भारतीय IT कंपन्या AI चा वापर करून जुन्या सॉफ्टवेअरच्या समस्या यशस्वीपणे सोडवत आहेत. मात्र, आता फायनान्स (Finance) आणि मॅन्युफॅक्चरिंग (Manufacturing) क्षेत्रातील क्लायंट्सना AI मुळे छुपे खर्च आणि तांत्रिक धोके वाढत असल्याची भीती वाटू लागली आहे. गुंतवणूकदारांसाठी, वाढत्या कॉम्प्युट (Compute) आणि टोकन (Token) खर्चांमध्ये IT कंपन्या AI प्रोजेक्टची नफाक्षमता कशी सांभाळतात यावर लक्ष ठेवणे महत्त्वाचे ठरेल.
AI मुळे वाढत्या तांत्रिक कर्जाचे (Technical Debt) आव्हान
सध्याच्या आर्थिक वर्षाची सुरुवात भारतीय IT सेवा कंपन्यांसाठी दुहेरी उद्दिष्टांसह झाली आहे. एकीकडे, ग्राहकांच्या जुन्या आणि कालबाह्य सॉफ्टवेअरमधील समस्या कमी करणे (ज्याला 'लेगसी टेक्निकल डेट' म्हणतात) आणि दुसरीकडे, कृत्रिम बुद्धिमत्तेची (AI) नवीन क्षमता विकसित करणे. यामुळे उत्पादकता आणि नवीन डील जिंकण्यात वाढ झाली असली तरी, बँकिंग (BFSI) आणि मॅन्युफॅक्चरिंग (Manufacturing) क्षेत्रातील ग्राहकांमध्ये एक नवीन चिंता वाढत आहे.
AI टूल्स कंपन्यांना जुने सॉफ्टवेअर जलद दुरुस्त करण्यात मदत करत असले तरी, मॅन्युफॅक्चरिंग आणि फायनान्स क्षेत्रातील प्रमुख कंपन्या सावध पवित्रा घेत आहेत. AI कोडिंगच्या जलद आणि स्वयंचलित स्वरूपामुळे तांत्रिक कर्जाचा एक नवीन प्रकार तयार होण्याची शक्यता आहे. पारंपरिक कोडिंग मानवी वाचनीय (human-readable) आणि ट्रॅक करण्यास सोपे असते, याउलट AI-जनरेटेड कोडमध्ये बऱ्याचदा संपूर्ण पारदर्शकता नसते. जर डेव्हलपर्सकडे AI ने तयार केलेल्या प्रत्येक कोड लाइनची संपूर्ण माहिती नसेल, तर भविष्यात सिस्टम्सची देखभाल करणे किंवा त्या अपग्रेड करणे कठीण होऊ शकते.
याशिवाय, ग्राहक AI च्या 'संभाव्य' (probabilistic) स्वरूपाबद्दलही चिंतेत आहेत. बँकिंग व्यवहार किंवा मोठ्या प्रमाणावरील उत्पादन प्रक्रियेसारख्या गंभीर वातावरणात, AI मॉडेल जे केवळ 'बहुतांशी बरोबर' आहे ते पुरेसे नाही. या अनिश्चितता, तसेच स्पष्ट नियामक मार्गदर्शक तत्त्वांचा अभाव, यामुळे काही कंपन्या AI प्रोजेक्ट्सची चाचणी (testing) टप्प्यांवरून पूर्ण-प्रमाणात उत्पादन (production) टप्प्यांमध्ये हलवण्यापूर्वी थांबत आहेत.
IT कंपन्यांच्या आर्थिक स्थितीवर परिणाम
IT सेवा कंपन्यांसाठी हे एक नाजूक संतुलन आहे. Tech Mahindra सारख्या कंपन्यांनी आर्थिक वर्षाच्या पहिल्या तिमाहीत EBIT मध्ये 53% ची वर्ष-दर-वर्ष वाढ आणि $1.078 अब्ज किमतीच्या नवीन डील जिंकल्या आहेत. असे असले तरी, संपूर्ण क्षेत्रात ग्राहकांच्या खर्चात बदल होत आहे. TCS आणि Wipro सारख्या मोठ्या कंपन्यांच्या व्यवस्थापनाने नमूद केले आहे की ग्राहक त्यांच्या तंत्रज्ञान बजेटबाबत अधिक निवडक बनत आहेत आणि स्पष्ट, मोजता येण्याजोगे परतावा (measurable returns) देणाऱ्या प्रोजेक्ट्सना प्राधान्य देत आहेत.
AI च्या अंमलबजावणीचा आर्थिक भार व्यवस्थापित करणे हे IT कंपन्यांसाठी एक मोठे आव्हान आहे. प्रगत AI मॉडेल्स चालवण्यासाठी आवश्यक असलेली कॉम्प्युट पॉवर (Compute Power) आणि 'टोकन' (Token) खर्च लक्षणीय असू शकतो. जर या खर्चांचे कार्यक्षमतेने व्यवस्थापन केले गेले नाही, तर ते IT फर्म आणि ग्राहक दोघांच्याही नफ्याच्या मार्जिनमध्ये (profit margins) घट करू शकतात. Aurionpro Solutions सारख्या कंपन्यांनी BFSI ग्राहकांना हे खर्च ऑप्टिमाइझ (optimize) करण्यात मदत करण्यासाठी विशेषतः AI-नेटिव्ह प्लॅटफॉर्मवर लक्ष केंद्रित करण्यास सुरुवात केली आहे. यातून एक व्यापक ट्रेंड दिसून येतो, जिथे IT कंपन्यांना आता 'AI FinOps' सेवा द्यावी लागत आहे - ज्या AI मॉडेल्स चालवण्याच्या प्रत्यक्ष खर्चाच्या तुलनेत व्यवसायाचे परिणाम ट्रॅक करतात.
गुंतवणूकदारांसाठी भविष्यातील महत्त्वाचे मुद्दे
उद्योग जसजसा परिपक्व होत जाईल, तसतसे केवळ AI अवलंबण्याऐवजी त्याची दीर्घकालीन आर्थिक व्यवहार्यता सिद्ध करण्यावर लक्ष केंद्रित केले जाईल. गुंतवणूकदारांसाठी, केवळ AI डीलचे एकूण मूल्य नव्हे, तर IT कंपन्या AI कॉम्प्युट आणि टोकन वापराच्या उच्च खर्चाचा भार सहन करताना त्यांचे नफ्याचे मार्जिन कसे टिकवून ठेवतात हे पाहणे महत्त्वाचे ठरेल.
यशस्वी कंपन्या त्या असतील ज्या ग्राहकांना 'AI Debt' चक्रातून मार्गदर्शन करू शकतील, आणि हे सुनिश्चित करतील की नवीन डिजिटल अंमलबजावणीमुळे भविष्यात महागड्या देखभालीच्या समस्या निर्माण होणार नाहीत. पुढे, भागधारकांसाठी व्यवस्थापनाने या कंपन्या त्यांच्या मोठ्या कॉर्पोरेट ग्राहकांसाठी टिकाऊ, उच्च-कार्यक्षम AI सोल्यूशन्स तयार करण्याच्या गरजेसोबतच विवेकाधीन खर्च (discretionary spending) दबावांचे किती प्रभावीपणे संतुलन साधत आहेत यावर लक्ष ठेवणे महत्त्वाचे ठरू शकते.