WorkBuddy ve firmě Shanghai Jahwa: od pilotu ke sdílenému AI modelu pro devět oddělení

Případ Shanghai Jahwa je zajímavý méně samotným titulkem o 4,5násobném zvýšení efektivity než způsobem, jakým firma AI nasadila ve velkém. WorkBuddy zde podle dostupných zpráv nefungoval jako univerzální chatbot, ale jako nástroj pro převod opakujících se, pravidly řízených úkolů do otestovaných pracovních postupů a znovupoužitelných „Skills“. Znalosti jednotlivých zaměstnanců se tak mohly stát sdíleným provozním zdrojem pro celou organizaci. 4

Výsledky je však potřeba číst s určitou rezervou: uvedená čísla pocházejí z firemních případových studií, nikoli z nezávislého auditu produktivity.

Od pilotu ve dvou týmech k devíti oddělením

WorkBuddy byl podle dostupných informací v dubnu 2026 nejprve nasazen v týmech IT a HR společnosti Shanghai Jahwa. Později se rozšířil do běžného provozu v devíti odděleních, mimo jiné v dodavatelském řetězci, brand marketingu, výzkumu a vývoji, financích, HR a IT. Firma uvádí, že průměrná efektivita zaměstnanců vzrostla více než 4,5násobně. 4

Rozšíření mělo čtyři hlavní kroky:

1. Najít opakující se práci. Každé oddělení vytipovalo procesy založené na pravidelném sběru dat, párování údajů, formátování, analýze nebo reportingu.
2. Převést firemní pravidla do pracovního postupu. Zaměstnanci rozebrali, jak se úkol skutečně provádí, a pomocí WorkBuddy vytvořili skripty nebo strukturované Skills.
3. Ověřit výsledek na reálných historických datech. Týmy kontrolovaly výstupy, opravovaly chyby a během testování doplňovaly výjimky.
4. Výsledek znovu používat. Jakmile byl pracovní postup dostatečně spolehlivý, mohl se spouštět opakovaně a sdílet s dalšími zaměstnanci nebo odděleními.

Nešlo tedy jen o instalaci nového softwaru. Nasazení WorkBuddy se stalo spíše cvičením v návrhu firemních procesů. Odborníci zůstali zodpovědní za úsudek a kontrolu kvality, zatímco agent převzal značnou část mechanické a opakující se práce.

K čemu zaměstnanci WorkBuddy používali

Využití podle dostupných údajů zdaleka nekončilo u psaní textů. V posledním citovaném měsíci WorkBuddy používalo 67 % uživatelů pro specializovanou odbornou práci, 63 % pro zpracování a analýzu dat a 57 % pro automatizaci, provoz nebo údržbu. Jde o podíly využití, nikoli o měření toho, kolik času jednotlivé aktivity skutečně ušetřily. 7

Mezi uváděné příklady patřily:

• Výzkum a vývoj: hledání informací o kosmetických surovinách a příslušných předpisech.
• Finance: převod pravidel pro kontrolu proplácení výdajů do opakovatelného procesu a tvorba reportů pro předběžný výběr investic.
• HR: upozornění manažerů a zaměstnanců na blížící se konec zkušební doby.
• Dodavatelský řetězec: automatická aktualizace provozních dashboardů ve více výrobních provozech.
• Brand marketing: analýza spotřebitelských insightů a obsahu i tvorba marketingových materiálů.

Marketingový tým měl také převést přibližně 70 % týdenních prezentací ve stylu PowerPointu do HTML stránek. Ty bylo možné sdílet v celé firmě, průběžně aktualizovat online a zobrazit bez čekání na rozeslání nové statické prezentace.

