La identificación y predicción de la quiebra financiera ha ganado relevancia debido a su impacto en la estabilidad económica y financiera. Este estudio realiza una revisión sistemática de los modelos de inteligencia artificial (IA) utilizados en la predicción de quiebras, evaluando su rendimiento y relevancia utilizando los marcos PRISMA y PICOC. Se analizan modelos tradicionales como el bosque aleatorio, la regresión logística, KNN y redes neuronales, junto con técnicas avanzadas como el Extreme Gradient Boosting (XGBoost), redes neuronales convolucionales (CNN), memoria a largo y corto plazo (LSTM), modelos híbridos y métodos de conjunto como el bagging y el boosting. Los hallazgos destacan que, aunque los modelos tradicionales son útiles por su simplicidad y bajo costo computacional, las técnicas avanzadas como LSTM y XGBoost se destacan por su alta precisión, a veces superando el 99%. Sin embargo, estas técnicas presentan desafíos significativos, como la necesidad de grandes volúmenes de datos y altos recursos computacionales. Este documento identifica las fortalezas y limitaciones de estos enfoques y analiza sus implicaciones prácticas, destacando la superioridad de la IA en términos de precisión, puntualidad y detección temprana en comparación con los ratios financieros tradicionales, que siguen siendo herramientas esenciales. En conclusión, la revisión propone enfoques que integran escalabilidad y practicidad, ofreciendo soluciones predictivas adaptadas a contextos financieros reales con recursos limitados.