Evaluación de la resiliencia de modelos predictivos
basados en IA en contextos de crisis económicas:
una revisión sistemática
Evaluating the resilience of AI-based predictive models in the context of
economic crises: a systematic review
Recibido: 28/05/2025 - Aceptado: 12/10/2025
Jorsi Ericson Joel Balcázar Gallo
https://orcid.org/0000-0002-8378-0609
jbalcazarg@unca.edu.pe
Universidad Nacional Ciro Alegría. Huamachuco, Perú
Javier Valdiviezo Miranda
https://orcid.org/0000-0003-4767-9738
javaldiviezom@ucvvirtual.edu.pe
Universidad César Vallejo. Trujillo, Perú
Leandro Adolfo Pérez Cruz
https://orcid.org/0009-0004-6171-4979
leandro.perez@upn.pe
Universidad Privada del Norte. Trujillo, Perú
Cecilia Maria Madrid Villarreyes
https://orcid.org/0000-0002-7437-8941
cmadridv1@upao.edu.pe
Universidad Privada Antenor Orrego. Trujillo, Perú
Resumen
En un contexto de creciente incertidumbre económica, comprender cómo las crisis impactan la resiliencia de los
modelos predictivos basados en inteligencia artificial (IA) es fundamental. Este artículo tiene como objetivo evaluar
de forma integral el efecto de diversas crisis económicas en la efectividad y adaptabilidad de estos modelos. Para
ello, se realizó una revisión sistemática de 29 artículos indexados en Scopus, publicados entre 2020 y 2025. La
selección de estudios consideró criterios estrictos de inclusión, priorizando investigaciones revisadas por pares
que abordaran problemáticas vinculadas a crisis financieras, sanitarias y sociales, descartando aquellos que no
cumplían con dichos requisitos. Los resultados revelan que los modelos que incorporan variables
macroeconómicas y contextuales presentan mayor robustez y precisión, destacándose por su capacidad para
adaptarse a escenarios de alta volatilidad. Además, se identificó que la resiliencia de estos modelos depende no
solo de su solidez técnica, sino también de su sensibilidad ante cambios en los entornos económicos. En conjunto,
estos hallazgos ofrecen una comprensión más profunda de los mecanismos que fortalecen la estabilidad
predictiva durante crisis, proponiendo un camino para el desarrollo de modelos de IA más adaptativos y resilientes,
capaces de anticipar con mayor precisión los efectos de futuras perturbaciones económicas.
Palabras clave: crisis económicas, inteligencia artificial, resiliencia.
Abstract
In a context of growing economic uncertainty, understanding how crises impact the resilience of artificial
intelligence (AI)-based predictive models is fundamental. This article aims to comprehensively assess the effect
of various economic crises on the effectiveness and adaptability of these models. To this end, a systematic review
of 29 articles indexed in Scopus and published between 2020 and 2025 was conducted. The selection of studies
considered strict inclusion criteria, prioritizing peer-reviewed research that addressed issues related to financial,
health, and social crises, discarding those that did not meet these requirements. The results reveal that models
2
that incorporate macroeconomic and contextual variables present greater robustness and accuracy, standing out
for their ability to adapt to highly volatile scenarios. Furthermore, it was identified that the resilience of these models
depends not only on their technical soundness but also on their sensitivity to changes in the economic
environment. Together, these findings offer a deeper understanding of the mechanisms that strengthen predictive
stability during crises, proposing a path for the development of more adaptive and resilient AI models capable of
more accurately anticipating the effects of future economic shocks.
Keywords: economic crises, artificial intelligence, resilience.
Introducción
La inteligencia artificial (IA) ha transformado profundamente el panorama de la predicción económica, al
proporcionar herramientas avanzadas para analizar y anticipar las fluctuaciones del mercado. Sin embargo, la
efectividad de los modelos predictivos basados en IA enfrenta retos particularmente complejos en contextos de
crisis económicas, donde las variables macroeconómicas sufren cambios abruptos. Por ello, resulta fundamental
estudiar cómo las características específicas de estas crisis afectan la resiliencia de dichos modelos, con el fin
de mejorar su capacidad de adaptación y precisión. En estos escenarios de alta volatilidad, los algoritmos y
metodologías deben ajustarse para garantizar estimaciones confiables, como han señalado trabajos recientes
(Amamou et al., 2024).
Uno de los principales desafíos de aplicar IA en la predicción económica durante crisis radica en la
interdependencia no lineal entre variables, lo que aumenta la complejidad y eleva el margen de error en las
predicciones (Amamou et al., 2024). Esta situación subraya la importancia de investigar cómo la irrupción
repentina o la prolongación de una crisis condiciona la adaptabilidad de los modelos. En este sentido, la literatura
destaca que las crisis no solo distorsionan indicadores económicos tradicionales, sino que también introducen
factores adicionales, como las percepciones de riesgo de los inversionistas (Addisu & Bang, 2022).
Además, se ha planteado que combinar técnicas de aprendizaje automático con enfoques
macroeconómicos puede ofrecer perspectivas novedosas para evaluar la resiliencia de los modelos predictivos
en situaciones críticas (Amamou et al., 2024). Sin embargo, aún existe un vacío importante en la investigación
respecto a un enfoque sistemático que articule distintos tipos de crisis y analice la eficacia de los modelos de IA
frente a cada uno.
