उत्तरप्रकाशित3 घंटे पहलेLast edited 2 घंटे पहले12 स्रोत

शंघाई जाह्वा का AI मॉडल: WorkBuddy ने 9 विभागों में कैसे बनाई जगह

शंघाई जाह्वा ने WorkBuddy को अप्रैल 2026 के IT और HR पायलट से बढ़ाकर 9 विभागों तक पहुंचाया और औसत कर्मचारी दक्षता में 4.5 गुना से अधिक सुधार की रिपोर्ट दी। [4] सबसे प्रभावशाली उदाहरण सप्लाई चेन का है, जहां बिना कोडिंग अनुभव वाली एक प्रबंधक ने WorkBuddy से बने Python स्क्रिप्ट और पुन: इस्तेमाल योग्य Skills की मदद से...

Studio Global AI के साथ खोजें और तथ्यों की जांच करें और ट्रेंडिंग पेज देखें

शोध उत्तर

मुख्य निष्कर्ष

शंघाई जाह्वा ने WorkBuddy को अप्रैल 2026 के IT और HR पायलट से बढ़ाकर 9 विभागों तक पहुंचाया और औसत कर्मचारी दक्षता में 4.5 गुना से अधिक सुधार की रिपोर्ट दी। [4]
सबसे प्रभावशाली उदाहरण सप्लाई चेन का है, जहां बिना कोडिंग अनुभव वाली एक प्रबंधक ने WorkBuddy से बने Python स्क्रिप्ट और पुन: इस्तेमाल योग्य Skills की मदद से लगभग 6 करोड़ पंक्तियों वाले मासिक बिलिंग काम को 5–6 व्यक्ति...
इस मॉडल में कारोबारी विशेषज्ञ नियम तय करते हैं, ऐतिहासिक डेटा से नतीजों की जांच करते हैं और अपवादों को सुधारते हैं; AI मुख्य रूप से दोहराए जाने वाले काम को तेज करता है, विशेषज्ञों की जगह नहीं लेता। [4][17]

Illustration of an AI office agent coordinating workflows across Shanghai Jahwa departments — How did Tencent’s WorkBuddy AI office agent scale from an April 2026 pilot with Shanghai Jahwa’s IT and HR teams into routine production acrAn AI-agent rollout scales when employees turn repeatable business processes into tested, reusable workflows.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: How did Tencent’s WorkBuddy AI office agent scale from an April 2026 pilot with Shanghai Jahwa’s IT and HR teams into routine production acr. Article summary: Shanghai Jahwa’s deployment appears to have scaled by turning individual employees’ repeatable domain workflows into reusable AI “skills,” then sharing them across teams—not by treating WorkBuddy as a generic chatbot or . Topic tags: general, news, documentation, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
openai.com

शंघाई जाह्वा में Tencent WorkBuddy की तैनाती की खासियत केवल 4.5 गुना दक्षता के दावे में नहीं है। असली बदलाव यह है कि कंपनी ने AI को एक सामान्य चैटबॉट की तरह इस्तेमाल करने के बजाय दोहराए जाने वाले, नियम-आधारित काम को जांचे-परखे वर्कफ़्लो और पुन: इस्तेमाल योग्य “Skills” में बदला। इससे कर्मचारियों के व्यक्तिगत अनुभव को संगठन के साझा कामकाजी संसाधन में बदला जा सका। 4

हालांकि, इन आंकड़ों को सावधानी से पढ़ना जरूरी है। दक्षता से जुड़े ये नतीजे कंपनी के रिपोर्ट किए गए केस स्टडी पर आधारित हैं, किसी स्वतंत्र उत्पादकता ऑडिट पर नहीं।

दो टीमों के पायलट से 9 विभागों तक

रिपोर्टों के अनुसार, WorkBuddy का प्रयोग शंघाई जाह्वा में अप्रैल 2026 में IT और HR टीमों से शुरू हुआ। इसके बाद यह नियमित उत्पादन-स्तर के काम में 9 विभागों तक पहुंचा। इनमें सप्लाई चेन, ब्रांड मार्केटिंग, R&D, वित्त, HR और IT जैसे कार्य शामिल थे। कंपनी ने औसत कर्मचारी-दक्षता में 4.5 गुना से अधिक सुधार की बात कही। 4

इस विस्तार का तरीका मोटे तौर पर चार चरणों पर टिका था:

