இந்திய IT நிறுவனங்கள், செயற்கை நுண்ணறிவு (AI) காரணமாக மணிநேர கணக்கீட்டு முறையிலிருந்து மாறி, குறிப்பிட்ட இலக்குகளை அடையும் அடிப்படையில் (outcome-based) ஒப்பந்தங்களுக்குச் செல்கின்றன. இதனால் ஏற்படும் பணப்புழக்க இடைவெளியைச் சமாளிக்க, முன்பணம் மற்றும் மைல்கல் அடிப்படையிலான கட்டண முறைகளை அதிகம் பின்பற்றுகின்றன.
இந்தியாவின் முன்னணி IT சேவை நிறுவனங்களின் வணிக மாதிரியில் ஒரு பெரிய மாற்றம் வந்து கொண்டிருக்கிறது. வாடிக்கையாளர் ஒப்பந்தங்களில் செயற்கை நுண்ணறிவு (AI) ஒரு முக்கிய அங்கமாகி வருவதால், பல தசாப்தங்களாக இருந்த 'நேரம் மற்றும் பொருள்' (time-and-materials) அடிப்படையிலான வருவாய் ஈட்டும் முறை மாறி வருகிறது. இந்த முறையில், வாடிக்கையாளர்களுக்கு வேலை செய்யும் மணிநேரங்களின் அடிப்படையில் கட்டணம் வசூலிக்கப்பட்டது.
ஆனால், AI கருவிகள் கோட் எழுதுதல் மற்றும் சோதனை செய்தல் போன்ற வழக்கமான பணிகளை தானியக்கமாக்குவதால், ஒரு வேலையை முடிக்க தேவைப்படும் மனித உழைப்பு நேரம் குறைந்துள்ளது. இதனால், நிறுவனங்கள் இப்போது குறிப்பிட்ட இலக்குகளை அடையும் (outcome-based) மற்றும் நிலையான விலை (fixed-price) ஒப்பந்தங்களை நோக்கி நகர்கின்றன.
மணிநேர கணக்கீட்டிலிருந்து இலக்குகளை நோக்கிய மாற்றம்
பாரம்பரியமாக, டாடா கன்சல்டன்சி சர்வீசஸ் (TCS), இன்ஃபோசிஸ், ஹெச்சிஎல் டெக் (HCLTech) போன்ற நிறுவனங்கள் திட்டத் தேவைகளைப் பூர்த்தி செய்ய அதிக ஊழியர்களை நியமிப்பதன் மூலம் லாபம் ஈட்டின. இப்போது AI கருவிகள் பணிகளைத் தானியக்கமாக்குவதால், ஒரு வேலையை முடிக்க தேவைப்படும் மனித முயற்சி குறைந்துள்ளது. வாடிக்கையாளர்கள், திட்டத்திற்கு செலவழித்த நேரத்திற்கு பணம் செலுத்துவதை விட, செலவு குறைப்பு, விற்பனை அதிகரிப்பு அல்லது சந்தைக்கு விரைவில் தயாரிப்பை கொண்டு வருதல் போன்ற உறுதியான வணிக இலக்குகளை அடைவதை அடிப்படையாகக் கொண்ட ஒப்பந்தங்களைக் கோருகின்றனர்.
இந்த மாற்றம் ஒரு நிதிச் சிக்கலை உருவாக்குகிறது. இலக்குகளை அடிப்படையாகக் கொண்ட திட்டங்களுக்கு, அளவிடக்கூடிய மதிப்பைப் பெற மாதங்கள் அல்லது ஆண்டுகள் ஆகலாம். இதனால், IT நிறுவனங்கள் உள்கட்டமைப்பு மற்றும் திறமைகளுக்காக செலவுக்கும், வாடிக்கையாளரிடமிருந்து பணம் பெறுவதற்கும் இடையே ஒரு 'பண இடைவெளியை' (cash gap) எதிர்கொள்கின்றன. இதைச் சமாளிக்க, நிறுவனங்கள் முன்பணம் மற்றும் மைல்கல் அடிப்படையிலான கட்டண முறைகளுக்கு மாறுகின்றன. கட்டுமான மற்றும் உற்பத்தி போன்ற துறைகளில் இது பொதுவான நடைமுறை. இது, திட்டத்தின் இலக்கு இன்னும் அடையப்படாமல் இருக்கும்போதும் பண வரவு சீராக இருப்பதை உறுதி செய்கிறது.
