RBI ગવર્નર સંજય મલ્હોત્રા AI નો ઉપયોગ કરીને ભારતમાં લોન આપવાની પદ્ધતિ બદલવા માંગે છે, જે UPI એ ડિજિટલ પેમેન્ટમાં કર્યું હતું તેવું પરિવર્તન લાવશે. આ પહેલનો હેતુ ઓપરેશનલ ખર્ચ ઘટાડવાનો અને MSMEs જેવા નાના ઉદ્યોગો માટે ધિરાણની પહોંચ વધારવાનો છે. જોકે, નિયમનકારે બેંકોને ગવર્નન્સ અને સુરક્ષા જાળવવા પર ભાર મૂક્યો છે.
UPI જેવી જ ક્રાંતિ લાવશે AI?
મુંબઈમાં આયોજિત FIBAC 2026 કોન્ફરન્સમાં, ભારતીય રિઝર્વ બેંક (RBI) ના ગવર્નર સંજય મલ્હોત્રાએ નાણાકીય ક્ષેત્ર માટે એક નવી દિશા દર્શાવી છે. તેમણે કહ્યું કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) લોન (Lending) આપવામાં મહત્વની ભૂમિકા ભજવશે, બરાબર જેમ યુનિફાઇડ પેમેન્ટ્સ ઇન્ટરફેસ (UPI) એ ડિજિટલ પેમેન્ટ્સમાં ક્રાંતિ લાવી હતી. AI થી બેંકો અને નાણાકીય સંસ્થાઓ ગ્રાહકની ક્રેડિટ યોગ્યતા (Creditworthiness) અને જોખમનું મૂલ્યાંકન કરવાની રીત બદલી શકે છે.
ડેટા દ્વારા ધિરાણની પહોંચ વધારવી
RBI ની આ રણનીતિ ભારતના મજબૂત ડિજિટલ પબ્લિક ઇન્ફ્રાસ્ટ્રક્ચરનો ઉપયોગ કરવા પર કેન્દ્રિત છે. આધાર (Aadhaar), એકાઉન્ટ એગ્રિગેટર (Account Aggregator) સિસ્ટમ, યુનિફાઇડ લેન્ડિંગ ઇન્ટરફેસ (ULI) અને ONDC જેવા પ્લેટફોર્મ AI- આધારિત લોન નિર્ણયો માટે જરૂરી ડેટા પૂરો પાડશે. પરંપરાગત ક્રેડિટ સ્કોરથી આગળ વધીને, AI વૈકલ્પિક ડેટા જેમ કે કેશ ફ્લો, GST ફાઇલિંગ અને યુટિલિટી બિલ જેવા ડેટાનું વિશ્લેષણ કરશે. આનાથી બેંકો નવા ધિરાણ લેનારાઓ (New-to-credit individuals) અને ખાસ કરીને સૂક્ષ્મ, લઘુ અને મધ્યમ ઉદ્યોગો (MSMEs) જેવા અંડરસેર્વ્ડ સેગમેન્ટ્સ સુધી પહોંચી શકશે.
બેંકિંગ સેક્ટર માટે, આ માત્ર પહોંચ વધારવાનું જ નહીં, પરંતુ કાર્યક્ષમતા (Efficiency) વધારવાનું પણ છે. AI મોડલ્સ લોન પ્રોસેસિંગ અને ડોક્યુમેન્ટ વેરિફિકેશનને ઓટોમેટ કરીને ઓપરેશનલ કોસ્ટ-ટુ-ઇનકમ રેશિયો (Cost-to-income ratio) નોંધપાત્ર રીતે ઘટાડી શકે છે. વધતી સ્પર્ધાત્મક નાણાકીય વાતાવરણમાં નફાકારકતા જાળવવા માંગતી બેંકો માટે આ કાર્યક્ષમતા ખૂબ જ મહત્વપૂર્ણ છે.