En este contexto, la resiliencia de los modelos predictivos apoyados en IA se ha convertido en un área
crucial, especialmente frente a crisis que afectan directamente los mercados financieros. Analizar cómo las
particularidades de estas crisis inciden en la eficacia de los modelos es esencial para comprender su nivel de
adaptación y mejorar su desempeño bajo condiciones adversas. En los últimos años, varias investigaciones han
aportado avances relevantes en este campo, fortaleciendo el desarrollo de modelos de IA más resilientes en
economía.
Un aporte destacado es el de Kyriakou et al. (2023), quienes diseñaron una metodología para anticipar
la resiliencia de empresas en episodios críticos. Utilizando datos históricos gubernamentales, su estudio permitió
optimizar programas de estímulo económico y resaltó el papel de la IA en la identificación de organizaciones
vulnerables. De forma complementaria, Evgrafova et al. (2023) exploraron la resiliencia empresarial durante la
pandemia de COVID-19, demostrando que la responsabilidad social corporativa potencia la capacidad de las
organizaciones para afrontar choques sistémicos, implicando que los modelos predictivos deben integrar
variables cualitativas.
Por otro lado, Wang & Li (2022) analizaron los determinantes de la resiliencia económica regional,
evidenciando que el impacto de las crisis varía notablemente según el contexto geográfico y estructural. Este
hallazgo resalta la necesidad de que los modelos incorporen factores regionales para anticipar resultados de
manera más precisa en distintos entornos económicos.
En conjunto, estos estudios profundizan en cómo las crisis condicionan la eficacia de los modelos de IA
y ofrecen bases sólidas para futuras investigaciones orientadas a desarrollar estrategias que integren tanto
variables macroeconómicas como cualitativas.
No obstante, persisten vacíos importantes en la literatura. Por ejemplo, Puli et al. (2024) elaboraron un
análisis sobre técnicas de aprendizaje automático para la predicción de crisis bancarias en India, enfatizando la
necesidad de adaptar modelos a las particularidades del sistema financiero local. Sin embargo, no abordaron
cómo distintos tipos de crisis afectan la eficacia de estos modelos, evidenciando aún un déficit en la comprensión
de esta relación.
3
De igual modo, Iuga & Mihalciuc (2020) señalaron que las crisis del siglo XXI han tenido efectos
devastadores en el crecimiento económico, generando dudas sobre la capacidad actual de los modelos para
anticipar y responder a tales eventos. Por su parte, Reier & Garay (2021) discutieron el papel de la transformación
digital y la IA en los negocios durante crisis, aunque advirtieron la limitada exploración sobre cómo optimizarlas
específicamente ante crisis financieras.
Estos vacíos justifican la realización de estudios que examinen en profundidad la relación entre las
características de las crisis y la resiliencia de los modelos predictivos basados en IA. Por tanto, el propósito de
este artículo es analizar cómo factores como la gravedad, duración y naturaleza de los eventos económicos
afectan la eficacia de estos modelos, con el fin de orientar propuestas metodológicas más robustas y adaptables.
Metodología
Se aplicó el método PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-
Analyses) para asegurar la transparencia y trazabilidad del proceso de revisión. Se plantearon las siguientes
preguntas de investigación: ¿Cuáles características específicas de las crisis económicas resultan más relevantes
para la resiliencia de los modelos predictivos basados en inteligencia artificial? ¿De qué manera han respondido
estos modelos de IA a diferentes tipos de crisis económicas en estudios previos? ¿Qué metodologías se han
empleado para evaluar la efectividad de los modelos predictivos en contextos críticos?
La búsqueda bibliográfica se realizó entre enero y marzo de 2024, consultando las bases de datos
Scopus, Web of Science (WoS), SciELO y Latindex. Se consideraron publicaciones revisadas por pares, en inglés
y español, correspondientes al período 2019-2024. Para ello, se emplearon operadores booleanos con
combinaciones de palabras clave tales como: (“predictive model resilience” AND “artificial intelligence” AND
“economic crisis”) OR (“AI-based prediction” AND “financial resilience”) OR (“machine learning models” AND
“crisis forecasting”) NOT (“non-economic applications” OR “education” OR “medicine only”).
Los resultados fueron exportados a Mendeley, donde se realizó un control automático y manual para
eliminar duplicados. La selección se llevó a cabo en varias etapas: revisión de títulos y resúmenes, exclusión de
estudios irrelevantes o carentes de rigor metodológico, y evaluación de texto completo conforme a criterios de
inclusión y exclusión (ver Tabla 1).
Se priorizaron los artículos con enfoques empíricos, metodológicos o mixtos que evaluaran la resiliencia
o desempeño de modelos predictivos de IA en contextos de crisis económicas, financieras, sanitarias o
geopolíticas.
Tabla 1
Criterios de inclusión y exclusión
Criterios de Inclusión
Criterios de Exclusión
Artículos revisados por pares sobre crisis económicas e IA
Estudios sobre aplicaciones no económicas de la IA
Investigaciones con metodologías cuantitativas
o cualitativas
Trabajos sin rigor científico ni metodológico
Estudios con datos empíricos en distintos
contextos de crisis
Publicaciones sin texto completo o duplicadas
Este enfoque sistemático garantizó una revisión con evidencia sólida y relevante, facilitando la
comprensión de cómo las crisis económicas afectaron la eficacia de los modelos predictivos basados en
inteligencia artificial.
Durante la fase de identificación, se localizaron 450 artículos en Scopus, y se obtuvieron 250 registros
adicionales en otras bases de datos indexadas: Web of Science (65), SciELO (28) y Latindex (157).
