AI ਦੀ ਸਿਖਲਾਈ 'ਤੇ ਭਾਰੀ ਖਰਚਾ: ਵਾਲ ਸਟਰੀਟ 'AI ਫਲੂਐਂਸੀ' ਲਈ ਦੇ ਰਿਹਾ ₹25,000 ਰੋਜ਼ਾਨਾ

AI ਮਹਾਰਤ ਦਾ ਮਹਿੰਗਾ ਸੌਦਾ

ਫਾਈਨੈਂਸ਼ੀਅਲ ਸੈਕਟਰ ਹੁਣ ਸਿਰਫ਼ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦਾ ਟੈਸਟ ਨਹੀਂ ਕਰ ਰਿਹਾ; ਇਹ ਆਪਣੀਆਂ ਕਾਰਵਾਈਆਂ ਵਿੱਚ AI ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਇੱਕ ਭਾਰੀ ਮੁਕਾਬਲੇ ਵਿੱਚ ਹੈ। ਸਾਬਕਾ ਸੌਫਟਬੈਂਕ (SoftBank) ਨਿਵੇਸ਼ਕਾਂ ਵਰਗੀਆਂ ਪ੍ਰਮੁੱਖ ਹਸਤੀਆਂ ਦੁਆਰਾ ਚਲਾਈਆਂ ਜਾ ਰਹੀਆਂ ਵਰਕਸ਼ਾਪਾਂ ਪੰਜ-ਅੰਕਾਂ (five-figure) ਦੀ ਰੋਜ਼ਾਨਾ ਫੀਸ ਵਸੂਲ ਰਹੀਆਂ ਹਨ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰਮੁੱਖ ਫਰਮਾਂ AI ਸਾਖਰਤਾ (literacy) ਨੂੰ ਮੁਕਾਬਲੇ ਵਿੱਚ ਬਣੇ ਰਹਿਣ ਲਈ ਜ਼ਰੂਰੀ ਮੰਨਦੀਆਂ ਹਨ। ਫੋਕਸ ਸਿਰਫ਼ ਕਾਰਜਕੁਸ਼ਲਤਾ (efficiency) ਵਧਾਉਣ ਤੋਂ ਹੱਟ ਕੇ ਕਰਮਚਾਰੀਆਂ ਦੇ ਇੱਕ ਵੱਡੇ ਪੁਨਰਗਠਨ (overhaul) ਵੱਲ ਵਧ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਉੱਚ ਸਿਖਲਾਈ ਖਰਚੇ ਸੁਰਖੀਆਂ ਬਟੋਰ ਰਹੇ ਹਨ, ਅਸਲੀ ਮੁੱਦਾ ਇਹ ਹੈ ਕਿ ਰਵਾਇਤੀ ਵਿੱਤੀ ਪੇਸ਼ੇਵਰਾਂ (finance professionals) ਲਈ ਅਨੁਕੂਲਨ (adapt) ਕਰਨ ਦਾ ਸਮਾਂ ਘੱਟ ਰਿਹਾ ਹੈ, ਕਿਉਂਕਿ ਕੰਪਨੀਆਂ ਉਹਨਾਂ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਵੱਧ ਮਹੱਤਤਾ ਦੇ ਰਹੀਆਂ ਹਨ ਜੋ ਗੁੰਝਲਦਾਰ ਫੈਸਲੇ ਲੈਣ ਲਈ AI ਏਜੰਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ।

ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਪੂਰੀ AI ਏਕੀਕਰਨ ਤੱਕ

ਮੁੱਖ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ (Financial institutions) ਸ਼ੁਰੂਆਤੀ ਟ੍ਰਾਇਲਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ AI ਨੂੰ ਡੂੰਘਾਈ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰ ਰਹੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, JPMorgan Chase ਨੇ ਆਪਣੇ ਕਸਟਮ LLM ਸੂਟ ਨੂੰ 200,000 ਤੋਂ ਵੱਧ ਕਰਮਚਾਰੀਆਂ ਲਈ ਲਾਂਚ ਕੀਤਾ ਹੈ। ਇਹ ਸਿਸਟਮ M&A ਮੈਮੋ ਦਾ ਡਰਾਫਟ ਬਣਾਉਣ ਅਤੇ ਗਾਹਕ ਪੇਸ਼ਕਾਰੀਆਂ (client presentations) ਬਣਾਉਣ ਵਰਗੇ ਕੰਮਾਂ ਨੂੰ ਆਟੋਮੈਟ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਚੈਟਬੋਟ ਵਜੋਂ ਕੰਮ ਕਰਨ ਲਈ। ਸ਼ੁਰੂਆਤੀ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਇਹ AI ਏਜੰਟ ਸਾਲਾਨਾ ਲਾਭ (annual benefits) ਨੂੰ 30-40% ਤੱਕ ਵਧਾ ਰਹੇ ਹਨ। Bank of America ਨੇ ਵੀ ਉਤਪਾਦਕਤਾ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਦੇਖਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੋਡਿੰਗ ਟੂਲਸ (AI-assisted coding tools) ਨੇ ਸੌਫਟਵੇਅਰ ਵਿਕਾਸ ਕੁਸ਼ਲਤਾ (software development efficiency) ਨੂੰ 55% ਤੱਕ ਸੁਧਾਰਿਆ ਹੈ। ਹਰ ਥਾਂ ਸੰਸਥਾਵਾਂ ਇਹ ਪਛਾਣਦੀਆਂ ਹਨ ਕਿ AI ਨੂੰ ਨਾ ਅਪਣਾਉਣਾ ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਹੈ, ਕਿਉਂਕਿ ਵਿਰੋਧੀ ਇਸਦੀ ਵਰਤੋਂ ਧੋਖਾਧੜੀ ਖੋਜ (fraud detection) ਅਤੇ ਵਪਾਰ ਨਿਪਟਾਰੇ (trade settlement) ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਲਾਗਤਾਂ ਘਟਾਉਣ ਲਈ ਕਰ ਰਹੇ ਹਨ।

ਤੇਜ਼ AI ਅਪਣਾਉਣ ਦੇ ਜੋਖਮ

ਦਸਤਾਵੇਜ਼ੀ ਲਾਭਾਂ (documented benefits) ਦੇ ਬਾਵਜੂਦ, ਤੇਜ਼ AI ਅਪਣਾਉਣ ਨਾਲ ਕਮਾਈ, ਨਿਯਮਾਂ (regulations) ਅਤੇ ਕਰਮਚਾਰੀ ਵਿਘਨ (workforce disruption) ਨਾਲ ਸਬੰਧਤ ਜੋਖਮ ਹਨ। ਮੈਨੂਅਲ ਨੌਕਰੀਆਂ ਨੂੰ AI ਸਿਸਟਮਾਂ ਨਾਲ ਬਦਲਣ ਨਾਲ ਨਵੇਂ, ਅਣਪੂਰਨ ਜੋਖਮ ਪੈਦਾ ਹੋ ਸਕਦੇ ਹਨ; ਇੱਕ ਆਟੋਮੇਟਡ ਟਰੇਡਿੰਗ ਜਾਂ ਖੋਜ ਮਾਡਲ (automated trading or research model) ਵਿੱਚ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਗਲਤੀ ਜਲਦੀ ਇੱਕ ਵੱਡੀ ਸਿਸਟਮ-ਵਾਈਡ ਸਮੱਸਿਆ ਬਣ ਸਕਦੀ ਹੈ। ਤੀਜੀ-ਧਿਰ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲਾਂ (third-party large language models) ਦੀ ਵਰਤੋਂ ਡਾਟਾ ਗੋਪਨੀਯਤਾ (data privacy) ਅਤੇ ਬੌਧਿਕ ਸੰਪਤੀ (intellectual property) ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਵੀ ਖੜ੍ਹੀ ਕਰਦੀ ਹੈ। ਜਦੋਂ ਕਿ ਕੰਪਨੀਆਂ ਵਿਸਥਾਪਿਤ ਕਰਮਚਾਰੀਆਂ (displaced workers) ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣ ਬਾਰੇ ਗੱਲ ਕਰਦੀਆਂ ਹਨ, AI ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਪਣਾਉਣ ਵਾਲਿਆਂ ਅਤੇ ਰਵਾਇਤੀ ਕਰਮਚਾਰੀਆਂ ਵਿਚਕਾਰ ਪਾੜਾ ਵੱਧ ਰਿਹਾ ਹੈ, ਜਿਸ ਨਾਲ ਅੰਦਰੂਨੀ ਤਣਾਅ ਪੈਦਾ ਹੋ ਰਿਹਾ ਹੈ। ਬਹੁਤ ਸਾਰੀਆਂ ਵੱਡੀਆਂ ਫਰਮਾਂ ਆਪਣੇ ਵਿਸ਼ਾਲ AI ਟੈਕਨਾਲੋਜੀ ਬਜਟਾਂ (AI technology budgets) ਲਈ ਨਿਵੇਸ਼ 'ਤੇ ਵਾਪਸੀ (return on investment) ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਪਾ ਰਹੀਆਂ ਹਨ। ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਬਾਜ਼ਾਰ ਵਿੱਚ ਗਿਰਾਵਟ (market downturn) ਇਹਨਾਂ ਵੱਡੇ AI ਨਿਵੇਸ਼ਾਂ ਨੂੰ ਮਹਿੰਗੇ ਅਤੇ ਮਾੜੇ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਦੇਣਦਾਰੀਆਂ (liabilities) ਵਜੋਂ ਸਾਹਮਣੇ ਲਿਆ ਸਕਦੀ ਹੈ।

