La crisis de la rendición de cuentas algorítmica: arquitectando soluciones de IA profunda para la era de la aplicación normativa

El panorama de los servicios financieros atraviesa actualmente una transformación fundamental en la supervisión de los sistemas de decisión automatizados. La era de la impunidad algorítmica —un período caracterizado por el despliegue rápido de modelos de «caja negra» bajo la apariencia de innovación propietaria— ha sido sustituida por un régimen de estricta rendición de cuentas e inteligencia defendible. Este cambio queda marcado por intervenciones regulatorias de alto perfil, en particular el acuerdo de $2.5 million alcanzado por Earnest Operations LLC en julio de 2025 y el escrutinio sistémico de las disparidades en la concesión hipotecaria de Navy Federal Credit Union.¹ Para los fiduciarios modernos y los prestamistas institucionales, estos incidentes representan algo más que reveses legales aislados; son síntomas de un profundo fallo arquitectónico.

La transición hacia la inteligencia artificial en la suscripción y la evaluación del riesgo se comercializó inicialmente como una panacea frente a la subjetividad humana. Sin embargo, la dependencia de arquitecturas superficiales de «envoltorio» —sistemas que simplemente pasan datos estructurados o no estructurados a grandes modelos de lenguaje (LLM) de terceros como GPT-4 de OpenAI o Gemini de Google— ha introducido una nueva clase de riesgos sistémicos. Estas integraciones delgadas carecen de las barreras de protección específicas del dominio, los mecanismos de transparencia y el razonamiento causal necesarios para resistir el escrutinio actual de la Consumer Financial Protection Bureau (CFPB) y de los fiscales generales estatales.³ Veriprajna se posiciona en esta coyuntura crítica, abogando por una filosofía de «IA profunda» que prioriza la integridad estructural, la ingeniería de la equidad y una gobernanza robusta por encima de la mera eficiencia probabilística.

El acuerdo de Earnest Operations: una taxonomía del sesgo algorítmico

El 10 de julio de 2025, el Fiscal General de Massachusetts anunció un acuerdo histórico con Earnest Operations LLC, resolviendo alegaciones de que los modelos de préstamo impulsados por IA de la compañía perjudicaron de forma desproporcionada a solicitantes negros e hispanos y a prestatarios no ciudadanos.¹ Este caso sirve como estudio seminal de cómo las «variables proxy» y las «reglas de exclusión» (knockout rules) pueden codificar inadvertidamente la discriminación histórica en las plataformas digitales modernas.

El mecanismo de discriminación por proxy mediante el CDR

Un elemento central de la investigación de Massachusetts fue el uso por parte de Earnest de la Cohort Default Rate (CDR) como subpuntuación ponderada en su modelo de refinanciación de préstamos estudiantiles.¹ La CDR mide la tasa media de impago de préstamos en instituciones educativas específicas. Desde una perspectiva estadística, la variable parece ofrecer una visión de alto nivel del riesgo institucional. Sin embargo, el Fiscal General alegó que el poder predictivo de esta variable no derivaba de la solvencia crediticia individual, sino de su fuerte correlación con clases raciales y socioeconómicas protegidas.⁶

Históricamente, las Historically Black Colleges and Universities (HBCUs) y las instituciones que atienden a altas concentraciones de estudiantes minoritarios de bajos ingresos han afrontado una infrafinanciación sistémica y tasas medias de impago más altas debido a las brechas de riqueza intergeneracional.⁶ Al penalizar a los solicitantes según la CDR de su escuela, el modelo aplicó de hecho una sanción colectiva a individuos con independencia de su estabilidad financiera personal o su historial crediticio. Esto representa un fallo clásico de «solidez conceptual» bajo el marco SR 11-7: usar un artefacto histórico basado en el grupo como proxy del riesgo individual.⁶

Exclusiones automatizadas y fallos de gobernanza

La investigación de Earnest subrayó además el peligro de las «reglas de exclusión» (knockout rules) —puertas algorítmicas codificadas de forma rígida que deniegan automáticamente solicitudes según criterios específicos.¹ Earnest utilizó una regla de exclusión para denegar a solicitantes que carecían al menos de una green card, una práctica que el Fiscal General identificó como una violación de los riesgos de impacto dispar de la Equal Credit Opportunity Act (ECOA).¹