En la etapa de eliminación de duplicados, se detectaron coincidencias entre las diferentes bases de datos,
por lo que se eliminaron 350 registros repetidos, quedando 350 artículos únicos para la revisión inicial.
Durante el proceso de cribado (screening), se revisaron títulos y resúmenes, descartándose 150 artículos
que no abordaban directamente la resiliencia de los modelos predictivos ni cumplían con el rigor metodológico
exigido.
En la evaluación de elegibilidad, se analizaron a profundidad 200 textos completos, rechazándose 171
estudios por centrarse en aplicaciones no económicas de la IA, presentar deficiencias en validez científica o
metodológica, o por falta de acceso al texto completo.
4
Finalmente, en la fase de inclusión se seleccionaron 29 artículos que cumplieron con todos los criterios
de calidad, pertinencia y coherencia temática, los cuales fueron analizados detalladamente para la elaboración
de esta revisión sistemática (véase Figura 1).
Figura 1
Aplicación del método PRISMA
Resultados
Tabla 2
Comparativa resiliencia de modelos IA en crisis económicas
Autor
Tipo de
crisis
económica
Variables clave
Método
predictivo
Relación con
resiliencia
Tipo de
estudio
Variable
Gîfu
Crisis
financiera
global (2007–
2008)
Quiebra bancaria,
recesión, colapso
del crédito
IA aplicada al e-
learning y
modelos
predictivos
comparativos
Evalúa cómo las
crisis afectan la
precisión y
resiliencia de
modelos
Cuantitativo
Sí
5
Abdullayev
et al.
Crisis
financieras
generales
Indicadores
macroeconómicos
de riesgo,
volatilidad
Redes
neuronales
bayesianas con
metaheurísticas
Analiza resiliencia
al incluir
incertidumbre
macroeconómica
Cuantitativo
Sí
Li
Crisis
empresariales
(insolvencia)
Factores
financieros y no
financieros de
empresas
Reconocimiento
de patrones +
IA
Integra factores de
crisis para
estabilidad del
modelo
Cuantitativo
Sí
Korol &
Fotiadis
Crisis
globales,
COVID-19,
guerra
Ucrania
Inflación,
desempleo, tasas
de interés
Modelos de IA
para bancarrota
de hogares
Examina
resiliencia frente a
choques múltiples
Cuantitativo
Sí
Kotan et al.
Crisis
económicas
en Turquía
(2021)
Noticias
financieras,
inflación,
devaluación
NLP + Machine
Learning
Evalúa capacidad
resiliente ante
choques abruptos
Cuantitativo
Sí
Kumar et al.
Crisis
financieras
empresariales
Solvencia,
insolvencia,
deterioro
financiero
Bird Swarm
Algorithm +
redes
neuronales
difusas
Mide resiliencia del
modelo frente a
colapso
empresarial
Cuantitativo
Sí
Bhattacharya
et al.
Crisis en
PYMES
Tasas de interés,
volatilidad
cambiaria,
financiamiento
Optimización
Grey Wolf +
Sparse
Autoencoder
Explica cómo crisis
reducen
estabilidad
predictiva
Cuantitativo
Sí
Reis et al.
Crisis
económicas y
devaluaciones
Eventos externos
textuales, precios
agrícolas
Integración de
texto + series
temporales
Combina shocks
externos con
predicción de
precios
Cuantitativo
Sí
Tamasiga
Crisis
económicas,
climáticas y
sanitarias
Disrupciones
globales,
inseguridad
alimentaria
Bibliometría +
Big Data + IA
Explora resiliencia
desde visión
sistémica
Cualitativo
(bibliométrico)
No
Yang et al.
Crisis
económicas,
pandemias,
shocks
sociales
Desempleo,
rupturas
estructurales,
volatilidad
ARIMA,
VARIMA,
Transformers
Evalúa resiliencia
bajo crisis
multidimensionales
Cuantitativo
Sí
Yu & Chang
Crisis
financieras
globales
(2007–2008)
Inflación, PPI,
CPI, riesgo
macroeconómico
Red neuronal +
Copula-GARCH
+ Mean-CVaR
Integra factores
macroeconómicos
para robustecer
resiliencia
Cuantitativo
Sí
6
Tabla 3
Síntesis derivada del análisis
Dimensión analizada
Frecuencia
(n)
Porcentaje
(%)
Conclusión interpretativa
Artículos con enfoque cuantitativo
10
91 %
Predominan modelos empíricos basados en IA,
econometría o simulaciones.
Artículos cualitativos / bibliométricos
1
9 %
Solo un caso aporta análisis teórico-conceptual
sobre resiliencia.
Estudios que incorporan variables
contextuales
10
91 %
Incluir factores macroeconómicos mejora notablemente
precisión y estabilidad.
Modelos híbridos IA + econometría /
metaheurística
7
64 %
Tendencia dominante hacia enfoques combinados
más robustos.
Estudios que reportan mejora significativa
en resiliencia
10
91 %
Todos los cuantitativos confirman incremento de
resiliencia con contexto económico.
Tabla 4
Metodologías para evaluar modelos predictivos en crisis
Autor(es) y Año
Tipo de crisis
Metodología
predictiva
Evaluación de
efectividad
Relación con
resiliencia
Uso de variables
contextuales
Tipo de
metodología
dominante
Ben Ayed & Ben
Hassen
Crisis financiera
COVID-19
Modelos VaR:
RiskMetrics,
GARCH/FIGARCH,
SPLINE-GARCH,
EVT
Backtesting de
pérdidas,
cumplimiento
Basel II/2.5
Evalúa robustez
ante volatilidad
extrema
No
Econométrico
Chumachenko et
al.
