ભારતમાં AI ટોકન ટ્રેપ: ચાલુ ખાતાની ખાધનું જોખમ!

ભારતના પેમેન્ટ બેલેન્સ (Balance of Payments) ની મજબૂતાઈ હંમેશા IT સર્વિસ એક્સપોર્ટમાંથી થતી આવક પર નિર્ભર રહી છે. પરંતુ, કોર્પોરેટ સોફ્ટવેર ખર્ચમાં આવી રહેલા મોટા ફેરફારો આ સંતુલનને શાંતિથી બદલી રહ્યા છે. ભારતીય કંપનીઓ જ્યારે જનરેટિવ AI (Generative AI) ને અપનાવી રહી છે, ત્યારે તેનો ઓપરેશનલ ખર્ચ – ખાસ કરીને વિદેશી લાર્જ લેંગ્વેજ મોડલ (LLM) પ્રોવાઈડર્સને ચૂકવાતા વારંવારના ટોકન-આધારિત ફી – ફોરેન એક્સચેન્જ (Foreign Exchange) માં સતત મોટો ઘટાડો કરી રહ્યો છે.

સર્વિસ સરપ્લસમાં ઘટાડો

FY26 માટે $213.9 બિલિયનનો સરપ્લસ એક આરામદાયક બફર પૂરો પાડે છે, પરંતુ તે સરપ્લસની રચના પર દબાણ આવી રહ્યું છે. ગ્લોબલ AI પ્રોવાઈડર્સ સામાન્ય રીતે સબ્સ્ક્રિપ્શન અને વપરાશ મોડેલ પર કામ કરે છે, જેના કારણે ભારતીય કંપનીઓએ હાર્ડ કરન્સીમાં ચૂકવણી કરવી પડે છે. આ ડિજિટલ ટ્રાન્સફોર્મેશન (Digital Transformation) પર એક અદ્રશ્ય ટેક્સ જેવું છે. જ્યારે કોઈ ભારતીય IT કંપની કે બેંક હાઈ-ફ્રિક્વન્સી મોડેલ ઇન્ફરન્સ (Model Inference) માટે ચૂકવણી કરે છે, ત્યારે તેનો લાભ સીધો વિદેશી હેડક્વાર્ટર (Headquarters) માં જાય છે. જેમ જેમ ડોમેસ્ટિક એડોપ્શન (Domestic Adoption) વધશે, તેમ તેમ આ ભારત માટે ઇન્ટેલિજન્સ (Intelligence) નો ચોખ્ખો આયાતકાર બની શકે છે, સેવા-મૂલ્ય પ્રદાતા (Service-value provider) બનવાને બદલે.

ઇન્ફ્રાસ્ટ્રક્ચરનો અભાવ

IndiaAI Mission જેવા હાલના ઘરેલું પહેલો GPU ની ખરીદી અને હાર્ડવેર ઉપલબ્ધતા પર ધ્યાન કેન્દ્રિત કર્યું છે. જોકે, અડચણ માત્ર હાર્ડવેરની નથી; તે પ્રોડક્શન-ગ્રેડ ઇન્ફરન્સ લેયર (Inference Layer) ની છે. સ્થાપિત ગ્લોબલ મોડલ્સ સામે સ્પર્ધા કરવા માટે સ્થાનિક ડેટા સેન્ટર્સ (Data Centers) ની જરૂર છે જે મોટા પાયે ઓછા-લેટેન્સી (Low-latency) અને ખર્ચ-અસરકારક ઇન્ફરન્સ પ્રદાન કરી શકે. વર્તમાન ઇન્ફ્રાસ્ટ્રક્ચર વિખરાયેલું છે, અને ઘણા સ્થાનિક પ્રદાતાઓ પાસે OpenAI કે Anthropic દ્વારા ઓફર કરાયેલા API એન્વાયર્નમેન્ટ (API Environments) સાથે સ્પર્ધા કરવા માટે જરૂરી સોફ્ટવેર ઓપ્ટિમાઇઝેશન લેયર (Software Optimization Layer) નો અભાવ છે. આ અંતરને ભરવા માટે હાર્ડવેર સબસિડી (Hardware Subsidies) થી આગળ વધીને સાર્વભૌમ AI સ્ટેક્સ (Sovereign AI Stacks) માટે એક સંકલિત રાષ્ટ્રીય વ્યૂહરચના તરફ જવાની જરૂર છે.

વ્યૂહાત્મક જોખમો અને સાર્વભૌમ એક્સપોઝર

વિદેશી-હોસ્ટેડ ઇન્ટેલિજન્સ પર નિર્ભરતા બે ગણી જોખમ ઉભું કરે છે: આર્થિક લીકેજ (Economic Leakage) અને સાર્વભૌમ નિર્ભરતા (Sovereign Dependency). ઇન્ફરન્સ લેયરને સંપૂર્ણપણે ઓફશોર (Offshore) રાખવાથી, ભારતીય કંપનીઓ ભાવ વધારા, લેટેન્સી સમસ્યાઓ અને ડેટા રેસિડેન્સી (Data Residency) જરૂરિયાતોમાં ફેરફાર માટે સંવેદનશીલ છે, જે ફાઇનાન્સ (Finance) અને આરોગ્ય સંભાળ (Healthcare) જેવા સંવેદનશીલ ઉદ્યોગોને અસર કરી શકે છે. વધુમાં, સ્થાનિક, ખર્ચ-સ્પર્ધાત્મક ઇન્ફરન્સ વિકલ્પનો અભાવ AI-as-a-Service (AIaaS) માટે સ્થાનિક ગૌણ બજારના ઉદભવને અટકાવે છે, જે 2030 સુધીમાં ઝડપથી વિકસવાની ધારણા છે. પ્રસ્તાવિત $5 બિલિયન નો સહ-રોકાણ ફંડ (Co-investment fund), જો સાકાર થાય, તો રાજ્ય-સંકલિત વર્ટિકલ ઇન્ટિગ્રેશન (Vertical Integration) તરફ એક પગલું રજૂ કરે છે, જે અગાઉના ટેક હાર્ડવેર સાયકલમાં જોવા મળેલા નિકાસ-આધારિત મોડેલોની નકલ કરવાનો હેતુ ધરાવે છે. જોકે, ઇતિહાસ સૂચવે છે કે મૂડી-સઘન ટેક ક્ષેત્રોમાં ભારે રાજ્ય હસ્તક્ષેપ અકાર્યક્ષમ ફાળવણીથી પીડાય છે સિવાય કે તે સીધા ખાનગી ક્ષેત્રના થ્રુપુટ (Throughput) અને કડક ગ્રાહક-કરારના માઇલસ્ટોન્સ (Customer-contract milestones) સાથે જોડાયેલા હોય. વાટાઘાટો કરેલ ડેટા સાર્વભૌમત્વ કરારો (Data Sovereignty Agreements) દ્વારા સ્થાનિકીકરણને ફરજિયાત કર્યા વિના, ભારત તેના પોતાના ચલણ ભંડારની કિંમતે વિદેશી ઇન્ટેલિજન્સનો પ્રાથમિક ગ્રાહક બનવાનું જોખમ ધરાવે છે.