ਭਾਰਤ ਦਾ Account Aggregator (AA) ਫਰੇਮਵਰਕ ਹੁਣ ਲੋਨ ਦੇਣ ਦੇ ਤਰੀਕੇ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਰਿਹਾ ਹੈ। ਇਹ AI (Artificial Intelligence) ਮਾਡਲਾਂ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ, ਡਾਟਾ-ਆਧਾਰਿਤ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰ ਰਿਹਾ ਹੈ। ਦਸੰਬਰ 2025 ਤੱਕ, **64** ਤੋਂ ਵੱਧ ਬੈਂਕਾਂ ਇਸ ਯੂਨੀਫਾਈਡ ਲੈਂਡਿੰਗ ਇੰਟਰਫੇਸ ਨਾਲ ਜੁੜ ਚੁੱਕੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ **₹1.47 ਲੱਖ ਕਰੋੜ** ਤੋਂ ਵੱਧ ਦਾ ਕ੍ਰੈਡਿਟ ਮਨਜ਼ੂਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਨਾਲ ਲੋਨ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੁਣ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਸਟੀਕ ਹੋ ਗਿਆ ਹੈ, ਹਾਲਾਂਕਿ ਡਾਟਾ ਵਰਤੋਂ ਦੀ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਲੈ ਕੇ ਚਿੰਤਾਵਾਂ ਵੀ ਹਨ।
Detailed Coverage
ਡਿਜੀਟਲ ਲੈਂਡਿੰਗ ਦਾ ਨਵਾਂ ਦੌਰ
ਭਾਰਤੀ ਰਿਟੇਲ ਲੈਂਡਿੰਗ (Retail Lending) ਦਾ ਮਾਹੌਲ ਹੁਣ ਬਦਲ ਰਿਹਾ ਹੈ ਕਿਉਂਕਿ ਭਾਰਤੀ ਰਿਜ਼ਰਵ ਬੈਂਕ (RBI) ਦਾ Account Aggregator (AA) ਫਰੇਮਵਰਕ ਤੇਜ਼ੀ ਨਾਲ ਅਪਣਾਇਆ ਜਾ ਰਿਹਾ ਹੈ। ਪੁਰਾਣੇ ਤਰੀਕੇ ਜਿਵੇਂ ਬੈਂਕ ਸਟੇਟਮੈਂਟ ਜਾਂ ਸੈਲਰੀ ਸਲਿੱਪ 'ਤੇ ਨਿਰਭਰ ਰਹਿਣ ਦੀ ਬਜਾਏ, ਇਹ ਸਿਸਟਮ ਹੁਣ ਲੋਕਾਂ ਨੂੰ ਆਪਣੀ ਵਿੱਤੀ ਜਾਣਕਾਰੀ (Financial Data) ਤੱਕ ਰੀਅਲ-ਟਾਈਮ, ਸਹਿਮਤੀ ਨਾਲ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਸ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਵਾਹ ਨਾਲ AI-ਅਧਾਰਿਤ ਅੰਡਰਰਾਈਟਿੰਗ ਮਾਡਲ (AI-driven Underwriting Models) ਨੂੰ ਹੁਲਾਰਾ ਮਿਲ ਰਿਹਾ ਹੈ, ਜੋ ਕਿ ਰਵਾਇਤੀ ਕ੍ਰੈਡਿਟ ਸਕੋਰ ਤੋਂ ਅੱਗੇ ਜਾ ਕੇ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲੇ ਦੇ ਅਸਲ ਕੈਸ਼ ਫਲੋ (Cash Flow), ਖਰਚ ਕਰਨ ਦੀਆਂ ਆਦਤਾਂ ਅਤੇ ਭੁਗਤਾਨ ਸਮਰੱਥਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ।
ਡਿਜੀਟਲ ਢਾਂਚੇ ਦੀ ਮਜ਼ਬੂਤੀ
ਇਸ ਡਿਜੀਟਲ ਢਾਂਚੇ (Digital Infrastructure) ਨੂੰ ਕਾਫੀ ਅਪਣਾਇਆ ਗਿਆ ਹੈ। ਦਸੰਬਰ 2025 ਤੱਕ, 64 ਤੋਂ ਵੱਧ ਬੈਂਕਾਂ ਯੂਨੀਫਾਈਡ ਲੈਂਡਿੰਗ ਇੰਟਰਫੇਸ (Unified Lending Interface) ਨਾਲ ਜੁੜ ਚੁੱਕੀਆਂ ਹਨ ਅਤੇ ਆਪਣੇ ਜੋਖਮ ਮੁਲਾਂਕਣ (Risk Assessments) ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ 136 ਤੋਂ ਵੱਧ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਸੇਵਾਵਾਂ (Data Services) ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ। ਏਕੋਸਿਸਟਮ ਦੀ ਸਵੈ-ਰੈਗੂਲੇਟਰੀ ਬਾਡੀ (Self-Regulatory Body) Sahamati ਦੇ ਅੰਕੜਿਆਂ ਅਨੁਸਾਰ, ਇਸ ਨੈੱਟਵਰਕ ਨੇ ਅਪ੍ਰੈਲ ਤੋਂ ਸਤੰਬਰ 2025 