வங்கி AI சோதனைகள் நிறுத்தம்: லாபத்தை குறிவைக்கும் புதிய யுக்தி!

பரிசோதனையிலிருந்து பொருளாதாரப் பயன்பாட்டிற்கு மாற்றம்

நிதித்துறை ஒரு கடுமையான மாற்றத்திற்கு உள்ளாகி வருகிறது. இதுவரை, தனிப்பட்ட 'ப்ரூஃப்-ஆஃப்-கான்செப்ட்' (Proof-of-Concept) போன்ற AI புதுமைகளின் எண்ணிக்கையை மட்டும் பெருமையாகக் கூறி வந்த நிலையை மாற்றி, இப்போது நிறுவனத்தின் முக்கிய வணிகச் செயல்திறனில் கவனம் செலுத்தத் தொடங்கியுள்ளன.

பல ஆண்டுகளாக, வெறும் சாத்தியக்கூறுகள் நிறைந்த சோதனைத் திட்டங்களுக்காக பெருமளவு மூலதனம் செலவிடப்பட்டது. ஆனால், அந்த பொறுமை இப்போது முடிவுக்கு வந்துவிட்டது. AI-யின் செயல்திறன் தனித்து எப்படி இருக்கிறது என்பதில் வங்கிகளுக்கு இனி ஆர்வமில்லை; மாறாக, வாடிக்கையாளர் சேர்ப்பு செலவுகள் (Customer Acquisition Costs) மற்றும் நீண்ட கால வாடிக்கையாளர் மதிப்பு (Long-term Customer Value) போன்ற பொருளாதார ரீதியான முக்கிய அம்சங்களில் அது தாக்கத்தை ஏற்படுத்த வேண்டும் என்று எதிர்பார்க்கின்றன. இது ஒரு தந்திரோபாய மாற்றம் மட்டுமல்ல, லாபத்தை நிர்ணயிக்கும் செயல்முறைகளில் தொழில்நுட்ப வளங்களை அடிப்படையாக மறுஒதுக்கீடு செய்யும் ஒரு அடிப்படை நகர்வு.

முறைகளை விட முக்கியத்துவம் பெறும் அளவீடுகள்

நவீன வங்கித் தலைவர்கள், AI எங்கே பயன்படுத்தப்படலாம் என்று கேட்பதை நிறுத்திவிட்டு, எந்த குறிப்பிட்ட செயல்திறன் அளவீட்டை மேம்படுத்த வேண்டும் என்று கேட்கத் தொடங்கியுள்ளனர். உதாரணமாக, கடன் அட்டை வாடிக்கையாளர் சேர்ப்பு சுழற்சியில், ஆவணச் சரிபார்ப்பை தானியக்கமாக்குவது போன்ற சிறிய செயல்திறன் மேம்பாடுகள், குறைந்த வருவாய் தரும் புற வேலைகளாக வகைப்படுத்தப்படுகின்றன. புதிய தரநிலை, லீட் ஸ்கோரிங் (Lead Scoring), இடர் மதிப்பீடு (Risk Assessment) மற்றும் வாராக்கடன் மாதிரியாக்கம் (Delinquency Modeling) ஆகியவற்றை ஒரே நேரத்தில் மேம்படுத்தும் ஒருங்கிணைந்த AI கட்டமைப்புகளைக் கோருகிறது. இந்த அமைப்புகள் தனித்தனி கருவிகளாக அல்லாமல், ஒரு ஒற்றை இயந்திரமாக ஒருங்கிணைக்கப்படும்போது, அவை நிர்வாக உதவியாளர்களாக இருந்து, யூனிட் எகனாமிக்ஸின் (Unit Economics) முதன்மை இயக்கிகளாக மாறுகின்றன.

