Shanghai Jahwa zamieniła WorkBuddy w model pracy AI dla całej organizacji

Najciekawszym elementem wdrożenia WorkBuddy w Shanghai Jahwa nie jest sama deklaracja wzrostu efektywności, lecz sposób, w jaki firma osiągnęła skalę. Zamiast wdrażać agenta AI jako uniwersalnego chatbota, zespoły zamieniały powtarzalne, oparte na regułach zadania w testowane przepływy pracy i wielokrotnego użytku „umiejętności” (Skills). Dzięki temu wiedza pozostająca wcześniej w głowach pojedynczych pracowników mogła stać się wspólnym zasobem operacyjnym organizacji. 4

Wyniki są znaczące, ale należy je interpretować ostrożnie: dane o efektywności pochodzą z opisów przypadku przedstawianych przez firmę, a nie z niezależnego audytu produktywności.

Od pilotażu w dwóch działach do dziewięciu

WorkBuddy miał zostać uruchomiony w Shanghai Jahwa najpierw w działach IT i HR w kwietniu 2026 roku. Następnie rozwiązanie rozszerzono na bieżącą pracę w dziewięciu działach, między innymi w łańcuchu dostaw, marketingu marek, badaniach i rozwoju, finansach, HR oraz IT. Firma podała, że średni wzrost efektywności pracowników przekroczył 4,5 raza. 4

Skalowanie oparto na czterech krokach:

1. Wyszukanie powtarzalnych zadań. Każdy dział identyfikował procesy związane z cyklicznym zbieraniem i uzgadnianiem danych, formatowaniem, analizą lub raportowaniem.
2. Przełożenie reguł biznesowych na przepływy pracy. Pracownicy rozpisywali sposób wykonywania zadania, a następnie używali WorkBuddy do tworzenia skryptów lub uporządkowanych Skills.
3. Testowanie na rzeczywistych danych historycznych. Zespoły sprawdzały wyniki, poprawiały błędy i dodawały wyjątki ujawnione podczas testów.
4. Ponowne wykorzystanie rozwiązania. Gdy przepływ pracy działał stabilnie, można było uruchamiać go cyklicznie i udostępniać innym pracownikom lub działom.

Było to więc ćwiczenie z projektowania procesów, a nie tylko instalacja nowego narzędzia. Pracownicy posiadający wiedzę biznesową nadal odpowiadali za osąd i kontrolę jakości, podczas gdy agent przejmował znaczną część powtarzalnej pracy wykonawczej.

Do czego pracownicy wykorzystywali agenta?

Zastosowania wykraczały daleko poza redagowanie tekstów. W przywoływanym najnowszym miesiącu 67% użytkowników wykorzystywało WorkBuddy do specjalistycznych zadań biznesowych, 63% do przetwarzania i analizy danych, a 57% do automatyzacji oraz obsługi i utrzymania procesów. Są to deklarowane udziały zastosowań, a nie pomiary tego, ile czasu zaoszczędzono przy każdym z nich. 7

Przykłady wykorzystania w Shanghai Jahwa obejmowały:

• Badania i rozwój: wyszukiwanie informacji o składnikach kosmetycznych i obowiązujących regulacjach.
• Finanse: przełożenie reguł kontroli wniosków o zwrot kosztów na powtarzalny proces oraz tworzenie raportów do wstępnej selekcji inwestycji.
• HR: generowanie przypomnień dla menedżerów i pracowników o zbliżającym się końcu okresu próbnego.
• Łańcuch dostaw: automatyczne odświeżanie tablic produkcyjnych w wielu halach.
• Marketing marek: przygotowywanie analiz konsumenckich, analiza treści i tworzenie materiałów marketingowych.

Zespół marketingowy miał również zamienić około 70% cotygodniowych przeglądów w formie prezentacji na strony HTML. Można je było udostępniać w całej firmie, aktualizować online i przeglądać bez czekania na dystrybucję nowej, statycznej prezentacji.

Rozliczenia logistyczne pokazują, jak działa ten model

Najbardziej konkretny przykład dotyczył rozliczeń logistycznych. Sprzedaż B2C Shanghai Jahwa prowadzona była na platformach Tmall, JD i Douyin, a opłaty za magazynowanie, obsługę, dostawę i inne usługi były rozproszone w siedmiu kategoriach surowych zestawień. W ciągu 18 miesięcy zbiór danych urósł do około 60 milionów wierszy. Dotychczasowy, oparty na Excelu miesięczny proces zajmował od pięciu do sześciu osobodni, a przy dużych plikach ich otwieranie i przetwarzanie stawało się problemem.

