வங்கிகளில் AI: ₹40,774 கோடி கடன் மோசடியை தடுக்க புதிய யுக்தி!

இந்திய வங்கிகள், நிதி நிறுவனங்கள் கடன் மோசடியைக் கட்டுப்படுத்த செயற்கை நுண்ணறிவு (AI) சார்ந்த நவீன தொழில்நுட்பங்களுக்கு மாறி வருகின்றன. FY2026-ல் மட்டும் ₹40,774 கோடி அளவுக்கு கடன் மோசடிகள் பதிவாகியுள்ளன. குறிப்பாக MSME கடன் பிரிவில், போலியான இன்வாய்ஸ்கள் மூலம் நடக்கும் மோசடிகளை கண்டறிய இது உதவும்.

என்ன நடந்தது?

இந்தியாவில் உள்ள வங்கிகள், வங்கி அல்லாத நிதி நிறுவனங்கள் (NBFCs) மற்றும் டிஜிட்டல் பேமெண்ட் நிறுவனங்கள், கடன் மோசடியைக் கண்டறியும் முறைகளில் ஒரு பெரிய மாற்றத்தைச் சந்தித்து வருகின்றன. வழக்கமான, அவ்வப்போது நடக்கும் சோதனைகளுக்குப் பதிலாக, இப்போது நிகழ்நேரத்தில் (Real-time) செயல்படும் AI சிஸ்டம்களைப் பயன்படுத்துகின்றன. இந்த புதிய அணுகுமுறை, பரிவர்த்தனை முறைகள், பயனர் சாதனத் தரவுகள் மற்றும் KYC தகவல்களைப் பயன்படுத்தி, தவறுகள் நடந்த பிறகு கண்டறிவதற்குப் பதிலாக, சந்தேகத்திற்கிடமான செயல்பாடுகளை அவை நிகழும்போதே உடனடியாகக் கொடியிடுகிறது.

முதலீட்டாளர்களுக்கு இது ஏன் முக்கியம்?

பிரச்சனையின் அளவு மிகவும் அதிகம். தொழில்துறையின் தரவுகளின்படி, FY2026-ல் கடன் பிரிவில் நடந்த மோசடிகள் ₹40,774 கோடியை எட்டியுள்ளன. இது வங்கி மோசடிகளில் சுமார் 85% ஆகும். முதலீட்டாளர்களுக்கு, வங்கிகள் ஏன் டிஜிட்டல் மாற்றத்திற்கு முன்னுரிமை அளிக்கின்றன என்பதை இது காட்டுகிறது. பரிவர்த்தனை மட்டத்தில் மோசடியைக் கண்டறிவதன் மூலம், கடன் வழங்குநர்கள் தங்கள் கடன் புத்தகங்களை வாராக்கடன் (Bad Assets) சிக்கலில் இருந்து பாதுகாக்க முடியும். இது அவர்களின் லாபம் மற்றும் ஸ்திரத்தன்மையை நேரடியாகப் பாதிக்கிறது.

வணிகக் கடன்களின் சவால்

குறிப்பாக சிறு, குறு மற்றும் நடுத்தர நிறுவனங்களுக்கான (MSMEs) வணிகக் கடன்கள், இந்த மோசடி கண்டறிதல் முயற்சிகளின் முக்கிய கவனம் பெற்றுள்ளன. பல கடன் வழங்குநர்கள் இந்த பிரிவில் சிரமப்படுகிறார்கள், ஏனெனில் கைகளால் செய்யப்படும் நிதிப் பதிவுகள் மனிதப் பிழைகள் அல்லது கையாளுதல்களுக்கு ஆளாகலாம். போலியான இன்வாய்ஸ்கள், செயற்கையாக அதிகரிக்கப்பட்ட வருவாய் மற்றும் பொருந்தாத பணப்புழக்கம் போன்ற சிக்கல்களை பழைய சிஸ்டம்களால் கண்டறிவது கடினம். இப்போது, AI மாடல்கள் துல்லியமாக செயல்படத் தேவையான கட்டமைக்கப்பட்ட, தணிக்கை செய்யக்கூடிய நிதித் தரவுகளுக்குத் தொழில்துறை அழுத்தம் கொடுக்கிறது.

தொழில்நுட்ப முதலீட்டு அலை

இந்த மாற்றம் வெறும் மென்பொருள் சம்பந்தப்பட்டது மட்டுமல்ல; இது உள்கட்டமைப்பில் ஒரு பெரிய முதலீட்டைக் கோருகிறது. நிதி நிறுவனங்கள் ஸ்ட்ரீமிங் டேட்டா பிளாட்ஃபார்ம்கள் மற்றும் கிளவுட்-நேட்டிவ் கட்டமைப்புகளை நோக்கி நகர்கின்றன, அவை மிகப்பெரிய அளவிலான தரவுகளை நிகழ்நேரத்தில் கையாள முடியும். Redington, Busy Infotech, mFilterIt, மற்றும் Eucloid Data Solutions போன்ற நிறுவனங்களின் வல்லுநர்கள், இந்த நகர்வு ஒரு அவசியமான பரிணாம வளர்ச்சி என்று கூறுகின்றனர். நிறுவனங்கள், நிகழ்நேர, தானியங்கி முடிவெடுக்கும் திறனுக்காக உருவாக்கப்படாத பழைய சிஸ்டம்களிலிருந்து மாற விரும்புகின்றன. இது இன்று ஒரு செலவாக இருந்தாலும், இது ஒரு வலுவான வணிக மாதிரியை உருவாக்குவதற்கான வழியாகப் பார்க்கப்படுகிறது.

