Fra chatbot til arbeidsmodell: Slik tok Shanghai Jahwa WorkBuddy i bruk på tvers av organisasjonen

Shanghai Jahwas utrulling av WorkBuddy er interessant først og fremst fordi selskapet klarte å skalere løsningen. I stedet for å bruke AI-assistenten som en generell chatbot, gjorde medarbeiderne gjentakende og regelstyrte oppgaver om til testede arbeidsflyter og gjenbrukbare «Skills». Slik ble kunnskap som tidligere satt hos enkeltpersoner, gjort om til en felles ressurs for hele organisasjonen. 4

Resultatene er betydelige, men bør leses med et kritisk blikk: Effektivitetstallene kommer fra rapporterte selskaps 사례studier, ikke fra en uavhengig revisjon av produktiviteten.

Fra pilot i to avdelinger til ni

WorkBuddy skal ha blitt tatt i bruk av Shanghai Jahwas IT- og HR-avdelinger i april 2026. Derfra ble løsningen utvidet til løpende produksjon i ni avdelinger, blant annet forsyningskjede, merkevaremarkedsføring, forskning og utvikling, økonomi, HR og IT. Selskapet rapporterte en gjennomsnittlig effektivitetsøkning på mer enn 4,5 ganger. 4

Skaleringen fulgte i hovedsak fire trinn:

1. Finn arbeidsoppgaver som gjentar seg. Hver avdeling identifiserte prosesser med regelmessig datainnsamling, avstemming, formatering, analyse eller rapportering.
2. Gjør forretningsreglene om til arbeidsflyter. Medarbeiderne brøt ned hvordan oppgaven faktisk ble utført, og brukte WorkBuddy til å lage skript eller strukturerte «Skills».
3. Test mot ekte historiske data. Teamene kontrollerte resultatene, rettet feil og la inn unntak som ble oppdaget under testingen.
4. Gjenbruk det som fungerer. Når en arbeidsflyt var stabil, kunne den kjøres på nytt og deles med andre medarbeidere eller avdelinger.

Dette gjorde innføringen til et arbeid med prosessdesign – ikke bare en programvareinstallasjon. Fagpersonene beholdt ansvaret for vurderinger og kvalitetssikring, mens agenten tok seg av mye av det repetitive arbeidet.

Fra tekstutkast til spesialisert fagarbeid

Bruken strakte seg langt utover å få hjelp til å skrive tekst. I den siste måneden som omtales, brukte 67 prosent av brukerne WorkBuddy til spesialisert arbeid, 63 prosent til databehandling og analyse, og 57 prosent til automatisering samt drift og vedlikehold. Dette er rapporterte andeler av bruken – ikke mål på hvor mye tid hver aktivitet sparte. 7

Eksempler fra Shanghai Jahwa omfattet:

• Forskning og utvikling: undersøkelser av kosmetiske ingredienser og relevante regelverk.
• Økonomi: omgjøring av regler for kontroll av reiseregninger og utlegg til en repeterbar prosess, samt generering av rapporter for investeringsscreening.
• HR: påminnelser til ledere og ansatte når prøvetiden nærmet seg slutten.
• Forsyningskjede: automatisk oppdatering av produksjonsoversikter på tvers av flere verksteder.
• Merkevaremarkedsføring: forbrukerinnsikt, innholdsanalyse og produksjon av markedsmateriell.

Markedsavdelingen skal også ha gjort om rundt 70 prosent av de ukentlige presentasjonsbaserte gjennomgangene til HTML-sider. Sidene kunne deles i hele selskapet, oppdateres direkte på nett og vises uten at en ny, statisk presentasjon måtte sendes ut.