De forma crucial, el acuerdo reveló una desconexión entre las políticas declaradas de la compañía y su realidad operativa. Aunque las políticas internas de Earnest exigían supervisión sénior para las excepciones al modelo, los investigadores hallaron que los suscriptores eludían con frecuencia los modelos o aplicaban estándares arbitrarios sin documentación.¹ Esta inconsistencia crea un perfil de riesgo híbrido en el que coexisten el sesgo algorítmico y el sesgo humano no monitorizado, haciendo el sistema imposible de auditar y defender.⁸

Categoría de infracción	Disparador técnico	Infracción legal
Discriminación por proxy	Cohort Default Rate (CDR)	Impacto dispar ECOA / M.G.L. c. 93A
Exclusión automatizada	Reglas de exclusión por estatus migratorio («Knockout Rules»)	Prácticas desleales o engañosas (UDAP)
Fallo de transparencia	Avisos de acción adversa inexactos	Incumplimiento del Reglamento B (ECOA)
Laguna de gobernanza	Falta de validación independiente del modelo	Fallo en mitigar los riesgos de crédito justo (fair lending)
Inestabilidad del proceso	Sobreescrituras humanas no estandarizadas	Fallo en implementar controles internos

Navy Federal Credit Union: rendición de cuentas estadística y deriva sistémica

Mientras el caso Earnest se centró en fallos específicos de variables, la investigación sobre Navy Federal Credit Union (NFCU) demuestra el impacto a nivel macro de sistemas algorítmicos que se han alejado de resultados equitativos con el tiempo. El análisis de los datos de 2022 de la Home Mortgage Disclosure Act (HMDA) reveló que NFCU, la mayor cooperativa de crédito del país, rechazó a más de la mitad de sus solicitantes negros de hipotecas convencionales.⁹

La brecha de disparidad en las hipotecas

Las disparidades estadísticas en Navy Federal fueron particularmente acusadas al compararlas con otros prestamistas de primer nivel. En 2022, la cooperativa de crédito aprobó aproximadamente el 77 % de los solicitantes blancos, pero solo el 48,5 % de los solicitantes negros y el 55,8 % de los solicitantes hispanos.⁹ Las disparidades estadísticas en Navy Federal fueron particularmente acusadas al compararlas con otros prestamistas de primer nivel. En 2022, la cooperativa de crédito aprobó aproximadamente el 77% de los solicitantes blancos, pero solo el 48.5% de los solicitantes negros y el 55.8% de los solicitantes hispanos.¹⁰

La defensa ofrecida por NFCU —que los datos públicos de HMDA carecen de puntuaciones crediticias y métricas de efectivo disponible— ha sido cuestionada por un análisis riguroso de terceros. Cuando los investigadores controlaron por más de una docena de variables, incluidos ingresos, ratio DTI, valor de la propiedad y características del vecindario, los solicitantes negros seguían siendo más del doble de propensos a ser denegados que los solicitantes blancos con perfiles idénticos.² Esto sugiere un «sesgo residual» dentro del algoritmo de suscripción «secreto» de la cooperativa de crédito que no puede explicarse mediante los factores crediticios tradicionales.¹²

Litigios y reacción regulatoria

El incidente de Navy Federal ha desencadenado una ola de demandas colectivas consolidadas e investigaciones del Congreso. En mayo de 2024, un juez de distrito de EE. UU. dictaminó que las reclamaciones por impacto dispar podían proceder, permitiendo a los demandantes solicitar el discovery (revelación de pruebas) sobre la lógica interna de los modelos de suscripción de NFCU.¹² Esto subraya una lección crítica para la industria: la disparidad estadística por sí sola suele bastar para superar una moción de desestimación, situando la carga en la institución de demostrar que su proceso «secreto» es a la vez necesario y la alternativa menos discriminatoria (LDA) disponible.¹²

