数字化与AI应用要创造持久价值，关键不在于上了多少工具，而在于能否改善客户实际获得的服务，让员工更有能力把服务做好，并为企业带来可持续的经营回报。对新加坡企业而言，技术不应只是独立的自动化项目，也不应在完成销售后就与客户价值脱节；它需要融入从产品设计到交付、支持和持续改进的整个经营模式。

让股东、客户与员工的价值彼此连接

可持续的经营方式，需要同时回应三方需求：

• 股东需要长期回报。 衡量投资时，应关注长期经营表现、韧性与竞争力，而不只是短期销售增长或减少人手。
• 客户需要真正有用的解决方案。 先明确客户的问题，以及他们希望获得什么结果，再决定是否、以及如何运用技术。
• 员工需要有能力把承诺变成现实。 提供适用的技能、工具、业务背景和明确职责；在产品与流程决策中，也要纳入员工的专业判断和一线观察。

这三方面的价值，往往体现在企业内部三个关键交汇点：

• 销售与营销：连接股东与客户。 对外作出可信的承诺，并让获客目标与客户购买后实际获得的价值相一致。
• 运营与交付：连接股东与员工。 把战略转化为可执行的流程、培训和责任机制。评估削减成本时，也要考虑它对服务质量、业务韧性和专业能力的影响。
• 支持与体验：连接员工与客户。 为一线团队提供有用的客户信息，并建立清晰的复杂问题升级处理机制。AI可以协助处理常规工作；遇到例外情况或影响重大的决定时，仍需保留人的判断。

协同管理完整的客户旅程

如果各团队只优化自己的指标，企业创造的价值就可能在交接过程中流失：销售作出交付团队无法兑现的承诺；削减成本削弱了关键专业能力；或者所谓的效率提升，只是把更多工作留给客户。

企业可以采取以下做法，减少这些落差：

1. 明确客户旅程的负责人。 责任范围应覆盖战略、产品开发、运营、营销、销售及售后支持。
2. 在承诺客户之前检查交付能力。 确认产品功能、交付资源和售后准备情况能够支撑对外承诺。
3. 设立跨团队共同指标。 可关注客户成果、实现价值所需时间、交付可靠性、重复联系次数、客户留存、员工熟练度，以及整个客户关系的盈利能力。
4. 共同审视取舍。 如果某项局部效率把成本、风险或不满转移到其他团队或客户身上，就不能简单算作成功。

DBS与新加坡航空带来的启示

DBS在《2025年年报》中表示，该行已部署逾2,000个AI模型，应用场景超过430个，并通过数据分析与AI/机器学习创造约10亿新加坡元的经济价值。该行也介绍，其AI策略强调结合人类与机器的能力，并为员工提供技能和工具。3610 值得借鉴的是这套做法覆盖的范围：AI应当与客户互动、运营流程和员工能力建设相结合，而不能只用工具数量来衡量采用成效。需要注意的是，约10亿新加坡元是DBS自行报告的数据，并非经独立确认、可直接套用到其他企业的投资回报。

2025年3月，新加坡航空宣布将Salesforce的Agentforce、Einstein in Service Cloud和Data Cloud纳入客户个案管理系统，目标是提供更一致、更个性化的服务。25 这项公告说明的是一项计划及其预期效益，并不等同于已有独立验证的成效。它所体现的实用思路是：客户服务技术需要连接相关信息与工作流程，才能支撑服务承诺；单独加一个聊天机器人并不足够。

建立持续学习的循环，而不是单向价值链

每一次客户互动，都可以成为企业发现改进机会的起点：

互动 → 获取洞察 → 改进产品与交付 → 提升客户价值 → 带来更多采用与互动

要让这个循环真正运转，企业可以收集产品使用情况、投诉、续约和服务对话中的信号，并结合员工观察及运营数据，找出问题的根源。随后，把发现反馈到产品规划、流程设计、营销表述和客户支持中；改进后，再检查客户成果是否确实变好。互动次数增加，本身并不代表创造了更多价值。

股东也应参与这个循环：把资源投向那些有可信路径、能够改善客户成果并带来可持续回报的改进项目。

从AI试验走向有责任、有衡量的部署

以下步骤有助于让AI部署始终围绕实际成果展开：

1. 先界定问题。 在选择AI工具之前，明确要改善的是客户需求、运营阻力，还是员工需要作出的某项判断。
2. 建立基准。 记录现有成果、成本、错误情况及员工投入，作为比较依据。
3. 重新设计工作流程。 明确工具如何嵌入现有工作、何时需要人工复核、异常情况如何升级处理，以及谁对错误负责。
4. 检验安全保障。 评估准确性、隐私、安全和系统故障后的恢复方式；同时让员工做好质疑输出、处理例外情况的准备。
5. 有证据再扩大应用。 除客户成果和服务可靠性外，也要核算系统整合、监督及持续维护的总成本。
6. 规划释放出来的工作能力如何使用。 在合适情况下，可投入改善服务、处理复杂个案、培训或创新；不应默认减少人手是唯一的价值来源。

衡量AI是否成功，重点不是它自动化了多少工作，而是客户是否获得更好的结果、员工是否更有能力交付，以及企业能否持续取得回报。当这三者相互促进，数字化投入才更有机会转化为长期价值。

