WorkBuddy di Shanghai Jahwa: Dari Uji Coba AI Menjadi Model Operasional Lintas Departemen

Hal yang paling menarik dari penerapan WorkBuddy di Shanghai Jahwa bukan hanya klaim efisiensi 4,5 kali lipat, melainkan cara perusahaan memperluas penggunaannya. Alih-alih menjadikan AI sebagai chatbot serbaguna, berbagai tim mengubah pekerjaan rutin berbasis aturan menjadi alur kerja yang telah diuji dan “Skill” yang dapat digunakan kembali. Dengan cara ini, pengetahuan yang sebelumnya tersimpan pada masing-masing karyawan berubah menjadi sumber daya operasional bersama bagi organisasi. 4

Namun, angka tersebut perlu dibaca secara hati-hati. Data efisiensi yang tersedia berasal dari studi kasus yang dilaporkan perusahaan, bukan audit produktivitas independen.

Dari uji coba dua tim ke sembilan departemen

WorkBuddy dilaporkan mulai digunakan oleh tim TI dan SDM Shanghai Jahwa pada April 2026, sebelum diperluas ke kegiatan produksi rutin di sembilan departemen. Cakupannya meliputi rantai pasok, pemasaran merek, riset dan pengembangan, keuangan, SDM, serta TI. Perusahaan melaporkan peningkatan efisiensi rata-rata karyawan lebih dari 4,5 kali. 4

Pola perluasannya terdiri dari empat tahap:

1. Menemukan pekerjaan yang berulang. Setiap fungsi mengidentifikasi proses yang melibatkan pengumpulan data, rekonsiliasi, pemformatan, analisis, atau pelaporan secara rutin.
2. Menerjemahkan aturan bisnis menjadi alur kerja. Karyawan menguraikan cara kerja proses tersebut, lalu menggunakan WorkBuddy untuk membuat skrip atau Skill yang terstruktur.
3. Memvalidasi dengan pekerjaan historis. Tim memeriksa hasil, memperbaiki kesalahan, dan menambahkan pengecualian yang ditemukan selama pengujian.
4. Menggunakan kembali hasilnya. Setelah alur kerja dinilai andal, proses tersebut dapat dijalankan berulang kali dan dibagikan kepada karyawan atau departemen lain.

Pendekatan ini menjadikan adopsi AI sebagai latihan mendesain ulang proses, bukan sekadar memasang perangkat lunak. Karyawan yang memahami bisnis tetap bertanggung jawab atas penilaian dan kendali mutu, sementara agen AI menangani sebagian besar pekerjaan eksekusi yang repetitif.

AI dipakai untuk pekerjaan khusus, bukan hanya menulis teks

Penggunaan WorkBuddy di Shanghai Jahwa dilaporkan jauh melampaui pembuatan draf tulisan. Pada bulan terakhir yang dikutip, 67% pengguna menerapkannya untuk pekerjaan bisnis khusus, 63% untuk pemrosesan dan analisis data, serta 57% untuk otomatisasi dan operasional atau pemeliharaan. Angka ini menunjukkan proporsi penggunaan, bukan ukuran waktu yang dihemat oleh setiap aktivitas. 7

Contoh penggunaannya di berbagai departemen antara lain:

• Riset dan pengembangan: meneliti bahan kosmetik serta regulasi yang berlaku.
• Keuangan: mengubah aturan pemeriksaan penggantian biaya menjadi proses berulang dan membuat laporan penyaringan investasi.
• SDM: membuat pengingat masa percobaan yang akan berakhir bagi manajer dan karyawan.
• Rantai pasok: memperbarui dasbor operasional lantai produksi di berbagai bengkel kerja secara otomatis.
• Pemasaran merek: menggali wawasan konsumen, menganalisis konten, dan menghasilkan materi pemasaran.

Tim pemasaran juga dilaporkan mengubah sekitar 70% rapat tinjauan mingguan berbasis presentasi menjadi halaman HTML. Halaman tersebut dapat dibagikan ke seluruh perusahaan, diperbarui secara daring, dan dilihat tanpa menunggu distribusi berkas presentasi statis yang baru.