दोहराए जाने वाले काम की पहचान: हर विभाग ने ऐसे काम चुने जिनमें बार-बार डेटा जुटाना, मिलान करना, फॉर्मैटिंग, विश्लेषण या रिपोर्ट तैयार करना पड़ता था।
कारोबारी नियमों को वर्कफ़्लो में बदलना: कर्मचारियों ने काम करने की पूरी प्रक्रिया को छोटे चरणों में बांटा और WorkBuddy की मदद से स्क्रिप्ट या संरचित Skills तैयार कीं।
वास्तविक पुराने डेटा से जांच: टीमों ने आउटपुट की समीक्षा की, गलतियां सुधारीं और परीक्षण के दौरान सामने आए अपवादों को प्रक्रिया में जोड़ा।
साझा इस्तेमाल: भरोसेमंद वर्कफ़्लो को बार-बार चलाया जा सका और दूसरे कर्मचारियों या विभागों के साथ साझा किया जा सका।

इस तरह अपनाने की प्रक्रिया केवल नया सॉफ्टवेयर इंस्टॉल करने तक सीमित नहीं रही। कारोबारी समझ रखने वाले कर्मचारी निर्णय और गुणवत्ता नियंत्रण की जिम्मेदारी संभालते रहे, जबकि एजेंट ने दोहराए जाने वाले निष्पादन का बड़ा हिस्सा संभाला।

कर्मचारियों ने WorkBuddy का इस्तेमाल किन कामों में किया?

WorkBuddy का इस्तेमाल केवल टेक्स्ट लिखने के लिए नहीं हुआ। उद्धृत सबसे हालिया महीने में 67% उपयोगकर्ताओं ने इसे विशेषज्ञता वाले कारोबारी कामों के लिए, 63% ने डेटा प्रोसेसिंग और विश्लेषण के लिए, तथा 57% ने ऑटोमेशन और ऑपरेशंस या मेंटेनेंस के लिए इस्तेमाल किया। ये आंकड़े उपयोग का हिस्सा बताते हैं, यह नहीं कि हर गतिविधि में कितना समय बचा। 7

शंघाई जाह्वा में बताए गए कुछ उपयोग इस प्रकार हैं:

R&D: कॉस्मेटिक सामग्री और लागू नियमों पर शोध।
वित्त: खर्च प्रतिपूर्ति की जांच के नियमों को दोहराए जाने योग्य प्रक्रिया में बदलना और निवेश-छंटाई रिपोर्ट तैयार करना।
HR: प्रबंधकों और कर्मचारियों के लिए प्रोबेशन अवधि समाप्त होने की याद दिलाने वाली सूचनाएं बनाना।
सप्लाई चेन: कई वर्कशॉप के उत्पादन-स्थल डैशबोर्ड को अपने-आप अपडेट करना।
ब्रांड मार्केटिंग: उपभोक्ता अंतर्दृष्टि, कंटेंट विश्लेषण और मार्केटिंग सामग्री तैयार करना।

ब्रांड मार्केटिंग टीम ने कथित तौर पर अपनी साप्ताहिक प्रस्तुति-आधारित समीक्षा बैठकों में इस्तेमाल होने वाली करीब 70% PPT सामग्री को HTML वेब पेजों में बदल दिया। ये पेज पूरी कंपनी में साझा किए जा सकते थे, ऑनलाइन अपडेट किए जा सकते थे और नए स्थिर स्लाइड डेक का इंतजार किए बिना देखे जा सकते थे।

6 करोड़ डेटा पंक्तियों वाला सप्लाई चेन उदाहरण

इस मॉडल का सबसे स्पष्ट उदाहरण लॉजिस्टिक्स बिलिंग में सामने आया। शंघाई जाह्वा का B2C कारोबार Tmall, JD और Douyin जैसे प्लेटफॉर्म पर चलता है। गोदाम, हैंडलिंग, डिलीवरी और अन्य शुल्क 7 प्रकार के मूल बिलिंग डेटा में बिखरे हुए थे। 18 महीनों में यह डेटा लगभग 6 करोड़ पंक्तियों तक पहुंच गया। Excel पर आधारित मासिक प्रक्रिया में 5–6 व्यक्ति-दिवस लगते थे और बड़ी फाइलें खोलना या प्रोसेस करना भी मुश्किल हो जाता था।

सप्लाई चेन ऑपरेशंस मैनेजर Zhang Ying की पढ़ाई अर्थशास्त्र में थी और उन्हें कोडिंग का अनुभव नहीं था। उन्होंने मासिक प्रक्रिया को छोटे-छोटे चरणों में बांटा। WorkBuddy ने इन चरणों के लिए Python स्क्रिप्ट तैयार कीं, जिन्हें Zhang ने 18 महीनों के ऐतिहासिक डेटा पर बार-बार जांचा। परीक्षण के दौरान जब नए अपवाद या कारोबारी नियम सामने आए, तो उन्हें पुन: इस्तेमाल योग्य Skills में शामिल किया गया।

रिपोर्ट किए गए बदलाव इस प्रकार थे:

मासिक बिलिंग विश्लेषण: 2 व्यक्ति-दिवस से घटकर 15 मिनट।
बटरफ्लाई-चार्ट की बेस टेबल: 1 व्यक्ति-दिवस से घटकर 2 मिनट।
विजुअल डैशबोर्ड: 1.5 व्यक्ति-दिवस से घटकर 3 मिनट।
पूरी मासिक प्रक्रिया: 5–6 व्यक्ति-दिवस से घटकर 20 मिनट से कम।
किसी एक काम में सबसे अधिक बताया गया सुधार: 150 गुना तक।

नतीजा केवल तेज़ी से तैयार होने वाली स्प्रेडशीट नहीं था। तैयार डैशबोर्ड में ब्रांड, प्लेटफॉर्म, खर्च की श्रेणी और औसत ऑर्डर वैल्यू जैसे आयामों के आधार पर फ़िल्टर लगाया जा सकता था। प्रबंधकों को नई रिपोर्ट बनने का इंतजार करने के बजाय एक लिंक खोलकर ताजा परिणाम देखने की सुविधा मिली।

यह मॉडल दूसरे विभागों में क्यों चला?

इस केस से संकेत मिलता है कि एंटरप्राइज AI एजेंट तब तेजी से अपनाए जा सकते हैं जब शुरुआती उपयोग के मामलों में तीन खूबियां हों:

काम इतनी बार होता हो कि ऑटोमेशन का लाभ स्पष्ट दिखे।
उसके नियमों को समझाया और परीक्षण किया जा सके।
आउटपुट की तुलना पुराने रिकॉर्ड या कारोबारी अपेक्षाओं से की जा सके।

लॉजिस्टिक्स मिलान की प्रक्रिया इन तीनों शर्तों पर खरी उतरती थी। यह दोहराव वाली और डेटा-प्रधान थी, लेकिन फिर भी ऐसे कर्मचारी की जरूरत थी जो बिलिंग संरचना समझता हो, अपवाद पहचानता हो और यह तय कर सके कि परिणाम व्यावसायिक रूप से सही है या नहीं। WorkBuddy ने यांत्रिक काम तेज किया, कारोबारी निगरानी खत्म नहीं की।

यही सिद्धांत वित्त, HR, R&D और मार्केटिंग में भी दिखा। हर टीम ने संदर्भ और निर्णय क्षमता दी; एजेंट ने दोहराए जा सकने वाले हिस्से को ऐसे वर्कफ़्लो में पैक करने में मदद की जिन्हें फिर चलाया और कुछ मामलों में व्यापक स्तर पर साझा किया जा सकता था। 4

उत्पादकता बढ़ाने वाला मॉडल, नौकरी खत्म करने का दावा नहीं

इस तैनाती से Tencent का तर्क इसलिए व्यावहारिक और सीमित है: AI कार्यालयी कर्मचारियों को अपने-आप प्रतिस्थापित करने के बजाय विशेषज्ञों को दोहराए जाने वाले काम को व्यवस्थित कर सौंपने में मदद कर सकता है। रिपोर्ट किए गए लाभ तब आए जब विशेषज्ञों ने नियम तय किए, नतीजों की जांच की, अपवाद सुधारे और सफल प्रक्रियाओं को संगठन की साझा संपत्ति बनाया। 4

यह अंतर महत्वपूर्ण है। चैटबॉट किसी एक सवाल का जवाब दे सकता है, लेकिन जांची हुई Skill यह दर्ज कर सकती है कि कंपनी किसी नियमित काम को कैसे करती है। जब कई विभाग अपने वर्कफ़्लो तैयार करके उन्हें साझा करते हैं, तो लाभ अलग-अलग प्रयोगों तक सीमित नहीं रहता।

फिर भी, 4.5 गुना वाले आंकड़े को हर कंपनी या हर भूमिका पर सीधे लागू नहीं किया जा सकता। उपलब्ध साक्ष्य शंघाई जाह्वा के चुनिंदा वर्कफ़्लो में कंपनी द्वारा बताए गए नतीजों का वर्णन करते हैं; वे सभी कर्मचारियों की उत्पादकता में स्वतंत्र रूप से सत्यापित 4.5 गुना वृद्धि साबित नहीं करते। अधिक ठोस सीख यह है: मापे जा सकने वाले और दोहराए जाने वाले काम से शुरुआत करें, विशेषज्ञों को प्रक्रिया में बनाए रखें, वास्तविक डेटा से परिणाम जांचें और जो काम करे उसे साझा करें।

Studio Global AI

अपना शोध जारी रखें

इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।

Studio Global AI के साथ खोजें और तथ्यों की जांच करें

लोग पूछते भी हैं