Shanghai Jahwa gjorde WorkBuddy til en fælles AI-model på tværs af afdelinger

Shanghai Jahwas udrulning af WorkBuddy er interessant, ikke kun på grund af det opsigtsvækkende effektivitetstal, men især på grund af måden, virksomheden skalerede løsningen på. I stedet for at installere en generel chatbot omsatte medarbejderne gentagne, regelbaserede opgaver til testede arbejdsgange og genbrugelige "Skills". På den måde blev viden, der tidligere lå hos den enkelte medarbejder, til en fælles arbejdsressource i organisationen. 4

Resultaterne er markante, men bør læses med forbehold: Effektivitetstallene stammer fra virksomhedens egne casestudier og er ikke resultatet af en uafhængig produktivitetsrevision.

Fra pilotprojekt til ni afdelinger

WorkBuddy blev ifølge de rapporterede oplysninger først taget i brug af Shanghai Jahwas IT- og HR-teams i april 2026. Senere blev løsningen udvidet til den daglige drift i ni afdelinger, blandt andet forsyningskæde, brand marketing, forskning og udvikling, økonomi, HR og IT. Virksomheden rapporterede en gennemsnitlig effektivitetsfremgang blandt medarbejderne på mere end 4,5 gange. 4

Udrulningen byggede på fire trin:

1. Find de gentagne opgaver. Hver afdeling identificerede processer med tilbagevendende dataindsamling, afstemning, formatering, analyse eller rapportering.
2. Omsæt forretningsregler til arbejdsgange. Medarbejderne beskrev, hvordan arbejdet blev udført, og brugte WorkBuddy til at udvikle scripts eller strukturerede Skills.
3. Test mod historiske data. Teams kontrollerede resultaterne, rettede fejl og tilføjede undtagelser, som dukkede op under afprøvningen.
4. Genbrug det, der virker. Når en arbejdsgang var stabil, kunne den køres igen og deles med andre medarbejdere eller afdelinger.

Det gjorde implementeringen til et spørgsmål om procesdesign – ikke blot en softwareinstallation. De medarbejdere, der kendte forretningen, beholdt ansvaret for vurderinger og kvalitetssikring, mens agenten håndterede en stor del af det gentagne arbejde.

Fra tekstudkast til specialiseret forretningsarbejde

WorkBuddy blev ifølge de rapporterede brugstal brugt til langt mere end at skrive tekst. I den senest omtalte måned anvendte 67 procent af brugerne værktøjet til specialiserede forretningsopgaver, 63 procent til databehandling og analyse, og 57 procent til automatisering samt drift og vedligehold. Tallene viser, hvor mange brugere der anvendte løsningen til de forskellige områder – ikke hvor meget tid hver aktivitet sparede. 7

Eksempler fra Shanghai Jahwa omfatter:

• Forskning og udvikling: Research i kosmetiske ingredienser og relevante regler.
• Økonomi: Omsætning af regler for kontrol af udgiftsbilag til en gentagelig proces samt automatisk udarbejdelse af rapporter til screening af investeringer.
• HR: Påmindelser til ledere og medarbejdere om udløb af prøvetid.
• Forsyningskæde: Automatisk opdatering af produktionsdashboards på tværs af flere værksteder.
• Brand marketing: Forbrugerindsigter, indholdsanalyse og produktion af marketingmateriale.

Marketingafdelingen omdannede desuden angiveligt omkring 70 procent af de ugentlige præsentationsbaserede gennemgange til HTML-sider. Siderne kunne deles i hele virksomheden, opdateres online og ses uden at vente på, at en ny statisk præsentation blev sendt rundt.

Forsyningskæden viser, hvordan modellen fungerer i praksis

Det tydeligste eksempel kom fra afstemning af logistikfakturering. Shanghai Jahwas B2C-forretning bruger Tmall, JD og Douyin, hvor udgifter til lager, håndtering, levering og andre ydelser var spredt over syv rå fakturakategorier. Over 18 måneder voksede datamængden til omkring 60 millioner rækker. Den eksisterende, Excel-baserede månedsproces tog fem-seks persondage, og de store filer kunne blive vanskelige at åbne eller behandle.

Zhang Ying, der er driftschef i forsyningskæden, har en baggrund i økonomi, men ingen programmeringserfaring. Hun delte den månedlige proces op i mindre trin. WorkBuddy genererede Python-scripts til trinnene, som Zhang gentagne gange testede mod de 18 måneders historiske data. Når testene afslørede undtagelser eller nye forretningsregler, føjede hun dem til genbrugelige Skills.

De rapporterede ændringer var:

• Månedlig faktureringsanalyse: to persondage til 15 minutter.
• Grundtabel til butterfly-diagram: én persondag til to minutter.
• Visuelt dashboard: 1,5 persondage til tre minutter.
• Hele den månedlige arbejdsgang: fem-seks persondage til under 20 minutter.
• Højeste rapporterede gevinst for en enkelt opgave: op til 150 gange.

Resultatet var altså ikke blot et hurtigere regneark. Det færdige dashboard kunne filtreres efter blandt andet brand, platform, udgiftskategori og gennemsnitlig ordreværdi. Ledere kunne åbne et link og se opdaterede resultater i stedet for at vente på, at en ny rapport blev bygget fra bunden.

Hvorfor kunne WorkBuddy brede sig?

Casen peger på, at AI-agenter i virksomheder lettere får fodfæste, når de første anvendelser har tre egenskaber:

• De forekommer ofte nok til at retfærdiggøre automatisering.
• Reglerne kan forklares og testes.
• Resultatet kan kontrolleres mod eksisterende data eller forretningsmæssige forventninger.

Logistikafstemningen passede godt til dette mønster. Processen var gentagen og datatung, men krævede stadig en medarbejder, der forstod fakturastrukturen, kunne genkende undtagelser og vurdere, om resultatet gav forretningsmæssig mening. WorkBuddy fremskyndede det mekaniske arbejde uden at fjerne behovet for fagligt opsyn.

Det samme princip gjaldt for økonomi, HR, forskning og udvikling samt marketing. Hvert team leverede konteksten og vurderingerne, mens agenten hjalp med at pakke de gentagelige dele ind i arbejdsgange, som kunne køres igen og i nogle tilfælde deles bredere. 4

En produktivitetsforstærker – ikke automatisk joberstatning

Tencent fremfører dermed et mere afgrænset og praktisk argument end påstanden om, at AI erstatter kontoransatte. De rapporterede gevinster kom af, at fageksperter specificerede regler, validerede resultater, rettede undtagelser og omdannede vellykkede processer til genbrugelige organisatoriske aktiver. 4

Forskellen er væsentlig. En chatbot kan give et enkelt svar, mens en testet Skill kan bevare den måde, virksomheden udfører en tilbagevendende opgave på. Værdien kan vokse, når flere afdelinger udvikler og genbruger arbejdsgange i stedet for at holde hver automatisering som et isoleret eksperiment.

De store tal bør dog ikke uden videre overføres til alle virksomheder eller stillingstyper. Det tilgængelige materiale beskriver Shanghai Jahwas egne rapporterede resultater i udvalgte arbejdsgange og dokumenterer ikke en uafhængigt verificeret produktivitetsstigning på 4,5 gange blandt samtlige medarbejdere. Den mere holdbare læring er derfor selve arbejdsmodellen: Begynd med målbare, gentagne opgaver, behold eksperterne i processen, test mod virkelige data, og del det, der virker.