Cómo Shanghai Jahwa convirtió WorkBuddy en un modelo operativo de IA entre departamentos

El despliegue de WorkBuddy en Shanghai Jahwa destaca menos por la cifra de eficiencia que por la forma en que la compañía consiguió escalarlo. En lugar de tratar al asistente de IA como un chatbot genérico, los equipos convirtieron tareas recurrentes y basadas en reglas en flujos de trabajo probados y en “Skills” —capacidades reutilizables—. Así, el conocimiento que antes estaba concentrado en empleados concretos pasó a convertirse en un recurso operativo compartido por toda la organización. 4

Los resultados son notables, pero conviene leerlos con cautela: las cifras de eficiencia proceden de casos de uso comunicados por la empresa, no de una auditoría independiente de productividad.

De un piloto con dos equipos a nueve departamentos

WorkBuddy comenzó, según los reportes disponibles, con los equipos de TI y recursos humanos de Shanghai Jahwa en abril de 2026. Posteriormente pasó a utilizarse de forma habitual en nueve departamentos, entre ellos cadena de suministro, marketing de marca, investigación y desarrollo, finanzas, recursos humanos y TI. La empresa informó de una mejora media de la eficiencia de los empleados superior a 4,5 veces. 4

El proceso de ampliación se apoyó en cuatro pasos:

1. Detectar las tareas repetibles. Cada área identificó procesos que implicaban recopilar, conciliar, dar formato, analizar o presentar datos de forma recurrente.
2. Convertir las reglas de negocio en flujos. Los empleados desglosaron cómo se realizaba cada tarea y utilizaron WorkBuddy para crear scripts o Skills estructuradas.
3. Validar con trabajo histórico real. Los equipos revisaron los resultados, corrigieron errores e incorporaron las excepciones descubiertas durante las pruebas.
4. Reutilizar lo que funcionaba. Una vez que un flujo era fiable, podía ejecutarse de nuevo y compartirse con otros empleados o departamentos.

El enfoque convirtió la adopción en un ejercicio de rediseño de procesos, no en una simple instalación de software. Los empleados que conocían el negocio siguieron siendo responsables del criterio y del control de calidad, mientras el agente asumía buena parte de la ejecución repetitiva.

Para qué usaban WorkBuddy los empleados

Los usos reportados fueron mucho más allá de redactar textos. En el mes más reciente citado, el 67 % de los usuarios aplicó WorkBuddy a tareas empresariales especializadas, el 63 % al procesamiento y análisis de datos, y el 57 % a la automatización y a las operaciones o el mantenimiento. Son porcentajes de uso reportado, no mediciones del tiempo ahorrado en cada actividad. 7

Entre los ejemplos de Shanghai Jahwa se encontraban los siguientes:

• Investigación y desarrollo: búsqueda de información sobre ingredientes cosméticos y normativas aplicables.
• Finanzas: conversión de las reglas de revisión de reembolsos en un proceso repetible y generación de informes para filtrar oportunidades de inversión.
• Recursos humanos: creación de recordatorios sobre el vencimiento de los periodos de prueba para responsables y empleados.
• Cadena de suministro: actualización automática de paneles de planta en varios talleres.
• Marketing de marca: obtención de información sobre consumidores, análisis de contenidos y generación de materiales de marketing.

El equipo de marketing también habría convertido alrededor del 70 % de sus revisiones semanales, normalmente elaboradas como presentaciones, en páginas HTML. Estas podían compartirse en toda la empresa, actualizarse en línea y consultarse sin tener que esperar a que se distribuyera una nueva presentación estática.

El flujo de cadena de suministro que hizo tangible el modelo

El ejemplo más claro procede de la facturación logística. El negocio B2C de Shanghai Jahwa opera en Tmall, JD y Douyin, y sus costes de almacén, manipulación, entrega y otros conceptos estaban repartidos en siete categorías de facturas sin procesar. En 18 meses, el conjunto de datos llegó aproximadamente a 60 millones de filas. El proceso mensual basado en Excel requería antes entre cinco y seis jornadas-persona, y los archivos grandes podían resultar difíciles de abrir o procesar.

Zhang Ying, responsable de operaciones de la cadena de suministro, tenía formación en economía y, según los reportes, no sabía programar. Para abordar el problema, dividió el proceso mensual en pasos más pequeños. WorkBuddy generó scripts de Python para esas etapas, que Zhang probó repetidamente frente a los datos históricos de los 18 meses. Cuando las pruebas revelaban excepciones o nuevas reglas de negocio, las incorporaba a Skills reutilizables.

Los cambios reportados fueron:

• Análisis mensual de facturación: de dos jornadas-persona a 15 minutos.
• Tabla base para el gráfico de mariposa: de una jornada-persona a dos minutos.
• Panel visual: de 1,5 jornadas-persona a tres minutos.
• Flujo mensual completo: de cinco o seis jornadas-persona a menos de 20 minutos.
• Mejora máxima reportada para una tarea individual: hasta 150 veces.

El resultado no fue simplemente una hoja de cálculo más rápida. El panel terminado podía filtrarse por dimensiones como marca, plataforma, categoría de gasto y ticket medio. Además, los responsables podían abrir un enlace para consultar los resultados actualizados, en vez de esperar a que alguien reconstruyera un informe nuevo.

Por qué el despliegue consiguió crecer

El caso sugiere que la adopción de agentes empresariales tiene más probabilidades de extenderse cuando los primeros usos cumplen tres condiciones:

• Se realizan con suficiente frecuencia como para justificar su automatización.
• Sus reglas pueden explicarse y probarse.
• Sus resultados pueden compararse con registros existentes o con las expectativas del negocio.

La conciliación logística encajaba especialmente bien en ese patrón. Era un proceso repetitivo y muy dependiente de los datos, pero seguía necesitando a una persona que entendiera la estructura de la facturación, identificara las excepciones y decidiera si el resultado tenía sentido para el negocio. WorkBuddy aceleró el trabajo mecánico sin eliminar esa supervisión especializada.

El mismo principio se aplicó en finanzas, recursos humanos, investigación y desarrollo y marketing. Cada equipo aportó el contexto y el criterio; el agente ayudó a empaquetar las partes repetibles en flujos que podían ejecutarse de nuevo y, en algunos casos, compartirse con más personas. 4

Un multiplicador de productividad, no un reemplazo automático de puestos

La conclusión de Tencent a partir de este despliegue es, por tanto, más concreta —y más práctica— que la idea de que la IA sustituye a los trabajadores de oficina. Las mejoras reportadas surgieron porque los expertos de cada área especificaron reglas, validaron resultados, corrigieron excepciones y transformaron procesos exitosos en activos reutilizables para toda la organización. 4

La diferencia es importante. Un chatbot puede ofrecer una respuesta puntual, pero una Skill probada puede conservar la manera en que una empresa ejecuta una tarea recurrente. El valor aumenta cuando varios departamentos crean y reutilizan flujos, en lugar de mantener cada automatización como un experimento aislado.

Al mismo tiempo, las cifras principales no deben extrapolarse automáticamente a cualquier empresa o puesto. La evidencia disponible describe resultados comunicados por Shanghai Jahwa en determinados flujos de trabajo y no demuestra, mediante una verificación independiente, un aumento de productividad de 4,5 veces entre todos los empleados. La lección más sólida es el modelo operativo: empezar por tareas medibles y repetibles, mantener a los expertos dentro del proceso, validar con datos reales y compartir lo que funciona.