Guerra +
COVID-19
(Italia)
XGBoost (ML)
Validación
retrospectiva,
exactitud
86.03% casos /
96.29% muertes
Prueba
capacidad del
modelo bajo
shock bélico-
sanitario
Sí (contexto
bélico-sanitario)
Machine
Learning
Liu & Shen
Crisis de
mercado de
carbono
EWT–GRU,
comparado con
ARIMA, BPNN,
GRU
Métricas MAE,
MSE, RMSE;
superioridad
frente a
métodos
clásicos
Mayor precisión
en series no
lineales durante
crisis
No
Deep
Learning
Kim et al.
Crisis sanitaria
COVID-19
CNN + transfer
learning + data
augmentation
Métricas de
exactitud,
robustez y
generalización
Detecta
limitaciones de
CNN y mejoras
para resiliencia
No
Deep
Learning
Lezcano et al.
Crisis sanitaria
COVID-19
ARIMA, SIR, RF,
NN, KNN
Comparación de
desempeño en
predicciones a
30 días
Analiza
adaptabilidad
de modelos
epidemiológicos
y ML
Sí (variables
epidemiológicas y
territoriales)
Machine
Learning /
Híbrido
Manousiadis &
Gaki
Crisis
económica
COVID-19 en
EE. UU.
Árboles de
decisión, redes
neuronales
Comparación
entre
clasificadores e
interpretación de
modelos
Estudia
resiliencia
regional en
escenarios de
desastre
Sí (contexto
regional y
económico)
Machine
Learning
Ramakrishnaiah
et al.
Crisis de salud
digital
EHR-ML framework
(pipeline de IA)
Validación
cruzada, ajuste
de
hiperparámetros
Optimiza
modelos para
reducir sesgos
en crisis
No
Deep
Learning /
Framework
7
Wu et al.
Crisis sanitaria
COVID-19
Modelos
multimodales
(datos clínicos +
imagen)
Validación
externa,
precisión en
mortalidad
Asegura
confiabilidad
bajo escenarios
críticos
Sí (datos
hospitalarios
multipaís)
Deep
Learning
Xie et al.
Crisis ambiental
y económica
(carbono
agrícola)
LSTM optimizado
con TPEBO,
comparado con
ARIMA y ANN
MAE, RMSE;
optimización
bayesiana
mejora
desempeño
Evalúa
resiliencia de
predicciones en
emisiones
agrícolas
Sí (variables
regionales y
ambientales)
Deep
Learning
optimizado
Xu & Shi
Crisis
política/nacional
BP Neural Network,
proyección
optimizada
R² = 0.9967 en
predicciones de
riesgo político
Refuerza
resiliencia
institucional
ante crisis
Sí (factores
políticos y de
seguridad
nacional)
Deep
Learning
Karaev &
Borisova
Crisis
económica
(presupuestos
estatales)
ML, deep learning
vs. DSGE
Comparación de
precisión entre
modelos
Propone IA para
superar fallos
de modelos
clásicos
Sí (contexto fiscal
y
macroeconómico)
Machine
Learning /
Deep
Learning
Tabla 5
Metodologías predictivas más frecuentes
Tipo de metodología
Ejemplos
Frecuencia (n)
Porcentaje
Machine Learning tradicional (árboles, RF,
XGBoost, SVM)
Chumachenko (XGBoost), Lezcano
(RF), Manousiadis (DT), Karaev (ML)
4
36%
Deep Learning (ANN, CNN, LSTM, GRU,
multimodal)
Liu (EWT–GRU), Kim (CNN), Wu
(multimodal), Xie (LSTM), Xu (BP NN)
5
45%
Modelos econométricos/estadísticos clásicos
(ARIMA, GARCH, VaR)
Ben Ayed (VaR), Lezcano (ARIMA)
2
18%
Híbridos y optimizados (IA + heurísticas o
metaheurísticas)
Xie (TPEBO-LSTM), Ramakrishnaiah
(EHR-ML)
ya incluidos en DL/ML, pero
con optimización avanzada
—
Tabla 6
Metodologías predictivas en contextos de crisis
Autor(es) y Año
Tipo de crisis
Metodología
principal
Variables
contextuales
consideradas
Mejora con
variables
contextuales
Metodología
más
frecuente
Relación con
resiliencia
Ben Ayed & Ben
Hassen (2024)
Financiera (COVID-
19)
GARCH,
FIGARCH,
EVT
Volatilidad, tasas,
shocks globales
Sí (≈+20%
precisión)
GARCH/ML
Resiliencia
ante alta
volatilidad
Chumachenko et
al. (2023)
Guerra/sanitaria
XGBoost
Variables
geopolíticas y de
movilidad
Sí
ML (XGBoost)
Modelos
robustos ante
choques
múltiples
Hamdi & Chkili
(2019)
Financiera islámica
FIAPARCH–
ANN
Volatilidad
macroeconómica
Sí
Híbrido ML
Mejora
estabilidad de
predicciones
Karaev &
Borisova (2025)
Económica/fiscal
RF, DNN
PIB, inflación,
recaudación
Sí (≈+15%)
ML/DL
Estabilidad en
entornos
inestables
Kim et al. (2025)
Sanitaria (COVID-19)
CNN
Variables médicas
y demográficas
Parcial
(limitada)
CNN
Transfer
learning
mejora
resiliencia
8
Kiranmai &
Thangaraj (2024)
Financiera (cripto)
Ensemble ML
Volatilidad y
sentimiento de
mercado
Sí (≈+10%)
Ensemble ML
Precisión en
escenarios
volátiles
Lezcano et al.
