原書第 39 章描述 DBS 如何先把資料與技術能力建好，再把 AI 交付速度與經濟價值規模化。
| 項目 | 原書資料 |
|---|---|
| 員工數 | 約 41,000 |
| FY2024 營收 | S$22B |
| Tech talent 內製比例 | 20% → 70%；到 2021 年技術服務 90% insourced |
| 2021 年 cloud-native applications | 99% |
| 數位客戶比例 | 60%+ |
| 數位客戶收入 | 超過傳統客戶 2 倍 |
| AI 模型部署時間 | 2018 年 12–18 個月 → 2023 年 2–3 個月 |
| 2025 AI 經濟影響估計 | 超過 S$1B |
以「能力投入 → 交付速度 → 使用／客戶價值 → 經濟影響」建立因果鏈，並把資料、人才與架構視為前置條件。
若用區間中點比較，部署時間從 15 個月降至 2.5 個月，約縮短 83.3%，速度約提升到原本的 6 倍。
只根據本頁原書資料，解釋 DBS 的資料與技術能力如何可能影響 AI time-to-value，並區分相關性與可直接證明的因果。
**題目：**若未來部署時間再縮短 20%，以 2.5 個月為基準會是多少？
**參考解答：**2.5 × 80% = 2.0 個月。這是教材情境。
能力與績效數字來自原書第 39 章；中點與 20% What-if 為教材計算。