भारत में AI क्रेडिट स्कोरिंग कैसे काम करती है, और कौन-से नियम लागू होते हैं?

AI क्रेडिट स्कोरिंग क्या है?

क्रेडिट स्कोर एक अनुमान है: यह उधार लेने वाला लोन चुकाएगा, इसकी कितनी संभावना है? पारंपरिक स्कोरिंग ज़्यादातर क्रेडिट ब्यूरो के रिकॉर्ड पर टिकी होती है, यानी पुराने लोन, कार्ड और चुकौती का व्यवहार। जिन लोगों और फ़र्मों ने पहले उधार लिया है, उनके लिए यह अच्छा काम करता है। जिन्होंने नहीं लिया, यानी "thin-file" या "new-to-credit" उधारकर्ता, उनके लिए यह ठीक से काम नहीं करता, क्योंकि स्कोर करने लायक जानकारी कम होती है।

AI क्रेडिट स्कोरिंग ऐसे मशीन-लर्निंग मॉडल इस्तेमाल करती है जो कहीं ज़्यादा संकेतों को जोड़ सकते हैं और वे पैटर्न ढूँढ सकते हैं जो एक स्कोरकार्ड नहीं ढूँढता। भारतीय फ़ाइनेंस में AI के मुख्य इस्तेमालों में से एक क्रेडिट अंडरराइटिंग है। जब RBI की FREE-AI कमेटी ने विनियमित संस्थाओं का सर्वे किया, तो रिपोर्ट किए गए AI इस्तेमालों में इसका हिस्सा 13.70% था, सिर्फ़ ग्राहक सहायता के बाद दूसरा। कमेटी ने यह भी कहा कि छोटे लोन में AI-आधारित लेंडिंग "पहली बार उधार लेने वालों और वंचित समुदायों को जोड़" सकती है।

ये मॉडल कौन-सा डेटा इस्तेमाल करते हैं?

भारत में सबसे बड़ा बदलाव है सहमति से कैश-फ़्लो डेटा तक पहुँच। Account Aggregator फ़्रेमवर्क में उधारकर्ता एक खास अनुरोध मंज़ूर करता है और उसका बैंक स्टेटमेंट डेटा सीधे लेंडर को भेजता है, उधारकर्ता को PDF डाउनलोड और अपलोड नहीं करनी पड़ती। इस नेटवर्क की उद्योग संस्था Sahamati के अनुसार 30 सितंबर 2026 तक 352.19 मिलियन अकाउंट लिंक हो चुके थे और 595.11 मिलियन सहमतियाँ पूरी हुई थीं। बारह महीनों की असली आवक पढ़ने वाला मॉडल उस छोटे बिज़नेस को भी परख सकता है जिसने कभी उधार नहीं लिया। हमारी Account Aggregator गाइड बताती है कि सहमति कैसे काम करती है, और Unified Lending Interface लेंडिंग के बड़े डेटा ढाँचे को समझाती है।

RBI के Digital Lending Directions क्या माँगते हैं?

8 मई 2025 को RBI ने Reserve Bank of India (Digital Lending) Directions, 2025 जारी किए, जिनमें उसके पुराने डिजिटल लेंडिंग दिशानिर्देश एक जगह लाए गए। ये बैंकों, सहकारी बैंकों, NBFC (हाउसिंग फ़ाइनेंस कंपनियों समेत) और अखिल भारतीय वित्तीय संस्थानों पर डिजिटल लेंडिंग के समय लागू होते हैं, और उन लेंडिंग सर्विस प्रोवाइडर (LSP) पर भी जिनका वे इस्तेमाल करते हैं। डेटा-आधारित स्कोरिंग के लिए सबसे अहम प्रावधान:

• उधारकर्ता की प्रोफ़ाइल जानें। लोन देने से पहले लेंडर को उधारकर्ता की आर्थिक प्रोफ़ाइल दर्ज करनी होती है, कम से कम उम्र, पेशा और आय, और ऑडिट के लिए इसका रिकॉर्ड रखना होता है।
• ज़रूरत भर का डेटा, सहमति के साथ। डिजिटल लेंडिंग ऐप का डेटा लेना ज़रूरत पर आधारित और उधारकर्ता की पहले से दी गई स्पष्ट सहमति से होना चाहिए, ऑडिट ट्रेल के साथ। ऐप फ़ोन की फ़ाइलें और मीडिया, कॉन्टैक्ट लिस्ट या कॉल लॉग जैसी चीज़ें एक्सेस नहीं कर सकते। कैमरा, माइक्रोफ़ोन या लोकेशन सहमति के साथ एक बार, ऑनबोर्डिंग या KYC के लिए, एक्सेस किए जा सकते हैं।
• Key Fact Statement, जो कॉन्ट्रैक्ट से पहले लोन की लागत और शर्तें बताता है, और साइन होने के बाद उधारकर्ता के सत्यापित ईमेल या SMS पर अपने-आप भेजा जाता है।
• सभी लेंडरों में निष्पक्ष तुलना। 1 नवंबर 2025 से, कई लेंडरों के साथ काम करने वाले LSP को मेल खाने वाले सभी लोन ऑफ़र का डिजिटल व्यू दिखाना होगा, जो लेंडर मेल नहीं खाए उनके नाम बताने होंगे, और "समान स्थिति वाले उधारकर्ताओं के लिए एक जैसा तरीका" अपनाना होगा। सामग्री "निष्पक्ष, वस्तुनिष्ठ" होनी चाहिए।
• एक सार्वजनिक निर्देशिका, डिजिटल लेंडिंग ऐप्स की, जिसे RBI लेंडरों के रिपोर्ट किए डेटा से प्रकाशित करता है।

