Whalesbook
AI ਦਾ ਪੂਰਾ ਫਾਇਦਾ ਕਿਉਂ ਨਹੀਂ ਲੈ ਪਾ ਰਹੀਆਂ Banks?
McKinsey & Company ਦੀ ਰਿਪੋਰਟ ਦੱਸਦੀ ਹੈ ਕਿ Banks ਵੱਲੋਂ AI ਟੈਕਨਾਲੋਜੀ ਵਿੱਚ ਕੀਤੇ ਜਾ ਰਹੇ ਭਾਰੀ ਨਿਵੇਸ਼ ਅਤੇ ਅਸਲ ਵਿੱਚ ਮਿਲ ਰਹੇ ਨਤੀਜਿਆਂ ਵਿਚਕਾਰ ਇੱਕ ਵੱਡਾ ਪਾੜਾ ਹੈ। ਇਸ ਦਾ ਮੁੱਖ ਕਾਰਨ Banks ਦਾ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ 'ਤੇ ਨਿਰਭਰ ਰਹਿਣਾ ਹੈ। Banks ਜੋ ਲਾਗਤ ਕਟੌਤੀ (Cost Cutting) ਅਤੇ ਬਿਹਤਰ ਗਾਹਕ ਅਨੁਭਵ (Customer Experience) ਦੀ ਉਮੀਦ ਕਰ ਰਹੀਆਂ ਹਨ, ਉਹ ਪੂਰੀ ਨਹੀਂ ਹੋ ਰਹੀ ਕਿਉਂਕਿ AI ਨੂੰ ਅਕਸਰ ਮੌਜੂਦਾ ਅਯੋਗ ਸਿਸਟਮਾਂ 'ਤੇ ਹੀ ਲਾਗੂ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਨਾ ਕਿ ਉਨ੍ਹਾਂ ਨੂੰ ਮੁੜ-ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ।
ਪੁਰਾਣੇ ਨੀਂਹ 'ਤੇ AI ਨਿਵੇਸ਼ ਦਾ ਘੱਟ ਪ੍ਰਭਾਵ
Banks ਵਾਇਸ ਬੋਟਸ ਅਤੇ ਐਨਾਲਿਟਿਕਸ ਵਰਗੀਆਂ AI ਟੈਕਨਾਲੋਜੀ ਵਿੱਚ ਵੱਡੀ ਪੂੰਜੀ ਲਗਾ ਰਹੀਆਂ ਹਨ, ਅਤੇ ਅਕਸਰ 30-45% ਤੱਕ ਲਾਗਤ ਘਟਾਉਣ ਦੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਦੱਸੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ, ਇਹ ਲਾਭ ਅਕਸਰ ਪੂਰੇ ਨਹੀਂ ਹੁੰਦੇ। AI ਦੇ ਅਸਫ਼ਲ ਹੋਣ ਦਾ ਮੁੱਖ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਇਹ ਗਾਹਕਾਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਮੂਲ ਕਾਰਨਾਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਬਜਾਏ ਮੌਜੂਦਾ ਅਯੋਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਆਟੋਮੇਟ ਕਰ ਦਿੰਦਾ ਹੈ। AI ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਰੈਗੂਲੇਟਰੀ ਅਤੇ ਜੋਖਮ (Risk) ਸੰਬੰਧੀ ਰੁਕਾਵਟਾਂ ਦੁਆਰਾ ਹੋਰ ਵੀ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਬਣਾਉਣ ਦੀ ਬਜਾਏ ਅਕਸਰ ਬਾਅਦ ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ। ਇੰਡਸਟਰੀ ਦੇ ਬੈਂਚਮਾਰਕ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਜਿੱਥੇ ਕੁਝ ਟੈਕਨਾਲੋਜੀ-ਅਗਾਂਹਵਧੂ Banks ਮਾਲੀਏ ਦਾ 16.4% ਤੱਕ ਟੈਕਨਾਲੋਜੀ 'ਤੇ ਖਰਚ ਕਰਦੀਆਂ ਹਨ, ਉੱਥੇ ਕਈ ਇਸ ਨਿਵੇਸ਼ ਨੂੰ ਅਨੁਸਾਰੀ ਮੁੱਲ ਵਿੱਚ ਬਦਲਣ ਲਈ ਸੰਘਰਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ।
ਵਿਰਾਸਤੀ ਸਿਸਟਮ (Legacy Systems) IT ਬਜਟ ਖਾ ਜਾਂਦੇ ਹਨ, ਤਰੱਕੀ ਨੂੰ ਰੋਕਦੇ ਹਨ
ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ Banks ਆਪਣੇ IT ਬਜਟ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ—70% ਤੱਕ—ਸਿਰਫ਼ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣ 'ਤੇ ਖਰਚ ਕਰ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਨਵੀਨਤਾ (Innovation) ਲਈ ਪੈਸਾ ਘੱਟ ਬਚਦਾ ਹੈ। IT ਖਰਚਾ ਮਾਲੀਏ ਦਾ 6% ਤੋਂ 12% ਤੱਕ ਹੋ ਸਕਦਾ ਹੈ। ਕੋਰ ਬੈਂਕਿੰਗ ਪਲੇਟਫਾਰਮ 30-40 ਸਾਲ ਪੁਰਾਣੇ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਸ ਕਾਰਨ ਦੇਰੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਚੁਣੌਤੀਪੂਰਨ FinTech ਫਰਮਾਂ ਦੇ ਉਲਟ ਨਵੇਂ ਉਤਪਾਦਾਂ ਨੂੰ ਜਲਦੀ ਲਾਂਚ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਬਹੁਤ ਸਾਰੀਆਂ ਸੰਸਥਾਵਾਂ ਅਜੇ ਵੀ COBOL-ਆਧਾਰਿਤ ਸਿਸਟਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਦੁਨੀਆ ਭਰ ਵਿੱਚ COBOL ਕੋਡ ਦੀਆਂ ਅਰਬਾਂ ਲਾਈਨਾਂ ਹਨ, ਜੋ ਮਹਿੰਗੇ ਅਤੇ ਬਣਾਈ ਰੱਖਣ ਵਿੱਚ ਮੁਸ਼ਕਲ ਹੁੰਦੇ ਜਾ ਰਹੇ ਹਨ। ਇਹ ਪੁਰਾਣੇ ਸਿਸਟਮ ਆਧੁਨਿਕ ਸਿਸਟਮਾਂ ਦੇ ਮੁਕਾਬਲੇ ਅਪਡੇਟਾਂ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਬਦਲਾਅ ਦੀ ਗਤੀ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀ ਹੈ। ਲਗਭਗ 43% ਕੰਪਨੀਆਂ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲ ਸੰਘਰਸ਼ ਕਰਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਕੋਲ ਸਪੱਸ਼ਟ ਵਪਾਰਕ ਟੀਚੇ ਅਤੇ ਸਹੀ ਡਾਟਾ ਪ੍ਰਬੰਧਨ (Data Management) ਦੀ ਘਾਟ ਹੈ। JPMorgan Chase ਅਤੇ Bank of America ਵਰਗੀਆਂ ਕੁਝ ਪ੍ਰਮੁੱਖ Banks, AI ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਏਕੀਕ੍ਰਿਤ (integrate) ਕਰਨ ਲਈ ਟੈਕਨਾਲੋਜੀ ਅਤੇ AI ਪ੍ਰਤਿਭਾ (talent) ਵਿੱਚ ਭਾਰੀ ਨਿਵੇਸ਼ ਕਰ ਰਹੀਆਂ ਹਨ। ਉਦਾਹਰਨ ਲਈ, Bank of America 2024 ਲਈ ਟੈਕਨਾਲੋਜੀ ਵਿੱਚ $4 ਬਿਲੀਅਨ ਦਾ ਨਿਵੇਸ਼ ਕਰ ਰਹੀ ਹੈ, ਜਿਸਦਾ ਵਰਚੁਅਲ ਅਸਿਸਟੈਂਟ Erica ਅਰਬਾਂ ਗੱਲਬਾਤਾਂ ਨੂੰ ਸੰਭਾਲ ਰਿਹਾ ਹੈ। ਹਾਲਾਂਕਿ, ਬਹੁਤ ਸਾਰੇ ਹੋਰ "ਪਾਇਲਟ ਪਰਗੇਟਰੀ" (pilot purgatory) ਵਿੱਚ ਫਸੇ ਹੋਏ ਹਨ, ਛੋਟੇ ਪ੍ਰੋਜੈਕਟਾਂ 'ਤੇ AI ਨੂੰ ਅਜ਼ਮਾ ਰਹੇ ਹਨ ਪਰ ਉਨ੍ਹਾਂ ਨੂੰ ਕੰਪਨੀ ਭਰ ਵਿੱਚ ਨਹੀਂ ਵਧਾ ਰਹੇ।
ਕੁਝ ਨਾ ਕਰਨ ਦੀ ਵੱਡੀ ਕੀਮਤ: ਖੁੰਝੀ ਹੋਈ ਕਮਾਈ ਅਤੇ ਜੋਖਮ
ਉਹ Banks ਜੋ ਅਪਡੇਟ ਨਹੀਂ ਕਰਦੀਆਂ, ਉਹ ਸਿਰਫ਼ ਮੌਕੇ ਗੁਆਉਣ ਦਾ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਅਪ੍ਰਸੰਗਿਕ (irrelevant) ਹੋਣ ਦਾ ਵੀ ਜੋਖਮ ਲੈਂਦੀਆਂ ਹਨ। ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਨੂੰ ਚਲਾਉਣ ਦਾ ਖਰਚਾ ਵੱਧ ਹੁੰਦਾ ਹੈ, ਉਹ ਘੱਟ ਸੁਰੱਖਿਅਤ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਡਿਜੀਟਲ ਲੋੜਾਂ ਨਾਲ ਤਾਲਮੇਲ ਨਹੀਂ ਬਿਠਾ ਸਕਦੇ। 