ਦੇ ਵਿਚਕਾਰ ਲਗਭਗ ₹1.47 ਲੱਖ ਕਰੋੜ ਦੇ ਕਰਜ਼ੇ ਮਨਜ਼ੂਰ ਕਰਵਾਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ ਹੈ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਲਗਭਗ 10% ਹਿੱਸਾ ਪਰਸਨਲ ਲੋਨ (Personal Loans) ਦਾ ਹੈ, ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਸਿਸਟਮ ਛੋਟੇ ਅਤੇ ਤੇਜ਼ੀ ਨਾਲ ਹੋਣ ਵਾਲੇ ਕ੍ਰੈਡਿਟ ਉਤਪਾਦਾਂ (Credit Products) ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਲਈ ਸਫਲਤਾਪੂਰਵਕ ਵਰਤਿਆ ਜਾ ਰਿਹਾ ਹੈ।
ਕਾਗਜ਼ੀ ਕਾਰਵਾਈ ਦੀ ਥਾਂ ਪ੍ਰੀਸੀਸ਼ਨ (Precision)
ਖਾਸ ਤੌਰ 'ਤੇ ਸਵੈ-ਰੋਜ਼ਗਾਰ (Self-employed) ਜਾਂ ਅਨਿਯਮਿਤ ਆਮਦਨ (Irregular Income Streams) ਵਾਲੇ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲਿਆਂ ਲਈ, ਇਹ ਬਦਲਾਅ ਇੱਕ ਵਧੇਰੇ ਸੂਖਮ ਮੁਲਾਂਕਣ (Nuanced Evaluation) ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਰਵਾਇਤੀ ਕ੍ਰੈਡਿਟ ਸਕੋਰਿੰਗ ਅਕਸਰ ਗੈਰ-ਤਨਖਾਹ (Non-salaried) ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਦੀ ਪੂਰੀ ਵਿੱਤੀ ਸਿਹਤ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀ ਹੈ। ਮਿਊਚਲ ਫੰਡ ਹੋਲਡਿੰਗਜ਼, ਆਮਦਨ ਦੀ ਨਿਰੰਤਰਤਾ ਅਤੇ ਮੌਜੂਦਾ ਕਰਜ਼ੇ ਦੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਦੇਖ ਕੇ, ਬੈਂਕ ਹੋਰ ਠੋਸ ਕ੍ਰੈਡਿਟ ਪੇਸ਼ਕਸ਼ਾਂ (Tailored Credit Offers) ਬਣਾ ਸਕਦੇ ਹਨ। ਇਹ ਵਿਸਤ੍ਰਿਤ ਪਹੁੰਚ (Granular Approach) ਯੋਗ ਵਿਅਕਤੀਆਂ ਲਈ ਮਨਜ਼ੂਰੀ ਦਰਾਂ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ, ਜੋ ਕਿ ਸਿਰਫ ਆਮ ਕ੍ਰੈਡਿਟ ਬਿਊਰੋ ਡਾਟਾ (Credit Bureau Data) 'ਤੇ ਨਿਰਭਰ ਆਟੋਮੇਟਿਡ ਸਿਸਟਮਾਂ ਦੁਆਰਾ ਅਸਵੀਕਾਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
ਡਾਟਾ ਗਵਰਨੈਂਸ (Data Governance) ਦੇ ਜੋਖਮਾਂ ਦਾ ਹੱਲ
ਆਟੋਮੇਟਿਡ, AI-ਆਧਾਰਿਤ ਲੈਂਡਿੰਗ ਵੱਲ ਇਹ ਮੋੜ ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ (Data Privacy) ਅਤੇ ਇਸਦੀ ਵਰਤੋਂ 'ਤੇ ਧਿਆਨ ਖਿੱਚ ਰਿਹਾ ਹੈ। ਉਦਯੋਗ ਦੇ ਨਿਗਰਾਨਾਂ (Industry Observers) ਅਤੇ ਤਕਨਾਲੋਜੀ ਮਾਹਰਾਂ (Technology Experts) ਲਈ ਇੱਕ ਮੁੱਖ ਚਿੰਤਾ ਉਦੇਸ਼ ਸੀਮਾਵਾਂ (Purpose Limitation) ਦੀ ਘਾਟ ਹੈ। ਇੱਕ ਵਾਰ ਜਦੋਂ ਕੋਈ ਬੈਂਕ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲੇ ਦੀ ਵਿੱਤੀ ਪ੍ਰੋਫਾਈਲ (Financial Profile) ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਾਪਤ ਕਰ ਲੈਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਡਾਟਾ ਸਿਰਫ ਲੋਨ ਅੰਡਰਰਾਈਟਿੰਗ ਲਈ ਹੀ ਵਰਤਿਆ ਜਾਵੇ - ਅਤੇ ਨਾ ਕਿ ਟਾਰਗੇਟਿਡ ਮਾਰਕੀਟਿੰਗ (Targeted Marketing) ਜਾਂ ਜ਼ਬਰਦਸਤੀ ਵਸੂਲੀ (Aggressive Collection Efforts) ਲਈ ਦੁਬਾਰਾ ਵਰਤਿਆ ਜਾਵੇ - ਇਹ ਰੈਗੂਲੇਟਰਾਂ (Regulators) ਲਈ ਇੱਕ ਚੁਣੌਤੀ ਬਣੀ ਹੋਈ ਹੈ।