ਅੱਗੇ ਕੀ ਹੈ?

ਇੰਡਸਟਰੀ AI-ਸੰਚਾਲਿਤ ਤਬਦੀਲੀ (AI-driven change) ਦੇ ਇੱਕ ਲੰਮੇ ਸਮੇਂ ਦੀ ਉਮੀਦ ਕਰ ਰਹੀ ਹੈ, ਜੋ ਸੰਭਵ ਤੌਰ 'ਤੇ ਮਨੁੱਖੀ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣ ਨਾਲੋਂ ਤੇਜ਼ ਹੈ। ਭਵਿੱਖ ਵਿੱਚ, ਵਿੱਤੀ ਫਰਮਾਂ ਲਈ ਮੁੱਖ ਲਾਭ ਨਾ ਸਿਰਫ਼ AI ਟੂਲਸ ਦਾ ਮਾਲਕ ਹੋਣਾ ਹੋਵੇਗਾ, ਸਗੋਂ ਮਜ਼ਬੂਤ ਅੰਦਰੂਨੀ ਨਿਯੰਤਰਣ (internal controls) ਹੋਣਾ ਅਤੇ ਸੰਚਾਲਨ ਸਥਿਰਤਾ (operational stability) ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਏ ਬਿਨਾਂ AI ਏਕੀਕਰਨ ਵਿੱਚ ਮੁਹਾਰਤ ਹਾਸਲ ਕਰਨਾ ਹੋਵੇਗਾ। ਜਿਵੇਂ ਕਿ ਵੱਡੇ ਸਮੂਹ ਕਾਰੋਬਾਰਾਂ ਲਈ AI ਸੇਵਾਵਾਂ ਵਿਕਸਤ ਕਰਨ ਲਈ ਸਹਿਯੋਗ ਕਰਦੇ ਹਨ, ਅਗਲਾ ਪੜਾਅ ਸੰਸਥਾਗਤ ਗਿਆਨ (institutional knowledge) ਨੂੰ ਹਾਸਲ ਕਰਨ ਵਾਲੇ ਸੁਰੱਖਿਅਤ, ਕਸਟਮ ਮਾਡਲ ਸ਼ਾਮਲ ਕਰੇਗਾ। ਸਫਲ ਫਰਮਾਂ ਉਹ ਹੋਣਗੀਆਂ ਜੋ ਵਧਦੀ ਗੁੰਝਲਦਾਰ ਬਾਜ਼ਾਰ ਸਥਿਤੀਆਂ (market conditions) ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਲਈ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (human oversight) ਬਣਾਈ ਰੱਖਦੇ ਹੋਏ ਸ਼ਕਤੀਸ਼ਾਲੀ AI ਏਜੰਟਾਂ ਨੂੰ ਤਾਇਨਾਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।