Главный результат внедрения Tencent WorkBuddy в Shanghai Jahwa — не сама цифра «4,5 раза», а способ, которым компания смогла распространить инструмент за пределы отдельных экспериментов. Вместо универсального чат-бота сотрудники превращали повторяющиеся операции с понятными правилами в проверенные рабочие процессы и переиспользуемые Skills — «навыки» для ИИ-агента. Так знания отдельных специалистов становились общим рабочим ресурсом компании. 
4
При этом показатели важно воспринимать с оговоркой: речь идет о результатах, заявленных в корпоративных кейсах, а не о независимом аудите производительности.
От пилота в двух командах к девяти отделам
По имеющимся данным, WorkBuddy начал работать в Shanghai Jahwa с командами IT и HR в апреле 2026 года. Затем инструмент перешел в регулярное использование в девяти подразделениях, включая цепочки поставок, бренд-маркетинг, исследования и разработки, финансы, HR и IT. Компания сообщила, что средняя эффективность сотрудников выросла более чем в 4,5 раза. 4
Масштабирование проходило по четырем основным этапам:
- Поиск повторяющихся задач. Каждое подразделение выделяло процессы, связанные с регулярным сбором данных, сверкой, форматированием, анализом и подготовкой отчетов.
- Перевод правил в рабочий сценарий. Сотрудники описывали, как именно выполняется задача, и с помощью WorkBuddy создавали скрипты или структурированные Skills.
- Проверка на реальных данных. Команды сравнивали результаты с историческими материалами, исправляли ошибки и добавляли исключения, обнаруженные во время тестирования.
- Повторное использование. После проверки надежный сценарий можно было запускать снова и передавать другим сотрудникам или отделам.
Таким образом, внедрение стало скорее проектированием рабочих процессов, чем простой установкой нового ПО. Эксперты, знающие специфику бизнеса, сохраняли за собой контроль качества и принятие решений, а агент выполнял значительную часть рутинных операций.
Для чего сотрудники использовали WorkBuddy
WorkBuddy применяли не только для написания текстов. В последнем приведенном месяце 67% пользователей обращались к нему для специализированных бизнес-задач, 63% — для обработки и анализа данных, а 57% — для автоматизации, эксплуатации и технического обслуживания. Это доли пользователей по направлениям, а не оценка сэкономленного времени. 
7
Среди описанных сценариев Shanghai Jahwa:
- R&D: поиск информации о косметических ингредиентах и действующих нормативных требованиях;
- финансы: перевод правил проверки расходов в повторяемый процесс и автоматическая подготовка отчетов для предварительного отбора инвестиций;
- HR: напоминания руководителям и сотрудникам об окончании испытательного срока;
- цепочки поставок: автоматическое обновление производственных дашбордов для нескольких цехов;
- бренд-маркетинг: изучение потребителей, анализ контента и подготовка маркетинговых материалов.
Маркетинговая команда также, по сообщениям, перевела около 70% еженедельных презентационных обзоров в формат HTML-страниц. Их можно было обновлять онлайн, распространять внутри компании и просматривать по ссылке, не дожидаясь рассылки новой статичной презентации.
Кейс цепочки поставок: 60 миллионов строк вместо бесконечной сверки в Excel
Наиболее наглядным примером стала работа с логистическими счетами. B2C-бизнес Shanghai Jahwa использует площадки Tmall, JD и Douyin, а расходы на складские операции, обработку, доставку и другие услуги распределены по семи категориям исходных счетов. За 18 месяцев объем данных достиг примерно 60 млн строк. Ранее ежемесячный процесс на базе Excel занимал пять–шесть человеко-дней, а большие файлы порой становились слишком тяжелыми для открытия и обработки.
Чжан Ин, менеджер по операционной деятельности в цепочке поставок, имела экономическое образование и не умела программировать. Она разбила ежемесячную работу на последовательные этапы, после чего WorkBuddy сгенерировал для них скрипты на Python. Чжан многократно проверяла скрипты на исторических данных за 18 месяцев. Выявленные исключения и новые бизнес-правила она добавляла в переиспользуемые Skills.
Заявленные изменения выглядели так:
- анализ ежемесячных счетов: с двух человеко-дней до 15 минут;
- подготовка исходной таблицы для «бабочкового» графика: с одного человеко-дня до двух минут;
- создание визуального дашборда: с 1,5 человеко-дня до трех минут;
- весь ежемесячный процесс: с пяти–шести человеко-дней до менее чем 20 минут;
- максимальный заявленный прирост для отдельной задачи: до 150 раз.
Итогом стала не просто более быстрая таблица. В дашборде можно было фильтровать данные по бренду, платформе, статье расходов, среднему чеку и другим параметрам. Руководителям больше не требовалось ждать, пока кто-то заново соберет отчет: достаточно было открыть ссылку и посмотреть обновленные результаты.
Почему такая модель смогла распространиться
Этот кейс показывает, что корпоративные ИИ-агенты легче масштабируются, если первые задачи соответствуют трем условиям:
- выполняются достаточно часто, чтобы автоматизация имела смысл;
- подчиняются правилам, которые можно ясно описать и протестировать;
- дают результат, который можно сравнить с существующими записями или бизнес-ожиданиями.
Сверка логистических расходов хорошо подходила под эту модель. Процесс был повторяющимся и насыщенным данными, но все равно требовал сотрудника, который понимал структуру счетов, замечал исключения и мог оценить, имеет ли результат деловой смысл. WorkBuddy ускорил механическую часть работы, не отменяя контроль специалиста.
Тот же принцип применялся в финансах, HR, R&D и маркетинге. Команды предоставляли контекст и профессиональное суждение, а агент помогал упаковывать повторяемые операции в сценарии, которые можно было запускать заново и в некоторых случаях распространять между подразделениями. 4
Не замена сотрудникам, а множитель продуктивности
Практический вывод Tencent из этого внедрения заметно уже, чем тезис о том, что ИИ способен заменить офисных работников. Заявленные результаты появились благодаря тому, что эксперты описывали правила, проверяли ответы, исправляли исключения и превращали успешные процессы в повторно используемые активы организации. 4
Это важное различие. Чат-бот может дать разовый ответ, а проверенный Skill способен сохранить способ, которым компания регулярно выполняет конкретную задачу. Эффект растет, когда несколько отделов создают и используют общие сценарии, а не оставляют каждую автоматизацию изолированным экспериментом.
В то же время приведенные цифры нельзя автоматически переносить на любую компанию или должность. Доступные материалы описывают результаты Shanghai Jahwa в отдельных рабочих процессах и не доказывают независимыми измерениями, что производительность всех сотрудников выросла в 4,5 раза. Более надежный вывод касается самой модели: начинать с измеримых повторяющихся задач, оставлять эксперта в контуре принятия решений, проверять результат на реальных данных и распространять то, что действительно работает.
