我们来聊聊第一家成为《哈佛商业评论》案例研究对象的亚洲银行：DBS（星展银行）。（它还被《环球金融》评为 2025 年全球最佳 AI 银行。）
这个案例对 Collar 的创始人来说颇有亲切感。我们是新加坡人，这个国家的很多人，人生第一个银行账户就是在 DBS 开的。
DBS 回答了每一个非技术人员都会问的那个永恒问题：当 AI 大规模落地时，组织内部的人会怎么样？DBS 是东南亚按资产计最大的银行，在 19 个市场雇用超过 4 万名员工。
缓慢而稳健的 AI 投资
DBS 早在 2014 年就开始秘密构建其数据与 AI 基础设施——那是生成式 AI 进入主流对话之前许多年。这个早期起步意味着，当行业其余玩家还在仓促部署 LLM 时，DBS 已经建立起数据基础、治理框架和内部能力，得以从容前行。
到 2025 年，这些成果印证了这份耐心的复利效应：
- 在 370 多个用例中部署了 1,500 多个 AI 模型
- 2025 年从 AI 计划中产生 10 亿新元的经济价值——这是该行公开承诺并达成的目标
- 被《环球金融》评为全球最佳 AI 银行，是首家获此殊荣的亚洲机构
- 2025 年完成 9 项运营模式转型（OMT）计划，超过最初 6 项的目标
以人为本的理念
DBS 路径的决定性特征，不在于它部署了什么，而在于它如何思考 AI 与员工之间的关系。许多组织把对员工的影响当作下游的考量，DBS 却从一开始就把它写进战略。
该行的立场很明确：AI 是增强工具，而不是替代计划。每一次 AI 部署，都围绕着"它如何改变一个人所做的事"来设计——而不是"这个人是否还被需要"。这不是一个公关姿态，而是一个塑造用例如何挑选、模型如何部署、成功如何衡量的架构性约束。
"我们部署 AI 不是为了削减人头，而是为了改变我们的员工把时间花在什么上。" —— 反映了 DBS 在 2024–2025 年间关于员工与 AI 的公开立场
重建员工队伍，而不仅是技术栈
DBS 对员工的承诺不是修辞，而是落地的行动。该行识别出 1.3 万名员工，进行包括 AI 与数据分析在内的面向未来技能的全面提升，到 2025 年已有超过 1 万人进入了实际的学习路线图。同年另有 1.2 万名员工被指定进行专项再培训。
DBS 没有把这当作一个培训项目，而是当作一次组织重新设计。团队被重组，角色被重新定义。该行承诺创造约 1,000 个新的 AI 相关岗位，以吸纳被自动化释放出的产能。
该行还打造了 iCoach——一个与高管教练先驱马歇尔·戈德史密斯共同开发的、由生成式 AI 驱动的职业教练平台。iCoach 让每位 DBS 员工都能 24 小时随时获得个性化的职业指导，依托该行自身的内部角色定义、流动路径和学习资源。它向员工传递的信息很直接：我们投资的是你的未来，而不只是银行的效率。
PURE 框架：把负责任的 AI 当作竞争优势
当大多数组织把 AI 治理当作合规义务时，DBS 把它当作一项战略资产。该行开发了 PURE 框架——四条原则，规范 AI 在内部及面向客户应用中的使用方式：
| 原则 | 含义 | 为何重要 |
|---|---|---|
| 有目的（Purposeful） | 数据与 AI 仅用于清晰、正当的目的 | 防止范围蔓延与滥用；建立内部治理纪律 |
| 不出意料（Unsurprising） | AI 行为不得让客户或员工感到意外 | 建立信任；防止 AI 在决策中被发现时引发反弹 |
| 尊重（Respectful） | 以尊严对待个人；保护隐私与自主 | 在决策关乎生计的银行业尤为关键 |
| 可解释（Explainable） | AI 决策必须可解读、可审计 | 满足监管合规，维护人的问责 |
PURE 不是贴在内网上的一套指南。它是嵌入 AI 开发生命周期的运营标准。每一个新的 AI 用例在部署前都要对照它进行评估。这带来两个效果：建立员工对所用工具的信心（因为他们知道这些工具已经过明确伦理标准的检验），也建立客户信任（因为 AI 行为可预测、可解释）。
