상하이자화의 WorkBuddy 실험, 9개 부문을 움직이는 AI 업무 모델이 되다

상하이자화의 WorkBuddy 도입에서 주목할 대목은 ‘평균 4.5배’라는 숫자만이 아니다. 더 중요한 변화는 직원 개인이 반복적으로 수행하던 업무 방식을 검증된 워크플로와 재사용 가능한 ‘Skill’로 바꿔, 여러 부서가 함께 쓰는 운영 자원으로 만들었다는 점이다. 4

다만 성과 수치는 독립적인 생산성 감사 결과가 아니라 회사가 공개한 사례 연구에 기반한 보고치라는 점은 감안해야 한다.

두 부서 시범 도입에서 9개 부문으로

WorkBuddy는 2026년 4월 상하이자화의 IT팀과 인사팀에서 시범 운영을 시작한 뒤, 9개 부문의 일상 업무로 확대된 것으로 전해졌다. 적용 범위에는 공급망, 브랜드 마케팅, 연구개발(R&D), 재무, 인사, IT 등이 포함됐으며, 회사는 직원 평균 효율이 4.5배 이상 향상됐다고 밝혔다. 4

확대 과정은 크게 네 단계로 진행됐다.

1. 반복 업무 찾기: 정기적인 데이터 수집, 대사, 서식 정리, 분석, 보고가 필요한 업무를 부서별로 골랐다.
2. 업무 규칙을 워크플로로 전환하기: 담당자가 실제 처리 절차를 세분화하고, WorkBuddy를 활용해 스크립트나 구조화된 Skill을 만들었다.
3. 과거 데이터로 검증하기: 실제 과거 업무와 결과를 대조하면서 오류를 수정하고 예외 규칙을 추가했다.
4. 검증된 결과 재사용하기: 신뢰할 수 있게 된 워크플로를 반복 실행하고 다른 직원이나 부서와 공유했다.

이는 단순한 소프트웨어 설치보다 업무 설계에 가까운 방식이다. 현업 전문가는 판단과 품질 관리를 맡고, 에이전트는 반복적인 실행 작업을 상당 부분 처리한다.

직원들은 WorkBuddy를 어떻게 활용했나

WorkBuddy의 활용 범위는 문서 초안 작성에 그치지 않았다. 최근 한 달 기준으로 사용자의 67%가 전문적인 비즈니스 업무에, 63%가 데이터 처리·분석에, 57%가 자동화 및 운영·유지보수에 WorkBuddy를 사용한 것으로 보고됐다. 이는 사용 비중이지, 각 활동에서 절약한 시간의 비율을 뜻하는 것은 아니다. 7

상하이자화에서 언급된 사례는 다음과 같다.

• 연구개발: 화장품 원료와 관련 규정 조사
• 재무: 비용 상환 심사 규칙을 반복 가능한 프로세스로 전환하고 투자 선별 보고서 생성
• 인사: 관리자와 직원에게 수습기간 만료를 알리는 리마인더 생성
• 공급망: 여러 작업장의 현장 대시보드를 자동으로 갱신
• 브랜드 마케팅: 소비자 인사이트 도출, 콘텐츠 분석, 마케팅 자료 생성

브랜드 마케팅팀은 매주 진행하던 프레젠테이션 형식의 리뷰 가운데 약 70%를 HTML 페이지로 전환한 것으로 전해졌다. 이 페이지는 사내에서 공유할 수 있고 온라인에서 업데이트할 수 있어, 새로운 정적 프레젠테이션 파일을 다시 배포할 때까지 기다릴 필요가 없었다.

6,000만 행 물류 데이터를 20분 안에

이 모델을 가장 구체적으로 보여주는 사례는 물류비 대사 업무다. 상하이자화의 B2C 사업은 티몰, 징둥, 더우인 등 여러 플랫폼에서 운영되며, 창고·취급·배송비 등이 7개 원시 청구 항목에 흩어져 있었다. 18개월 동안 데이터는 약 6,000만 행까지 늘었다. 기존 엑셀 기반 월간 처리에는 5~6인일이 필요했고, 파일 용량이 커지면 열거나 처리하기조차 어려웠다.

