ભારતમાં એકાઉન્ટ એગ્રિગેટર (AA) ફ્રેમવર્ક લોન મંજૂરી પ્રક્રિયામાં મોટો બદલાવ લાવી રહ્યું છે. હવે AI-આધારિત મોડેલ રીઅલ-ટાઇમ ડેટાના આધારે લોન નક્કી કરશે. ડિસેમ્બર 2025 સુધીમાં, **64** ધિરાણકર્તાઓએ યુનિફાઇડ લેન્ડિંગ ઇન્ટરફેસ સાથે જોડાણ કર્યું છે, જેના દ્વારા **₹1.47 લાખ કરોડ**થી વધુનું ધિરાણ થયું છે. જોકે, ડેટાના ઉપયોગમાં પારદર્શિતા અને તેના હેતુની મર્યાદા અંગે ચિંતાઓ યથાવત છે.
Detailed Coverage
ડિજિટલ લેન્ડિંગનો નવો યુગ
ભારતીય રિટેલ લેન્ડિંગ ક્ષેત્રે ભારતીય રિઝર્વ બેંક (RBI)ના એકાઉન્ટ એગ્રિગેટર (AA) ફ્રેમવર્કને કારણે મોટો બદલાવ જોવા મળી રહ્યો છે. આ સિસ્ટમ દ્વારા, હવે બેંક સ્ટેટમેન્ટ્સ અને સેલરી સ્લિપ જેવા જૂના કાગળોને બદલે, ઉધાર લેનારાઓ તેમના નાણાકીય ડેટાની રીઅલ-ટાઇમ, સંમતિ-આધારિત ઍક્સેસ આપી શકે છે. આનાથી AI-આધારિત અંડરરાઇટિંગ મોડેલ્સને વેગ મળ્યો છે, જે પરંપરાગત ક્રેડિટ સ્કોરથી આગળ વધીને ઉધાર લેનારના વાસ્તવિક કેશ ફ્લો, ખર્ચ કરવાની આદતો અને ચુકવણી ક્ષમતાનું મૂલ્યાંકન કરી શકે છે.
ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચરનો વિકાસ
આ ડિજિટલ ઇન્ફ્રાસ્ટ્રક્ચરનું અપનાવવાનું પ્રમાણ નોંધપાત્ર રહ્યું છે. ડિસેમ્બર 2025 સુધીમાં, 64 ધિરાણકર્તાઓએ યુનિફાઇડ લેન્ડિંગ ઇન્ટરફેસ સાથે જોડાણ કર્યું છે અને તેઓ તેમના જોખમ મૂલ્યાંકનને સુધારવા માટે 136 થી વધુ વિવિધ ડેટા સેવાઓનો ઉપયોગ કરી રહ્યા છે. સહમતી, જે આ ઇકોસિસ્ટમની સ્વ-નિયામક સંસ્થા છે, તેના ડેટા મુજબ, એપ્રિલ અને સપ્ટેમ્બર 2025 વચ્ચે આ નેટવર્ક દ્વારા આશરે ₹1.47 લાખ કરોડનું ધિરાણ શક્ય બન્યું છે. પર્સનલ લોન હવે આ કુલ વોલ્યુમનો લગભગ 10% હિસ્સો ધરાવે છે, જે દર્શાવે છે કે આ સિસ્ટમ નાના અને વધુ વારંવાર થતા ક્રેડિટ ઉત્પાદનોને સુવ્યવસ્થિત કરવા માટે સફળતાપૂર્વક ઉપયોગમાં લેવાઈ રહી છે.
કાગળ પર નહીં, ચોકસાઈ પર ભાર
ખાસ કરીને સ્વ-રોજગાર ધરાવતા અથવા અનિયમિત આવક ધરાવતા ઉધાર લેનારાઓ માટે, આ પરિવર્તન વધુ સૂક્ષ્મ મૂલ્યાંકન પ્રદાન કરે છે. પરંપરાગત ક્રેડિટ સ્કોરિંગ ઘણીવાર બિન-પગારદાર વ્યક્તિઓના સંપૂર્ણ નાણાકીય સ્વાસ્થ્યને ધ્યાનમાં લેવામાં નિષ્ફળ જાય છે. મ્યુચ્યુઅલ ફંડ હોલ્ડિંગ્સ, આવકની સ્થિરતા અને હાલની દેવાની જવાબદારીઓનું રીઅલ-ટાઇમમાં પરીક્ષણ કરીને, ધિરાણકર્તાઓ વધુ યોગ્ય ક્રેડિટ ઓફર બનાવી શકે છે. આ ગ્રેન્યુલર અભિગમ સંભવિતપણે યોગ્યતા ધરાવતા વ્યક્તિઓ માટે મંજૂરી દરો વધારી શકે છે જેમને ફક્ત સામાન્ય ક્રેડિટ બ્યુરો ડેટા પર આધારિત ઓટોમેટેડ સિસ્ટમ્સ દ્વારા નકારવામાં આવ્યા હોત.
