भारत के बैंक और NBFCs अब अटके हुए AI प्रोजेक्ट्स को सुलझाने के लिए 'फॉरवर्ड डिप्लॉयड इंजीनियर' मॉडल अपना रहे हैं। इन विशेषज्ञों को सीधे काम में लगाकर, कंपनियां AI पायलट प्रोजेक्ट्स को वर्किंग टूल्स में बदलना चाहती हैं। निवेशकों के लिए, यह टेक खर्च में जवाबदेही बढ़ाने का संकेत है, जिससे वित्तीय संस्थानों की ऑपरेशनल एफिशिएंसी सुधर सकती है।
क्या हुआ है?
भारत की वित्तीय संस्थाएं आर्टिफिशियल इंटेलिजेंस (AI) को लागू करने के अपने तरीके बदल रही हैं। कई बैंक, नॉन-बैंकिंग फाइनेंशियल कंपनियां (NBFCs) और ग्लोबल कैपेबिलिटी सेंटर्स (GCCs) AI प्रोजेक्ट्स को पायलट स्टेज से आगे बढ़ाने में संघर्ष कर रहे थे। इस समस्या को हल करने के लिए, ये फर्म अब 'फॉरवर्ड डिप्लॉयड इंजीनियर' मॉडल अपना रही हैं। इस रणनीति में वरिष्ठ इंजीनियरों को सीधे उन व्यावसायिक इकाइयों में शामिल किया जाता है जिनकी वे सेवा करते हैं।
पारंपरिक IT भूमिकाओं के विपरीत, जहां टीमें अलग-अलग काम करती हैं, ये इंजीनियर प्रोडक्ट मैनेजमेंट, इंजीनियरिंग और बैंकिंग ऑपरेशंस के संगम पर काम करते हैं। उनका मुख्य लक्ष्य यह सुनिश्चित करना है कि AI टूल्स, जैसे ऑटोमेटेड क्रेडिट अंडरराइटिंग या फ्रॉड डिटेक्शन सिस्टम, वास्तविक बैंकिंग वर्कफ़्लो, रेगुलेशन और मौजूदा सिस्टम की सीमाओं के भीतर वास्तव में काम करें।
AI पायलट प्रोजेक्ट्स अक्सर क्यों अटक जाते हैं?
निवेशकों के लिए, मुख्य मुद्दा यह है कि फाइनेंस में टेक्नोलॉजी पर खर्च अक्सर तब तक रिटर्न नहीं देता जब तक कि सॉफ्टवेयर को दैनिक संचालन में एकीकृत न किया जा सके। एक बड़ी बाधा 'कॉन्टेक्स्ट' की कमी है। एक AI मॉडल टेस्ट एनवायरनमेंट में सटीक हो सकता है, लेकिन एक ब्रांच या कॉन्टैक्ट सेंटर में फेल हो सकता है क्योंकि उसके पास सही ग्राहक डेटा तक पहुंच नहीं होती या वह मौजूदा कंप्लायंस नीतियों से टकराता है।
जब ये इंटीग्रेशन गैप्स आते हैं, तो AI प्रोजेक्ट्स अक्सर अप्रयुक्त रह जाते हैं। इससे ऐसे सॉफ्टवेयर पर कैपिटल एक्सपेंडिचर बर्बाद होता है जो कभी बड़े पैमाने पर इस्तेमाल नहीं हो पाता। फॉरवर्ड डिप्लॉयड मॉडल इसी विफलता का सीधा जवाब है, जो इंजीनियरों को फील्ड में रखकर इन इंटीग्रेशन की बाधाओं को रियल-टाइम में पहचानने और ठीक करने का काम करता है।
बिजनेस और एफिशिएंसी पर प्रभाव
यह बदलाव इस बात में एक बदलाव का प्रतीक है कि वित्तीय फर्म अपनी टेक टीमों की सफलता को कैसे मापती हैं। पहले, सफलता को केवल एक प्रोजेक्ट पूरा करने या कोड डिलीवर करने से मापा जा सकता था। नए मॉडल के तहत, सफलता 'एडॉप्शन' और 'ऑपरेशनल आउटकम' से जुड़ी है।