Métrica	Solicitantes blancos	Solicitantes negros	Brecha
Tasa de aprobación bruta	77.1%	48.5%	28.6%
Tasa de denegación	23.0%	52.0%	29.0%
Tasa de denegación de préstamos VA	15-17% (est)	28.6%	~12%
Denegación media nacional (CFPB)	5.6%	16.2%	10.6%

Vulnerabilidades estructurales: por qué los envoltorios fallan la prueba fiduciaria

La dependencia de simples envoltorios de LLM o de herramientas de IA «horizontales» crea un desajuste fundamental entre la capacidad tecnológica y los requisitos regulatorios. Los servicios financieros requieren lógica determinista de alto riesgo, pero los modelos fundacionales son inherentemente probabilísticos y no deterministas.⁴

La paradoja de la alucinación y la exactitud

Los grandes modelos de lenguaje operan prediciendo el siguiente token en una secuencia, no recuperando hechos ni realizando cálculos actuariales.¹⁵ En un contexto de suscripción crediticia, un LLM podría generar una «alucinación» —una justificación fabricada para la denegación de un préstamo que suena plausible pero no tiene base en el expediente financiero del solicitante.¹⁶ Si el chatbot o el sistema automatizado de un banco declara incorrectamente criterios de elegibilidad o tipos de interés, la institución enfrenta responsabilidad directa por inducir a error a los consumidores, como se vio en el precedente del chatbot de Air Canada.¹⁶

El vacío de contexto de la IA horizontal

Las plataformas genéricas de IA carecen del contexto «vertical» necesario para procesar con exactitud documentos hipotecarios, declaraciones fiscales y extractos bancarios. Sin entrenamiento específico del sector, estos modelos tienen dificultades para interpretar matices en patrones de ingresos o analítica de flujo de caja, lo que a menudo conduce a «falsos negativos» en los que prestatarios solventes son rechazados por la incapacidad del modelo de reconocer patrones de datos alternativos.⁴ Los prestamistas que implementan arquitecturas de «IA profunda» —aquellas que incluyen ingestión dedicada de datos, extracción de entidades y capas de riesgo específicas del dominio— obtienen una precisión significativamente mayor y menos disparadores de cumplimiento.⁴

El problema de la contaminación de los datos de entrenamiento

Los LLM se entrenan con vastos corpus de texto de internet, saturados de sesgos históricos, de género y raciales.¹⁹ Cuando una institución usa un envoltorio de LLM para «evaluar» la historia de un prestatario o su historial laboral, el modelo puede aplicar inadvertidamente los estereotipos presentes en sus datos de entrenamiento.¹⁵ Por ejemplo, ciertas nacionalidades o profesiones podrían asociarse con una menor solvencia crediticia en el «espacio latente» del modelo, incluso si los puntos de datos específicos del individuo están impecables.¹⁵

El panorama regulatorio de 2026: estándares de defensibilidad

El entorno regulatorio de 2025 y 2026 ha pasado de orientaciones generales a mandatos explícitos. La era de alegar que un algoritmo es «demasiado complejo de explicar» ha terminado.

CFPB y especificidad conductual

La CFPB ha finalizado orientaciones (Circular 2023-03 y actualizaciones de 2025) que establecen que los acreedores deben proporcionar «razones exactas y específicas» para las acciones adversas.³ Los prestamistas no pueden ampararse en categorías amplias como «historial de compras» o «ingresos insuficientes» si la razón subyacente fue la identificación algorítmica de un hábito de compra específico o un punto de datos no tradicional.³ El Bureau ha dejado claro que «lo decidió el algoritmo» no es una afirmación legalmente defendible.²⁰

SR 11-7 y la evolución de la Model Risk Management (MRM)

La Supervisory Regulation 11-7 sigue siendo el estándar definitivo de gobernanza de modelos en la banca.⁷ En el contexto de la IA, los reguladores se centran ahora en:

1.​ Solidez conceptual: los prestamistas deben documentar la lógica económica y matemática del modelo, demostrando que no se apoya solo en correlaciones espurias.⁷

2.​ Validación independiente: el equipo que valida el modelo debe ser técnicamente competente y completamente independiente del equipo de desarrollo.⁷