(2023)
Sanitaria (COVID-19)
ARIMA, NN,
RF
Series
epidemiológicas
Sí
ML estadístico
Valida
capacidad
adaptativa de
modelos
Li et al. (2024)
Epidemiológica
Bayesian +
RF
Variables clínicas y
temporales
Sí
Ensemble
Bayesiano
Alta exactitud
predictiva
Liu & Shen
(2020)
Climática/mercado
carbono
EWT–GRU
Precio energético
y carbono
Sí (≈+18%)
Deep
Learning
(GRU/LSTM)
Mejora
predicción en
volatilidad
Rodrigues et al.
(2021)
Energética
SARIMA,
ANN, RF
Variables de
movilidad y
consumo
Sí
Ensemble ML
Resiliencia
energética
Manousiadis &
Gaki (2023)
Económica (EE. UU.)
Árboles y NN
PIB, desempleo,
densidad
poblacional
Sí
ML clásico
Modelos
capturan
resiliencia
territorial
Moraglio &
Ragusa (2024)
Energética/geopolítica
Kernel &
Linear
Regression
Precios globales,
shocks
geopolíticos
Sí (≈+12%)
Regresión
Explica
resiliencia de
precios
Mousavimehr &
Kavianpour
(2025)
Climática/hídrica
SVR, RF,
ANN, CNN
Factores
antrópicos e
hidrológicos
Sí (≈+25%)
DL (CNN)
Mejora
correlación
TWS–GWS
Wu et al. (2022)
Sanitaria
Multimodal
ML (EHR +
CXR)
Edad,
comorbilidad,
radiología
Sí
Multimodal
ML
Resiliencia
hospitalaria
Xie et al. (2024)
Climática
LSTM +
Bayesian
Optimization
Emisiones
agrícolas
regionales
Sí
DL (LSTM)
Alta precisión
temporal
Xu & Shi (2025)
Política/nacional
BP Neural
Network +
Proyección
Factores políticos
y sociales
Parcial
ML (BP)
Evalúa
resiliencia
nacional
Tabla 7
Análisis de tendencias actuales
Indicador
Resultado
Porcentaje de estudios que mejoran
al incluir variables contextuales
87.5% (14 de 16 artículos) muestran incremento de precisión, robustez o estabilidad.
Metodologías más frecuentes
1. Machine Learning clásico (37%) – RF, SVR, árboles / 2. Deep Learning (31%) – LSTM, CNN,
GRU. / 3. Híbridos/Ensemble (25%) – combinaciones ML+DL o ML+Bayesiano. /
4. Econométricos tradicionales (7%) – GARCH/ARIMA.
Contextos más analizados
Crisis sanitarias (31%), económicas/financieras (25%), energéticas (19%),
climáticas (19%), políticas (6%).
Tendencia general
Los modelos más robustos son los multivariables y multimodales, integrando factores
contextuales (macro, sociales o ambientales).
Discusión de Resultados
Los hallazgos de esta revisión sistemática confirman que la resiliencia de los modelos predictivos basados
en inteligencia artificial no depende exclusivamente de su arquitectura técnica, sino también de su capacidad para
adaptarse a los ciclos y rupturas característicos de las crisis económicas. Al comparar los estudios analizados, se
9
evidencia una tensión constante entre la precisión algorítmica y la sensibilidad contextual del modelo. Mientras
que autores como Abdullayev et al. (2024) y Kumar et al. (2022) ponen énfasis en el fortalecimiento técnico
mediante metaheurísticas o algoritmos híbridos, investigaciones como las de Korol & Fotiadis (2022) y
Bhattacharya et al. (2023) muestran que la resiliencia predictiva se incrementa al integrar variables
socioeconómicas y cualitativas, alineándose con la teoría de los ciclos económicos adaptativos. Esto indica que
la estabilidad de los modelos no puede analizarse sin considerar los factores estructurales que condicionan la
respuesta económica ante un shock.
De manera complementaria, los resultados se vinculan con la teoría de resiliencia regional (Wang & Li,
2022), que sostiene que las economías responden de manera diferenciada según su estructura productiva,
capacidad institucional y grado de diversificación. En los modelos revisados, las redes neuronales y los enfoques
híbridos demostraron mayor estabilidad en regiones con instituciones financieras robustas, mientras que, en
economías más vulnerables, estos modelos tienden a sobreajustarse o subestimar el impacto de la crisis. Esta
relación refuerza la idea de que la resiliencia algorítmica tiene una dimensión territorial y estructural, más allá de
lo meramente computacional.
Desde una perspectiva comparativa, los estudios sobre la crisis financiera global de 2007–2008 (Gîfu,
2025; Yu & Chang, 2020) evidenciaron la pérdida de precisión de los modelos clásicos frente a choques abruptos,
mientras que investigaciones recientes sobre la pandemia (Kim et al., 2025; Lezcano et al., 2023; Wu et al., 2022)
resaltaron el valor de la multimodalidad y el aprendizaje profundo para mantener la estabilidad predictiva en
contextos de alta incertidumbre. No obstante, pocos estudios han explorado la interacción simultánea de crisis
múltiples —financieras, sanitarias y climáticas— como planteó Tamasiga (2023), lo que representa una laguna
importante para consolidar un marco integrador de resiliencia económica basado en IA.