在亚洲各地监管机构对金融服务中 AI 的审查日益加强的环境下，DBS 的治理姿态已成为一种竞争差异化优势，而不仅仅是风险缓释策略。
运营模式转型：重新设计工作，而不只是把它自动化
DBS 在组织层面最独特的贡献，是"运营模式转型"（OMT）这一概念。OMT 不是简单地在既有流程之上部署 AI 工具，而是从根本上重新思考一个团队的工作如何围绕人机协作来构建。
每一项 OMT 计划都包含三个要素：重建工作流本身（而不只是给它加上 AI）、提升该工作流中人员的技能，以及围绕人机之间新的分工重组团队。2025 年，DBS 在其主要业务线上完成了九项这样的转型。具体成果包括：
- CSO Assistant 生成式 AI 工具将通话处理时间最多缩短了 20%，让客服团队得以投入复杂、高价值的互动
- 一个生成式 AI 助手如今每月处理 25 万次客户咨询——将 80% 的常规任务自动化，让人工坐席专注于需要判断的那 20%
- 面向软件开发者的内部生成式 AI 工具 CodeBuddy，把测试用例生成与文档编写的周期从数月缩短到数周
- 一个 AI 驱动的风险评分模型如今审核 100% 的技术变更请求，使由这些变更引发的系统事故减少了 81%
- 生成式 AI 工具为 4 万多名员工的日常工作带来了估计 5–10% 的时间节省
以人为本的论点
DBS 的故事得出的一组经验，与摩根大通的故事不同——并不矛盾，而是互补。摩根大通展示了大规模投资、快速部署会发生什么，DBS 则展示了像投资技术一样审慎地投资于人会发生什么。
经验一：员工的过渡本身就是转型
大多数组织把员工的过渡当作 AI 部署的副作用。DBS 把它当作首要目标。指导每个用例的问题，不是"AI 能做这个吗？"，而是"这能把我们的员工解放出来去做什么？"这种重构改变了你构建什么、如何衡量成功，以及如何在内部沟通这个项目。它也改变了采用曲线：当员工明白 AI 是在改变他们所做的事、而不是把他们从等式中抹去时，阻力下降，投入上升。
经验二：治理是一种建立信任的工具
PURE 框架是 DBS 最可输出的创新。这并非因为这四条原则有多新颖，而是因为 DBS 把它们落地了。它们不是一份价值观声明，而是一套开发标准。那些在部署之后才把治理硬塞进 AI 项目的组织，始终面临同样的问题：员工不信任他们不理解的工具，客户不信任他们无法解释的 AI 决策。
经验三：耐心会产生复利
DBS 的 2025 年成果并非源于一个单一的大型项目，而是源于十一年来对数据基础设施、AI 能力和人才技能的持续投资。这并不是在主张放慢脚步，而是在主张从一开始就投资于正确的基础，而不是去追逐那些不会产生复利的短期部署指标。
经验四：运营模式转型才是真正的奖赏
最高价值的 AI 用例不在于单个工具的部署，而在于重新设计整个团队的工作方式。一个为某个人节省 10% 时间的生成式 AI 工具，是一次生产力改进。一个围绕人机协作重组、角色重新定义、工作流重建的团队，则是一次阶跃式的飞跃。DBS 在 2025 年完成了九次这样的重新设计。大多数组织连一次都没完成。
经验五：信任是可扩展性的约束
AI 部署的速度并不是价值创造的首要约束，信任才是。不信任 AI 工具的员工会浅尝辄止，或在试点结束后退回到手工流程。DBS 围绕信任来构建它的转型——通过透明的技能提升投资和 iCoach 赢得员工的信任，通过 PURE 框架赢得客户的信任，通过可解释的治理赢得监管机构的信任。这正是采用得以深入、而不只是铺得广的原因。
两种模式，同一个目的地
摩根大通和 DBS 都取得了变革性的 AI 成果。它们走了不同的路。理解二者，比把任何一方当作唯一正确答案更有用。
| 摩根大通路径 | DBS 路径 |
|---|---|
| 主线叙事：规模与速度上的投资 | 主线叙事：以人为本、耐心的转型 |
