Whalesbook
AI-ன் முழுப் பலனும் கிடைக்காதது ஏன்?
வங்கிகள் AI-ல் செய்யும் முதலீட்டிற்கும், அதனால் கிடைக்கும் உண்மையான பலன்களுக்கும் இடையே பெரிய இடைவெளி உள்ளது. காரணம், பழைய சிஸ்டம்களையும், நடைமுறைகளையும் நம்பியிருப்பதுதான். AI-யை திறனற்ற சிஸ்டம்களுக்கு மேல் சேர்ப்பதால், செலவுகளைக் குறைப்பது, வாடிக்கையாளர் அனுபவத்தை மேம்படுத்துவது போன்ற பலன்கள் பெரும்பாலும் கிடைப்பதில்லை.
பழைய அடித்தளங்களில் AI முதலீடு வீண்
வங்கிகள் வாய்ஸ் பாட் (Voice Bot), அனலிட்டிக்ஸ் (Analytics) போன்ற AI தொழில்நுட்பங்களில் அதிக முதலீடு செய்கின்றன. இவற்றின் மூலம் 30% முதல் 45% வரை செலவுகளைக் குறைக்கலாம் என கணிக்கப்படுகிறது. ஆனால், இந்த பலன்கள் பல சமயங்களில் எட்டப்படுவதில்லை. AI-ன் செயல்திறன் குறைவதற்குக் காரணம், வாடிக்கையாளர் பிரச்சனைகளின் மூல காரணத்தைச் சரிசெய்வதற்குப் பதிலாக, தற்போதுள்ள திறனற்ற நடைமுறைகளையே AI மூலம் ஆட்டோமேட் (Automate) செய்வதுதான். ஒழுங்குமுறை (Regulatory) மற்றும் ரிஸ்க் (Risk) கட்டுப்பாடுகள் கூட AI-ன் செயல்திறனை பாதிக்கின்றன.
பழைய சிஸ்டம்கள் IT பட்ஜெட்டை உறிஞ்சுகின்றன, முன்னேற்றத்தைத் தடுக்கின்றன
பழைய சிஸ்டம்களைப் பராமரிப்பதற்கே வங்கிகளின் IT பட்ஜெட்டில் 70% வரை செலவாகிறது. இதனால், புதுமைகளுக்கு (Innovation) பணம் குறைந்துவிடுகிறது. மொத்த வருவாயில் 6% முதல் 12% வரை IT-க்காக செலவிடப்படுகிறது. முக்கிய பேங்கிங் சிஸ்டம்கள் 30 முதல் 40 வருடங்கள் பழமையானவை. இதனால், ஃபிண்டெக் (FinTech) நிறுவனங்களைப் போல புதிய தயாரிப்புகளை வேகமாக அறிமுகப்படுத்த முடிவதில்லை. இன்றும் பல நிறுவனங்கள் COBOL சார்ந்த சிஸ்டம்களைப் பயன்படுத்துகின்றன. உலகளவில் பில்லியன் கணக்கான COBOL கோடுகள் உள்ளன, ஆனால் அவற்றைப் பராமரிப்பது கடினமாகவும், அதிக செலவு பிடிக்கக்கூடியதாகவும் மாறிவருகிறது. இந்த பழைய சிஸ்டம்களால், நவீன சிஸ்டம்களை விட அப்டேட்கள் தாமதமாகின்றன.
மேலும், 43% நிறுவனங்கள் தெளிவான வணிக இலக்குகள் மற்றும் சரியான டேட்டா மேலாண்மை (Data Management) இல்லாததால் AI திட்டங்களில் சிரமப்படுகின்றன. JPMorgan Chase, Bank of America போன்ற முன்னணி வங்கிகள் AI திறமைகளில் அதிக முதலீடு செய்கின்றன. உதாரணமாக, Bank of America, 2024-க்கு $4 பில்லியன் தொழில்நுட்பத்திற்காக ஒதுக்கியுள்ளது. அதன் Erica எனும் மெய்நிகர் உதவியாளர் (Virtual Assistant) பில்லியன் கணக்கான தொடர்புகளைக் கையாள்கிறது. ஆனாலும், பல வங்கிகள் சிறிய AI சோதனைகளில் (Pilot Projects) சிக்கி, அவற்றை நிறுவன முழுவதும் விரிவுபடுத்த முடியாமல் உள்ளன.
செயல்படாமல் இருப்பதன் அதிக விலை: வருவாய் இழப்பு மற்றும் அபாயங்கள்
பழைய சிஸ்டம்களை மேம்படுத்தாத வங்கிகள், வருவாயை இழப்பது மட்டுமின்றி, காலப்போக்கில் பொருத்தமற்றவையாகிவிடும் அபாயத்தில் உள்ளன. பழைய சிஸ்டம்களை இயக்குவது அதிக செலவு பிடிப்பதுடன், பாதுகாப்பு குறைபாடுகளையும் கொண்டுள்ளது. 2028-ஆம் ஆண்டுக்குள், நவீனமயமாக்கப்படாத வங்கிகள் $57 பில்லியனுக்கும் அதிகமான இழப்பை சந்திக்க நேரிடும். மேலும், ஒன்றிணைப்புகளால் (Mergers) உருவான பழைய சிஸ்டம்கள், வாடிக்கையாளர் தேவைகளுக்கும் புதிய விதிமுறைகளுக்கும் ஏற்ப மாற்றிக்கொள்வதை தாமதப்படுத்துகின்றன. AI-ன் வாக்குறுதி, இதுபோன்ற நிலையற்ற சிஸ்டம்களில் வரையறுக்கப்படுகிறது. நவீன சிஸ்டம்களை உருவாக்கும் போட்டியாளர்களுடன் ஒப்பிடும்போது, பழைய 'டெக்னிக்கல் டெப்ட்' (Technical Debt) கொண்ட வங்கிகள், பராமரிப்பு செலவுகள் மற்றும் பாதுகாப்பு அபாயங்களை எதிர்கொள்கின்றன.
AI-ன் சக்தியைத் திறக்க, மேலடுக்கு அல்ல, முழுமையான சீர்திருத்தம் தேவை
AI-ன் முழு திறனையும் பயன்படுத்த, வங்கிகள் தங்கள் செயல்பாட்டு முறைகளை அடிப்படையிலிருந்தே மாற்றியமைக்க வேண்டும் என McKinsey வலியுறுத்துகிறது. வெறும் AI-யை சேர்ப்பது போதாது. செயல்பாடுகளை முழுமையாக மறுவடிவமைப்பு செய்ய வேண்டும். இது வாடிக்கையாளர் அழைப்புகளில் 25-40% குறைப்பு, மற்றும் திருப்தி அதிகரிப்பு போன்ற நன்மைகளுக்கு வழிவகுக்கும். வங்கிகளின் எதிர்காலம், AI-யை ஒரு புரட்சிகர சக்தியாகக் கருதி, திறமை, தொழில்நுட்பம், டேட்டா மற்றும் ரிஸ்க் மேலாண்மை என அனைத்தையும் முழுமையாக மாற்றி அமைப்பதைப் பொறுத்தது.