மென்பொருள் விநியோகத் தடங்கல்

தொழில்நுட்பத் துறைகளும் இதேபோன்ற கட்டளையை எதிர்கொள்கின்றன. ஆரம்பகால தத்தெடுப்பு AI-உதவியுடன் குறியீட்டை (AI-assisted coding) ஒரு தனி கருவியாக மையமாகக் கொண்டிருந்தாலும், தற்போதைய மூலோபாயம், முழு மென்பொருள் விநியோக வாழ்க்கைச் சுழற்சியிலும் (Software Delivery Lifecycle) நுண்ணறிவை உட்பொதிப்பதை ஆதரிக்கிறது. இந்த ஒருங்கிணைப்பு, எளிய டெவலப்பர் உற்பத்தித்திறன் புள்ளிவிவரங்களை விடக் கையாள்வதற்கு மிகவும் கடினமான, சிக்கலான, எண்ட்-டு-எண்ட் (End-to-End) செயல்திறன் அளவீட்டை உருவாக்குகிறது. லெகஸி (Legacy) அமைப்புகளில் AI-ஐ ஒருங்கிணைப்பது ஒரு குறிப்பிடத்தக்க தடையாகவே உள்ளது; கிளவுட்-நேட்டிவ் (Cloud-native) ஸ்டார்ட்அப்களைப் போலல்லாமல், நிறுவப்பட்ட நிறுவனங்கள் பழமையான உள்கட்டமைப்பு மற்றும் கடுமையான ஒழுங்குமுறைத் தேவைகளின் உராய்வை எதிர்கொள்கின்றன. இது AI திட்டங்களை மேம்பாட்டிலிருந்து உற்பத்திக்கு மாற்றும்போது அடிக்கடி தேக்கமடையச் செய்கிறது.

தடயவியல் கரடி வழக்கு: ஆளுகை மற்றும் கட்டமைப்பு இடர்

இன்று வங்கிகள் எதிர்கொள்ளும் முதன்மையான ஆபத்து 'ஆளுகை தாமதம்' (Governance Lag) ஆகும் - அதாவது, விரைவான மாதிரி வரிசைப்படுத்தலுக்கும், பழைய இடர் மேலாண்மை கட்டமைப்புகளுக்கும் இடையிலான துண்டிப்பு. வேகமான ஃபின்டெக் (Fintech) போட்டியாளர்களைப் போலல்லாமல், பெரிய வங்கிகள் ஃபெடரல் ரிசர்வ் (Federal Reserve) மற்றும் சர்வதேச ஒழுங்குமுறை அதிகாரிகளின் கடுமையான கண்காணிப்பின் கீழ் செயல்படுகின்றன. கடன் வழங்கல் (Credit Underwriting) அல்லது தானியங்கு சேவை (Automated Servicing) போன்ற முக்கிய செயல்பாடுகளில் AI-உந்துதல் பிழை ஏற்பட்டால், அது உடனடி சட்ட மற்றும் நற்பெயர் வெளிப்பாட்டிற்கு வழிவகுக்கும்.

மேலும், உயர்தரமான, சுத்தமான தரவைச் சார்ந்திருப்பது ஒரு கட்டமைப்பு வரம்பாகச் செயல்படுகிறது. துண்டு துண்டான, தனித்தனி தரவுக் கட்டமைப்புகளைக் கொண்ட வங்கிகள், தங்கள் AI முயற்சிகள் தோல்வியடைவதைக் காண வாய்ப்புள்ளது. மோசமான மாதிரி வடிவமைப்பால் அல்ல, மாறாக அடிப்படை உள்ளீட்டுத் தரவு சீரற்றதாகவும், தனித்தனியாகவும் இருப்பதால் இது நிகழும். நிறுவன அளவிலான AI-ஐ வரிசைப்படுத்துவதற்கு முன்பு இந்த தரவு கடனை (Data Debt) சரிசெய்யத் தவறினால், தொழில்நுட்பச் செலவு மற்றும் சீரமைப்புச் செலவு இரண்டையும் ஈட்டும் போது, வங்கிகள் லாப வரம்பில் சுருக்கத்தை சந்திக்க நேரிடும்.