ये Directions एल्गोरिदम को सीधे विनियमित नहीं करते। ये मॉडल में जाने वाली चीज़, यानी डेटा, को सीमित करते हैं, और नतीजे को तुलना-योग्य और दर्ज बनाते हैं।

निष्पक्षता सबसे कठिन हिस्सा क्यों है?

जो मॉडल औसतन चुकौती का अच्छा अनुमान लगाता है, वह भी कुछ समूहों के साथ अन्याय कर सकता है। वह उस इतिहास से सीख सकता है जिसमें कुछ उधारकर्ताओं को कम सेवा मिली, या प्रॉक्सी इस्तेमाल कर सकता है: PIN कोड, फ़ोन मॉडल या खर्च का पैटर्न आय, जाति, लिंग या धर्म की जगह ले सकते हैं, भले ही मॉडल ने वे फ़ील्ड कभी देखे न हों। RBI की FREE-AI कमेटी ने साफ़ कहा कि "क्रेडिट, लोन या बीमा के फ़ैसलों में इस्तेमाल होने वाले AI मॉडल खास जनसांख्यिकीय समूहों के खिलाफ़ पक्षपात दिखा सकते हैं", और फ़ैसले "इतने समझाने योग्य होने चाहिए कि कोई प्रत्यक्ष या अप्रत्यक्ष भेदभाव न हो"। डिजिटल लेंडिंग वाले अपने परिशिष्ट में उसने एल्गोरिदम के पक्षपात को पकड़ने और कम करने के लिए फ़ेयरनेस ऑडिट की माँग की।

क्या लेंडर कह सकता है "मॉडल ने मना कर दिया"?

अगर वह बैंक है, तो नहीं। RBI के Fair Practices Code for Lenders के तहत बैंकों और वित्तीय संस्थानों को 2007 से लोन आवेदन ठुकराने का मुख्य कारण या कारण लिखित में बताने होते हैं, हर तरह के लोन के लिए, राशि चाहे जो हो, क्रेडिट कार्ड समेत। मॉडल इस ज़िम्मेदारी को नहीं बदलता। इसका मतलब है कि लेंडर को मॉडल के नतीजे को ऐसे कारणों में बदलना आना चाहिए जो उधारकर्ता समझ सके। FREE-AI रिपोर्ट इससे आगे कहती है कि ग्राहकों के पास "AI के फ़ैसलों को चुनौती देने और स्पष्टीकरण माँगने का साधन" होना चाहिए, और अहम फ़ैसलों में इंसानी निगरानी और उन्हें पलटने का विकल्प उपलब्ध होना चाहिए।

भारत के बाहर इसका नियमन कैसे होता है?

EU का AI Act उस AI को हाई-रिस्क मानता है जो "प्राकृतिक व्यक्तियों की क्रेडिट-योग्यता आँकने या उनका क्रेडिट स्कोर तय करने" में इस्तेमाल होता है, और इस पर जोखिम प्रबंधन, डेटा गवर्नेंस, दस्तावेज़ीकरण और इंसानी निगरानी की ज़िम्मेदारियाँ डालता है। 2026 के Digital Omnibus के बाद ये हाई-रिस्क नियम 2 दिसंबर 2027 से लागू होंगे। EU निवासियों को स्कोर करने वाला भारतीय लेंडर इसके दायरे में आएगा; ज़्यादातर भारतीय लेंडिंग नहीं आती। हमारी वित्तीय सेवाओं में AI नियमन वाली पोस्ट विस्तार से बताती है।

छोटे बिज़नेस के उधारकर्ता को क्या जानना चाहिए?

• आपके बैंक स्टेटमेंट ही आपकी क्रेडिट फ़ाइल हैं। नियमित आवक, कम बाउंस हुए भुगतान और बिज़नेस व निजी पैसे का साफ़ अलगाव, कैश-फ़्लो डेटा पढ़े जाने पर अच्छा स्कोर देते हैं।
• सहमति खास होती है। AA सहमति में मकसद, डेटा और अवधि लिखी होती है। इसे पढ़ें, और जिन सहमतियों की अब ज़रूरत नहीं उन्हें वापस लें।
• कारण पूछें। अगर बैंक मना करे, तो उसे मुख्य कारण लिखित में बताने चाहिए। इससे पता चलता है कि क्या सुधारना है।
• उन ऐप्स से सावधान रहें जो आपके कॉन्टैक्ट या गैलरी माँगते हैं। 2025 के Directions के तहत विनियमित लेंडरों के ऐप्स को इनकी ज़रूरत नहीं होनी चाहिए। लेंडर को RBI की डिजिटल लेंडिंग ऐप्स की निर्देशिका में जाँचें।