Kasus rantai pasok: 60 juta baris data diproses dalam hitungan menit

Contoh paling konkret datang dari proses penagihan logistik. Bisnis B2C Shanghai Jahwa menggunakan Tmall, JD, dan Douyin. Biaya gudang, penanganan, pengiriman, serta biaya lainnya tersebar dalam tujuh kategori tagihan mentah. Selama 18 bulan, kumpulan datanya mencapai sekitar 60 juta baris. Sebelumnya, proses bulanan berbasis Excel membutuhkan lima hingga enam hari-orang, sementara ukuran berkas yang besar dapat membuatnya sulit dibuka atau diproses.

Zhang Ying, manajer operasional rantai pasok yang berlatar belakang ekonomi dan tidak memiliki pengalaman pemrograman, memecah proses bulanan tersebut menjadi beberapa langkah. WorkBuddy kemudian membuat skrip Python untuk tiap langkah. Zhang menguji skrip itu berulang kali menggunakan data historis selama 18 bulan. Ketika pengujian menemukan pengecualian atau aturan bisnis baru, ia menambahkannya ke dalam Skill yang dapat digunakan kembali.

Perubahan yang dilaporkan adalah:

• Analisis tagihan bulanan: dari dua hari-orang menjadi 15 menit.
• Tabel dasar diagram kupu-kupu: dari satu hari-orang menjadi dua menit.
• Dasbor visual: dari 1,5 hari-orang menjadi tiga menit.
• Seluruh alur kerja bulanan: dari lima atau enam hari-orang menjadi kurang dari 20 menit.
• Peningkatan tertinggi untuk satu tugas: hingga 150 kali.

Hasil akhirnya bukan sekadar spreadsheet yang lebih cepat. Dasbor tersebut dapat difilter berdasarkan merek, platform, kategori biaya, nilai pesanan rata-rata, dan dimensi lainnya. Manajer juga dapat membuka tautan untuk melihat hasil terbaru tanpa menunggu laporan dibuat ulang.

Mengapa model ini bisa menyebar

Kasus Shanghai Jahwa menunjukkan bahwa penerapan agen AI di perusahaan lebih mungkin berkembang ketika penggunaan awal memiliki tiga ciri:

• Pekerjaannya cukup sering dilakukan sehingga otomatisasi layak diupayakan.
• Aturannya dapat dijelaskan dan diuji.
• Hasilnya dapat dibandingkan dengan catatan yang sudah ada atau ekspektasi bisnis.

Rekonsiliasi logistik sangat cocok dengan pola tersebut. Prosesnya berulang dan sarat data, tetapi tetap membutuhkan karyawan yang memahami struktur tagihan, mengenali pengecualian, dan menilai apakah hasilnya masuk akal secara bisnis. WorkBuddy mempercepat pekerjaan mekanis tanpa menghilangkan pengawasan dari orang yang memahami domainnya.

Prinsip yang sama berlaku di bidang keuangan, SDM, riset dan pengembangan, serta pemasaran. Setiap tim menyediakan konteks dan penilaian; agen AI membantu mengemas bagian pekerjaan yang berulang menjadi alur kerja yang dapat dijalankan kembali dan, dalam beberapa kasus, dibagikan secara lebih luas. 4

Pengganda produktivitas, bukan pengganti pekerjaan secara otomatis

Dari penerapan ini, argumen Tencent sebenarnya lebih terbatas—sekaligus lebih praktis—daripada klaim bahwa AI menggantikan pekerja kantoran. Peningkatan yang dilaporkan muncul karena para ahli di tiap bidang menetapkan aturan, memvalidasi hasil, memperbaiki pengecualian, dan mengubah proses yang berhasil menjadi aset organisasi yang dapat digunakan kembali. 4

Perbedaan ini penting. Chatbot dapat memberikan jawaban satu kali, sedangkan Skill yang telah diuji dapat menyimpan cara perusahaan menjalankan tugas berulang. Nilainya semakin besar ketika beberapa departemen membuat dan menggunakan kembali alur kerja, alih-alih menyimpan setiap otomatisasi sebagai eksperimen yang berdiri sendiri.

Meski demikian, angka utama tersebut tidak bisa begitu saja digeneralisasi ke semua perusahaan atau jabatan. Bukti yang tersedia menggambarkan hasil yang dilaporkan Shanghai Jahwa pada alur kerja tertentu, dan tidak membuktikan peningkatan produktivitas 4,5 kali lipat yang telah diverifikasi secara independen untuk seluruh karyawan. Pelajaran yang lebih kuat adalah model operasionalnya: mulai dari pekerjaan yang terukur dan berulang, libatkan ahli dalam prosesnya, validasi dengan data nyata, lalu bagikan apa yang terbukti berhasil.