Whalesbook
भारतीय बँका आणि NBFCs आता कर्ज फसवणूक रोखण्यासाठी आर्टिफिशियल इंटेलिजन्स (AI) तंत्रज्ञानाचा मोठ्या प्रमाणावर वापर करत आहेत. FY2026 मध्ये कर्ज विभागातील फसवणुकीचे आकडे **₹40,774 कोटीं**वर पोहोचले आहेत, ज्यामुळे या बदलाची गरज निर्माण झाली आहे. विशेषतः MSME कर्जांमध्ये होणारी बनावट इनव्हॉइसिंगसारखी फसवणूक टाळण्यासाठी हे तंत्रज्ञान महत्त्वाचे ठरू शकते.
काय घडले?
भारतातील वित्तीय संस्थांमध्ये फसवणूक रोखण्याच्या पद्धतींमध्ये मोठा बदल होत आहे. बँका, नॉन-बँकिंग फायनान्शियल कंपन्या (NBFCs) आणि डिजिटल पेमेंट कंपन्या आता जुन्या, ठराविक वेळेनंतर तपासल्या जाणाऱ्या नियमांवर आधारित पद्धती सोडून, रिअल-टाइम AI सिस्टीमचा वापर करत आहेत. या नव्या प्रणाली व्यवहारांचे पॅटर्न, डिव्हाईस डेटा आणि KYC माहिती वापरून संशयास्पद व्यवहार लगेच ओळखतात, ज्यामुळे नुकसान होण्यापूर्वीच त्यावर नियंत्रण मिळवता येते.
गुंतवणूकदारांसाठी महत्त्वाचे काय?
समस्या खूप मोठी आहे. उद्योगाच्या आकडेवारीनुसार, FY2026 मध्ये बँकिंग कर्जांमध्ये ₹40,774 कोटींची फसवणूक झाली, जी एकूण बँकिंग फसवणुकीच्या मूल्याच्या सुमारे 85% आहे. गुंतवणूकदारांसाठी, हे दर्शवते की बँका डिजिटल ट्रान्सफॉर्मेशनवर इतका भर का देत आहेत. व्यवहाराच्या पातळीवर फसवणूक पकडून, कर्ज देणाऱ्या संस्था त्यांचे कर्ज पुस्तक (loan books) बुडीत कर्जांपासून (bad assets) वाचवू शकतात, ज्याचा थेट परिणाम त्यांच्या नफ्यावर आणि स्थिरतेवर होतो.
व्यावसायिक कर्जांमधील आव्हान
विशेषतः सूक्ष्म, लघु आणि मध्यम उद्योगांना (MSMEs) कर्ज देताना फसवणुकीचे प्रमाण जास्त दिसून येते. अनेक कर्जदार या विभागात संघर्ष करतात कारण मॅन्युअल फायनान्शियल रेकॉर्डमध्ये चुका होण्याची किंवा फेरफार होण्याची शक्यता असते. बनावट इनव्हॉइसिंग, कृत्रिमरित्या वाढवलेले टर्नओव्हर आणि विसंगत रोख प्रवाह यांसारख्या समस्या जुन्या सिस्टीमद्वारे ओळखणे कठीण आहे. त्यामुळे, उद्योगात आता अधिक संरचित आणि ऑडिट करण्यायोग्य आर्थिक डेटाची मागणी वाढत आहे, जी AI मॉडेल्ससाठी आवश्यक आहे.
