Zo werd WorkBuddy bij Shanghai Jahwa een AI-model voor de hele organisatie

De opvallendste les uit de uitrol van Tencent WorkBuddy bij Shanghai Jahwa zit niet alleen in het gemelde efficiëntiecijfer. Vooral de manier waarop de Chinese cosmeticaproducent de AI-agent opschaalde, is interessant.

In plaats van WorkBuddy als een algemene chatbot te gebruiken, zetten teams terugkerende en regelgestuurde taken om in geteste workflows en herbruikbare ‘Skills’. Zo werd kennis die eerst bij individuele medewerkers zat, een gedeelde operationele hulpbron voor de organisatie. 4

De resultaten zijn indrukwekkend, maar vragen om enige voorzichtigheid: de efficiëntiecijfers komen uit bedrijfscases en zijn niet het resultaat van een onafhankelijke productiviteitscontrole.

Van pilot met twee teams naar negen afdelingen

WorkBuddy begon volgens de beschikbare informatie in april 2026 bij de IT- en HR-teams van Shanghai Jahwa. Daarna werd de toepassing uitgebreid naar routinematig gebruik in negen afdelingen. Daaronder vallen onder meer supplychain, brandmarketing, onderzoek en ontwikkeling (R&D), finance, HR en IT. Het bedrijf meldt een gemiddelde efficiëntiewinst per medewerker van meer dan 4,5×. 4

De opschaling bestond uit vier stappen:

1. Terugkerend werk opsporen. Iedere afdeling zocht processen waarin regelmatig gegevens werden verzameld, vergeleken, opgemaakt, geanalyseerd of gerapporteerd.
2. Bedrijfsregels vertalen naar workflows. Medewerkers brachten hun werkwijze stap voor stap in kaart en gebruikten WorkBuddy om scripts of gestructureerde Skills te maken.
3. Testen met echte historische gegevens. Teams controleerden de uitkomsten, corrigeerden fouten en voegden uitzonderingen toe die tijdens het testen aan het licht kwamen.
4. Het resultaat hergebruiken. Zodra een workflow betrouwbaar was, kon die opnieuw worden uitgevoerd en met andere medewerkers of afdelingen worden gedeeld.

Daarmee werd de invoering van AI vooral een oefening in procesontwerp, en niet simpelweg een software-installatie. Medewerkers met inhoudelijke kennis bleven verantwoordelijk voor beoordeling en kwaliteitscontrole, terwijl de agent een groot deel van het repetitieve uitvoerende werk overnam.

Waarvoor medewerkers WorkBuddy gebruikten

De toepassing ging verder dan het schrijven van teksten. In de meest recente maand waarover cijfers zijn gepubliceerd, gebruikte 67% van de gebruikers WorkBuddy voor gespecialiseerd bedrijfswerk, 63% voor gegevensverwerking en analyse en 57% voor automatisering of operationeel beheer. Het gaat om gerapporteerde gebruiksaandelen, niet om metingen van de tijdwinst per activiteit. 7

Voorbeelden binnen Shanghai Jahwa waren onder meer:

• R&D: onderzoek naar cosmetische ingrediënten en toepasselijke regelgeving.
• Finance: regels voor het controleren van declaraties omzetten in een herhaalbaar proces en rapporten voor investeringsselectie genereren.
• HR: herinneringen versturen aan managers en medewerkers wanneer een proeftijd afloopt.
• Supplychain: dashboards op de productievloer in meerdere werkplaatsen automatisch vernieuwen.
• Brandmarketing: consumenteninzichten verzamelen, content analyseren en marketingmateriaal genereren.

Het marketingteam zou bovendien ongeveer 70% van de wekelijkse presentatiereviews hebben omgezet in HTML-pagina’s. Die pagina’s konden bedrijfsbreed worden gedeeld, online worden bijgewerkt en bekeken worden zonder telkens een nieuwe statische PowerPoint-presentatie te verspreiden.