경제학을 전공했고 코딩 경험이 없었던 공급망 운영 관리자인 장잉은 월간 업무를 여러 단계로 나누는 방식으로 문제에 접근했다. WorkBuddy가 각 단계에 필요한 Python 스크립트를 생성하면, 장잉은 18개월치 과거 데이터를 이용해 결과를 반복 검증했다. 테스트 과정에서 예외나 새로운 업무 규칙이 발견될 때마다 이를 재사용 가능한 Skill에 추가했다.

보고된 개선 폭은 다음과 같다.

• 월간 청구 분석: 2인일에서 15분
• 버터플라이 차트용 기초 테이블 작성: 1인일에서 2분
• 시각화 대시보드 제작: 1.5인일에서 3분
• 월간 전체 업무: 5~6인일에서 20분 이내
• 개별 업무 기준 최대 효율 향상: 최대 150배

완성된 결과물은 단순히 더 빨리 만들어진 스프레드시트가 아니었다. 관리자는 브랜드, 플랫폼, 비용 항목, 평균 주문금액 등의 기준으로 대시보드를 필터링할 수 있었고, 담당자가 보고서를 새로 작성할 때까지 기다리지 않고 링크를 열어 최신 결과를 확인할 수 있었다.

왜 여러 부서로 확산될 수 있었나

이 사례는 기업용 AI 에이전트가 다음과 같은 업무에서 확산되기 쉽다는 점을 보여준다.

• 자동화할 만큼 자주 반복되는 업무
• 업무 규칙을 설명하고 테스트할 수 있는 업무
• 기존 기록이나 현업의 판단을 기준으로 결과를 확인할 수 있는 업무

물류비 대사는 이 조건에 잘 맞았다. 반복적이고 데이터가 많지만, 청구 구조를 이해하고 예외를 식별하며 결과가 상식에 맞는지 판단할 사람은 여전히 필요했다. WorkBuddy는 기계적인 처리 속도를 높였지만, 현업의 감독까지 없애지는 않았다.

재무, 인사, 연구개발, 마케팅에서도 원리는 같았다. 각 부서가 맥락과 판단을 제공하면, 에이전트가 반복 가능한 부분을 워크플로로 묶어 다시 실행할 수 있게 했다. 일부 워크플로는 다른 팀과 더 넓게 공유할 수도 있었다. 4

일자리 대체보다 ‘생산성 증폭’에 가까운 모델

따라서 Tencent가 이 도입 사례를 통해 제시하는 주장은 ‘AI가 사무직을 대체한다’는 선언보다 좁고 실용적이다. 보고된 성과는 도메인 전문가가 규칙을 정하고, 결과를 검증하며, 예외를 수정하고, 성공한 업무 방식을 조직의 재사용 가능한 자산으로 바꾼 데서 나왔다. 4

챗봇이 일회성 답변을 제공한다면, 검증된 Skill은 회사가 반복 업무를 처리하는 방식을 보존한다. 여러 부서가 워크플로를 만들고 재사용할수록, 자동화의 효과는 개별 직원의 실험에 머물지 않고 조직 전체로 누적될 수 있다.

물론 이 수치를 모든 기업과 직무에 그대로 적용할 수는 없다. 현재 공개된 근거는 상하이자화의 일부 업무에서 나온 회사 보고 사례이며, 모든 직원의 생산성이 독립적으로 검증된 4.5배 향상됐다는 의미는 아니다. 보다 신중하게 해석하면, 핵심 교훈은 운영 모델에 있다. 측정 가능한 반복 업무에서 시작하고, 현업 전문가를 계속 참여시키며, 실제 데이터로 검증하고, 효과가 확인된 결과를 조직 안에서 공유하는 방식이다.