En el ámbito ético, se detectó una marcada carencia en la discusión sobre sesgos algorítmicos y la
opacidad de los modelos utilizados. Ninguno de los trabajos revisados profundiza en los efectos distributivos
derivados del uso de sistemas de IA durante crisis, lo que genera riesgos de exclusión, especialmente en
economías caracterizadas por una limitada transparencia de datos. Esta omisión contrasta con los principios de
la IA responsable, que exigen equidad, explicabilidad y rendición de cuentas en contextos de alta vulnerabilidad
social. Incorporar esta dimensión ética resulta imprescindible para asegurar que la resiliencia tecnológica no se
consiga a costa de agravar desigualdades económicas.
Respecto a la aplicabilidad, la mayoría de las investigaciones provienen de países industrializados, donde
los entornos de datos son más robustos y las instituciones financieras cuentan con mayor estabilidad. Por el
contrario, las economías latinoamericanas y emergentes —caracterizadas por alta informalidad y escasa
disponibilidad de datos abiertos— enfrentan desafíos adicionales. Para estos contextos, la evidencia aportada
por autores como Reis et al. (2022) y Moraglio & Ragusa (2024) sugiere que la incorporación de datos textuales
y fuentes no estructuradas podría potenciar la adaptabilidad de los modelos predictivos. Además, integrar
variables institucionales, sociales y ambientales propias de América Latina permitiría desarrollar sistemas más
realistas y sensibles a la heterogeneidad regional.
Finalmente, el análisis conjunto de los autores revisados muestra que la resiliencia de los modelos de IA
debe concebirse como una propiedad emergente que integra precisión técnica, contextualización económica y
responsabilidad ética. En consecuencia, avanzar hacia un metamarco interpretativo de resiliencia algorítmica —
que integre teorías sobre crisis, resiliencia regional y justicia de datos— constituye una oportunidad fundamental
para potenciar futuras investigaciones y orientar la formulación de políticas públicas fundamentadas en evidencia.
Conclusiones
Los hallazgos de esta revisión sistemática evidencian que la resiliencia de los modelos predictivos
basados en inteligencia artificial frente a crisis económicas depende principalmente de su capacidad para integrar
variables macroeconómicas, estructurales y contextuales, más allá del diseño técnico del algoritmo. Esta relación
indica que la eficacia predictiva no reside exclusivamente en el algoritmo, sino en su adecuación al entorno
económico, social y político en el que se aplica.
Desde una perspectiva práctica, los resultados brindan orientaciones claras para diversos actores. En el
caso de los gobiernos, se recomienda fomentar políticas de gobernanza digital y acceso a datos abiertos que
permitan alimentar los modelos de IA con información económica en tiempo real, facilitando respuestas rápidas
ante escenarios de crisis. Para el sector bancario, se sugiere invertir en modelos híbridos que fusionen
aprendizaje automático con análisis de riesgo macroeconómico, fortaleciendo así la detección temprana de
inestabilidades financieras.
10
Por su parte, las empresas, especialmente en economías emergentes, deberían adoptar modelos
adaptativos que incluyan variables exógenas como shocks de precios, restricciones crediticias o eventos
geopolíticos, para anticipar posibles interrupciones y garantizar la continuidad operacional.
En el ámbito académico, este estudio contribuye a cerrar un vacío relevante al ofrecer una visión
sistemática y comparativa sobre la resiliencia de los modelos predictivos de IA ante diferentes tipos de crisis, un
aspecto poco explorado en la literatura actual. Por ello, se plantea como línea futura de investigación el desarrollo
de modelos integrados de resiliencia económica basados en IA explicable (XAI), así como el análisis longitudinal
del desempeño de dichos modelos en regiones con alta volatilidad económica. De igual modo, resulta pertinente
investigar la interacción entre resiliencia tecnológica, estabilidad institucional y sostenibilidad económica, con el
fin de consolidar un marco interdisciplinario que fortalezca la toma de decisiones en contextos de incertidumbre
global.
Referencias
Abdullayev, I., Akhmetshin, E., Kosorukova, I., Klochko, E., Cho, W., & Joshi, G. P. (2024). Modeling of extended
osprey optimization algorithm with Bayesian neural network: An application on Fintech to predict financial
crisis. AIMS Mathematics, 9(7), 17555–17577. https://doi.org/10.3934/math.2024853
Addisu Kassie, B., & Bang, J. (2022). Is it recession-proof? Masstige purchase intention: The moderating effect of
perceived economic crisis. SHS Web of Conferences, 132,
01013. https://doi.org/10.1051/shsconf/202213201013
Amamou, S., Daoud, M., & Bargaoui, S. (2024). Green bonds forecasting: Evidence from pre-crisis, COVID-19
and Russian–Ukrainian crisis frameworks. Journal of Economic Studies, 52(1), 179–
193. https://doi.org/10.1108/jes-01-2024-0061
Ben Ayed, W., & Ben Hassen, R. (2024). The Basel 2.5 capital regulatory framework and the COVID-19 crisis:
evidence from the ethical investment market. PSU Research Review: An International Journal, 8(3), 727–
748. https://doi.org/10.1108/PRR-06-2022-0082
Bhattacharya, R., Kafila, Somanchi, H. K., Haralayya, B., Nagpal, P., & Chitsimran. (2023). Modified Grey Wolf
Optimizer with Sparse Autoencoder for financial crisis prediction in small marginal firms. En Proceedings
of the Second International Conference on Electronics and Renewable Systems (ICEARS-2023) (pp. 907-
913). IEEE. https://doi.org/10.1109/ICEARS56392.2023.10085618
Chumachenko, D., Dudkina, T., Chumachenko, T., & Morita, P. P. (2023). Epidemiological implications of war:
Machine learning estimations of the Russian invasion’s effect on Italy’s COVID-19
dynamics. Computation, 11(11), 221. https://doi.org/10.3390/computation11110221
Evgrafova, R., Ivashkovskaya, I., & Шорохова, Е. (2023). Corporate resilience in cancel culture times”, Journal of
Corporate Finance Research / Корпоративные Финансы, 17(4), 19-37.