3.​ Análisis de resultados: se requieren back-testing regular y «desafío efectivo» (effective challenge) para asegurar que el modelo rinda como se espera en condiciones del mundo real.⁷

NIST AI RMF 2.0: el plano de gobernanza

El National Institute of Standards and Technology (NIST) publicó su AI Risk Management Framework (RMF) 2.0 actualizado en 2025, que introduce el concepto de un «AI Bill of Materials» (AI-BOM).²⁵ Esto exige a las instituciones saber exactamente de dónde proceden sus datos, qué modelos se usan (incluidas las API de terceros) y cómo interactúan estos componentes.²⁵

Función RMF 2.0	Requisito de implementación	Evidencia defendible
Govern	Definir la titularidad del riesgo de IA	Registros de supervisión a nivel de consejo
Map	Inventariar todos los sistemas de IA	AI-BOM dinámico y linaje de datos
Measure	Cuantificar el sesgo y la deriva	Auditorías SHAP/LIME y registros de TPR
Manage	Mitigación continua del riesgo	«Interruptores de emergencia» (kill switches) automatizados del modelo

Ingeniería de la equidad: las matemáticas de la equidad

Los proveedores de IA profunda van más allá de la «equidad» cualitativa hacia la «ingeniería de la equidad» cuantitativa. Ello implica la aplicación de restricciones matemáticas en múltiples etapas del ciclo de vida del modelo.

Métricas de equidad en la suscripción crediticia

Veriprajna utiliza un conjunto de métricas de equidad para auditar y calibrar modelos:

●​ Paridad demográfica: el requisito de que la tasa de aprobación ( ) del grupo protegido ( ) sea igual a la tasa de aprobación del grupo ( ).​

●​ Equalized Odds: el requisito de que tanto las tasas de verdaderos positivos (TPR) como las de falsos positivos (FPR) sean consistentes entre grupos. Esto asegura que el modelo sea igualmente exacto para todas las demografías.²⁹

●​ Ratio de impacto dispar: una métrica en la que el cociente entre la tasa de aprobación del grupo protegido y la del grupo de control debería situarse normalmente por encima de 0,8 (la regla de los cuatro quintos) para evitar el escrutinio regulatorio.³¹

Estrategias de desesgado: pre, in y post-procesamiento

Mitigar el sesgo requiere intervención a lo largo del pipeline 32:

1.​ Pre-procesamiento: abordar el sesgo en los datos de entrenamiento con técnicas como SMOTE (Synthetic Minority Oversampling Technique) o generando «datos sintéticos» para equilibrar demografías infrarrepresentadas.¹⁸

2.​ In-procesamiento: modificar el propio algoritmo de aprendizaje. El «Adversarial Debiasing» es el estándar de oro actual, donde un modelo secundario (el adversario) se entrena para predecir el atributo protegido a partir de las predicciones del modelo primario. El modelo primario se optimiza entonces para minimizar su error de predicción mientras maximiza el error del adversario.³³

3.​ Post-procesamiento: ajustar umbrales después de que el modelo haya producido su puntuación inicial para asegurar equalized odds sin exigir un reentrenamiento completo del modelo base.³²

Explainable AI (XAI): transparencia forense

Para que un sistema de IA sea de grado empresarial, debe ser explicable. Veriprajna integra marcos XAI que van más allá de la simple importancia de características hacia la «interpretabilidad local».²⁰

Integración de SHAP y LIME

Los valores SHAP (SHapley Additive exPlanations) proporcionan una forma matemáticamente rigurosa de asignar el crédito de una decisión a características de entrada específicas.³¹ Basado en la teoría de juegos cooperativos, el valor SHAP de la característica ( ) se calcula como:

Esto permite al sistema generar un «detalle conductual» específico y auditable para cada aviso de acción adversa, satisfaciendo el estándar más alto de cumplimiento de la CFPB.²⁰