2028 ਤੱਕ, ਆਧੁਨਿਕੀਕਰਨ (modernize) ਕਰਨ ਵਿੱਚ ਅਸਫ਼ਲ Banks $57 ਬਿਲੀਅਨ ਤੋਂ ਵੱਧ ਗੁਆ ਸਕਦੀਆਂ ਹਨ, ਜਿਸ ਵਿੱਚ ਸਿਰਫ਼ ਭੁਗਤਾਨਾਂ (payments) ਵਿੱਚ ਹੀ ਕਾਫੀ ਕਮਾਈ ਦਾ ਨੁਕਸਾਨ ਹੋਵੇਗਾ। ਵਿਆਹਾਂ (mergers) ਰਾਹੀਂ ਸਾਲਾਂ ਦੌਰਾਨ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਿਸਟਮ Banks ਨੂੰ ਗਾਹਕਾਂ ਦੀਆਂ ਮੰਗਾਂ ਅਤੇ ਨਵੇਂ ਨਿਯਮਾਂ ਦੇ ਅਨੁਕੂਲ ਬਣਨ ਵਿੱਚ ਹੌਲੀ ਬਣਾ ਦਿੰਦੇ ਹਨ। AI ਦਾ ਕੁਸ਼ਲਤਾ (efficiency) ਦਾ ਵਾਅਦਾ ਇਨ੍ਹਾਂ ਅਸਥਿਰ ਸਿਸਟਮਾਂ 'ਤੇ ਲਾਗੂ ਹੋਣ 'ਤੇ ਸੀਮਿਤ ਹੋ ਜਾਂਦਾ ਹੈ। ਆਧੁਨਿਕ ਸਿਸਟਮ ਬਣਾਉਣ ਵਾਲੇ ਮੁਕਾਬਲੇਬਾਜ਼ਾਂ ਦੇ ਉਲਟ, ਪੁਰਾਣੇ "ਤਕਨੀਕੀ ਕਰਜ਼ੇ" (technical debt) ਵਾਲੀਆਂ Banks ਵਧਦੇ ਰੱਖ-ਰਖਾਵ ਖਰਚੇ ਅਤੇ ਵੱਡੇ ਸੁਰੱਖਿਆ ਜੋਖਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀਆਂ ਹਨ, ਜਿਸ ਵਿੱਚ ਤੋੜ-ਫੋੜ (breach) ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਦੇਰੀ ਵੀ ਸ਼ਾਮਲ ਹੈ। AI ਪ੍ਰਤਿਭਾ ਦੀ ਘਾਟ, ਜੋ ਕਿ ਟੈਕ ਕੰਪਨੀਆਂ ਨਾਲ ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਕਾਰਨ ਹੋਰ ਵੀ ਵਿਗੜ ਜਾਂਦੀ ਹੈ, ਉੱਨਤ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਵੀ ਰੋਕਦੀ ਹੈ।
AI ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਅਨਲੌਕ ਕਰਨ ਲਈ ਓਵਰਹਾਲ (Overhaul) ਦੀ ਲੋੜ, ਨਾ ਕਿ ਸਿਰਫ਼ ਓਵਰਲੇ (Overlay)
McKinsey ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਕਿ Banks ਨੂੰ ਸਿਰਫ਼ AI ਜੋੜਨ ਦੀ ਬਜਾਏ, ਆਪਣੇ ਕੰਮ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ ਵਿੱਚ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਬਦਲਾਅ ਲਿਆਉਣ ਦੀ ਲੋੜ ਹੈ। ਉਨ੍ਹਾਂ ਨੂੰ ਆਪਣੇ ਕਾਰਜਾਂ (operations) ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਨਵੇਂ ਸਿਰੇ ਤੋਂ ਡਿਜ਼ਾਈਨ ਕਰਨਾ ਹੋਵੇਗਾ। ਸਫਲਤਾ ਲਈ ਪੁਰਾਣੀਆਂ ਢਾਂਚੇ ਨੂੰ ਢਾਹੁਣਾ (dismantle) ਪਵੇਗਾ। ਇਸ ਨਾਲ 25-40% ਗਾਹਕ ਕਾਲਾਂ ਵਿੱਚ ਗਿਰਾਵਟ ਅਤੇ ਉੱਚ ਸੰਤੁਸ਼ਟੀ (satisfaction) ਵਰਗੇ ਲਾਭ ਮਿਲ ਸਕਦੇ ਹਨ। ਬੈਂਕਿੰਗ ਦਾ ਭਵਿੱਖ AI ਨੂੰ ਇੱਕ ਪਰਿਵਰਤਨਸ਼ੀਲ ਸ਼ਕਤੀ (transformative force) ਵਜੋਂ ਮੰਨਣ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਲਈ ਪ੍ਰਤਿਭਾ ਅਤੇ ਟੈਕਨਾਲੋਜੀ ਤੋਂ ਲੈ ਕੇ ਡਾਟਾ ਅਤੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਤੱਕ ਸਭ ਕੁਝ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਬਦਲਣ ਦੀ ਲੋੜ ਹੈ।