Razorpay CEO హర్షిల్ మథుర్ మాట్లాడుతూ, వ్యాపారాలు AIని సమర్థవంతంగా, పెద్ద ఎత్తున ఉపయోగించుకోవడంలో ఇంకా ఇబ్బందులు పడుతున్నాయని అన్నారు. చాలా కంపెనీలు AI టూల్స్ ని విడుదల చేయడానికి పోటీ పడుతున్నప్పటికీ, విశ్వసనీయత (Reliability) మరియు ఖర్చు (Cost) పరంగా సవాళ్లు అలాగే ఉన్నాయి. ఖరీదైన AI ప్రయోగాలను, లాభదాయకమైన ఫలితాలతో ఎలా సమతుల్యం చేసుకుంటాయో కంపెనీలు చూడాలి.
AI లో భారీ పెట్టుబడులు.. కానీ ఫలితాలు ఏవి?
భారతీయ కార్పొరేట్ రంగంలో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ని వేగంగా అమలు చేసే ప్రయత్నాలు ప్రస్తుతం ఎక్కువగా ప్రయోగాల దశలోనే ఉన్నాయని, ఆశించిన స్థాయిలో విజయం సాధించలేదని Razorpay CEO హర్షిల్ మథుర్ అభిప్రాయపడ్డారు. AI పట్ల అందరిలోనూ ఆసక్తి ఉన్నప్పటికీ, ఈ టెక్నాలజీలను పెద్ద ఎత్తున అమలు చేయడంలో ఏ కంపెనీ కూడా ఇంకా పూర్తిస్థాయిలో ప్రావీణ్యం సంపాదించలేదని ఆయన పేర్కొన్నారు. ఈ విషయం ప్రపంచవ్యాప్తంగా ఉన్న టెక్ లీడర్ల అభిప్రాయాలతో కూడా సరిపోలుతోందని, పరిశ్రమ ఇంకా నేర్చుకునే దశలోనే ఉందని ఇది సూచిస్తోంది.
ఫైనాన్షియల్ సెక్టార్ లో AI సవాళ్లు
పేమెంట్ గేట్వేలు, ఫిన్టెక్ సంస్థల వంటి ఫైనాన్షియల్ సర్వీసెస్ రంగంలోని కంపెనీలకు AI అవసరాలు ఇతర పరిశ్రమల కంటే చాలా కఠినంగా ఉంటాయి. సాధారణ క్రియేటివ్ టూల్స్ లా కాకుండా, ఫైనాన్స్లో AI అనేది మోసం గుర్తించడం (Fraud Detection) మరియు ఆటోమేటెడ్ కస్టమర్ సపోర్ట్ వంటి కీలక పనులకు అత్యంత కచ్చితంగా, విశ్వసనీయంగా మరియు సురక్షితంగా ఉండాలి. కేవలం శక్తివంతమైన మోడల్స్ ని నిర్మించడం కంటే, ఆ మోడల్స్ ను రోజువారీ వ్యాపార కార్యకలాపాలకు తక్కువ ఖర్చుతో, నమ్మకంగా మార్చడం అనేది కష్టమైన పని అని మథుర్ అన్నారు.
ఆవిష్కరణలు, ఆచరణాత్మక ఖర్చుల మధ్య సమతుల్యం
ప్రస్తుతం చాలా వ్యాపారాలు AI అభివృద్ధిపై భారీగా ఖర్చు చేస్తున్నాయి, ఇది లాభాల మార్జిన్లపై ఒత్తిడిని పెంచుతోంది. ఈ అధిక ఖర్చులు వాస్తవమైన ఆదాయ వృద్ధికి లేదా మెరుగైన కార్యాచరణ సామర్థ్యానికి దారితీస్తాయా అని పెట్టుబడిదారులు గమనించాలి. ప్రయోగాత్మక ప్రాజెక్టుల నుండి వాస్తవ-ప్రపంచ అనువర్తనాలకు మారడం దీర్ఘకాలిక విలువ సృష్టికి అవసరం. కంపెనీలు తమ AI ప్రయోగాలను నమ్మకమైన, తక్కువ-ఖర్చు పరిష్కారాలుగా మార్చడంలో విఫలమైతే, వారి పెట్టుబడిపై రాబడి (Return on Capital Spending) ఊహించిన దానికంటే తక్కువగా ఉండవచ్చు.
టెక్ ఇన్వెస్టర్లకు భవిష్యత్ మార్గం
కంపెనీలు తమ వ్యూహాలను మెరుగుపరుచుకుంటున్నందున, ఈ అనిశ్చితి మరియు ప్రయత్నించి-విఫలమయ్యే (Trial-and-Error) కాలం కొనసాగే అవకాశం ఉంది. వాటాదారులకు, ఒక కంపెనీ ఎన్ని AI ఫీచర్లను ప్రకటిస్తుందో దానిపై కాకుండా, ఆ సాధనాలు నిజ-ప్రపంచ పరిస్థితుల్లో ఎలా పని చేస్తాయో దానిపై ప్రధానంగా దృష్టి పెట్టాలి. ఈ రంగంలోని కంపెనీల నుండి భవిష్యత్ అప్డేట్లు, AI నిజంగా ఖర్చులను తగ్గిస్తోందా లేదా భారీ పెట్టుబడుల దశ లాభదాయకతపై భారం కొనసాగిస్తుందా అనే దానిపై మరింత వెలుగునిస్తాయి.