Desafíos éticos y regulatorios del uso de la inteligencia artificial en las finanzas digitales

Abstract

La inteligencia artificial está cambiando la banca tradicional mucho más rápido de lo que el sector puede asumir. Es obvio que ayuda a reducir costes y agilizar procesos, pero esta velocidad genera dilemas éticos y legales que no se pueden ignorar. En este TFM se analizará precisamente ese punto crítico: cómo afecta el uso de algoritmos a los derechos de los usuarios y de qué manera las entidades pueden adoptar la tecnología sin dañar la confianza de sus clientes.

Para aterrizar el problema al negocio real, el proyecto se centrará en tres escenarios clave de las finanzas digitales. Primero, cómo los modelos de credit scoring automatizan sesgos sociales al denegar préstamos. Segundo, los vacíos legales sobre quién es el responsable cuando un robo-advisor falla en una inversión. Y tercero, la falta de transparencia y los engaños al medir criterios sostenibles, el llamado greenwashing. Al cruzar estos ejemplos con el marco europeo actual —sobre todo la nueva Ley de IA (AI Act), el RGPD y MiFID II— queda claro que hay fallos importantes. Por ejemplo, la supervisión humana obligatoria muchas veces no sirve de nada porque los empleados aprueban por inercia los resultados de una "caja negra" que ni entienden.

La idea del trabajo es ir más allá de la teoría y proponer soluciones que los bancos puedan aplicar de verdad. Por eso, se planteará una hoja de ruta para mejorar la gobernanza interna mediante el uso de IA Explicable (XAI), el reentrenamiento de algoritmos con datos sintéticos y la creación de comités de ética independientes. Al final, el proyecto demuestra que se puede innovar y ser rentable manteniendo una estrategia justa, transparente y volcada en el cliente.Artificial intelligence is reshaping traditional banking way faster than the industry can handle. While the efficiency gains and cost reductions are clear, this rapid shift creates heavy ethical and regulatory dilemmas that cannot be ignored. This Master's Thesis will tackle exactly that friction point: how algorithmic decision-making impacts consumer rights and how financial institutions can deploy these tools without destroying customer trust.

To bridge theory with actual business reality, the project will examine three critical digital finance use cases. First, how credit scoring models automate social discrimination when rejecting loans. Second, the legal grey areas regarding liability when a robo-advisor mismanages an investment. And third, the lack of transparency and fraud risks in sustainability assessments, widely known as greenwashing. Evaluating these scenarios against European regulations—specifically the new AI Act, GDPR, and MiFID II—reveals major gaps. For instance, mandatory human oversight often becomes a total illusion, as employees blindly rubber-stamp "black box" decisions they do not even understand.

Ultimately, the goal of this research is to move past academic debates and deliver actionable solutions for banks. Therefore, a governance roadmap will be outlined, centered on Explainable AI (XAI), algorithm retraining using synthetic data, and independent ethical committees. In short, this work proves that financial institutions can successfully lead digitalization with a strategy that remains profitable, fair, and truly client-centric.