भारतीय रिटेल लेंडिंग (Retail Lending) के क्षेत्र में एक बड़ा बदलाव आ रहा है! भारतीय रिजर्व बैंक (RBI) के अकाउंट एग्रीगेटर (AA) फ्रेमवर्क की मदद से अब लोन की मंजूरी रियल-टाइम (Real-time) और AI-आधारित (AI-based) मॉडल्स से हो रही है। दिसंबर 2025 तक **64** लेंडर्स (Lenders) इस प्लेटफॉर्म से जुड़ चुके हैं, जिनसे **₹1.47 ट्रिलियन** से अधिक का क्रेडिट दिया जा चुका है। यह सिस्टम तेज़ और सटीक लोन फैसलों में मदद कर रहा है, लेकिन डेटा के इस्तेमाल में पारदर्शिता और उद्देश्य की सीमाओं को लेकर चिंताएं बनी हुई हैं।
Detailed Coverage
डिजिटल लेंडिंग को मिल रही है रफ़्तार
RBI के अकाउंट एग्रीगेटर (AA) फ्रेमवर्क के बढ़ने से भारतीय रिटेल लेंडिंग का चेहरा बदल रहा है। पहले जहां लोन के लिए बैंक स्टेटमेंट और सैलरी स्लिप जैसे कागजात जमा करने पड़ते थे, अब यह सिस्टम ग्राहकों को अपनी रियल-टाइम फाइनेंशियल डेटा तक कंसेंट (Consent) के साथ एक्सेस देने की सुविधा देता है। इस डेटा के फ्लो से AI-आधारित अंडरराइटिंग (Underwriting) मॉडल्स को बल मिल रहा है, जो सिर्फ क्रेडिट स्कोर से आगे बढ़कर ग्राहक के कैश फ्लो, खर्च करने की आदतों और पेमेंट क्षमता का आकलन कर रहे हैं।
डिजिटल इंफ्रास्ट्रक्चर का इस्तेमाल
इस डिजिटल इंफ्रास्ट्रक्चर को काफी अच्छी प्रतिक्रिया मिली है। दिसंबर 2025 तक 64 लेंडर्स, 136 से ज़्यादा अलग-अलग डेटा सर्विसेज़ (Data Services) का इस्तेमाल करके अपने रिस्क असेसमेंट (Risk Assessment) को बेहतर बना चुके हैं। सह-पहल (Sahamati), जो इस इकोसिस्टम की सेल्फ-रेगुलेटरी बॉडी (Self-regulatory body) है, के अनुसार अप्रैल से सितंबर 2025 के बीच इस नेटवर्क से लगभग ₹1.47 ट्रिलियन के लोन सैंक्शन (Sanction) किए गए। इसमें पर्सनल लोन (Personal Loans) का हिस्सा लगभग 10% है, जो दिखाता है कि यह सिस्टम छोटे और जल्दी होने वाले क्रेडिट प्रोडक्ट्स के लिए कितनी अच्छी तरह काम कर रहा है।
कागजी कार्यवाही से ज़्यादा सटीकता
खासकर उन लोगों के लिए जो सेल्फ-एम्प्लॉयड (Self-employed) हैं या जिनकी इनकम अनियमित है, यह बदलाव एक बेहतर मूल्यांकन का मौका दे रहा है। पारंपरिक क्रेडिट स्कोरिंग अक्सर ऐसे लोगों की पूरी फाइनेंशियल हेल्थ को नहीं दिखा पाती। अब रियल-टाइम में म्यूचुअल फंड होल्डिंग्स (Mutual Fund Holdings), इनकम की स्थिरता और मौजूदा कर्ज़ जैसी चीजों को देखकर, लेंडर्स ज़्यादा कस्टमाइज़्ड (Customized) क्रेडिट ऑफर्स दे पा रहे हैं। इस बारीक विश्लेषण से उन योग्य लोगों के लोन अप्रूवल की संभावना बढ़ जाती है, जिन्हें शायद सिर्फ क्रेडिट ब्यूरो के डेटा पर आधारित ऑटोमेटेड सिस्टम से रिजेक्ट कर दिया जाता।
डेटा गवर्नेंस के जोखिमों का समाधान
ऑटोमेटेड, AI-आधारित लेंडिंग की ओर बढ़ते इस कदम ने डेटा प्राइवेसी (Data Privacy) और उसके इस्तेमाल पर भी ध्यान खींचा है। इंडस्ट्री के जानकारों और टेक्नोलॉजी एक्सपर्ट्स के लिए एक बड़ी चिंता डेटा के इस्तेमाल की सीमा (Purpose Limitation) का अभाव है। जब कोई लेंडर ग्राहक की फाइनेंशियल प्रोफाइल तक पहुँच बना लेता है, तो यह सुनिश्चित करना कि डेटा का उपयोग सिर्फ लोन देने के लिए हो, न कि मार्केटिंग या वसूली के लिए, रेगुलेटर्स (Regulators) के लिए एक जटिल चुनौती बनी हुई है।
इंडस्ट्री के लोगों का कहना है कि कई बार ग्राहक सुविधा के लिए कंसेंट दे देते हैं, बिना पूरी तरह समझे कि उनकी डेटा प्राइवेसी पर क्या असर पड़ सकता है। इन कमियों को दूर करने के लिए, RBI ने ऐसे नियम प्रस्तावित किए हैं जिनसे लेंडर्स को यह बताना होगा कि उनके AI मॉडल्स किसी खास लोन के फैसले पर कैसे पहुंचे। साथ ही, सह-पहल (Sahamati) ने कॉन्फिडेंशियल कंप्यूटिंग (Confidential Computing) का इस्तेमाल करते हुए एक ऐसा फ्रेमवर्क पेश किया है, जो ग्राहकों को यह समझने में मदद करेगा कि उनके डेटा को कैसे प्रोसेस किया गया।
आगे चलकर, इन उपायों की प्रभावशीलता उनके अमल पर निर्भर करेगी। जब तक स्टैंडर्ड रेगुलेशन पूरी तरह लागू नहीं हो जाते, ग्राहकों को सलाह दी जाती है कि वे RBI द्वारा मान्यता प्राप्त लेंडर्स के साथ ही काम करें, लोन प्रोसेस होने के बाद AA एप्लीकेशन पर अपनी कंसेंट वापस लेने के अधिकार का उपयोग करें, और लोन संबंध खत्म होने के बाद डेटा डिलीट (Delete) करने का अनुरोध करें। निवेशक और स्टेकहोल्डर्स (Stakeholders) इस ओर बढ़ते हुए अधिक पारदर्शी डेटा-प्रोसेसिंग फ्रेमवर्क के विकास पर नज़र रखेंगे, क्योंकि यही डिजिटल लेंडिंग इंफ्रास्ट्रक्चर में लंबे समय तक भरोसे और विश्वसनीयता को तय करेगा।