De supplychaincase die het model tastbaar maakte

Het duidelijkste voorbeeld komt uit de logistieke facturatie. De B2C-activiteiten van Shanghai Jahwa lopen via Tmall, JD en Douyin. Kosten voor opslag, verwerking, bezorging en andere logistieke diensten waren verdeeld over zeven categorieën met ruwe factuurgegevens. In achttien maanden groeide de dataset uit tot ongeveer 60 miljoen rijen. De bestaande maandelijkse werkwijze in Excel kostte vijf à zes persoonsdagen. Bij grote bestanden werd het bovendien lastig om de gegevens nog te openen of te verwerken.

Zhang Ying, operationeel supplychainmanager met een economische achtergrond maar zonder programmeerervaring, pakte het probleem aan door het maandelijkse proces op te delen in kleinere stappen. WorkBuddy genereerde voor die stappen Python-scripts, waarna Zhang ze herhaaldelijk testte met de historische gegevens van achttien maanden. Wanneer het testen uitzonderingen of nieuwe bedrijfsregels blootlegde, voegde zij die toe aan herbruikbare Skills.

De gemelde veranderingen:

• Maandelijkse factuuranalyse: van twee persoonsdagen naar 15 minuten.
• Basistabel voor het vlinderdiagram: van één persoonsdag naar twee minuten.
• Visueel dashboard: van 1,5 persoonsdag naar drie minuten.
• Het volledige maandelijkse proces: van vijf à zes persoonsdagen naar minder dan twintig minuten.
• Hoogst gemelde winst voor één afzonderlijke taak: tot 150×.

Het resultaat was dus meer dan een sneller spreadsheet. In het dashboard konden managers filteren op dimensies zoals merk, platform, kostencategorie en gemiddelde bestelwaarde. Via een link konden zij de vernieuwde resultaten direct bekijken, zonder te wachten tot een nieuw rapport opnieuw was opgebouwd.

Waarom de uitrol kon groeien

De case van Shanghai Jahwa wijst op drie eigenschappen die de verspreiding van enterprise-agents kunnen helpen:

• De taak komt vaak genoeg terug om automatisering de moeite waard te maken.
• De regels zijn duidelijk uit te leggen en te testen.
• De uitkomst kan worden gecontroleerd aan de hand van bestaande gegevens of zakelijke verwachtingen.

Logistieke reconciliatie — het samenbrengen en controleren van gegevens uit verschillende bronnen — voldeed aan al die voorwaarden. Het proces was repetitief en datarijk, maar vereiste nog steeds iemand die de factuurstructuur begreep, uitzonderingen herkende en kon beoordelen of de uitkomst zakelijk klopte. WorkBuddy versnelde het mechanische werk, zonder die inhoudelijke controle overbodig te maken.

Hetzelfde principe was zichtbaar bij finance, HR, R&D en marketing. De teams leverden de context en het oordeel; de agent hielp om de herhaalbare onderdelen vast te leggen in workflows die opnieuw konden worden uitgevoerd en soms breder konden worden gedeeld. 4

Productiviteitsvermenigvuldiger, geen automatische banenvervanger

De boodschap van Tencent is op basis van deze uitrol dan ook praktischer — en beperkter — dan de claim dat AI kantoormedewerkers vervangt. De gemelde winst kwam tot stand doordat domeinexperts regels specificeerden, resultaten controleerden, uitzonderingen corrigeerden en succesvolle processen omzetten in herbruikbare organisatie-assets. 4

Dat verschil is belangrijk. Een chatbot kan een eenmalig antwoord geven, maar een geteste Skill kan vastleggen hoe een organisatie een terugkerende taak uitvoert. De waarde neemt toe wanneer meerdere afdelingen workflows maken en hergebruiken, in plaats van iedere automatisering als een los experiment te behandelen.

Tegelijkertijd mogen de opvallende cijfers niet zonder meer worden doorgetrokken naar ieder bedrijf of iedere functie. De beschikbare informatie beschrijft gerapporteerde resultaten van Shanghai Jahwa in geselecteerde workflows. Ze bewijst niet dat de productiviteit van alle medewerkers onafhankelijk is vastgesteld op 4,5× hoger. De meest verdedigbare conclusie gaat daarom over het organisatiemodel: begin met meetbaar en herhaalbaar werk, houd experts betrokken, test met echte gegevens en deel wat werkt.