अगर बैंक और NBFCs इस मॉडल को सफलतापूर्वक लागू कर पाते हैं, तो इससे ऑपरेशनल एफिशिएंसी में सुधार हो सकता है। प्रभावी AI कार्यान्वयन से क्रेडिट निर्णयों में लगने वाला समय कम हो सकता है या फ्रॉड लॉस कम हो सकता है। निवेशकों के लिए, इसका मतलब है कि बैंकों को अंततः बेहतर कॉस्ट-टू-इनकम रेशियो देखने को मिल सकता है, हालांकि इन विशेष इंजीनियरों को हायर करने या प्रशिक्षित करने की शुरुआती लागत महत्वपूर्ण है।
IT प्रोवाइडर्स के लिए अवसर और जोखिम
IT सर्विस फर्मों और कंसल्टिंग कंपनियों के लिए, यह एक नई सर्विस डिलीवरी का अवसर पैदा करता है। पारंपरिक प्रोजेक्ट-आधारित बिलिंग के बजाय, जहां एक कंपनी एक निश्चित काम के लिए भुगतान करती है, यह मॉडल क्षमता हस्तांतरण पर केंद्रित दीर्घकालिक साझेदारी को प्रोत्साहित करता है।
हालांकि, इसमें जोखिम भी हैं। इस दृष्टिकोण के लिए ऐसे टैलेंट की आवश्यकता है जो जटिल कोडिंग और वित्तीय नियमों दोनों को समझता हो। इस बात का जोखिम है कि कंपनियां ऐसे विशेष टैलेंट को खोजने या वहन करने में संघर्ष कर सकती हैं, जिससे लागत बढ़ सकती है। इसके अलावा, किसी भी इंटीग्रेशन प्रयास में डेटा सुरक्षा में चूक या नियामक विरोध का जोखिम शामिल है यदि AI सिस्टम कंप्लायंस मानदंडों का सख्ती से पालन नहीं करते हैं।
निवेशकों को आगे क्या ट्रैक करना चाहिए?
निवेशक इस बात पर नज़र रख सकते हैं कि वित्तीय संस्थान इस अधिक महंगी, लेकिन संभावित रूप से अधिक प्रभावी, प्रतिभा रणनीति को समायोजित करने के लिए अपने IT बजट को कैसे बदलते हैं। मुख्य मॉनिटर करने योग्य चीजें हैं:
- टेक्नोलॉजी ROI: क्या बैंक इन एम्बेडेड मॉडल को अपनाने के बाद ग्राहक सेवा या क्रेडिट जोखिम में बेहतर मेट्रिक्स रिपोर्ट करते हैं।
- IT सर्विस कॉन्ट्रैक्ट्स: क्या बड़े IT प्रोवाइडर्स अपने कॉन्ट्रैक्ट्स को केवल 'घंटे काम' या 'प्रोजेक्ट डिलीवरी' के बजाय 'आउटकम' पर अधिक ध्यान केंद्रित करने के लिए बदलते हैं।
- टैलेंट कॉस्ट: क्या टेक सेक्टर में वेतन वृद्धि, विशेष रूप से हाई-एंड AI भूमिकाओं के लिए, वित्तीय सेवा फर्मों के मार्जिन पर दबाव डालती है।
- नियामक अपडेट: रेगुलेटर मुख्य बैंकिंग कार्यों में AI के बढ़ते उपयोग पर कैसे प्रतिक्रिया करते हैं, क्योंकि कंप्लायंस की आवश्यकताएं लाइव फाइनेंशियल सिस्टम में AI को एकीकृत करने में सबसे बड़ी बाधा हैं।