ਬੈਂਕਾਂ ਦਾ AI ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਛੱਡਣ ਦਾ ਫੈਸਲਾ: ਮੁੱਖ ਮੁਨਾਫੇ 'ਤੇ ਫੋਕਸ

ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਆਰਥਿਕ ਲਾਭ ਵੱਲ ਵੱਡਾ ਕਦਮ

ਵਿੱਤੀ ਖੇਤਰ ਇੱਕ ਵੱਡੇ ਬਦਲਾਅ ਵਿੱਚੋਂ ਲੰਘ ਰਿਹਾ ਹੈ। ਹੁਣ AI ਦੀ ਨਵੀਨਤਾ ਦੇ ਦਿਖਾਵੇ, ਜਿਵੇਂ ਕਿ ਅੰਦਰੂਨੀ ਪ੍ਰੂਫ-ਆਫ-ਕੌਨਸੈਪਟ (POCs) ਦੀ ਗਿਣਤੀ, ਤੋਂ ਹੱਟ ਕੇ ਕੰਪਨੀ ਦੇ ਅਸਲ ਕਾਰੋਬਾਰੀ ਪ੍ਰਦਰਸ਼ਨ 'ਤੇ ਧਿਆਨ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਸਾਲਾਂ ਤੱਕ, ਵੱਡਾ ਪੂੰਜੀ ਨਿਵੇਸ਼ ਸਿਰਫ਼ ਪ੍ਰਯੋਗਾਤਮਕ ਪਾਇਲਟ ਪ੍ਰੋਗਰਾਮਾਂ ਦੇ ਨਾਮ 'ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਪਰ ਹੁਣ ਇਹ ਧਾਰਨਾ ਬਦਲ ਗਈ ਹੈ। ਬੈਂਕ ਹੁਣ ਇਹ ਨਹੀਂ ਦੇਖਣਾ ਚਾਹੁੰਦੇ ਕਿ AI ਕਿਸੇ ਵੱਖਰੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ; ਉਹ ਚਾਹੁੰਦੇ ਹਨ ਕਿ AI ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਗਾਹਕ ਪ੍ਰਾਪਤੀ ਲਾਗਤਾਂ (Acquisition Costs) ਅਤੇ ਗਾਹਕਾਂ ਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਮੁੱਲ (Customer Value) ਵਰਗੇ ਆਰਥਿਕ ਸੂਚਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰੇ। ਇਹ ਸਿਰਫ ਇੱਕ ਤਕਨੀਕੀ ਬਦਲਾਅ ਨਹੀਂ, ਸਗੋਂ ਤਕਨੀਕੀ ਸਰੋਤਾਂ ਦੀ ਮੁੜ-ਵੰਡ ਹੈ ਜੋ ਮੁਨਾਫੇ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।

ਵਿਧੀ ਦੀ ਥਾਂ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਤਰਜੀਹ

ਬੈਂਕਿੰਗ ਲੀਡਰਸ਼ਿਪ ਹੁਣ ਇਹ ਪੁੱਛਣ ਤੋਂ ਅੱਗੇ ਵਧ ਗਈ ਹੈ ਕਿ AI ਕਿੱਥੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਪੁੱਛ ਰਹੀ ਹੈ ਕਿ ਕਿਹੜਾ ਖਾਸ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕ (Performance Indicator) ਸੁਧਾਰਨ ਦੀ ਲੋੜ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਪ੍ਰਾਪਤੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ, ਦਸਤਾਵੇਜ਼ ਤਸਦੀਕ ਨੂੰ ਆਟੋਮੈਟਿਕ ਕਰਨ ਵਰਗੇ ਛੋਟੇ-ਮੋਟੇ ਸੁਧਾਰਾਂ ਨੂੰ ਘੱਟ-ਮੁਨਾਫੇ ਵਾਲਾ ਕੰਮ ਮੰਨਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਨਵਾਂ ਮਿਆਰ ਹੁਣ ਏਕੀਕ੍ਰਿਤ AI ਆਰਕੀਟੈਕਚਰ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕੋ ਸਮੇਂ ਲੀਡ ਸਕੋਰਿੰਗ, ਜੋਖਮ ਮੁਲਾਂਕਣ, ਅਤੇ ਡਿਫਾਲਟ ਮਾਡਲਿੰਗ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਇਹ ਪ੍ਰਣਾਲੀਆਂ ਵੱਖ-ਵੱਖ ਸਾਧਨਾਂ ਦੀ ਬਜਾਏ ਇੱਕ ਸਿੰਗਲ ਇੰਜਣ ਵਜੋਂ ਏਕੀਕ੍ਰਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਉਹ ਪ੍ਰਸ਼ਾਸਕੀ ਸਹਾਇਕਾਂ ਤੋਂ ਯੂਨਿਟ ਇਕਨਾਮਿਕਸ ਦੇ ਪ੍ਰਾਇਮਰੀ ਡਰਾਈਵਰ ਬਣ ਜਾਂਦੇ ਹਨ।