Explicaciones contrastivas y contrafactuales

Los reguladores modernos esperan cada vez más explicaciones contrafactuales: «¿Qué habría tenido que cambiar para que este solicitante fuera aprobado?».²⁰ Los sistemas de Veriprajna las generan en tiempo real: «Si su utilización de crédito fuera un 15% menor, o si sus ingresos fueran $5,000 más altos, el préstamo habría sido aprobado».²⁰ Esto proporciona una transparencia accionable que genera confianza y reduce el riesgo de litigio.³⁷

La arquitectura de Veriprajna: un marco de IA profunda

El enfoque de Veriprajna sustituye el «envoltorio delgado» por un sistema sociotécnico multicapa diseñado para las exigencias de los servicios financieros.³⁸

Capa 1: la capa de orquestación y abstracción

En lugar de llamar a un LLM directamente desde un controlador —lo que bloquea los hilos del servidor y oculta los costes—, Veriprajna implementa una capa de orquestación.³⁹ Esta capa gestiona colas, maneja la lógica de reintento específica del proveedor y usa caché semántica para asegurar eficiencia de costes y capacidad de respuesta.³⁹

Capa 2: la capa de integridad de datos y contexto

Antes de que los datos lleguen jamás a un modelo de IA, pasan por un pipeline de validación que los evalúa en seis dimensiones: Exactitud, Completitud, Consistencia, Puntualidad, Relevancia y Representatividad.⁴⁰ Esto asegura que los «datos sucios» no conduzcan a resultados sesgados o alucinatorios.⁴⁰

Capa 3: el motor de riesgo multimodelo

Veriprajna no depende de un único modelo fundacional. En su lugar, usa un enfoque híbrido:

●​ Motores de reglas deterministas: para controles de cumplimiento de «exclusión» (p. ej., requisitos de edad o residencia) que deben ser 100 % exactos.⁴¹

●​ Modelos de gradient boosting (XGBoost/LightGBM): para scoring crediticio estructurado donde la interpretabilidad y la estabilidad son primordiales.³⁶

●​ LLM afinados: específicamente para el análisis de documentos no estructurados y la extracción de entidades, utilizando RAG (Retrieval-Augmented Generation) para anclar el modelo en los documentos reales del solicitante.³⁹

Capa 4: el monitoreo continuo y la bóveda de auditoría

Un sistema de IA profunda incluye una capa de monitoreo «en sombra» que rastrea:

●​ Deriva del modelo: detectar cuándo la distribución de los datos entrantes se desvía del conjunto de entrenamiento.²³

●​ Deriva del sesgo: alertas en tiempo real cuando el ratio de impacto dispar cae por debajo de umbrales establecidos.²⁷

●​ Detección de alucinaciones: cotejar las salidas de IA con los datos fuente originales (el «ground truth») para señalar anomalías.¹⁵

Implementación estratégica: una hoja de ruta para fiduciarios

La transición desde un sistema legado o basado en envoltorios hacia una arquitectura de IA profunda requiere un enfoque por fases centrado en la «defensibilidad desde el primer día».

Paso 1: inventario algorítmico y ranking de riesgo

Las instituciones deben catalogar todos los sistemas cuantitativos, incluidos los componentes de IA embebidos en software de terceros.²³ Cada sistema se clasifica entonces por riesgo según su complejidad, materialidad y sensibilidad regulatoria.²³

Paso 2: la «búsqueda de alternativas» (auditoría LDA)

Bajo la legislación vigente de crédito justo (fair lending), no basta con decir que un modelo es exacto. Los prestamistas deben buscar activamente «alternativas menos discriminatorias».¹³ Ello implica entrenar múltiples configuraciones de modelo y seleccionar la que maximiza la equidad sin una pérdida «material» de poder predictivo.¹³

Paso 3: formalización del Human-in-the-Loop (HITL)

El «elemento humano» debe ser tan auditable como el algoritmo. Veriprajna implementa sistemas «Human-in-the-Loop» en los que cada sobreescritura manual se registra con un campo de justificación obligatorio y es revisada por un oficial de cumplimiento independiente.³⁷ Esto previene la «trampa Earnest», donde decisiones humanas arbitrarias socavan la equidad pretendida de la IA.¹