https://doi.org/10.17323/j.jcfr.2073-0438.17.4.2023.19-37
Gîfu, D. (2025). Exploring the potential of e-learning in economic crisis prediction. Proceedings of the International
Conference on Virtual Learning, 20, 144–
152. https://www.researchgate.net/publication/390562045_Exploring_the_potential_of_e-
learning_in_economic_crisis_prediction
Hamdi, M., & Chkili, W. (2019). An artificial neural network augmented GARCH model for Islamic stock market
volatility: Do asymmetry and long memory matter? Economic Research Forum, (Working Paper No. 1325).
https://erf.org.eg/publications/an-artificial-neural-network-augmented-garch-model-for-islamic-stock-
market-volatility-do-asymmetry-and-long-memory-matter/
Iuga, I., & Mihalciuc, A. (2020). Major crises of the XXIst century and impact on economic growth. Sustainability,
12(22), 9373. https://doi.org/10.3390/su12229373
Karaev, A. K., & Borisova, O. V. (2025). Prospective models of financial forecasting of budget revenues. Finance:
Theory and Practice, 29(1), 20-33. https://doi.org/10.26794/2587-5671-2025-29-1-20-33
Kim, T. H., Chinthaginjala, R., Srinivasulu, A. et al. (2025). COVID-19 health data prediction: a critical evaluation
of CNN-based approaches. Scientific Reports, 15, 9121. https://doi.org/10.1038/s41598-025-92464-0
Kiranmai Balijepalli, N. S. S., & Thangaraj, V. (2025). Prediction of cryptocurrency’s price using ensemble machine
learning algorithms. European Journal of Management and Business
Economics. https://doi.org/10.1108/EJMBE-08-2023-0244
Korol, T., & Fotiadis, A. K. (2022). Implementing artificial intelligence in forecasting the risk of personal bankruptcies
in Poland and Taiwan. Oeconomia Copernicana, 13(2), 407-438. https://doi.org/10.24136/oc.2022.013
11
Kotan, K., Kotan, B., & Kirişoğlu, S. (2025). Detection of economic crises with language models and comparative
analysis of simple time series analysis models and machine learning algorithms on the stock market. IEEE
Access, 13, 83255–83274. https://doi.org/10.1109/ACCESS.2025.3567743
Kumar, K. P. M., Dhanasekaran, S., Punithavathi, I. S. H., Duraipandy, P., Dutta, A. K. et al. (2022). Bird Swarm
Algorithm with Fuzzy Min-Max Neural Network for Financial Crisis Prediction. Computers, Materials &
Continua, 73(1), 1541–1555. https://doi.org/10.32604/cmc.2022.028338
Kyriakou, N., Loukis, E., & Μaragoudakis, M. (2023). Predicting firms’ resilience to economic crisis using artificial
intelligence for optimizing economic stimulus programs. Transforming Government: People, Process and
Policy, 18(3), 400–416. https://doi.org/10.1108/tg-08-2022-0112
Lezcano Lastra, A., Llamosas García, G., López Cagigas, A., & Parra Rodríguez, F. J. (2023). Predicting the tide
of the pandemic: An in-depth analysis of forecasting models for COVID-19 in Cantabria. Boletín de
Estadística e Investigación Operativa (BEIO), 39(2), 36–49. https://www.seio.es/beio/predicting-the-tide-
of-the-pandemic-an-in-depth-analysis-of-forecasting-models-for-covid-19-in-cantabria/
Li, D. (2023). Research on forecasting model of corporate financial crisis based on pattern recognition and artificial
intelligence. Applied Mathematics and Nonlinear Sciences, 8(2), 3553–
3566. https://doi.org/10.2478/amns.2021.2.00268
Li, H., Cheng, Z. Y., Fu, X., Liu, M., Liu, P., Cao, W., Liang, Z., Wang, F., & Sun, B. (2024). Decoding acute
myocarditis in patients with COVID-19: Early detection through machine learning and hematological
indices. Computers in Biology and Medicine, 173, 108097. https://doi.org/10.1016/j.isci.2023.108524
Liu, H., & Shen, Y. (2020). Forecasting carbon price using empirical wavelet transform and GRU neural
network. Applied Energy, 262, 114567. https://doi.org/10.1080/17583004.2019.1686930
Liu, X., Zhi, W., & Akhundzada, A. (2025). Enhancing performance prediction of municipal solid waste generation:
A strategic management. Frontiers in Environmental Science, 13,
1553121. https://doi.org/10.3389/fenvs.2025.1553121
Manousiadis, C., & Gaki, E. (2023). Prediction models and testing of resilience in regions: Covid19 economic
impact in USA counties study case, REGION. Vienna, Austria, 10(1), 113–132.
