भारतातील बँका आणि NBFCs आता 'फॉरवर्ड डिप्लॉईड इंजिनिअर' मॉडेल स्वीकारत आहेत. या मॉडेलमुळे AI प्रोजेक्ट्सना गती मिळणार असून, ते प्रत्यक्षात कामात आणण्याचे प्रयत्न केले जात आहेत. गुंतवणूकदारांसाठी, तंत्रज्ञानावरील खर्चात अधिक जबाबदारी येण्याचे संकेत आहेत, ज्यामुळे कंपन्यांची कार्यक्षमता वाढू शकते.
काय घडले?
भारतातील वित्तीय संस्था कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) लागू करण्याच्या पद्धतीत बदल करत आहेत. अनेक बँका, नॉन-बँकिंग फायनान्शियल कंपन्या (NBFCs) आणि ग्लोबल कॅपेबिलिटी सेंटर्स (GCCs) AI प्रोजेक्ट्सना पायलट टप्प्यापलीकडे नेण्यात अयशस्वी ठरत होत्या. यावर उपाय म्हणून, या कंपन्या आता 'फॉरवर्ड डिप्लॉईड इंजिनिअर' मॉडेलचा अवलंब करत आहेत. या धोरणामध्ये वरिष्ठ इंजिनिअर्सना थेट व्यवसायाच्या युनिट्समध्ये नियुक्त केले जाते.
पारंपारिक IT भूमिकांपेक्षा वेगळे, हे इंजिनिअर्स उत्पादन व्यवस्थापन, अभियांत्रिकी आणि बँकिंग ऑपरेशन्सच्या छेदनबिंदूवर काम करतात. स्वयंचलित क्रेडिट अंडररायटिंग किंवा फसवणूक शोध प्रणाली (fraud detection systems) यांसारखी AI साधने प्रत्यक्ष बँकिंग कार्यप्रवाह, नियम आणि जुन्या प्रणालींच्या मर्यादेत प्रत्यक्षात काम करतील याची खात्री करणे हे त्यांचे मुख्य उद्दिष्ट आहे.
AI पायलट्स अनेकदा का थांबतात?
गुंतवणूकदारांसाठी, मुख्य समस्या ही आहे की तंत्रज्ञानावरील खर्च तेव्हाच परतावा देतो जेव्हा सॉफ्टवेअरला दैनंदिन कामकाजात समाकलित करता येते. 'संदर्भ' (context) नसणे ही एक मोठी अडचण आहे. चाचणी वातावरणात AI मॉडेल अचूक असू शकते, परंतु ते बँकेच्या शाखेत किंवा ग्राहक सेवा केंद्रात अयशस्वी होऊ शकते कारण त्याला योग्य ग्राहक डेटा उपलब्ध नसतो किंवा ते विद्यमान अनुपालन धोरणांशी (compliance policies) संघर्ष करते.
जेव्हा हे एकत्रीकरणाचे अंतर (integration gaps) येतात, तेव्हा AI प्रकल्प अनेकदा न वापरलेले राहतात. यामुळे स्केलवर न पोहोचणाऱ्या सॉफ्टवेअरवर भांडवली खर्चाचा अपव्यय होतो. फॉरवर्ड डिप्लॉईड मॉडेल या अपयशाला थेट प्रतिसाद आहे, जे इंजिनिअर्सना फील्डमध्ये ठेवून या एकत्रीकरणातील अडथळे रिअल-टाइममध्ये ओळखण्यास आणि सोडविण्यास मदत करते.
व्यवसाय आणि कार्यक्षमतेवरील परिणाम
या बदलामुळे वित्तीय कंपन्या त्यांच्या टेक टीमच्या यशाचे मोजमाप कसे करतात यात एक महत्त्वाचा बदल झाला आहे. पूर्वी, यश कदाचित केवळ प्रकल्प पूर्ण करणे किंवा कोड वितरीत करणे यावर मोजले जात असे. नवीन मॉडेल अंतर्गत, यश 'अडॅप्शन' (adoption) आणि 'ऑपरेशनल आउटकम्स' (operational outcomes) शी जोडलेले आहे.