Fase de implementación	Elemento de acción	Resultado esperado
Fase I: descubrimiento	Auditoría de AI-BOM y linaje de datos	Visibilidad completa de los riesgos proxy potenciales
Fase II: calibración	Adversarial Debiasing y búsqueda LDA	Compromiso optimizado equidad-exactitud
Fase III: integración	Motor XAI y contrafactual	Avisos de acción adversa conformes con la CFPB
Fase IV: gobernanza	Monitoreo continuo y auditoría HITL	Resiliencia y confianza del modelo a largo plazo

Conclusión: el nuevo estándar de inteligencia fiduciaria

Los incidentes en Earnest Operations y Navy Federal Credit Union marcan el fin de la primera ola de IA en finanzas —una ola definida por la experimentación de «caja negra» y la integración superficial. La segunda ola, definida por la IA profunda, exige un compromiso fundamental con la integridad arquitectónica, la equidad matemática y la transparencia radical.

La filosofía de Veriprajna se construye sobre la constatación de que en 2026 un algoritmo no es solo una herramienta de eficiencia; es una declaración de valores corporativos y un registro legal vinculante. El acuerdo de $2.5 million pagado por Earnest no fue solo una multa por sesgo; fue un precio pagado por la falta de gobernanza, el fallo en identificar proxies y la incapacidad de explicar una decisión.¹ El litigio en curso de Navy Federal es un recordatorio de que las disparidades estadísticas, si no se abordan con auditoría de «IA profunda», pueden amenazar incluso a las instituciones más prestigiosas.²

Al ir más allá del envoltorio de LLM y construir sistemas sociotécnicos que integran la equidad a nivel de código, las instituciones financieras pueden cumplir su doble mandato: maximizar el valor para el accionista mediante la exactitud predictiva y, a la vez, respetar su deber fiduciario hacia las comunidades a las que sirven. La elección ya no es entre IA y procesos manuales; es entre tecnología frágil de «envoltorio» y la inteligencia robusta y defendible de la IA profunda. Este es el nuevo estándar de excelencia, y es el único camino hacia la innovación sostenible en un mundo regulado.

Obras citadas

1. Mass. AG reaches settlement with student loan firm for $2.5M over AI lending bias, consultado el 6 de febrero de 2026, https://bankingjournal.aba.com/2025/08/mass-ag-reaches-settlement-with-earnest-operations-for-2-5m-over-ai-lending-bias/

2. Hicks et al. v. Navy Federal Credit Union - 1:23-cv-01798 - Class Action Lawsuits, consultado el 6 de febrero de 2026, https://www.classaction.org/media/hicks-et-al-v-navy-federal-credit-union.pdf

3. CFPB Issues Guidance on Credit Denials by Lenders Using Artificial Intelligence, consultado el 6 de febrero de 2026, https://www.consumerfinance.gov/about-us/newsroom/cfpb-issues-guidance-on-credit-denials-by-lenders-using-artificial-intelligence/

4. AI adoption pitfalls: what lenders get wrong about automation | Ocrolus, consultado el 6 de febrero de 2026, https://www.ocrolus.com/blog/ai-adoption-pitfalls-lenders-get-wrong-about-automation/

5. State action targets use of biased AI underwriting models: Key points - DLA Piper, consultado el 6 de febrero de 2026, https://www.dlapiper.com/en/insights/publications/ai-outlook/2025/state-action-targets-use-of-biased-ai-underwriting-models

6. AI Discrimination Risk in Lending: Lessons from the Massachusetts ..., consultado el 6 de febrero de 2026, https://www.debevoisedatablog.com/2025/07/20/ai-discrimination-risk-in-lending-lessons-from-the-massachusetts-ags-recent-2-5-million-settlement/

7. SR 11-7 Model Risk Management: Compliance, Validation & Governance - ModelOp, consultado el 6 de febrero de 2026, https://www.modelop.com/ai-governance/ai-regulations-standards/sr-11-7

8. AG Campbell Announces $2.5 Million Settlement With Student Loan ..., consultado el 6 de febrero de 2026, https://www.mass.gov/news/ag-campbell-announces-25-million-settlement-with-student-loan-lender-for-unlawful-practices-through-ai-use-other-consumer-protection-violations

