Shanghai Jahwa ha trasformato WorkBuddy in un modello operativo basato sull’IA

Il dato più vistoso del caso Shanghai Jahwa non è tanto il guadagno medio di efficienza dichiarato, superiore a 4,5×, quanto il modo in cui l’azienda ha portato l’IA oltre la fase sperimentale. Invece di usare WorkBuddy come un semplice chatbot, i team hanno trasformato le attività ricorrenti e basate su regole in flussi di lavoro verificati e in Skill riutilizzabili. Così, conoscenze prima concentrate nei singoli dipendenti sono diventate una risorsa operativa condivisa in tutta l’organizzazione. 4

I risultati vanno però interpretati con cautela: le percentuali di efficienza provengono da casi aziendali riportati dalla società, non da un audit indipendente della produttività.

Dal progetto pilota a nove dipartimenti

Secondo quanto riportato, WorkBuddy è stato introdotto nell’aprile 2026 nei team IT e HR di Shanghai Jahwa, per poi passare all’uso ordinario in nove dipartimenti. L’adozione ha coinvolto aree come supply chain, marketing di marca, ricerca e sviluppo, finanza, risorse umane e IT; l’azienda ha dichiarato un aumento medio dell’efficienza dei dipendenti superiore a 4,5 volte. 4

Il percorso di ampliamento si è articolato in quattro fasi:

1. Individuare le attività ripetitive. Ogni funzione ha selezionato processi che richiedevano raccolta e riconciliazione di dati, formattazione, analisi o report ricorrenti.
2. Trasformare le regole aziendali in flussi di lavoro. I dipendenti hanno scomposto le attività e usato WorkBuddy per creare script o Skill strutturate.
3. Verificare i risultati sui dati reali. I team hanno confrontato gli output con attività storiche, corretto gli errori e aggiunto le eccezioni emerse durante i test.
4. Riutilizzare ciò che funzionava. Una volta reso affidabile, il flusso poteva essere eseguito nuovamente e condiviso con altri dipendenti o dipartimenti.

L’adozione, quindi, è stata soprattutto un esercizio di progettazione dei processi, non una semplice installazione software. Gli esperti delle singole attività hanno continuato a occuparsi di valutazione e controllo qualità, mentre l’agente ha automatizzato gran parte dell’esecuzione ripetitiva.

Per cosa viene usato WorkBuddy

Gli impieghi riferiti vanno ben oltre la scrittura di testi. Nell’ultimo mese citato, il 67% degli utenti avrebbe applicato WorkBuddy ad attività aziendali specialistiche, il 63% all’elaborazione e all’analisi dei dati e il 57% all’automazione o alle attività operative e di manutenzione. Si tratta di quote di utilizzo dichiarate, non di una misura del tempo risparmiato da ciascuna attività. 7

Tra gli esempi indicati per Shanghai Jahwa figurano:

• Ricerca e sviluppo: ricerca sugli ingredienti cosmetici e sulle normative applicabili.
• Finanza: trasformazione delle regole per il controllo dei rimborsi in un processo ripetibile e generazione di report per la selezione degli investimenti.
• Risorse umane: creazione di promemoria sulla scadenza dei periodi di prova per responsabili e dipendenti.
• Supply chain: aggiornamento automatico dei cruscotti di reparto in più stabilimenti o officine.
• Marketing di marca: analisi dei consumatori, analisi dei contenuti e generazione di materiali di marketing.

Il team marketing avrebbe inoltre convertito in pagine HTML circa il 70% delle revisioni settimanali in formato presentazione. Le pagine possono essere condivise in azienda, aggiornate online e consultate senza attendere la distribuzione di una nuova presentazione statica.