நிதி அபாயங்களை நிர்வகித்தல்
இந்த பில்லிங் கட்டமைப்பு மாற்றம் பணப்புழக்கத்தைப் பாதுகாக்க உதவுகிறது என்றாலும், நிதி அணிகளுக்கு புதிய சிக்கல்களை அறிமுகப்படுத்துகிறது. துறையானது சிறிய, குறுகிய கால ஒப்பந்தங்களையும் (சுமார் $1 மில்லியன் முதல் $20 மில்லியன் வரை) நோக்கி நகர்கிறது. இது, பெரிய, பல ஆண்டு கால மரபு ஒப்பந்தங்களுடன் தொடர்புடைய நீண்டகால அபாயங்களைத் தவிர்த்து, கணிக்கக்கூடிய தன்மையைப் பராமரிக்க உதவுகிறது. இருப்பினும், இந்த மாற்றம் சவால்கள் இல்லாமல் இல்லை.
முதலீட்டாளர்கள் கண்காணிக்க வேண்டிய முக்கிய அபாயங்களில் ஒன்று, லாப வரம்பில் (margin pressure) அழுத்தம் ஏற்படலாம். AI உற்பத்தித்திறனை அதிகரிக்கும் போது, வாடிக்கையாளர்கள் இப்போது குறைந்த முயற்சி தேவைப்படுவதால், குறைந்த விலையைக் கோரலாம். IT நிறுவனங்கள் AI செயலாக்கத்தின் மதிப்பை வாடிக்கையாளர்களுக்கு திறம்பட கடத்தத் தவறினால், அவர்களின் இயக்க லாபம் அழுத்தத்திற்கு உள்ளாகலாம். கூடுதலாக, செயலாக்க தாமதங்களின் (execution delays) அபாயமும் உள்ளது. பெரிய நிறுவனங்கள் வலுவான ஒப்பந்த வெற்றிகளைப் பதிவு செய்திருந்தாலும், கடந்த சில காலாண்டுகளில் 'மொத்த ஒப்பந்த மதிப்பை' (Total Contract Value) உண்மையான வருவாயாக மாற்றுவது கடினமாக உள்ளது. இது, செயலாக்கத்தின் வேகம் ஒரு தடையாக இருப்பதைக் குறிக்கிறது.
வருவாய் அங்கீகாரம் மற்றும் நிர்வாகம்
இந்த புதிய சூழலில் வருவாயைக் கணக்கிடுவது மிகவும் சிக்கலானது. கட்டணம் இப்போது செலவழித்த மணிநேரங்களுக்குப் பதிலாக வணிக இலக்குகளுடன் இணைக்கப்பட்டுள்ளதால், ஒரு மைல்கல் எப்போது அடையப்பட்டது மற்றும் வருவாயை எப்போது அங்கீகரிக்க முடியும் என்பதை வரையறுக்க கவனமான நிர்வாகம் தேவைப்படுகிறது. பரவலான கணக்கியல் சிக்கல்கள் எதுவும் இல்லை என்றாலும், கணிக்கக்கூடிய மணிநேர பில்லிங் மாதிரியை விட வருவாய் அங்கீகாரத்தின் நேரம் அதிகமாக ஏற்ற இறக்கமாக இருக்கலாம் என்பதை முதலீட்டாளர்கள் அறிந்திருக்க வேண்டும். பங்குதாரர்களுக்கான இறுதி நன்மை, நிறுவனங்கள் பில்லிங் சுழற்சிகள் மற்றும் திட்டக் கட்டமைப்புகளில் இந்த மாற்றங்களைச் சமாளிக்கும் போது தங்கள் விலை நிர்ணய சக்தியை வெற்றிகரமாகப் பராமரிக்க முடியுமா என்பதைப் பொறுத்தது.