Zhang Ying, menedżerka operacyjna w dziale łańcucha dostaw, miała wykształcenie ekonomiczne, ale nie umiała programować. Zamiast próbować automatyzować cały proces naraz, rozłożyła comiesięczne zadanie na mniejsze kroki. WorkBuddy wygenerował dla nich skrypty w Pythonie, które Zhang wielokrotnie testowała na 18 miesiącach danych historycznych. Gdy testy ujawniały wyjątki lub nowe reguły biznesowe, dodawała je do współdzielonych Skills.

Według przedstawionych danych efekty wyglądały następująco:

• analiza miesięcznych rozliczeń: z dwóch osobodni do 15 minut;
• tabela bazowa do wykresu motylkowego: z jednego osobodnia do dwóch minut;
• wizualny pulpit nawigacyjny: z 1,5 osobodnia do trzech minut;
• pełny proces miesięczny: z 5–6 osobodni do mniej niż 20 minut;
• najwyższy raportowany wzrost efektywności pojedynczego zadania: do 150 razy.

Rezultatem nie był po prostu szybszy arkusz kalkulacyjny. Gotowy pulpit pozwalał filtrować dane według takich wymiarów jak marka, platforma, kategoria kosztu czy średnia wartość zamówienia. Menedżerowie mogli otworzyć link i zobaczyć odświeżone wyniki, zamiast czekać na ponowne przygotowanie raportu.

Dlaczego wdrożenie się rozprzestrzeniło?

Opisany przypadek sugeruje, że agenci AI w przedsiębiorstwach łatwiej znajdują zastosowanie, gdy pierwsze automatyzowane zadania spełniają trzy warunki:

• są wykonywane wystarczająco często, by automatyzacja się opłacała;
• ich reguły można jasno opisać i przetestować;
• wyniki da się porównać z istniejącymi zapisami lub oczekiwaniami biznesowymi.

Uzgadnianie rozliczeń logistycznych dobrze pasowało do tego schematu. Proces był powtarzalny i oparty na dużej ilości danych, ale nadal wymagał osoby, która rozumiała strukturę opłat, rozpoznawała wyjątki i potrafiła ocenić, czy rezultat ma sens biznesowy. WorkBuddy przyspieszył mechaniczną część pracy, nie eliminując nadzoru eksperta.

Ta sama zasada działała w finansach, HR, badaniach i rozwoju oraz marketingu. Każdy zespół dostarczał kontekst i osąd, a agent pomagał zapakować powtarzalne elementy w przepływy, które można było uruchamiać ponownie i — w niektórych przypadkach — udostępniać szerzej. 4

Mnożnik produktywności, nie automatyczna redukcja etatów

Wniosek Tencentu z tego wdrożenia jest węższy, ale bardziej praktyczny niż teza, że AI zastępuje pracowników biurowych. Raportowane rezultaty wynikały z pracy ekspertów dziedzinowych, którzy określali reguły, weryfikowali wyniki, poprawiali wyjątki i zamieniali udane procesy w wielokrotnego użytku zasoby organizacji. 4

To istotna różnica. Chatbot może udzielić jednorazowej odpowiedzi, natomiast przetestowana Skill może utrwalić sposób, w jaki firma wykonuje cykliczne zadanie. Wartość rośnie, gdy kilka działów tworzy i ponownie wykorzystuje przepływy pracy, zamiast traktować każdą automatyzację jako odosobniony eksperyment.

Jednocześnie nie należy automatycznie przenosić tych danych na każdą firmę i każde stanowisko. Dostępne materiały opisują wyniki Shanghai Jahwa w wybranych procesach i nie dowodzą niezależnie zweryfikowanego, 4,5-krotnego wzrostu produktywności wszystkich pracowników. Najbardziej uzasadniona lekcja dotyczy modelu operacyjnego: zacząć od mierzalnych i powtarzalnych zadań, pozostawić ekspertów w pętli decyzyjnej, sprawdzać rezultaty na rzeczywistych danych i udostępniać to, co faktycznie działa.