जर बँका आणि NBFCs हे मॉडेल यशस्वीरित्या लागू करू शकल्या, तर त्यामुळे ऑपरेशनल कार्यक्षमतेत सुधारणा होऊ शकते. प्रभावी AI अंमलबजावणीमुळे क्रेडिट निर्णयांसाठी लागणारा वेळ कमी होऊ शकतो किंवा फसवणुकीमुळे होणारे नुकसान कमी होऊ शकते. गुंतवणूकदारांसाठी, याचा अर्थ असा आहे की बँकांना अखेरीस चांगले कॉस्ट-टू-इन्कम रेशो (cost-to-income ratios) दिसू शकतात, जरी या विशेष इंजिनिअर्सना कामावर ठेवण्याचा किंवा प्रशिक्षण देण्याचा प्रारंभिक खर्च महत्त्वपूर्ण आहे.
IT पुरवठादारांसाठी संधी आणि धोके
IT सेवा कंपन्या आणि सल्लागार कंपन्यांसाठी, हे एक नवीन सेवा वितरण संधी निर्माण करते. पारंपारिक प्रकल्प-आधारित बिलिंगऐवजी, जेथे कंपनी कामाच्या ठराविक प्रमाणासाठी पैसे देते, हे मॉडेल क्षमता हस्तांतरणावर लक्ष केंद्रित करणाऱ्या दीर्घकालीन भागीदारींना प्रोत्साहन देते.
तथापि, यात धोके आहेत. या दृष्टिकोनसाठी कोडिंग आणि वित्तीय नियमांचे ज्ञान असलेल्या प्रतिभेची आवश्यकता आहे. कंपन्यांना अशा विशेष प्रतिभा शोधण्यात किंवा परवडण्यात अडचण येऊ शकते, ज्यामुळे खर्चात वाढ होईल. याव्यतिरिक्त, कोणत्याही एकत्रीकरण प्रयत्नांमध्ये डेटा सुरक्षा लॅप्स (data security lapses) किंवा नियामक अडथळ्यांचा धोका असतो, जर AI प्रणालींनी अनुपालन नियमांचे काटेकोरपणे पालन केले नाही.
गुंतवणूकदारांनी पुढे काय पहावे?
गुंतवणूकदार पाहू शकतात की वित्तीय संस्था या अधिक महागड्या, परंतु संभाव्यतः अधिक प्रभावी, प्रतिभा धोरणाला सामावून घेण्यासाठी त्यांचे IT बजेट कसे समायोजित करतात. मुख्य निरीक्षण करण्यासारख्या गोष्टींमध्ये हे समाविष्ट आहे:
- तंत्रज्ञान ROI (Technology ROI): बँका या एम्बेडेड मॉडेल्सचा अवलंब केल्यानंतर ग्राहक सेवा किंवा क्रेडिट जोखमीमध्ये सुधारित मेट्रिक्सची नोंद करतात की नाही.
- IT सेवा करार (IT Service Contracts): मोठ्या IT प्रदात्यांनी त्यांच्या करारांना फक्त 'कामाचे तास' किंवा 'प्रकल्प वितरण' ऐवजी 'परिणामांवर' (outcomes) अधिक लक्ष केंद्रित करण्यासाठी बदलले आहेत की नाही.
- प्रतिभा खर्च (Talent Costs): टेक क्षेत्रात, विशेषतः उच्च-स्तरीय AI भूमिकांसाठी, वेतन वाढीमुळे वित्तीय सेवा कंपन्यांच्या मार्जिनवर दबाव येत आहे की नाही.
- नियामक अद्यतने (Regulatory Updates): नियामक मुख्य बँकिंग कार्यांमध्ये AI च्या वाढत्या वापरास कसा प्रतिसाद देतात, कारण अनुपालन आवश्यकता AI ला थेट वित्तीय प्रणालींमध्ये समाकलित करण्याच्या मार्गात सर्वात मोठा अडथळा आहेत.