ડેટા ગવર્નન્સના જોખમોનું નિવારણ
ઓટોમેટેડ, AI-આધારિત ધિરાણ તરફના આ પગલાએ ડેટા ગોપનીયતા અને તેના ઉપયોગ પર ધ્યાન દોર્યું છે. ઉદ્યોગ નિરીક્ષકો અને ટેકનોલોજી નિષ્ણાતો માટે એક પ્રાથમિક ચિંતા એ ડેટાના ઉપયોગના હેતુની મર્યાદાઓનો અભાવ છે. એકવાર ધિરાણકર્તાને ઉધાર લેનારની નાણાકીય પ્રોફાઇલની ઍક્સેસ મળી જાય, પછી એ સુનિશ્ચિત કરવું કે ડેટાનો ઉપયોગ ફક્ત લોન અંડરરાઇટિંગ માટે જ થાય - અને તેને ટાર્ગેટેડ માર્કેટિંગ અથવા આક્રમક વસૂલાત પ્રયાસો માટે ફરીથી ઉપયોગમાં લેવાય નહીં - તે નિયમનકારો માટે એક જટિલ પડકાર બની રહ્યો છે.
ઉદ્યોગના સહભાગીઓએ જણાવ્યું છે કે ઘણા ઉધાર લેનારાઓ ઘણીવાર સુવિધા માટે સંમતિ આપે છે, તેમના ડેટા ગોપનીયતા માટેના પરિણામોને સંપૂર્ણપણે સમજ્યા વિના. આ અંતરને ભરવા માટે, RBI એ નિયમોનો પ્રસ્તાવ મૂક્યો છે જે ધિરાણકર્તાઓને તેમના AI મોડેલ્સ દ્વારા ચોક્કસ લોન નિર્ણયો કેવી રીતે લેવામાં આવે છે તે વિશે વધુ પારદર્શક બનવા દબાણ કરશે. તે જ સમયે, સહમતીએ ગોપનીય કમ્પ્યુટિંગનો ઉપયોગ કરીને એક ફ્રેમવર્ક રજૂ કર્યું છે, જેનો ઉદ્દેશ્ય ઉધાર લેનારાઓને તેમના ડેટાની પ્રક્રિયા કેવી રીતે કરવામાં આવી હતી તેનો સ્પષ્ટ રેકોર્ડ પ્રદાન કરવાનો છે.
આગળ જોતાં, આ પગલાઓની અસરકારકતા અમલીકરણ પર આધાર રાખશે. જ્યાં સુધી માનક નિયમો સંપૂર્ણપણે અમલમાં ન આવે ત્યાં સુધી, ઉધાર લેનારાઓને RBI દ્વારા માન્ય ધિરાણકર્તાઓ સાથે જ જોડાવા, લોન પ્રક્રિયા પછી AA એપ્લિકેશન્સ પર સંમતિ પાછી ખેંચવાના તેમના અધિકારનો ઉપયોગ કરવા અને ક્રેડિટ સંબંધ સમાપ્ત થયા પછી ડેટા ડિલીટ કરવાની વિનંતી કરવા પ્રોત્સાહિત કરવામાં આવે છે. રોકાણકારો અને હિતધારકો સંભવતઃ આ વધુ પારદર્શક ડેટા-પ્રોસેસિંગ ફ્રેમવર્ક તરફના સંક્રમણ પર નજર રાખશે, કારણ કે તે ડિજિટલ લેન્ડિંગ ઇન્ફ્રાસ્ટ્રક્ચરમાં લાંબા ગાળાની વિશ્વસનીયતા અને જાહેર વિશ્વાસને નિર્ધારિત કરશે.