Forsyningskjeden viser hvordan modellen fungerte i praksis

Det tydeligste eksempelet kommer fra avstemming av logistikkfakturering. Shanghai Jahwas B2C-virksomhet bruker plattformene Tmall, JD og Douyin. Kostnader for lager, håndtering, levering og andre tjenester var fordelt på sju råkategorier i fakturadataene. I løpet av 18 måneder hadde datagrunnlaget vokst til rundt 60 millioner rader. Den eksisterende, Excel-baserte månedsprosessen tok fem–seks persondager, og store filer kunne bli så tunge at de var vanskelige å åpne eller behandle.

Zhang Ying, en driftsleder i forsyningskjeden med bakgrunn i økonomi og uten programmeringserfaring, skal ha løst problemet ved å dele den månedlige prosessen opp i mindre trinn. WorkBuddy genererte Python-skript for trinnene, som Zhang testet gjentatte ganger mot 18 måneder med historiske data. Når testene avdekket unntak eller nye forretningsregler, la hun dem inn i gjenbrukbare «Skills».

De rapporterte endringene var:

• Månedlig fakturaanalyse: to persondager til 15 minutter.
• Grunnlagstabell for sommerfugldiagram: én persondag til to minutter.
• Visuelt dashbord: 1,5 persondager til tre minutter.
• Hele den månedlige arbeidsflyten: fem–seks persondager til under 20 minutter.
• Største rapporterte gevinst for en enkeltoppgave: opptil 150 ganger raskere.

Resultatet var altså mer enn et raskere regneark. Dashbordet kunne filtreres etter blant annet merkevare, plattform, kostnadskategori og gjennomsnittlig ordreverdi. Ledere kunne åpne en lenke for å se oppdaterte resultater, i stedet for å vente på at en ny rapport skulle bygges manuelt.

Hvorfor kunne utrullingen skaleres?

Caset tyder på at AI-agenter i større virksomheter har best forutsetninger for å spre seg når de første bruksområdene har tre egenskaper:

• De utføres ofte nok til at automatisering lønner seg.
• Reglene kan forklares og testes.
• Resultatet kan kontrolleres mot eksisterende dokumentasjon eller forventninger i virksomheten.

Logistikkavstemmingen passet godt til denne modellen. Prosessen var repetitiv og datatung, men krevde fortsatt en medarbeider som forsto fakturastrukturen, oppdaget avvik og kunne vurdere om resultatet ga forretningsmessig mening. WorkBuddy fikk fart på det mekaniske arbeidet uten å fjerne behovet for faglig kontroll.

Det samme prinsippet ble brukt i økonomi, HR, forskning og utvikling samt markedsføring. Hver avdeling bidro med kontekst og faglige vurderinger, mens agenten hjalp til med å pakke de repeterbare delene inn i arbeidsflyter som kunne kjøres på nytt og i enkelte tilfeller deles på tvers av organisasjonen. 4

Produktivitetsverktøy – ikke automatisk jobberstatning

Tencent-argumentet som kan trekkes ut av utrullingen, er derfor smalere og mer praktisk enn at AI erstatter kontoransatte. De rapporterte gevinstene kom av at fagpersoner spesifiserte regler, validerte resultater, rettet unntak og gjorde vellykkede prosesser om til gjenbrukbare organisatoriske ressurser. 4

Forskjellen er viktig. En chatbot kan gi et enkelt svar der og da. En testet «Skill» kan derimot bevare hvordan en virksomhet utfører en tilbakevendende oppgave. Verdien kan vokse når flere avdelinger utvikler og gjenbruker arbeidsflyter, i stedet for at hver automatisering blir et isolert eksperiment.

Samtidig kan overskriften på 4,5 ganger høyere effektivitet ikke uten videre overføres til alle selskaper eller stillingstyper. Kildene beskriver rapporterte resultater fra Shanghai Jahwa og utvalgte arbeidsflyter. De dokumenterer ikke en uavhengig verifisert produktivitetsøkning på 4,5 ganger for samtlige ansatte. Den mest robuste lærdommen er derfor selve arbeidsmodellen: Start med målbare og repeterbare oppgaver, behold fagfolkene i loopen, test mot ekte data og del det som faktisk fungerer.