ગવર્નન્સ અને જોખમ વ્યવસ્થાપન (Risk Management)
જ્યારે RBI AI ના ઉપયોગને પ્રોત્સાહન આપી રહ્યું છે, ત્યારે નિયમનકારે સંભવિત જોખમો વિશે સ્પષ્ટ ચેતવણીઓ પણ આપી છે. ગવર્નર મલ્હોત્રાએ ભારપૂર્વક જણાવ્યું કે AI કોઈ 'સેટ અને ફોરગેટ' (Set and forget) સોલ્યુશન નથી. RBI અપેક્ષા રાખે છે કે બેંકો તેમના એલ્ગોરિધમ દ્વારા લેવાયેલા નિર્ણયો માટે સંપૂર્ણપણે જવાબદાર રહેશે. આનો અર્થ એ છે કે બેંકોએ તેમના AI મોડલ્સની સંપૂર્ણ યાદી જાળવવી પડશે અને પારદર્શિતા (Transparency) સુનિશ્ચિત કરવી પડશે, જેથી દરેક ધિરાણ નિર્ણય સ્પષ્ટ રીતે સમજાવી શકાય.
RBI એ એવા નોંધપાત્ર જોખમો પણ દર્શાવ્યા છે જેનું બેંકોએ સક્રિયપણે સંચાલન કરવું પડશે. આમાં એલ્ગોરિધમિક પક્ષપાત (Algorithmic bias) ની સંભાવના શામેલ છે, જે ભેદભાવપૂર્ણ ધિરાણ પદ્ધતિઓ તરફ દોરી શકે છે, અને AI- આધારિત સાયબર હુમલાઓ (Cyberattacks) નો ખતરો પણ છે. વધુમાં, ગવર્નરે ટેકનોલોજી વેન્ડર્સના નાના જૂથ પર વધુ પડતી નિર્ભરતા સામે સાવચેતી પણ આપી હતી. આવા વેન્ડર એકાગ્રતા (Vendor concentration) પ્રણાલીગત જોખમો (Systemic risks) ઊભી કરી શકે છે, જ્યાં એક ટેકનોલોજી પાર્ટનરની નિષ્ફળતા અથવા સુરક્ષા ભંગ અનેક નાણાકીય સંસ્થાઓને અસર કરી શકે છે.
ક્ષેત્ર માટે આગામી પગલાં
આ જોખમોને પહોંચી વળવા માટે, RBI એ AI અને મશીન લર્નિંગનો ઉપયોગ કરીને છેતરપિંડી શોધ (Fraud detection) સુધારવા માટે 'ડિજિટલ પેમેન્ટ ઇન્ટેલિજન્સ પ્લેટફોર્મ' શરૂ કર્યું છે. ભવિષ્યમાં, ભાર ભારે નિયમોને બદલે ચપળ નિયમન (Agile regulation) પર ધ્યાન કેન્દ્રિત કરશે.
રોકાણકારો અને બજારના નિરીક્ષકો માટે, મુખ્ય બાબત એ જોવાની રહેશે કે વ્યક્તિગત બેંકો ટેક-આધારિત વૃદ્ધિના ડ્રાઇવને RBI ની કડક ગવર્નન્સ અપેક્ષાઓ સાથે કેવી રીતે સંતુલિત કરે છે. આ સંક્રમણમાં સફળતા સંભવતઃ બેંકની ઇન-હાઉસ AI કુશળતા બનાવવાની, સાયબર સુરક્ષા સંરક્ષણને મજબૂત કરવાની અને તેમના AI સિસ્ટમ્સના 'રેડ-ટીમિંગ' અને સ્ટ્રેસ-ટેસ્ટિંગ માટે મજબૂત ફ્રેમવર્ક વિકસાવવાની ક્ષમતા પર આધાર રાખશે. ભવિષ્યના અર્નિંગ રિપોર્ટ્સ અને મેનેજમેન્ટની ટિપ્પણીઓ આ ટેકનોલોજી રોકાણો અને તેને સંચાલિત કરવા માટે મૂકવામાં આવેલી ગવર્નન્સ રચનાઓને વધુ પ્રકાશિત કરી શકે છે.