BFSI ક્ષેત્રમાં AI નો દબદબો, પણ આવક ટ્રેકિંગમાં પાછળ! શું છે કારણ?

કાર્યક્ષમતા માટે AI નો મહત્તમ ઉપયોગ

BFSI સેક્ટરના મોટાભાગના ખેલાડીઓ, એટલે કે 94.1% સંસ્થાઓ, આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ તેમની ઓપરેશનલ કાર્યક્ષમતા (Efficiency) સુધારવા અને સમય બચાવવા માટે કરી રહ્યા છે. વધુમાં, 60.3% કંપનીઓ ગુણવત્તા અને રિસ્ક મેનેજમેન્ટ (Risk Management) માટે AI નો લાભ લઈ રહી છે. આના પરથી સ્પષ્ટ થાય છે કે AI ને મુખ્યત્વે હાલની પ્રક્રિયાઓને સુવ્યવસ્થિત કરવાના સાધન તરીકે જોવામાં આવે છે, નહીં કે નવી આવક ઊભી કરવા કે ગ્રાહકો મેળવવા માટેના સીધા ડ્રાઇવર તરીકે.

આવક પર AI નો પ્રભાવ અને ROI માપવામાં મોટી ચૂક

AI ના વ્યાપક ઉપયોગ છતાં, તેના સીધા નાણાકીય વળતર (Financial Returns) ને માપવામાં એક મોટો અંતર જોવા મળે છે. માત્ર 19.1% BFSI કંપનીઓ જ AI ની આવક પર પડતી અસરને સક્રિયપણે ટ્રેક કરે છે. આ માપનની ખામી કર્મચારીઓના લર્નિંગ અને ડેવલપમેન્ટ (Learning & Development) પ્રોગ્રામ્સ સુધી વિસ્તરેલી છે. માત્ર 57.4% તાલીમને બિઝનેસ પરિણામો સાથે જોડે છે, અને તેમાંથી પણ માત્ર 47.1% જ આવા પ્રોગ્રામ્સ પર થયેલા રોકાણ પર વળતર (ROI) માપે છે. આ માત્રાત્મક વિશ્લેષણના અભાવે, ઘણી સંસ્થાઓ તેમની ટેકનોલોજી અને તાલીમમાં કરેલા રોકાણના સંપૂર્ણ વ્યવસાયિક મૂલ્યને દર્શાવવામાં સંઘર્ષ કરે છે, જે સંસાધનોની ખોટી ફાળવણી અને વૃદ્ધિની તકો ગુમાવી શકે છે. વિશ્લેષકો સૂચવે છે કે આ એક 'બ્લેક બોક્સ' બનાવે છે જ્યાં AI નું વ્યૂહાત્મક યોગદાન અસ્પષ્ટ રહે છે, જે વધુ રોકાણ અથવા સુધારા માટેના સમર્થનને અવરોધે છે.

આવક-આધારિત AI માં BFSI અન્ય ક્ષેત્રો કરતાં પાછળ

અન્ય ક્ષેત્રોની સરખામણીમાં, BFSI દ્વારા AI ના આવક-સંબંધિત પ્રભાવને માપવામાં નિષ્ફળતા નોંધપાત્ર છે. ટેકનોલોજી ફર્મ્સ અને કન્સલ્ટન્સીઝ ઘણીવાર સીધા આવક અથવા બજાર હિસ્સા સાથે જોડાયેલા ROI ટ્રેકિંગ પર ભાર મૂકે છે. ઉદાહરણ તરીકે, ફિનટેક (Fintech) કંપનીઓ વ્યક્તિગત ગ્રાહક ઓફર અથવા આગાહી આધારિત વેચાણ માટે AI નો ઉપયોગ કરે છે, જે રૂપાંતરણ દરો (Conversion Rates) સાથે સીધો જોડાયેલો હોય છે. જોકે, ઘણી સ્થાપિત BFSI કંપનીઓ, જે ઘણીવાર લેગસી સિસ્ટમ્સ અને કડક નિયમો દ્વારા બંધાયેલી હોય છે, AI ને અનુપાલન (Compliance), છેતરપિંડી શોધ (Fraud Detection) અને બેક-ઓફિસ ઓટોમેશન માટે પ્રાધાન્ય આપે છે. આ ક્ષેત્રો સીધી આવક વૃદ્ધિ કરતાં વધુ નક્કર કાર્યક્ષમતા લાભ આપે છે, જે વ્યૂહાત્મક વિવિધતા બનાવે છે અને જો આવક વૃદ્ધિને પ્રાધાન્ય ન અપાય તો સ્પર્ધાત્મક ધારને નબળી પાડી શકે છે.

માત્ર કાર્યક્ષમતા પર કેન્દ્રિત AI ના વ્યૂહાત્મક જોખમો

આવક નિર્માણ કરતાં કાર્યક્ષમતા મેટ્રિક્સ પર વધુ પડતું ધ્યાન કેન્દ્રિત કરવું એ એક ગંભીર નબળાઈ રજૂ કરે છે. જો બજારની પરિસ્થિતિઓ બદલાય અથવા સ્પર્ધકો વધુ નવીન, આવક-સંચાલિત AI એપ્લિકેશન્સ વિકસાવે, તો BFSI કંપનીઓ ટેકનોલોજીકલ રીતે અદ્યતન પરંતુ આર્થિક રીતે સ્થિર (Stagnant) જોવા મળી શકે છે. આવક પર AI ની અસરને માપવામાં અસમર્થતા જવાબદારીના અભાવ અને એવી પહેલો પર બિનજરૂરી ખર્ચની સંભાવના સૂચવે છે જે સીધી રીતે બોટમ લાઇન (Bottom Line) માં ફાળો આપતી નથી. વધુમાં, બિઝનેસ પરિણામો અને ROI સાથે શિક્ષણના મર્યાદિત જોડાણ, ટેકનોલોજીકલ અપનાવટને નક્કર શેરહોલ્ડર મૂલ્યમાં રૂપાંતરિત કરવામાં વ્યાપક સમસ્યા સૂચવે છે. આવક અસર માટે મજબૂત મેટ્રિક્સ વિના, AI ની જમાવટ એક મોંઘી ઓપરેશનલ કસરત બનવાનું જોખમ ધરાવે છે, વાસ્તવિક વૃદ્ધિ ડ્રાઇવર બનવાને બદલે. ઐતિહાસિક ડેટા દર્શાવે છે કે જે કંપનીઓ ટેકનોલોજીકલ અપનાવટ સાથે તેમના માપન માળખાને અનુકૂલિત કરવામાં નિષ્ફળ જાય છે, તેઓ ઘણીવાર બજારમાં નેતૃત્વ જાળવી રાખવામાં સંઘર્ષ કરે છે, ખાસ કરીને અનિશ્ચિત આર્થિક સમય દરમિયાન.

અંતર પુરાવવાનો માર્ગ: BFSI માં AI માટે ભવિષ્યની દિશા

આગળ જોતાં, BFSI કંપનીઓએ ઓપરેશનલ કાર્યક્ષમતા અને AI-સંચાલિત આવક નિર્માણ વચ્ચેના માપનના અંતરને દૂર કરવું પડશે. ઉદ્યોગ વિશ્લેષકો સીધી આવક અસર ધરાવતા અદ્યતન AI મોડલ્સ વિકસાવવા પર વધુ ધ્યાન કેન્દ્રિત કરવાની આગાહી કરે છે, સાથે સાથે આ લાભોને ટ્રેક કરવા માટે જરૂરી સાધનો પણ હશે. જેમ જેમ AI પરિપક્વ થશે, તેમ BFSI સંસ્થાઓ ગ્રાહક સંલગ્નતા, આગાહી આધારિત ઉત્પાદન વિકાસ અને વેચાણ આગાહીને વધારવા માટે તેનો વધુને વધુ લાભ લેવાની અપેક્ષા રાખવામાં આવે છે, જેથી AI ને આવક વેગ આપનાર (Revenue Accelerator) તરીકે સંપૂર્ણપણે ઉપયોગ કરી શકાય. બ્રોકરેજ સર્વસંમતિ સૂચવે છે કે જે કંપનીઓ શ્રેષ્ઠ AI ROI માપન અને આવક-સંચાલિત AI એપ્લિકેશન્સ માટે સ્પષ્ટ વ્યૂહરચના દર્શાવે છે, તેઓ સંભવતઃ ઉચ્ચ મૂલ્યાંકન (Valuations) મેળવશે અને તેમના સાથીદારો કરતાં વધુ સારું પ્રદર્શન કરશે.