RBI హెచ్చరిక: బ్యాంకుల టెక్నాలజీ గ్యాప్.. కొత్త వ్యాపారాలకు క్రెడిట్ కష్టమే!

దేశ బ్యాంకింగ్ రంగంలో ఒక కీలకమైన నిర్మాణాత్మక సమస్యను రిజర్వ్ బ్యాంక్ ఆఫ్ ఇండియా (RBI) ఎత్తి చూపింది. మొత్తం కమర్షియల్ క్రెడిట్ పెరుగుతున్నప్పటికీ, కొత్త వ్యాపారాలను అధికారిక ఆర్థిక వ్యవస్థలోకి తీసుకురావడంలో బ్యాంకుల సామర్థ్యం బలహీనపడుతోంది. ఇటీవల జరిగిన బ్యాంకింగ్ ట్రాన్స్‌ఫర్మేషన్ సమ్మిట్‌లో, RBI డిప్యూటీ గవర్నర్ శిరీష్ చంద్ర ముర్ము మాట్లాడుతూ, 2025-26 ఆర్థిక సంవత్సరంలో అధికారిక క్రెడిట్ పొందుతున్న కొత్త వ్యాపారాల వాటా 52% (2022-23) నుంచి **42%**కి పడిపోయిందని తెలిపారు.

బ్యాంకింగ్ రంగం బలమైన పనితీరును కనబరుస్తూ, 2026 నాటికి మొత్తం అవుట్‌స్టాండింగ్ కమర్షియల్ క్రెడిట్ 14% పెరిగి ₹65.8 ట్రిలియన్లకు చేరుకున్నప్పటికీ ఈ ధోరణి కొనసాగుతోంది. RBI పరిశీలన ప్రకారం, బ్యాంకులు మరింత సమర్థవంతంగా మారుతున్నప్పటికీ, ఆ సామర్థ్యం ఇప్పటికే ఉన్న కస్టమర్ బేస్‌కు ప్రయోజనం చేకూరుస్తోంది తప్ప, తక్కువ సేవలు పొందుతున్న విభాగాలకు మార్కెట్‌ను విస్తరించడం లేదు.

మౌలిక సమస్య ఏమిటంటే, బ్యాంకులు తమ సాంకేతికత మరియు డేటా అనలిటిక్స్ సామర్థ్యాలను ఎలా ఉపయోగిస్తున్నాయనే దానిపైనే ఉంది. ఇప్పటికే క్రెడిట్ చరిత్ర, స్పష్టమైన ఆర్థిక ఆనవాళ్లు ఉన్న ప్రస్తుత ఖాతాదారులతో సంబంధాలను నిర్వహించడానికి, వృద్ధి చేయడానికి అధునాతన మోడళ్లను ఉపయోగించడంపై బ్యాంకులు ఎక్కువగా దృష్టి సారించాయి. అయితే, 'క్రెడిట్ ఇన్విజిబుల్స్' అని పిలువబడే కొత్త రుణగ్రహీతలను గుర్తించడానికి, ఆన్‌బోర్డ్ చేయడానికి ఈ సాంకేతిక నైపుణ్యం సమర్థవంతంగా ఉపయోగించబడటం లేదు. వీరికి సాంప్రదాయ క్రెడిట్ చరిత్ర, తాకట్టు లేదా ఆడిట్ చేయబడిన ఆర్థిక నివేదికలు లేనప్పటికీ, రుణాలు తిరిగి చెల్లించే సామర్థ్యం ఉండవచ్చు.

ఈ అంతరాన్ని తగ్గించడానికి, RBI రుణదాతలను సాంప్రదాయ రుణ కొలమానాలకు అతీతంగా చూడాలని కోరింది. ప్రత్యామ్నాయ డేటా సోర్స్‌లను తమ అసెస్‌మెంట్ మోడళ్లలో విలీనం చేసుకోవాలని బ్యాంకులను ప్రోత్సహిస్తున్నారు. GST ఫైలింగ్‌లు, నగదు ప్రవాహ నమూనాలు, యుటిలిటీ బిల్లులు, ఇ-కామర్స్ లావాదేవీల రికార్డులు, మొబైల్ వినియోగ డేటా వంటి సమాచారం, కేవలం తాకట్టు కంటే రుణగ్రహీత తిరిగి చెల్లించే సామర్థ్యం గురించి చాలా స్పష్టమైన చిత్రాన్ని అందిస్తుంది. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ఇక్కడ ముఖ్యమైన పాత్ర పోషిస్తుంది, ఎందుకంటే ఇది ఈ సాంప్రదాయేతర డేటాను విశ్లేషించి, వేగవంతమైన, మరింత ఖచ్చితమైన రుణ నిర్ణయాలు తీసుకోవడంలో బ్యాంకులకు సహాయపడుతుంది.

అయితే, డేటా-ఆధారిత రుణ నమూనా వైపు కదలిక దాని స్వంత ఆందోళనలతో వస్తుంది. RBI డిప్యూటీ గవర్నర్, సాంకేతిక ప్రొవైడర్లు, ఒకే రకమైన డేటా మోడళ్లపై అతిగా ఆధారపడటం వల్ల కలిగే వ్యవస్థాగత ప్రమాదం గురించి హెచ్చరించారు. చాలా ఆర్థిక సంస్థలు ఒకే AI మోడళ్లు లేదా టెక్ వెండర్లపై ఆధారపడితే, ఇది విస్తృత అంతరాయాన్ని కలిగించగల ఒకే వైఫల్య స్థానాన్ని సృష్టించవచ్చు. బ్యాంకులు తమ కార్యకలాపాలను విస్తరించినప్పుడు, అవి ప్రారంభం నుంచే స్థితిస్థాపకతను నిర్మిస్తున్నాయని, తదుపరి వ్యవస్థాగత సమస్యలను పరిష్కరించడానికి ప్రయత్నించడం లేదని నిర్ధారించడానికి బలమైన పర్యవేక్షణ, కఠినమైన కేంద్రీకరణ పరిమితులు అవసరమని సెంట్రల్ బ్యాంక్ నొక్కి చెప్పింది.

పెట్టుబడిదారులు, మార్కెట్ పరిశీలకులకు, తదుపరి ముఖ్యమైన దశ ఏమిటంటే, వ్యక్తిగత బ్యాంకులు తమ రుణ వ్యూహాలను ఎలా సర్దుబాటు చేసుకుంటాయో చూడటమే. రిస్క్ మేనేజ్‌మెంట్‌ను రాజీ పడకుండా, ఇప్పటికే ఉన్న, బాగా తెలిసిన ఖాతాదారులకు సేవ చేయడం నుండి కొత్త రుణగ్రహీతల యొక్క ఉపయోగించని మార్కెట్‌ను సమర్థవంతంగా సంగ్రహించడానికి తమ టెక్ పెట్టుబడులను విజయవంతంగా మార్చగలరా అనే దానిపైనే విజయం ఆధారపడి ఉంటుంది.