ਸਾਫਟਵੇਅਰ ਡਿਲੀਵਰੀ ਵਿੱਚ ਰੁਕਾਵਟ

ਟੈਕਨਾਲੋਜੀ ਵਿਭਾਗ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਦੇ ਆਦੇਸ਼ਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੇ ਹਨ। ਜਿੱਥੇ ਸ਼ੁਰੂਆਤੀ ਦੌਰ ਵਿੱਚ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੋਡਿੰਗ ਇੱਕ ਵੱਖਰੇ ਸਾਧਨ ਵਜੋਂ ਫੋਕਸ ਸੀ, ਉੱਥੇ ਹੁਣ ਰਣਨੀਤੀ ਪੂਰੀ ਸਾਫਟਵੇਅਰ ਡਿਲੀਵਰੀ ਲਾਈਫਸਾਈਕਲ ਵਿੱਚ ਬੁੱਧੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ (Embedding Intelligence) ਕਰਨ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਹੀ ਹੈ। ਇਹ ਏਕੀਕਰਨ ਇੱਕ ਜਟਿਲ, ਐਂਡ-ਟੂ-ਐਂਡ ਥਰੂਪੁੱਟ ਮੈਟ੍ਰਿਕ ਬਣਾਉਂਦਾ ਹੈ ਜਿਸਨੂੰ ਸਧਾਰਨ ਡਿਵੈਲਪਰ ਉਤਪਾਦਕਤਾ ਅੰਕੜਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਮੈਨੀਪੂਲੇਟ ਕਰਨਾ ਔਖਾ ਹੈ। ਪੁਰਾਣੀਆਂ ਪ੍ਰਣਾਲੀਆਂ (Legacy Ecosystems) ਵਿੱਚ AI ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਅਜੇ ਵੀ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਹੈ; ਕਲਾਉਡ-ਨੇਟਿਵ ਸਟਾਰਟਅੱਪਸ ਦੇ ਉਲਟ, ਸਥਾਪਿਤ ਸੰਸਥਾਵਾਂ ਨੂੰ ਪੁਰਾਣੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਅਤੇ ਸਖ਼ਤ ਰੈਗੂਲੇਟਰੀ ਲੋੜਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਜੋ ਅਕਸਰ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਵਿਕਾਸ ਤੋਂ ਉਤਪਾਦਨ (Production) ਵਿੱਚ ਤਬਦੀਲ ਕਰਦੇ ਸਮੇਂ ਰੋਕ ਦਿੰਦੇ ਹਨ।

ਖਤਰੇ ਦੀ ਘੰਟੀ: ਗਵਰਨੈਂਸ ਅਤੇ ਢਾਂਚਾਗਤ ਜੋਖਮ

ਅੱਜ ਬੈਂਕਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਡਾ ਖਤਰਾ 'ਗਵਰਨੈਂਸ ਲੈਗ' (Governance Lag) ਹੈ - ਯਾਨੀ ਤੇਜ਼ੀ ਨਾਲ ਮਾਡਲ ਤਾਇਨਾਤੀ ਅਤੇ ਪੁਰਾਣੀਆਂ ਰਿਸਕ ਮੈਨੇਜਮੈਂਟ ਫਰੇਮਵਰਕਾਂ ਵਿਚਾਲੇ ਅੰਤਰ। ਚੁਸਤ ਫਿਨਟੈਕ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦੇ ਉਲਟ, ਵੱਡੀਆਂ ਬੈਂਕਾਂ ਫੈਡਰਲ ਰਿਜ਼ਰਵ ਅਤੇ ਅੰਤਰਰਾਸ਼ਟਰੀ ਰੈਗੂਲੇਟਰਾਂ ਦੀ ਭਾਰੀ ਨਿਗਰਾਨੀ ਹੇਠ ਕੰਮ ਕਰਦੀਆਂ ਹਨ। ਕ੍ਰੈਡਿਟ ਅੰਡਰਰਾਈਟਿੰਗ ਜਾਂ ਆਟੋਮੇਟਿਡ ਸਰਵਿਸਿੰਗ ਵਰਗੇ ਮੁੱਖ ਕਾਰਜਾਂ ਵਿੱਚ AI-ਆਧਾਰਿਤ ਕੋਈ ਵੀ ਗਲਤੀ ਤੁਰੰਤ ਕਾਨੂੰਨੀ ਅਤੇ ਪ੍ਰਤਿਸ਼ਠਾ ਨੂੰ ਖਤਰਾ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉੱਚ-ਗੁਣਵੱਤਾ, ਸਾਫ਼ ਡਾਟਾ 'ਤੇ ਨਿਰਭਰਤਾ ਇੱਕ ਢਾਂਚਾਗਤ ਸੀਮਾ ਵਜੋਂ ਕੰਮ ਕਰਦੀ ਹੈ। ਖੰਡਿਤ, ਸਿਲੋਡ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਾਲੇ ਬੈਂਕਾਂ ਦੇ AI ਪਹਿਲਕਦਮੀਆਂ ਦੇ ਅਸਫਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ, ਮਾਡਲ ਡਿਜ਼ਾਈਨ ਦੀ ਗਲਤੀ ਕਾਰਨ ਨਹੀਂ, ਬਲਕਿ ਇਸ ਲਈ ਕਿ ਬੁਨਿਆਦੀ ਇਨਪੁਟ ਡਾਟਾ ਅਸੰਗਤ ਅਤੇ ਸਿਲੋਡ ਰਹਿੰਦਾ ਹੈ। ਜਿਹੜੀਆਂ ਸੰਸਥਾਵਾਂ ਐਂਟਰਪ੍ਰਾਈਜ਼-ਵਾਈਡ AI ਨੂੰ ਤਾਇਨਾਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇਸ ਡਾਟਾ ਡੈੱਟ ਨੂੰ ਠੀਕ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ, ਉਹ ਟੈਕਨਾਲੋਜੀ ਦੀ ਲਾਗਤ ਅਤੇ ਸੁਧਾਰ ਦੀ ਲਾਗਤ ਦੋਵਾਂ ਨੂੰ ਸਹਿਣ ਕਰਕੇ ਮਾਰਜਿਨ ਕੰਪ੍ਰੈਸ਼ਨ (Margin Compression) ਦਾ ਸਾਹਮਣਾ ਕਰਨਗੀਆਂ।