数字化与AI应用要创造持久价值，关键不在于上了多少工具，而在于能否改善客户实际获得的服务，让员工更有能力把服务做好，并为企业带来可持续的经营回报。对新加坡企业而言，技术不应只是独立的自动化项目，也不应在完成销售后就与客户价值脱节；它需要融入从产品设计到交付、支持和持续改进的整个经营模式。

让股东、客户与员工的价值彼此连接

可持续的经营方式，需要同时回应三方需求：

• 股东需要长期回报。 衡量投资时，应关注长期经营表现、韧性与竞争力，而不只是短期销售增长或减少人手。
• 客户需要真正有用的解决方案。 先明确客户的问题，以及他们希望获得什么结果，再决定是否、以及如何运用技术。
• 员工需要有能力把承诺变成现实。 提供适用的技能、工具、业务背景和明确职责；在产品与流程决策中，也要纳入员工的专业判断和一线观察。

这三方面的价值，往往体现在企业内部三个关键交汇点：

• 销售与营销：连接股东与客户。 对外作出可信的承诺，并让获客目标与客户购买后实际获得的价值相一致。
• 运营与交付：连接股东与员工。 把战略转化为可执行的流程、培训和责任机制。评估削减成本时，也要考虑它对服务质量、业务韧性和专业能力的影响。
• 支持与体验：连接员工与客户。 为一线团队提供有用的客户信息，并建立清晰的复杂问题升级处理机制。AI可以协助处理常规工作；遇到例外情况或影响重大的决定时，仍需保留人的判断。

协同管理完整的客户旅程

如果各团队只优化自己的指标，企业创造的价值就可能在交接过程中流失：销售作出交付团队无法兑现的承诺；削减成本削弱了关键专业能力；或者所谓的效率提升，只是把更多工作留给客户。

企业可以采取以下做法，减少这些落差：

1. 明确客户旅程的负责人。 责任范围应覆盖战略、产品开发、运营、营销、销售及售后支持。
2. 在承诺客户之前检查交付能力。 确认产品功能、交付资源和售后准备情况能够支撑对外承诺。
3. 设立跨团队共同指标。 可关注客户成果、实现价值所需时间、交付可靠性、重复联系次数、客户留存、员工熟练度，以及整个客户关系的盈利能力。
4. 共同审视取舍。 如果某项局部效率把成本、风险或不满转移到其他团队或客户身上，就不能简单算作成功。

DBS与新加坡航空带来的启示

DBS在《2025年年报》中表示，该行已部署逾2,000个AI模型，应用场景超过430个，并通过数据分析与AI/机器学习创造约10亿新加坡元的经济价值。该行也介绍，其AI策略强调结合人类与机器的能力，并为员工提供技能和工具。3610 值得借鉴的是这套做法覆盖的范围：AI应当与客户互动、运营流程和员工能力建设相结合，而不能只用工具数量来衡量采用成效。需要注意的是，约10亿新加坡元是DBS自行报告的数据，并非经独立确认、可直接套用到其他企业的投资回报。

2025年3月，新加坡航空宣布将Salesforce的Agentforce、Einstein in Service Cloud和Data Cloud纳入客户个案管理系统，目标是提供更一致、更个性化的服务。25 这项公告说明的是一项计划及其预期效益，并不等同于已有独立验证的成效。它所体现的实用思路是：客户服务技术需要连接相关信息与工作流程，才能支撑服务承诺；单独加一个聊天机器人并不足够。

建立持续学习的循环，而不是单向价值链

每一次客户互动，都可以成为企业发现改进机会的起点：

互动 → 获取洞察 → 改进产品与交付 → 提升客户价值 → 带来更多采用与互动

要让这个循环真正运转，企业可以收集产品使用情况、投诉、续约和服务对话中的信号，并结合员工观察及运营数据，找出问题的根源。随后，把发现反馈到产品规划、流程设计、营销表述和客户支持中；改进后，再检查客户成果是否确实变好。互动次数增加，本身并不代表创造了更多价值。

股东也应参与这个循环：把资源投向那些有可信路径、能够改善客户成果并带来可持续回报的改进项目。

从AI试验走向有责任、有衡量的部署

以下步骤有助于让AI部署始终围绕实际成果展开：

1. 先界定问题。 在选择AI工具之前，明确要改善的是客户需求、运营阻力，还是员工需要作出的某项判断。
2. 建立基准。 记录现有成果、成本、错误情况及员工投入，作为比较依据。
3. 重新设计工作流程。 明确工具如何嵌入现有工作、何时需要人工复核、异常情况如何升级处理，以及谁对错误负责。
4. 检验安全保障。 评估准确性、隐私、安全和系统故障后的恢复方式；同时让员工做好质疑输出、处理例外情况的准备。
5. 有证据再扩大应用。 除客户成果和服务可靠性外，也要核算系统整合、监督及持续维护的总成本。
6. 规划释放出来的工作能力如何使用。 在合适情况下，可投入改善服务、处理复杂个案、培训或创新；不应默认减少人手是唯一的价值来源。

衡量AI是否成功，重点不是它自动化了多少工作，而是客户是否获得更好的结果、员工是否更有能力交付，以及企业能否持续取得回报。当这三者相互促进，数字化投入才更有机会转化为长期价值。