WorkBuddy chez Shanghai Jahwa : quand l’IA transforme les tâches répétitives en workflows partagés

La réussite de Shanghai Jahwa tient moins au chiffre spectaculaire de 4,5× qu’à la manière dont l’entreprise a déployé WorkBuddy. Plutôt que d’utiliser l’IA comme un simple chatbot, ses équipes ont transformé des tâches récurrentes et encadrées par des règles en workflows testés et en « Skills » réutilisables. Les connaissances détenues par quelques collaborateurs sont ainsi devenues une ressource opérationnelle partagée dans toute l’organisation. 4

Les résultats sont importants, mais doivent être interprétés avec prudence : les gains d’efficacité proviennent d’études de cas communiquées par l’entreprise, et non d’un audit indépendant de la productivité.

D’un pilote mené par deux équipes à neuf départements

WorkBuddy aurait été lancé en avril 2026 auprès des équipes informatique et ressources humaines de Shanghai Jahwa, avant de passer à une utilisation courante dans neuf départements. Le déploiement couvre notamment la chaîne d’approvisionnement, le marketing de marque, la recherche et développement, la finance, les ressources humaines et l’informatique. L’entreprise affirme avoir enregistré un gain d’efficacité moyen supérieur à 4,5×. 4

Le passage à l’échelle s’est appuyé sur quatre étapes :

1. Repérer les tâches répétitives. Chaque fonction a identifié les processus fondés sur la collecte, le rapprochement, la mise en forme, l’analyse ou la production régulière de données.
2. Traduire les règles métier en workflows. Les salariés ont détaillé leur méthode de travail, puis utilisé WorkBuddy pour créer des scripts ou des Skills structurées.
3. Tester avec des données réelles. Les équipes ont comparé les résultats aux travaux historiques, corrigé les erreurs et ajouté les cas particuliers découverts lors des tests.
4. Réutiliser ce qui fonctionne. Une fois fiabilisé, un workflow pouvait être relancé régulièrement et partagé avec d’autres collaborateurs ou départements.

L’adoption est donc devenue un exercice de conception des processus, et pas seulement une installation logicielle. Les salariés qui maîtrisent le métier restent responsables du jugement et du contrôle qualité, tandis que l’agent prend en charge une grande partie de l’exécution répétitive.

Une utilisation qui dépasse largement la rédaction de textes

Au cours du dernier mois cité, 67 % des utilisateurs auraient employé WorkBuddy pour des tâches métier spécialisées, 63 % pour le traitement et l’analyse de données, et 57 % pour l’automatisation ainsi que l’exploitation ou la maintenance. Ces pourcentages correspondent à des parts d’usage déclarées ; ils ne mesurent pas le temps économisé pour chaque activité. 7

Les exemples rapportés chez Shanghai Jahwa couvrent plusieurs métiers :

• Recherche et développement : recherche sur les ingrédients cosmétiques et les réglementations applicables.
• Finance : transformation des règles de contrôle des notes de frais en processus reproductible et génération de rapports de présélection d’investissements.
• Ressources humaines : création de rappels concernant l’arrivée à échéance des périodes d’essai, pour les managers comme pour les salariés.
• Chaîne d’approvisionnement : actualisation automatique des tableaux de bord des ateliers de production.
• Marketing de marque : production d’insights consommateurs, analyse de contenus et génération de supports marketing.

L’équipe marketing aurait également converti environ 70 % de ses revues hebdomadaires présentées sous forme de diaporamas en pages HTML. Ces pages peuvent être partagées dans l’entreprise, mises à jour en ligne et consultées sans attendre la diffusion d’une nouvelle présentation statique.

Le cas de la facturation logistique : de cinq jours à moins de 20 minutes

L’exemple le plus concret vient du rapprochement des factures logistiques. L’activité B2C de Shanghai Jahwa s’appuie sur Tmall, JD et Douyin. Les frais d’entreposage, de manutention, de livraison et autres coûts étaient répartis entre sept catégories de factures brutes. Sur 18 mois, l’ensemble a atteint environ 60 millions de lignes. Le processus mensuel réalisé avec Excel nécessitait auparavant cinq à six jours-personnes, tandis que les fichiers volumineux pouvaient devenir difficiles à ouvrir ou à traiter.

Zhang Ying, responsable des opérations de la chaîne d’approvisionnement, avait une formation en économie mais ne savait pas coder. Elle a décomposé le processus mensuel en plusieurs étapes. WorkBuddy a ensuite généré des scripts Python pour ces étapes, que Zhang a testés à plusieurs reprises sur les données historiques des 18 mois précédents. Lorsque les tests révélaient une exception ou une nouvelle règle métier, elle l’intégrait dans une Skill réutilisable.

Les évolutions annoncées sont les suivantes :

• Analyse mensuelle des factures : deux jours-personnes à 15 minutes.
• Tableau de base du graphique en papillon : un jour-personne à deux minutes.
• Tableau de bord visuel : 1,5 jour-personne à trois minutes.
• Processus mensuel complet : cinq ou six jours-personnes à moins de 20 minutes.
• Gain maximal annoncé pour une tâche individuelle : jusqu’à 150×.

Le résultat ne se résume pas à un fichier Excel plus rapide. Le tableau de bord final peut être filtré par marque, plateforme, catégorie de dépense ou panier moyen. Les managers peuvent ouvrir un lien pour consulter les résultats actualisés, au lieu d’attendre qu’un nouveau rapport soit entièrement reconstruit.

Pourquoi ce modèle a pu se diffuser

Le cas Shanghai Jahwa suggère que les agents d’entreprise ont davantage de chances de s’imposer lorsque les premiers cas d’usage réunissent trois conditions :

• ils se produisent assez souvent pour justifier une automatisation ;
• leurs règles peuvent être expliquées et testées ;
• leurs résultats peuvent être comparés à des données existantes ou à des attentes métier.

Le rapprochement des coûts logistiques correspondait particulièrement bien à ce schéma. Le processus était répétitif et très volumineux, mais il exigeait toujours une personne capable de comprendre la structure des factures, de repérer les anomalies et de déterminer si le résultat était cohérent. WorkBuddy a accéléré le travail mécanique sans supprimer cette supervision métier.

Le même principe s’est appliqué à la finance, aux ressources humaines, à la recherche et développement et au marketing. Chaque équipe a apporté son contexte et son jugement ; l’agent a aidé à formaliser les étapes répétitives dans des workflows susceptibles d’être relancés et, dans certains cas, partagés plus largement. 4

Un multiplicateur de productivité, pas un remplacement automatique des emplois

L’argument de Tencent est donc plus ciblé — et plus opérationnel — qu’une promesse de remplacement des employés de bureau par l’IA. Les gains annoncés proviennent d’experts métiers qui définissent les règles, vérifient les résultats, corrigent les exceptions et transforment les processus concluants en actifs organisationnels réutilisables. 4

La distinction est essentielle. Un chatbot peut fournir une réponse ponctuelle ; une Skill testée peut, elle, conserver la manière dont une entreprise réalise une tâche récurrente. La valeur augmente lorsque plusieurs départements créent et réutilisent leurs workflows, au lieu de laisser chaque automatisation au stade de l’expérimentation isolée.

Il ne faut toutefois pas généraliser automatiquement les chiffres mis en avant à toutes les entreprises ou à tous les métiers. Les éléments disponibles décrivent les résultats annoncés par Shanghai Jahwa pour certains workflows et ne démontrent pas, de manière indépendante, une hausse de productivité de 4,5× pour l’ensemble des salariés. La leçon la plus solide concerne le modèle opérationnel : commencer par des tâches mesurables et répétitives, maintenir les experts dans la boucle, vérifier les résultats sur des données réelles et partager les méthodes qui fonctionnent.