisdicciones, evaluar empíricamente la implementación de estos marcos en bancos y fintech, e incorporar literatura gris proveniente de bancos centrales, autoridades de protección de datos y organismos supervisores.

Asimismo, resulta necesario desarrollar modelos de madurez regulatoria que permitan medir la capacidad de las instituciones financieras para auditar modelos de IA, proteger datos sensibles, mitigar sesgos, garantizar explicabilidad y responder eficazmente a amenazas cibernéticas emergentes en plataformas de banca móvil.