https://doi.org/10.18335/region.v10i1.449
Moraglio, F., & Ragusa, C. (2024). Day-Ahead Electricity Price Forecasting in the Contemporary Italian
Market. Energy Economics, 126, 107278. https://doi.org/10.1109/ACCESS.2024.3403422
Mousavimehr, S. M., & Kavianpour, M. R. (2025). A non-stationary downscaling and gap-filling approach for
GRACE/GRACE-FO data under climatic and anthropogenic influences. Applied Water Science, 15, 91
(2025). https://doi.org/10.1007/s13201-025-02427-z
Puli, S., Thota, N., & Subrahmanyam, A. (2024). Assessing machine learning techniques for predicting banking
crises in India. Journal of Risk and Financial Management, 17(4),
141. https://doi.org/10.3390/jrfm17040141
Ramakrishnaiah, Y., Macesic, N., Webb, G., Peleg, A., & Tyagi, S. (2025). EHR-ML: A data-driven framework for
predictive modeling under crisis conditions. International Journal of Medical Informatics, 196,
105816. https://doi.org/10.1016/j.ijmedinf.2025.105816
Reier Forradellas, R. F., & Garay Gallastegui, L. M. (2021). Digital transformation and artificial intelligence applied
to business: Legal regulations, economic impact and perspective. Laws, 10(3), 70.
https://doi.org/10.3390/laws10030070
Reis, I., Marcondes, R., & Oliveria, S. (2022). On the enrichment of time series with textual data for forecasting
agricultural commodity prices. MethodsX, 9, 101758. https://doi.org/10.1016/j.mex.2022.101758
Rodrigues, L., Rodrigues, L., & Bacchi M. R. P. (2022). Performance evaluation of forecasting models based on
time series and machine learning techniques: an application to light fuel consumption in
Brazil. International Journal of Energy Sector Management, 16(4), 636–658.
https://doi.org/10.1108/IJESM-02-2021-0009
Tamasiga, P., Ouassou, E. H., Onyeaka, H., Bakwena, M., Happonen, A., & Molala, M. (2023). Forecasting
disruptions in global food value chains to tackle food insecurity: The role of AI and big data analytics – A
bibliometric and scientometric analysis. Journal of Agriculture and Food Research, 14, 100819.
https://doi.org/10.1016/j.jafr.2023.100819
Wang, X., & Li, M. (2022). Determinants of Regional Economic Resilience to Economic Crisis: Evidence from
Chinese Economies. Sustainability, 14(2), 809. https://doi.org/10.3390/su14020809
Wu, J. T.-Y., Armengol de la Hoz, M. Á., Kuo, P.-C., Paguio, J. A., Yao, J. S., Dee, E. C., Yeung, W., Jurado, J.,
Moulick, A., Milazzo, C., Peinado, P., Villares, P., Cubillo, A., Varona, J. F., Lee, H.-C., Estirado, A.,
Castellano, J. M., & Celi, L. A. (2022). Developing and validating multi-modal models for mortality
12
prediction in COVID-19 patients: A multi-center retrospective study. Journal of Digital Imaging, 35, 1514–
1529. https://doi.org/10.1007/s10278-022-00674-z
Xie, T., Huang, Z., Tan, T., & Chen, Y. (2024). Forecasting China’s agricultural carbon emissions: A comparative
study based on deep learning models. Ecological Informatics, 82,
102661. https://doi.org/10.1016/j.ecoinf.2024.102661
Xu, Z., & Shi, J. (2025). Research on the national security risk assessment model: A case study of political security
in China. Humanities and Social Sciences Communications, 12(1), 906. https://doi.org/10.1057/s41599-
025-05278-w
Yang, D., Tang, Y., Chan, V., Fang, Q., Chan, S., Luo, H., Wong, I., Ou, H., Chan, E., Bishai, D., Chen, Y., Knapp,
M., Jit, M., & Craig, D., Li, X. (2025). Population-wide depression incidence forecasting comparing
autoregressive integrated moving average and vector autoregressive integrated moving average to
temporal fusion transformers: Longitudinal observational study. Journal of Medical Internet Research, 27,
e67156. https://doi.org/10.2196/67156
Yu, J., & Chang, K.-C. (2020). Neural network predictive modeling on dynamic portfolio management—A
simulation-based portfolio optimization approach. Journal of Risk and Financial Management, 13(11),
285. https://doi.org/10.3390/jrfm13110285
CONTRIBUCIÓN DE LA AUTORÍA:
1. Conceptualización: Jorsi Ericson Joel Balcázar Gallo, Cecilia Maria Madrid Villarreyes
2. Curación de datos: Leandro Adolfo Pérez Cruz, Javier Valdiviezo Miranda
3. Análisis formal: Javier Valdiviezo Miranda
4. Investigación: Jorsi Ericson Joel Balcázar Gallo, Cecilia Maria Madrid Villarreyes
5. Metodología: Jorsi Ericson Joel Balcázar Gallo, Cecilia Maria Madrid Villarreyes, Javier Valdiviezo Miranda
6. Dirección del proyecto: Jorsi Ericson Joel Balcázar Gallo, Leandro Adolfo Pérez Cruz
7. Recursos: Jorsi Ericson Joel Balcázar Gallo, Cecilia Maria Madrid Villarreyes, Leandro Adolfo Pérez Cruz
8. Supervisión: Jorsi Ericson Joel Balcázar Gallo
9. Validación: Javier Valdiviezo Miranda
10. Visualización: Jorsi Ericson Joel Balcázar Gallo, Leandro Adolfo Pérez Cruz
11. Redacción - borrador original: Jorsi Ericson Joel Balcázar Gallo, Cecilia Maria Madrid Villarreyes, Leandro
Adolfo Pérez Cruz, Javier Valdiviezo Miranda