| LLM Suite：在 8 个月内向 20 万员工进行病毒式的自愿部署 | 对数据基础设施、文化和员工能力进行 10 年投资 |
| 治理作为风险管理纪律 | 治理（PURE）作为建立信任与竞争差异化的手段 |
| 衡量标准：采用速度、营收提升、成本效率 | 衡量标准：员工能力提升、模型质量、随时间复利的经济价值 |
| 变革管理：第一季度 3 万名 AI 培训参与者 | 运营模式转型：2025 年完成 9 次完整的团队-工作流重设计 |
| AI 替代低价值工作；人专注于高价值工作 | AI 增强每一位员工；人被明确地投资，而非被裁撤 |
| 底线：到 2025 年每年 20 亿美元的 AI 产生价值 | 底线：2025 年 10 亿新元的 AI 产生价值，并获评全球最佳 AI 银行 |
没有哪种模式更优越。摩根大通的路径适用于大型、快速行动的金融机构，它们有资本去大规模部署，也有治理基础设施去管理风险。DBS 的路径适用于在多个受监管市场运营、需要深度员工信任、并愿意投资于转型长弧的组织。
对大多数中型组织而言，DBS 的路径更具可复制性：从数据基础开始，从第一天起就把治理嵌入流程，像投资模型一样审慎地投资于你的员工，并把运营模式重设计当作真正的交付物。
DBS 模式在实践中意味着什么
部署之前先诊断。 DBS 的 OMT 框架始于对工作当前如何构建、以及 AI 在何处创造真正杠杆的诊断。这不是一次技术审计，而是一次工作流审计。
明确地投资于"人"这道方程。 DBS 没有假设员工会自己摸索出与 AI 协作的方法。它投资于结构化的技能提升、识别出需要再培训的个人、打造 iCoach，并承诺创造新岗位。对人的投资与对技术的投资成正比——而这正是让技术投资得以扎根的原因。
在你需要之前就建好治理。 PURE 是在 DBS 遭遇如今伴随金融服务 AI 部署而来的监管审查之前就建好的。这个先后次序很重要。那些在事故发生后才建立治理框架的组织，总是在打追赶仗。
衡量正确的东西。 DBS 衡量的是 AI 产生的经济价值——这是一个硬指标，需要把业务成果归因到具体的部署上。那个公开承诺并达成的 10 亿新元目标，正是让项目对齐商业现实、而非 AI 表演的锚点。
总结
摩根大通展示了 AI 转型在最大速度和规模下是什么样子。DBS 展示了当你把基础打对、并以投资技术同等的严谨去投资于人时，它是什么样子。
DBS 的故事不是关于比摩根大通更慢或更谨慎，而是关于认清这一点：AI 转型最难的部分不是部署模型——而是改变 4 万人的工作方式，并以一种赢得他们信任、而非侵蚀信任的方式去做到。
这正是 PURE 框架的用途。这正是 iCoach 的用途。这正是运营模式转型的用途。也正因如此，DBS 才是全球最佳 AI 银行——不是因为它部署了最多的 AI，而是因为它打造了一种善用 AI 的组织。
将赢得未来十年 AI 的组织，不是部署得最快的那些，而是建得最深的那些——在它们的数据、治理、员工和运营模式上。DBS 就是这个概念的验证。
来源
- DBS 获评 2025 年全球最佳 AI 银行（DBS 新闻室）：dbs.com/newsroom
- 哈佛商学院：DBS AI 之旅案例研究：hbs.edu
- DBS AI 驱动的数字化转型（DBS）：dbs.com/artificial-intelligence
- DBS 为 AI 推理时代重构运营模式（Computer Weekly）：computerweekly.com
- DBS 十亿美元 AI 梦想成真（Forrester）：forrester.com
- DBS AI 战略分析（Klover.ai）：klover.ai
- DBS iCoach 生成式 AI 员工工具（DBS 新闻室）：dbs.com/newsroom/icoach
- DBS 人机协同方法（Tearsheet）：tearsheet.co
