ਭਾਵੇਂ ਕਿ FY26 ਵਿੱਚ ਕਮਰਸ਼ੀਅਲ ਕ੍ਰੈਡਿਟ **14%** ਵਧ ਕੇ ₹65.8 ਟ੍ਰਿਲੀਅਨ ਹੋ ਗਿਆ ਹੈ, ਪਰ ਘੱਟ ਨਵੇਂ ਕਾਰੋਬਾਰ ਫਾਰਮਲ ਕ੍ਰੈਡਿਟ ਸਿਸਟਮ ਵਿੱਚ ਦਾਖਲ ਹੋ ਰਹੇ ਹਨ। RBI ਡਿਪਟੀ ਗਵਰਨਰ ਸ਼ਿਰੀਸ਼ ਚੰਦਰ ਮੁਰਮੂ ਨੇ ਚੇਤਾਵਨੀ ਦਿੱਤੀ ਹੈ ਕਿ ਬੈਂਕਾਂ ਦੀ ਮੌਜੂਦਾ ਟੈਕਨਾਲੋਜੀ ਅਤੇ ਡਾਟਾ ਮਾਡਲ ਨਵੇਂ ਗਾਹਕਾਂ ਨੂੰ ਜੋੜਨ ਦੀ ਬਜਾਏ ਮੌਜੂਦਾ ਗਾਹਕਾਂ ਦੀ ਸੇਵਾ ਲਈ ਅਨੁਕੂਲਿਤ ਹਨ। ਇਹ ਰੁਝਾਨ ਦੱਸਦਾ ਹੈ ਕਿ ਐਡਵਾਂਸਡ ਡਿਜੀਟਲ ਸਮਰੱਥਾਵਾਂ ਦੇ ਬਾਵਜੂਦ 'ਕ੍ਰੈਡਿਟ ਇਨਵਿਜੀਬਲਜ਼' ਨੂੰ ਫਾਰਮਲ ਅਰਥਚਾਰੇ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਹੈ।
ਭਾਰਤੀ ਰਿਜ਼ਰਵ ਬੈਂਕ (RBI) ਨੇ ਦੇਸ਼ ਦੇ ਬੈਂਕਿੰਗ ਸੈਕਟਰ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਸੰਚਾਲਨ ਚੁਣੌਤੀ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ ਹੈ। ਜਿੱਥੇ ਇੱਕ ਪਾਸੇ ਕੁੱਲ ਕਮਰਸ਼ੀਅਲ ਕ੍ਰੈਡਿਟ ਵਧ ਰਿਹਾ ਹੈ, ਉੱਥੇ ਦੂਜੇ ਪਾਸੇ ਬੈਂਕਾਂ ਦੀ ਨਵੇਂ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਰਸਮੀ ਵਿੱਤੀ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਲਿਆਉਣ ਦੀ ਸਮਰੱਥਾ ਕਮਜ਼ੋਰ ਹੋ ਰਹੀ ਹੈ। ਹਾਲ ਹੀ ਵਿੱਚ ਹੋਈ ਬੈਂਕਿੰਗ ਟ੍ਰਾਂਸਫਾਰਮੇਸ਼ਨ ਸੰਮੇਲਨ ਦੌਰਾਨ, RBI ਦੇ ਡਿਪਟੀ ਗਵਰਨਰ ਸ਼ਿਰੀਸ਼ ਚੰਦਰ ਮੁਰਮੂ ਨੇ ਦੱਸਿਆ ਕਿ ਵਿੱਤੀ ਸਾਲ 2025-26 ਵਿੱਚ ਨਵੇਂ ਕਾਰੋਬਾਰਾਂ ਦਾ ਰਸਮੀ ਕ੍ਰੈਡਿਟ ਤੱਕ ਪਹੁੰਚਣ ਦਾ ਹਿੱਸਾ 42% ਤੱਕ ਡਿੱਗ ਗਿਆ ਹੈ, ਜੋ ਕਿ 2022-23 ਵਿੱਚ 52% ਸੀ।
ਇਹ ਰੁਝਾਨ ਅਜਿਹੇ ਸਮੇਂ ਵਿੱਚ ਵੀ ਜਾਰੀ ਹੈ ਜਦੋਂ ਬੈਂਕਿੰਗ ਸੈਕਟਰ ਮਜ਼ਬੂਤ ਕੁੱਲ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਰਿਪੋਰਟ ਕਰ ਰਿਹਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਕੁੱਲ ਬਕਾਇਆ ਕਮਰਸ਼ੀਅਲ ਕ੍ਰੈਡਿਟ FY26 ਵਿੱਚ 14% ਵਧ ਕੇ ₹65.8 ਟ੍ਰਿਲੀਅਨ ਤੱਕ ਪਹੁੰਚ ਗਿਆ ਹੈ। RBI ਦਾ ਇਹ ਨਿਰੀਖਣ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਜਦੋਂ ਕਿ ਬੈਂਕ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣ ਰਹੇ ਹਨ, ਉਹ ਕੁਸ਼ਲਤਾ ਮੁੱਖ ਤੌਰ 'ਤੇ ਆਪਣੇ ਮੌਜੂਦਾ ਗਾਹਕ ਆਧਾਰ ਨੂੰ ਲਾਭ ਪਹੁੰਚਾ ਰਹੀ ਹੈ ਨਾ ਕਿ ਅਣ-ਸੇਵਾ ਵਾਲੇ ਵਰਗਾਂ ਤੱਕ ਬਾਜ਼ਾਰ ਦਾ ਵਿਸਥਾਰ ਕਰ ਰਹੀ ਹੈ।