Il caso della supply chain: 60 milioni di righe di dati

L’esempio più concreto riguarda la fatturazione logistica. L’attività B2C di Shanghai Jahwa utilizza Tmall, JD e Douyin, mentre i costi di magazzino, movimentazione, consegna e altre voci sono distribuiti in sette categorie di fatture originarie. In 18 mesi, il volume di dati ha raggiunto circa 60 milioni di righe. Il processo mensile basato su Excel richiedeva da cinque a sei giornate-uomo e, con file di grandi dimensioni, poteva diventare difficile persino da aprire o elaborare.

Zhang Ying, responsabile delle attività operative della supply chain, aveva una formazione economica ma non sapeva programmare. Ha scomposto il processo mensile in passaggi più piccoli e ha chiesto a WorkBuddy di generare script Python per eseguirli. Gli script sono stati testati ripetutamente sui 18 mesi di dati storici; quando i test facevano emergere eccezioni o nuove regole aziendali, queste venivano aggiunte alle Skill riutilizzabili.

I miglioramenti dichiarati sono stati:

• Analisi mensile delle fatture: da due giornate-uomo a 15 minuti.
• Tabella di base per il grafico a farfalla: da una giornata-uomo a due minuti.
• Dashboard visuale: da una giornata e mezza a tre minuti.
• Processo mensile completo: da cinque o sei giornate-uomo a meno di 20 minuti.
• Guadagno massimo dichiarato per una singola attività: fino a 150×.

Il risultato non è stato soltanto un foglio di calcolo più veloce. La dashboard finale può essere filtrata per marca, piattaforma, categoria di spesa e valore medio dell’ordine. I responsabili possono inoltre aprire un link e vedere i risultati aggiornati, senza aspettare che qualcuno ricostruisca ogni volta il report.

Perché il modello ha potuto crescere

Il caso suggerisce che l’adozione degli agenti aziendali abbia maggiori possibilità di diffondersi quando le prime attività automatizzate presentano tre caratteristiche:

• vengono svolte abbastanza spesso da giustificare l’automazione;
• seguono regole che possono essere spiegate e testate;
• producono risultati confrontabili con registri esistenti o con aspettative aziendali chiare.

La riconciliazione logistica rispondeva bene a questo schema. Era un’attività ripetitiva e ad alta intensità di dati, ma richiedeva comunque una persona capace di comprendere la struttura degli addebiti, riconoscere le eccezioni e stabilire se il risultato avesse senso dal punto di vista operativo. WorkBuddy ha accelerato il lavoro meccanico senza eliminare il controllo umano di chi conosce il processo.

Lo stesso principio è stato applicato in finanza, risorse umane, ricerca e sviluppo e marketing. Ogni team ha fornito contesto e capacità di giudizio; l’agente ha contribuito a racchiudere le parti ripetibili in flussi di lavoro eseguibili nuovamente e, in alcuni casi, condivisibili su scala più ampia. 4

Un moltiplicatore di produttività, non una sostituzione automatica

L’argomento di Tencent è quindi più circoscritto e pratico rispetto all’idea che l’IA possa rimpiazzare i dipendenti d’ufficio. I guadagni dichiarati derivano dal lavoro di esperti che definiscono le regole, verificano i risultati, correggono le eccezioni e trasformano i processi riusciti in risorse organizzative riutilizzabili. 4

La distinzione è importante. Un chatbot può fornire una risposta una tantum; una Skill testata può invece conservare il modo in cui un’azienda svolge un’attività ricorrente. Il valore aumenta quando diversi dipartimenti creano e riutilizzano flussi di lavoro, invece di lasciare ogni automazione come un esperimento isolato.

Allo stesso tempo, i numeri principali non possono essere applicati automaticamente a ogni azienda o ruolo. Le informazioni disponibili descrivono i risultati dichiarati da Shanghai Jahwa in una serie di processi selezionati e non dimostrano, attraverso una verifica indipendente, un aumento di produttività di 4,5× per tutti i dipendenti. La lezione più solida riguarda il modello operativo: partire da attività misurabili e ripetitive, mantenere gli esperti nel circuito di controllo, verificare i risultati sui dati reali e condividere ciò che funziona.