9. Brown, Colleagues Call for a Review of Navy Federal After Reported Racial Disparities in Mortgage Lending | United States Committee on Banking, Housing, and Urban Affairs, consultado el 6 de febrero de 2026, https://www.banking.senate.gov/newsroom/majority/brown-colleagues-call-for-a-review-of-navy-federal-after-reported-racial-disparities-in-mortgage-lending

10. Reps. Cleaver, Horsford Demand Answers from Navy Federal Credit Union Following Reports of Alarming Racial Disparities in Mortgage Lending, consultado el 6 de febrero de 2026, https://cleaver.house.gov/media-center/press-releases/reps-cleaver-horsford-demand-answers-navy-federal-credit-union

11. Members of Congress say they're still concerned over racial disparities after meeting with Navy Federal Credit Union CEO | Congressman Steven Horsford, consultado el 6 de febrero de 2026, https://horsford.house.gov/media/in-the-news/members-of-congress-say-they-re-still-concerned-over-racial-disparities-after-meeting-with-navy-federal-credit-union-ceo

12. Court Grants Part, Not All, of Navy Federal Credit Union's Motion to ..., consultado el 6 de febrero de 2026, https://www.americascreditunions.org/blogs/compliance/court-grants-part-not-all-navy-federal-credit-unions-motion-dismiss-fair-lending

13. How To Identify Less Discriminatory Lending Alternatives and Why the Search Matters, consultado el 6 de febrero de 2026, https://www.rmahq.org/journal-articles/2024/feb-mar-2024/how-to-identify-less-discriminatory-lending-alternatives-and-why-the-search-matters/

14. Navy Federal Mortgage Discrimination Litigation Civ. No. 23-cv - Class Action Lawsuits, consultado el 6 de febrero de 2026, https://www.classaction.org/media/navy-federal-mortgage-discrimination-litigation.pdf

15. An Executive's Guide to the Risks of Large Language Models (LLMs) - FairNow AI, consultado el 6 de febrero de 2026, https://fairnow.ai/executives-guide-risks-of-llms/

16. LLM Hallucinations: What Are the Implications for Financial Institutions? | BizTech Magazine, consultado el 6 de febrero de 2026, https://biztechmagazine.com/article/2025/08/llm-hallucinations-what-are-implications-financial-institutions

17. Top 5 challenges in Manual Credit Underwriting - Accumn - Corpository, consultado el 6 de febrero de 2026, https://hello.accumn.ai/top-5-challenges-in-manual-credit-underwriting/

18. Synthetic Data in Model Risk Management - NexaStack, consultado el 6 de febrero de 2026, https://www.nexastack.ai/blog/synthetic-data-model-risk-management

19. LLM or Large Liability Model? The risks of ChatGPT in Finance - Global Relay, consultado el 6 de febrero de 2026, https://www.globalrelay.com/resources/thought-leadership/large-language-model-or-large-liability-model-what-are-the-risks-of-chatgpt-in-financial-services/

20. AI in Lending: AI Credit Regulations Affecting Lending Business 2025 - HES FinTech, consultado el 6 de febrero de 2026, https://hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending/

21. CFPB Applies Adverse Action Notification Requirement to Artificial Intelligence Models | Insights | Skadden, Arps, Slate, Meagher & Flom LLP, consultado el 6 de febrero de 2026, https://www.skadden.com/insights/publications/2024/01/cfpb-applies-adverse-action-notification-requirement

22. How Model Risk Management (MRM) Teams Can Comply with SR 11-7 - ValidMind AI, consultado el 6 de febrero de 2026, https://validmind.com/blog/sr-11-7-model-risk-management-compliance/

23. Managing AI model risk in AML: A step-by-step guide for banks and fintechs - Taktile, consultado el 6 de febrero de 2026, https://taktile.com/articles/managing-ai-model-risk-in-aml

24. Sustaining model risk management excellence amid deregulations - KPMG International, consultado el 6 de febrero de 2026, https://kpmg.com/us/en/articles/2025/sustaining-model-risk-excellence-deregulations.html

25. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, consultado el 6 de febrero de 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/

26. AI Vendor Risk Assessment Questionnaire for Compliance (2026) - Atlas Systems, consultado el 6 de febrero de 2026, https://www.atlassystems.com/blog/ai-vendor-risk-questionnaire

27. Risk Management Framework 2025 | NIST, COSO, ISO, AI RMF - Neotas, consultado el 6 de febrero de 2026, https://www.neotas.com/risk-management-framework/

28. AI Governance Checklist for 2026 Compliance - RadarFirst, consultado el 6 de febrero de 2026, https://www.radarfirst.com/blog/2026-ai-governance-and-privacy-readiness-checklist/

29. (PDF) AI-powered credit risk assessment and algorithmic fairness in digital lending: A comprehensive analysis of the United States digital finance landscape - ResearchGate, consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/392902124_AI-powered_credit_risk_assessment_and_algorithmic_fairness_in_digital_lending_A_comprehensive_analysis_of_the_United_States_digital_finance_landscape

30. Debiasing Machine Learning - GeeksforGeeks, consultado el 6 de febrero de 2026, https://www.geeksforgeeks.org/machine-learning/debiasing-machine-learning/

31. Structural Gender Bias in Credit Scoring: Proxy Leakage - arXiv, consultado el 6 de febrero de 2026, https://arxiv.org/html/2601.18342v1

32. The Fair Game: Auditing & Debiasing AI Algorithms Over Time - arXiv, consultado el 6 de febrero de 2026, https://arxiv.org/html/2508.06443

33. Fairness and Bias in Machine Learning: Mitigation Strategies - Lumenova AI, consultado el 6 de febrero de 2026, https://www.lumenova.ai/blog/fairness-bias-machine-learning/

34. Explainable Artificial Intelligence for Credit Risk Assessment: Balancing Transparency and Predictive Performance - ResearchGate, consultado el 6 de febrero de 2026, https://www.researchgate.net/publication/395996196_Explainable_Artificial_Intelligence_for_Credit_Risk_Assessment_Balancing_Transparency_and_Predictive_Performance

35. Disparate Impact as Uniquely Relevant in the Age of AI, consultado el 6 de febrero de 2026, https://civilrights.org/disparate-impact-age-of-ai/

36. Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? - arXiv, consultado el 6 de febrero de 2026, https://arxiv.org/html/2510.25701v1

37. AI Risk Management Framework - Palo Alto Networks, consultado el 6 de febrero de 2026, https://www.paloaltonetworks.com/cyberpedia/ai-risk-management-framework

38. Advance Journal of Econometrics and Finance Vol-3, Issue-1, 2025 ..., consultado el 6 de febrero de 2026, https://ajeaf.com/index.php/Journal/article/download/131/142

39. From Wrappers to Workflows: The Architecture of AI-First Apps | by Silversky Technology | Jan, 2026 | Medium, consultado el 6 de febrero de 2026, https://medium.com/@silverskytechnology/stop-building-wrappers-the-architecture-of-ai-first-apps-a672ede1901b

40. Checklist for Validating AI Financial Systems - Lucid.Now, consultado el 6 de febrero de 2026, https://www.lucid.now/blog/checklist-validating-ai-financial-systems

41. Revolutionizing Underwriting: The Depth of ML Assistance and Algorithmic LLMs in Financial Decision-Making | by Rakesh patel | Medium, consultado el 6 de febrero de 2026, https://medium.com/@rakesh.sruhad/revolutionizing-underwriting-the-depth-of-ml-assistance-and-algorithmic-llms-in-financial-8f338ad4e3a8

42. Strengthening Model Risk Management: Adapting to New Regulations and Emerging Risk - Solytics Partners, consultado el 6 de febrero de 2026, https://www.solytics-partners.com/resources/blogs/strengthening-model-risk-management-adapting-to-new-regulations-and-emerging-risk

43. Navigating AI compliance: A risk-based framework for financial services in 2026, consultado el 6 de febrero de 2026, https://www.advisorengine.com/action-magazine/articles/navigating-ai-compliance-a-risk-based-framework-for-financial-services-in-2026