तंत्रज्ञान गुंतवणुकीची लाट
हा बदल केवळ सॉफ्टवेअरपुरता मर्यादित नाही; यासाठी पायाभूत सुविधांमध्ये मोठी गुंतवणूक आवश्यक आहे. कंपन्या स्ट्रीमिंग डेटा प्लॅटफॉर्म आणि क्लाउड-नेटिव्ह आर्किटेक्चरकडे वळत आहेत, जे मोठ्या प्रमाणात डेटा रिअल-टाइममध्ये हाताळू शकतील. Redington, Busy Infotech, mFilterIt आणि Eucloid Data Solutions सारख्या कंपन्यांमधील तज्ञांच्या मते, हा एक आवश्यक बदल आहे. कंपन्या जुन्या सिस्टीम्स बदलू इच्छितात, ज्या रिअल-टाइम ऑटोमेटेड निर्णयांसाठी बनवल्या नव्हत्या. जरी आज हा खर्च असला तरी, भविष्यात एक अधिक लवचिक व्यवसाय मॉडेल तयार करण्याची ही गुरुकिल्ली आहे.
गुंतवणूकदार हे कसे पाहू शकतात?
गुंतवणूकदार याकडे अल्पकालीन खर्च आणि दीर्घकालीन कार्यक्षमतेचा समतोल साधण्याचा प्रयत्न म्हणून पाहू शकतात. AI चा अवलंब करणे आणि जुन्या डेटाबेसेसचे स्थलांतरण करणे यासाठी सुरुवातीला मोठे तांत्रिक खर्च येतात, ज्यामुळे नजीकच्या काळात ऑपरेटिंग मार्जिनवर दबाव येऊ शकतो. तथापि, याचा फायदा म्हणजे नॉन-परफॉर्मिंग असेट्स (NPAs) कमी होणे आणि फसवणुकीमुळे होणारे राइट-ऑफ्स कमी होणे. फसवणुकीचे प्रकार वाढत असताना (जसे की अकाउंट टेकओव्हर ते सिंथेटिक ओळख), हा एक महत्त्वाचा बदल आहे. ज्या कर्जदारांकडे उत्कृष्ट, रिअल-टाइम डिटेक्शन सिस्टीम असेल, त्यांना मॅन्युअल, धीम्या प्रक्रिया अवलंबणाऱ्या प्रतिस्पर्धकांच्या तुलनेत चांगली अॅसेट क्वालिटी मिळू शकते.
काय चूक होऊ शकते?
नवीन तंत्रज्ञानाकडे संक्रमण करणे सहजासहजी होत नाही. जुन्या, हायब्रिड मॉडेल्सवर नवीन AI सिस्टीम लागू करताना अंमलबजावणीमध्ये विलंब होण्याचा धोका आहे. तसेच, नियामक या AI इंजिनने निर्णय कसे घेतले याबद्दल पारदर्शकता अपेक्षित करतात. जर बँकेच्या AI सिस्टीमने त्रुटी केली किंवा एखादा व्यवहार का ब्लॉक केला हे स्पष्ट करू शकली नाही, तर यामुळे ऑपरेशनल समस्या किंवा नियामक तपासणी होऊ शकते. या सिस्टीमची प्रभावीता बँका त्यांना पुरवत असलेल्या डेटाच्या गुणवत्तेवर देखील अवलंबून असेल; जर इनपुट डेटा अस्वच्छ किंवा सत्यापित नसेल, तर सर्वोत्तम AI मॉडेल्ससुद्धा फसवणूक ओळखू शकणार नाहीत.
गुंतवणूकदारांनी काय ट्रॅक करावे?
पुढे, गुंतवणूकदार वित्तीय संस्था त्यांचे तंत्रज्ञान खर्च कसे व्यवस्थापित करतात आणि या गुंतवणुकीमुळे क्रेडिट कॉस्ट कमी होते का, हे पाहू शकतात. MSME पोर्टफोलिओमध्ये अॅसेट क्वालिटी सुधारण्याबाबत व्यवस्थापनाच्या टिप्पण्यांवर लक्ष ठेवणे महत्त्वाचे ठरेल. तसेच, बँका AI गव्हर्नन्ससाठी नियामक आवश्यकता कशा पूर्ण करत आहेत याबद्दल अपडेट्स शोधा, कारण केंद्रीय बँक डिजिटल कर्ज प्रणालींच्या सुरक्षिततेवर आणि पारदर्शकतेवर कठोर लक्ष ठेवण्याची शक्यता आहे.