La prevalencia histórica de las crisis bancarias y su profundo impacto en las economías globales subraya la necesidad de que los responsables de políticas perfeccionen sus marcos de pronóstico de crisis. En este contexto, el presente estudio se esfuerza por predecir posibles crisis bancarias en India aprovechando un espectro de técnicas de inteligencia artificial y aprendizaje automático (IA-ML). Estas técnicas incluyen regresión logística, bosques aleatorios, Bayes ingenuo, aumento de gradiente, máquinas de soporte vectorial, redes neuronales, vecinos más cercanos y árboles de decisión. Inicialmente, se construyó un índice de fragilidad bancaria utilizando datos bancarios mensuales que abarcan desde 2002 hasta 2023, delimitando los períodos de crisis y estabilidad. Posteriormente, se empleó una amplia gama de indicadores de alerta temprana (EWI) que abarcan precios de activos, factores macroeconómicos, influencias externas y variables relacionadas con el crédito para pronosticar períodos de crisis. Nuestros hallazgos revelan que los modelos de IA-ML exhiben una precisión razonable en la predicción de crisis bancarias. Además, las métricas avanzadas de rendimiento del modelo destacan a las redes neuronales y a los modelos de bosques aleatorios como particularmente efectivos en la predicción de crisis, superando a otras metodologías. Notablemente, entre los EWI, las variables relacionadas con el crédito, las tasas de interés y la liquidez emergen como poseedoras de un valor informativo relativamente más alto para discernir las fragilidades dentro del sistema bancario indio. Es importante destacar que el marco metodológico presentado aquí puede extrapolarse para la predicción de crisis bancarias en otras economías.