भारतात आता कर्ज मंजुरीसाठी 'अकाउंट एग्रीगेटर' (Account Aggregator) फ्रेमवर्कमुळे मोठी क्रांती घडत आहे. रियल-टाइम डेटा आणि AI मॉडेलमुळे कर्ज देण्याची प्रक्रिया अधिक वेगवान झाली आहे. डिसेंबर २०२५ पर्यंत **64** बँकांनी युनिफाईड लेंडिंग इंटरफेसशी (Unified Lending Interface) जोडणी केली असून, यातून **₹1.47 ट्रिलियन** पेक्षा जास्त रकमेचं कर्ज दिलं गेलं आहे. यामुळे जलद आणि अचूक निर्णय घेणं शक्य होत आहे, पण डेटा वापराची पारदर्शकता आणि सुरक्षिततेवर प्रश्नचिन्ह कायम आहे.
Detailed Coverage
डेटा-आधारित कर्ज सुविधा
भारतीय रिटेल कर्ज बाजारात मोठे बदल घडत आहेत. रिझर्व्ह बँक ऑफ इंडियाच्या (RBI) 'अकाउंट एग्रीगेटर' (AA) फ्रेमवर्कमुळे आता कर्जदारांना पारंपरिक कागदपत्रांऐवजी (जसे की बँक स्टेटमेंट, सॅलरी स्लिप) त्यांच्या आर्थिक डेटाचा रियल-टाइम, संमतीने (consented) ऍक्सेस घेण्याची सुविधा मिळत आहे.
यामुळे AI-आधारित अंडररायटिंग मॉडेल्सना (AI-driven underwriting models) बळ मिळत आहे. हे मॉडेल्स पारंपरिक क्रेडिट स्कोअरच्या पलीकडे जाऊन कर्जदाराची प्रत्यक्ष रोकड स्थिती (cash flow), खर्च करण्याच्या सवयी आणि परतफेड क्षमता (repayment capacity) तपासतात.
डिजिटल कर्जदारांची वाढ
या डिजिटल पायाभूत सुविधांचा अवलंब लक्षणीय आहे. डिसेंबर २०२५ पर्यंत, 64 बँकांनी युनिफाईड लेंडिंग इंटरफेसशी (Unified Lending Interface) स्वतःला जोडले आहे. त्यांनी जोखीम मूल्यांकनासाठी (risk assessments) 136 हून अधिक डेटा सेवांचा वापर केला आहे. सहमती (Sahamati) या संस्थेच्या आकडेवारीनुसार, एप्रिल ते सप्टेंबर २०२५ या काळात या नेटवर्कमुळे अंदाजे ₹1.47 ट्रिलियन किमतीची कर्जं मंजूर झाली आहेत. विशेषतः पर्सनल लोन्सचे प्रमाण आता या एकूण व्हॉल्यूमच्या जवळपास 10% आहे. यावरून हे तंत्रज्ञान लहान आणि वारंवार होणाऱ्या क्रेडिट उत्पादनांसाठी प्रभावी ठरत असल्याचे दिसते.
कागदपत्रांऐवजी अचूकता
खासकरून स्वयंरोजगारित (self-employed) किंवा अनियमित उत्पन्न असलेल्यांसाठी हा बदल फायदेशीर आहे. पारंपरिक क्रेडिट स्कोअरिंग अनेकदा अशा लोकांसाठी अपुरी ठरते. म्युच्युअल फंड होल्डिंग्ज, उत्पन्नाची सुसंगतता आणि सध्याची कर्जं यांसारख्या गोष्टी रियल-टाइममध्ये तपासून, बँका अधिक योग्य क्रेडिट ऑफर्स देऊ शकतात. यामुळे पात्र कर्जदारांना कर्ज मिळण्याची शक्यता वाढते, ज्यांना केवळ पारंपरिक क्रेडिट ब्युरो डेटावर आधारित सिस्टीममुळे नकार मिळाला असता.
डेटा गव्हर्नन्सचे धोके
AI-आधारित कर्ज प्रक्रियेमुळे डेटा गोपनीयता (data privacy) आणि वापराबाबत प्रश्न निर्माण झाले आहेत. उद्योगातील निरीक्षकांसाठी एक प्रमुख चिंता म्हणजे डेटा वापराच्या हेतूवर (purpose limitation) सध्या कडक निर्बंधांचा अभाव आहे. कर्जदाराचा आर्थिक प्रोफाइल ऍक्सेस केल्यानंतर, तो केवळ कर्ज अंडररायटिंगसाठीच वापरला जाईल, मार्केटिंग किंवा वसुलीसाठी नाही, हे सुनिश्चित करणे नियामकांसाठी एक आव्हान आहे.
अनेकदा कर्जदार सोयीसाठी संमती देतात, पण डेटा गोपनीयतेच्या परिणामांना पूर्णपणे समजत नाहीत. यावर उपाय म्हणून, RBI ने नवीन नियम प्रस्तावित केले आहेत, ज्यात बँकांना त्यांचे AI मॉडेल्स कर्जाचे निर्णय कसे घेतात याबद्दल अधिक पारदर्शक राहण्यास सांगितले जाईल. तसेच, सहमतीने (Sahamati) गोपनीय कंप्युटिंग (confidential computing) वापरून एक फ्रेमवर्क सादर केले आहे, जेणेकरून कर्जदारांना त्यांच्या डेटावर कशी प्रक्रिया झाली याचा स्पष्ट रेकॉर्ड मिळेल.
भविष्यात, या उपायांची अंमलबजावणी महत्त्वाची ठरेल. जोपर्यंत प्रमाणित नियम पूर्णपणे लागू होत नाहीत, तोपर्यंत कर्जदारांना RBI-मान्यताप्राप्त बँकांकडूनच कर्ज घेण्याचा सल्ला दिला जातो. तसेच, कर्ज प्रक्रिया पूर्ण झाल्यावर AA ऍप्लिकेशन्समधील संमती रद्द करण्याचा आणि क्रेडिट संबंध संपल्यानंतर डेटा डिलीट करण्याची विनंती करण्याचा अधिकार वापरणे महत्त्वाचे आहे. डिजिटल कर्ज पायाभूत सुविधांची दीर्घकालीन विश्वासार्हता आणि लोकांचा विश्वास यावर हे पारदर्शक डेटा-प्रक्रिया फ्रेमवर्क कसे परिणाम करतात, यावर गुंतवणूकदार आणि स्टेकहोल्डर्स लक्ष ठेवून असतील.