முதலீட்டாளர்கள் இதை எப்படிப் பார்க்கலாம்?

முதலீட்டாளர்கள் இதை குறுகிய கால செலவுக்கும் நீண்ட கால செயல்திறனுக்கும் இடையிலான சமநிலையாகக் காணலாம். AI-யை ஏற்றுக்கொள்வதும், பழைய டேட்டாபேஸ்களை மாற்றுவதும் அதிக ஆரம்பகட்ட தொழில்நுட்ப செலவுகளை உள்ளடக்கியது, இது குறுகிய காலத்தில் செயல்பாட்டு வரம்புகளில் (Operating Margins) சில அழுத்தங்களை ஏற்படுத்தக்கூடும். இருப்பினும், வாராக்கடன்கள் (NPAs) குறைப்பு மற்றும் மோசடியால் ஏற்படும் எழுத்துப்பாதைகள் (Write-offs) குறைப்பு ஆகியவை சாத்தியமான நன்மைகள். கணக்கு கையகப்படுத்துதல்கள் முதல் செயற்கை அடையாளங்கள் வரை மோசடியின் சிக்கலான தன்மை அதிகரித்து வருவதால் இது ஒரு முக்கியமான படியாகும். ஒரு மேம்பட்ட, நிகழ்நேர கண்டறிதல் அமைப்புடன் கூடிய கடன் வழங்குநர், இன்னும் கையேடு, மெதுவான செயல்முறைகளை நம்பியிருக்கும் போட்டியாளர்களை விட சிறந்த சொத்து தரத்தை அனுபவிக்கக்கூடும்.

என்ன தவறு நடக்கலாம்?

புதிய தொழில்நுட்பத்திற்கு மாறுவது அரிதாகவே சீராக இருக்கும். நிறுவனங்கள் இந்த புதிய AI சிஸ்டம்களை பழைய, கலப்பின மாதிரிகளின் மீது அடுக்குவதற்கு முயற்சிக்கும்போது, செயல்படுத்தலில் தாமதங்கள் ஏற்படலாம். கூடுதலாக, இந்த AI என்ஜின்கள் எவ்வாறு முடிவுகளை எடுக்கின்றன என்பதில் வெளிப்படைத்தன்மையை ஒழுங்குபடுத்துபவர் எதிர்பார்க்கிறார். ஒரு வங்கியின் AI சிஸ்டம் ஒரு பிழையைச் செய்தால் அல்லது ஒரு பரிவர்த்தனையை ஏன் தடுத்தது என்பதை விளக்க முடியாவிட்டால், அது செயல்பாட்டு சிக்கல்களுக்கு அல்லது ஒழுங்குமுறை ஆய்வுக்கு வழிவகுக்கும். இந்த சிஸ்டம்களின் செயல்திறன், வங்கிகள் அவற்றுக்குள் செலுத்தும் தரவுகளின் தரத்தையும் சார்ந்துள்ளது; உள்ளீட்டுத் தரவு குழப்பமானதாகவோ அல்லது சரிபார்க்கப்படாததாகவோ இருந்தால், சிறந்த AI மாடல்கள் கூட மோசடியைக் கண்டறியத் தவறக்கூடும்.

முதலீட்டாளர்கள் எதைக் கண்காணிக்க வேண்டும்?

எதிர்காலத்தில், நிதி நிறுவனங்கள் தங்கள் தொழில்நுட்ப செலவுகளை எவ்வாறு நிர்வகிக்கின்றன என்பதையும், இந்த முதலீடுகள் குறைந்த கடன் செலவினங்களுக்கு வழிவகுக்கின்றனவா என்பதையும் முதலீட்டாளர்கள் கண்காணிக்கலாம். MSME போர்ட்ஃபோலியோவில் சொத்துத் தர மேம்பாடுகள் குறித்து மேலாண்மை கருத்துக்களைக் கவனிப்பது முக்கியம். மேலும், வங்கிகள் AI நிர்வாகத்திற்கான ஒழுங்குமுறைத் தேவைகளை எவ்வாறு வழிநடத்துகின்றன என்பது குறித்த புதுப்பிப்புகளைப் பார்க்கவும், ஏனெனில் மத்திய வங்கி டிஜிட்டல் கடன் அமைப்புகளின் பாதுகாப்பு மற்றும் வெளிப்படைத்தன்மை மீது கடுமையான கவனம் செலுத்தும்.