ਉਦਯੋਗ ਦੇ ਭਾਗੀਦਾਰਾਂ (Industry Participants) ਨੇ ਦੱਸਿਆ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲੇ ਆਪਣੀ ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ 'ਤੇ ਇਸਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝੇ ਬਿਨਾਂ, ਸਹੂਲਤ ਲਈ ਸਹਿਮਤੀ (Consent) ਦੇ ਦਿੰਦੇ ਹਨ। ਇਸ ਘਾਟ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, RBI ਨੇ ਅਜਿਹੇ ਨਿਯਮਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੱਤਾ ਹੈ ਜੋ ਬੈਂਕਾਂ ਨੂੰ ਆਪਣੇ AI ਮਾਡਲਾਂ ਦੁਆਰਾ ਲਏ ਗਏ ਲੋਨ ਫੈਸਲਿਆਂ ਬਾਰੇ ਵਧੇਰੇ ਪਾਰਦਰਸ਼ੀ (Transparent) ਹੋਣ ਲਈ ਮਜਬੂਰ ਕਰਨਗੇ। ਇਸ ਦੇ ਨਾਲ ਹੀ, Sahamati ਨੇ ਕੌਨਫੀਡੈਂਸ਼ੀਅਲ ਕੰਪਿਊਟਿੰਗ (Confidential Computing) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਫਰੇਮਵਰਕ ਪੇਸ਼ ਕੀਤਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਕਰਜ਼ਾ ਲੈਣ ਵਾਲਿਆਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਡਾਟਾ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਬਾਰੇ ਸਪੱਸ਼ਟ ਰਿਕਾਰਡ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ।
ਅੱਗੇ ਵੱਧਦੇ ਹੋਏ, ਇਨ੍ਹਾਂ ਉਪਾਵਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ (Effectiveness) ਉਨ੍ਹਾਂ ਦੇ ਲਾਗੂ ਹੋਣ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ। ਜਦੋਂ ਤੱਕ ਮਿਆਰੀ ਨਿਯਮ (Standardized Regulations) ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਾਗੂ ਨਹੀਂ ਹੋ ਜਾਂਦੇ, ਕਰਜ਼ਾ ਲੈਣ ਵਾਲਿਆਂ ਨੂੰ RBI ਦੁਆਰਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਬੈਂਕਾਂ ਨਾਲ ਜੁੜੇ ਰਹਿਣ, ਲੋਨ ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਬਾਅਦ AA ਐਪਲੀਕੇਸ਼ਨਾਂ 'ਤੇ ਸਹਿਮਤੀ ਵਾਪਸ ਲੈਣ (Revoke Consent) ਦੇ ਆਪਣੇ ਅਧਿਕਾਰ ਦੀ ਵਰਤੋਂ ਕਰਨ, ਅਤੇ ਕ੍ਰੈਡਿਟ ਸਬੰਧ ਖਤਮ ਹੋਣ ਤੋਂ ਬਾਅਦ ਡਾਟਾ ਮਿਟਾਉਣ (Data Deletion) ਦੀ ਬੇਨਤੀ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਨਿਵੇਸ਼ਕ (Investors) ਅਤੇ ਹਿੱਸੇਦਾਰ (Stakeholders) ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਹਨਾਂ ਵਧੇਰੇ ਪਾਰਦਰਸ਼ੀ ਡਾਟਾ-ਪ੍ਰੋਸੈਸਿੰਗ ਫਰੇਮਵਰਕ ਵੱਲ ਦੇ ਸੰਚਾਰ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਗੇ, ਕਿਉਂਕਿ ਇਹ ਡਿਜੀਟਲ ਲੈਂਡਿੰਗ ਢਾਂਚੇ ਵਿੱਚ ਲੰਬੇ ਸਮੇਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ (Reliability) ਅਤੇ ਜਨਤਕ ਵਿਸ਼ਵਾਸ (Public Trust) ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਗੇ।