बँकांचे AI प्रयोग थांबले! आता थेट नफ्यावर लक्ष, तंत्रज्ञानाचा वापर फायद्यासाठी

प्रयोगांकडून आर्थिक फायद्याकडे वाटचाल

गेली काही वर्षे बँका आर्टिफिशियल इंटेलिजन्स (AI) मध्ये नवनवीन प्रयोग करत होत्या. अनेक 'प्रूफ ऑफ कॉन्सेप्ट' (POC) किंवा पायलट प्रोजेक्ट्सवर मोठा खर्च केला जात होता. पण आता चित्र बदलले आहे. बँका केवळ AI कसे काम करते यात रस दाखवत नाहीत, तर ते थेट कंपनीच्या नफ्यावर (Profitability) कसा परिणाम करते, यावर लक्ष केंद्रित करत आहेत. तंत्रज्ञानावरील खर्च आता केवळ नफा वाढवणारे किंवा ग्राहक मिळवण्यासाठी उपयुक्त ठरणारे ठोकताळे (Metrics) तपासण्यासाठीच केला जाणार आहे.

कामापेक्षा निष्कर्षांना महत्त्व

बँकांच्या वरिष्ठ अधिकाऱ्यांनी आता AI कुठे वापरता येईल यापेक्षा, कोणता 'परफॉर्मन्स इंडिकेटर' (Performance Indicator) सुधारता येईल, यावर प्रश्न विचारण्यास सुरुवात केली आहे. उदाहरणार्थ, क्रेडिट कार्डसाठी ग्राहक शोधताना डॉक्युमेंट व्हेरिफिकेशन (Document Verification) स्वयंचलित करणे हे कमी फायद्याचे मानले जात आहे. याऐवजी, आता एकात्मिक (Integrated) AI सिस्टीमवर भर दिला जात आहे, जी एकाच वेळी ग्राहक निवडणे, जोखीम मूल्यांकन (Risk Assessment) आणि कर्जाची वसुली (Delinquency Modeling) यासारखी कामे करेल. या सिस्टीम्स केवळ प्रशासकीय मदतीऐवजी थेट व्यवसायाचा आर्थिक गाडा हाकतील.

सॉफ्टवेअर डेव्हलपमेंटमधील अडथळे

तंत्रज्ञान विभागांनाही (Technology Departments) असाच आदेश मिळाला आहे. सुरुवातीला AI चा वापर कोडिंगसाठी (AI-assisted Coding) एक स्वतंत्र साधन म्हणून केला जात होता. पण आता संपूर्ण सॉफ्टवेअर डेव्हलपमेंट लाइफसायकलमध्ये (Software Delivery Lifecycle) AI समाविष्ट करण्यावर भर दिला जात आहे. यामुळे कंपन्यांच्या एकूण उत्पादन क्षमतेचे (Throughput) मोजमाप करणे सोपे जाईल. मात्र, जुन्या सिस्टीममध्ये (Legacy Ecosystems) AI समाविष्ट करणे बँकांसाठी मोठे आव्हान आहे. कारण जुने तंत्रज्ञान आणि कडक नियमांमुळे (Regulatory Requirements) AI प्रोजेक्ट्स प्रत्यक्षात येण्यापूर्वीच अडकू शकतात.

डेटा आणि नियमनांचा धोका

बँकांसाठी सर्वात मोठा धोका म्हणजे 'गव्हर्नन्स लॅग' (Governance Lag). म्हणजेच, AI मॉडेल्स वेगाने लागू करणे आणि जुन्या रिस्क मॅनेजमेंट (Risk Management) प्रणालींमधील तफावत. फिनटेक कंपन्यांप्रमाणे वेगाने काम करणे बँकांसाठी कठीण आहे. फेडरल रिझर्व्ह (Federal Reserve) आणि इतर आंतरराष्ट्रीय नियामकांच्या (Regulators) कडक नियमावलीमुळे AI मधील कोणतीही चूक, मग ती क्रेडिट अंडररायटिंग असो वा ऑटोमेटेड सर्व्हिसिंग, लगेच कायदेशीर आणि प्रतिष्ठेची समस्या (Reputational Exposure) निर्माण करू शकते.

याशिवाय, चांगल्या आणि स्वच्छ डेटावर (Clean Data) अवलंबून राहणे हे देखील एक मोठे आव्हान आहे. ज्या बँकांकडे डेटाचे स्रोत विखुरलेले (Fragmented Data Infrastructure) आहेत, त्यांचे AI प्रोजेक्ट्स अयशस्वी होण्याची शक्यता आहे. कारण मॉडेल डिझाइन कितीही चांगले असले, तरी इनपुट डेटा विसंगत (Inconsistent) राहिल्यास ते निरुपयोगी ठरते. त्यामुळे, मोठ्या प्रमाणात AI लागू करण्यापूर्वी या डेटा समस्यांचे निराकरण न केल्यास, बँकांना तंत्रज्ञानाचा खर्च आणि दुरुस्तीचा खर्च असा दुहेरी फटका बसू शकतो.