Dodavatelský řetězec ukazuje celý princip v praxi

Nejkonkrétnější příklad se týkal kontroly logistických faktur. B2C část podnikání Shanghai Jahwa využívá platformy Tmall, JD a Douyin. Náklady na skladování, manipulaci, doručení a další služby byly rozděleny do sedmi typů zdrojových účtů. Za 18 měsíců se objem dat vyšplhal přibližně na 60 milionů řádků. Původní měsíční proces založený na Excelu zabral pět až šest člověkodnů a u velkých souborů hrozilo, že je nebude možné pohodlně otevřít nebo zpracovat.

Zhang Ying, manažerka provozu v dodavatelském řetězci, vystudovala ekonomii a podle dostupných zpráv neměla zkušenosti s programováním. Měsíční proces proto rozdělila na menší kroky. WorkBuddy pro ně vygeneroval skripty v Pythonu, které Zhang opakovaně testovala na historických datech za všech 18 měsíců. Když testy odhalily výjimky nebo nová obchodní pravidla, doplnila je do znovupoužitelných Skills.

Uváděné změny vypadaly takto:

• Měsíční analýza fakturace: ze dvou člověkodnů na 15 minut.
• Základní tabulka pro motýlkový graf: z jednoho člověkodne na dvě minuty.
• Vizuální dashboard: z 1,5 člověkodne na tři minuty.
• Celý měsíční proces: z pěti až šesti člověkodnů na méně než 20 minut.
• Nejvyšší uváděné zrychlení jednotlivého úkolu: až 150×.

Výsledkem nebyla jen rychleji upravená tabulka. Dashboard bylo možné filtrovat podle značky, platformy, typu nákladu nebo průměrné hodnoty objednávky. Manažeři navíc mohli otevřít odkaz a zobrazit aktuální výsledky, místo aby čekali na vytvoření nového reportu.

Proč se model mohl rozšířit

Případ Shanghai Jahwa naznačuje, že podnikové AI agenty mají větší šanci na skutečné rozšíření, pokud první využití splňuje tři podmínky:

• úkol se opakuje dost často na to, aby se automatizace vyplatila;
• jeho pravidla lze srozumitelně popsat a otestovat;
• výstup lze porovnat s existujícími záznamy nebo očekáváním firmy.

Logistické párování faktur do tohoto vzorce zapadalo velmi dobře. Proces byl opakující se a datově náročný, zároveň ale vyžadoval člověka, který rozuměl struktuře účtů, poznal výjimky a dokázal posoudit, zda výsledek dává obchodní smysl. WorkBuddy urychlil mechanickou část práce, nikoli samotný odborný dohled.

Stejný princip se uplatnil ve financích, HR, výzkumu a vývoji i marketingu. Každý tým dodal kontext a úsudek, zatímco agent pomohl zabalit opakovatelné části práce do postupů, které bylo možné znovu spustit a v některých případech sdílet napříč firmou. 4

Násobič produktivity, ne automatická náhrada lidí

Praktický argument Tencentu je proto užší a zároveň užitečnější než tvrzení, že AI nahradí kancelářské pracovníky. Uváděné přínosy vznikly díky tomu, že odborní zaměstnanci definovali pravidla, ověřovali výsledky, opravovali výjimky a měnili úspěšné procesy v opakovaně použitelné firemní nástroje. 4

To je podstatný rozdíl. Chatbot může nabídnout jednorázovou odpověď, ale otestovaný Skill dokáže zachovat způsob, jakým firma provádí pravidelný úkol. Přínos navíc roste, když několik oddělení vytváří a znovu používá pracovní postupy místo toho, aby každá automatizace zůstala izolovaným experimentem.

Ani hlavní čísla ale nelze automaticky přenést na každou firmu nebo pracovní pozici. Dostupné podklady popisují výsledky Shanghai Jahwa v konkrétních vybraných procesech a nepotvrzují nezávisle ověřené 4,5násobné zvýšení produktivity všech zaměstnanců. Střízlivější a lépe přenositelná lekce zní: začít u měřitelné opakující se práce, nechat odborníky průběžně kontrolovat výstupy, testovat je na skutečných datech a sdílet to, co funguje.