ਕੇਂਦਰੀ ਬੈਂਕ ਦੇ ਅਨੁਸਾਰ, ਮੁੱਖ ਮੁੱਦਾ ਇਹ ਹੈ ਕਿ ਬੈਂਕ ਆਪਣੀਆਂ ਤਕਨੀਕੀ ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਮਰੱਥਾਵਾਂ ਦਾ ਕਿਵੇਂ ਇਸਤੇਮਾਲ ਕਰਦੇ ਹਨ। ਬੈਂਕਾਂ ਨੇ ਵਧੇਰੇ ਅਤੇ ਵਧੇਰੇ ਉੱਨਤ ਮਾਡਲਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਮੌਜੂਦਾ ਗਾਹਕਾਂ ਨਾਲ ਸਬੰਧਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਵਿਕਾਸ ਕੀਤਾ ਜਾ ਸਕੇ – ਉਹਨਾਂ ਗਾਹਕਾਂ ਨਾਲ ਜਿਨ੍ਹਾਂ ਕੋਲ ਪਹਿਲਾਂ ਹੀ ਕ੍ਰੈਡਿਟ ਇਤਿਹਾਸ ਅਤੇ ਸਪੱਸ਼ਟ ਵਿੱਤੀ ਪੈਰੋਕਾਰ ਹਨ। ਹਾਲਾਂਕਿ, ਇਸੇ ਤਕਨੀਕੀ ਕੁਸ਼ਲਤਾ ਦੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤੋਂ ਨਵੇਂ ਕਰਜ਼ੇ ਲੈਣ ਵਾਲਿਆਂ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਕਸਰ 'ਕ੍ਰੈਡਿਟ ਇਨਵਿਜੀਬਲਜ਼' ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਇਹ ਉਹ ਕਾਰੋਬਾਰ ਹਨ ਜਿਨ੍ਹਾਂ ਕੋਲ ਰਵਾਇਤੀ ਕ੍ਰੈਡਿਟ ਇਤਿਹਾਸ, ਕੋਲੇਟਰਲ, ਜਾਂ ਆਡਿਟ ਕੀਤੇ ਵਿੱਤੀ ਸਟੇਟਮੈਂਟਾਂ ਦੀ ਕਮੀ ਹੈ, ਫਿਰ ਵੀ ਕਰਜ਼ੇ ਵਾਪਸ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਰੱਖਦੇ ਹਨ।
ਇਸ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, RBI ਨੇ ਰਿਣਦਾਤਿਆਂ ਨੂੰ ਰਵਾਇਤੀ ਉਧਾਰ ਮੈਟ੍ਰਿਕਸ ਤੋਂ ਪਰ੍ਹੇ ਦੇਖਣ ਦੀ ਅਪੀਲ ਕੀਤੀ ਹੈ। ਬੈਂਕਾਂ ਨੂੰ ਆਪਣੇ ਮੁਲਾਂਕਣ ਮਾਡਲਾਂ ਵਿੱਚ ਬਦਲਵੇਂ ਡਾਟਾ ਸਰੋਤਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। GST ਫਾਈਲਿੰਗ, ਨਕਦ ਪ੍ਰਵਾਹ ਪੈਟਰਨ, ਯੂਟਿਲਿਟੀ ਭੁਗਤਾਨ, ਈ-ਕਾਮਰਸ ਲੈਣ-ਦੇਣ ਰਿਕਾਰਡ, ਅਤੇ ਮੋਬਾਈਲ ਵਰਤੋਂ ਡਾਟਾ ਵਰਗੀ ਜਾਣਕਾਰੀ ਕੇਵਲ ਕੋਲੇਟਰਲ ਤੋਂ ਇਲਾਵਾ ਕਰਜ਼ੇਦਾਰ ਦੀ ਭੁਗਤਾਨ ਯੋਗਤਾ ਦੀ ਬਹੁਤ ਸਪੱਸ਼ਟ ਤਸਵੀਰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਇੱਥੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਬੈਂਕਾਂ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਸਹੀ ਕ੍ਰੈਡਿਟ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਇਸ ਗੈਰ-ਪਰੰਪਰਾਗਤ ਡਾਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਡਾਟਾ-ਆਧਾਰਿਤ ਉਧਾਰ ਮਾਡਲ ਵੱਲ ਵਧਣ ਨਾਲ ਆਪਣੀਆਂ ਚਿੰਤਾਵਾਂ ਵੀ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ। RBI ਡਿਪਟੀ ਗਵਰਨਰ ਨੇ ਤਕਨਾਲੋਜੀ ਪ੍ਰਦਾਤਾਵਾਂ ਦੇ ਇੱਕ ਸੀਮਤ ਸਮੂਹ ਅਤੇ ਸਮਾਨ ਡਾਟਾ ਮਾਡਲਾਂ 'ਤੇ ਪ੍ਰਣਾਲੀਗਤ ਨਿਰਭਰਤਾ ਦੇ ਜੋਖਮ ਦੇ ਵਿਰੁੱਧ ਸਾਵਧਾਨ ਕੀਤਾ। ਜੇਕਰ ਬਹੁਤ ਸਾਰੀਆਂ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਇੱਕੋ AI ਮਾਡਲਾਂ ਜਾਂ ਟੈਕ ਵਿਕਰੇਤਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ, ਤਾਂ ਇਹ ਅਸਫਲਤਾ ਦਾ ਇੱਕ ਸਿੰਗਲ ਪੁਆਇੰਟ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਵਿਆਪਕ ਵਿਘਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਕੇਂਦਰੀ ਬੈਂਕ ਨੇ ਨਿਗਰਾਨੀ ਅਤੇ ਸਖਤ ਇਕਾਗਰਤਾ ਸੀਮਾਵਾਂ ਦੀ ਲੋੜ 'ਤੇ ਜ਼ੋਰ ਦਿੱਤਾ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਜਿਵੇਂ ਬੈਂਕ ਆਪਣੇ ਕਾਰਜਾਂ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ, ਉਹ ਬਾਅਦ ਵਿੱਚ ਪ੍ਰਣਾਲੀਗਤ ਮੁੱਦਿਆਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦੀ ਬਜਾਏ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਲਚੀਲਾਪਣ ਬਣਾ ਰਹੇ ਹਨ।
ਨਿਵੇਸ਼ਕਾਂ ਅਤੇ ਬਾਜ਼ਾਰ ਦੇ ਨਿਰੀਖਕਾਂ ਲਈ, ਅਗਲਾ ਮਹੱਤਵਪੂਰਨ ਪੜਾਅ ਇਹ ਹੋਵੇਗਾ ਕਿ ਵਿਅਕਤੀਗਤ ਬੈਂਕ ਆਪਣੀਆਂ ਉਧਾਰ ਰਣਨੀਤੀਆਂ ਨੂੰ ਕਿਵੇਂ ਅਨੁਕੂਲਿਤ ਕਰਦੇ ਹਨ। ਸਫਲਤਾ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ ਕਿ ਕੀ ਵਿੱਤੀ ਸੰਸਥਾਵਾਂ ਆਪਣੀ ਟੈਕ ਨਿਵੇਸ਼ ਨੂੰ ਕੇਵਲ ਮੌਜੂਦਾ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਣੇ-ਪਛਾਣੇ ਗਾਹਕਾਂ ਦੀ ਸੇਵਾ ਕਰਨ ਤੋਂ, ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤੇ ਬਿਨਾਂ, ਨਵੇਂ ਕਰਜ਼ੇ ਲੈਣ ਵਾਲਿਆਂ ਦੇ ਅਨਟੈਪਡ ਬਾਜ਼ਾਰ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਫੜਨ ਵੱਲ ਸਫਲਤਾਪੂਰਵਕ ਤਬਦੀਲ ਕਰ ਸਕਦੇ ਹਨ।