Shanghai Jahwa, WorkBuddy’yi Kurum Çapında Bir Yapay Zekâ İşletim Modeline Nasıl Dönüştürdü?

Shanghai Jahwa’nın Tencent WorkBuddy uygulaması, dikkat çekici olanın yalnızca açıklanan verimlilik rakamı olmadığını gösteriyor. Asıl fark, şirketin yapay zekâyı genel amaçlı bir sohbet botu olarak konumlandırmak yerine, tekrarlanan ve kurallara dayalı işleri test edilmiş iş akışlarına ve yeniden kullanılabilir “Skill”lere dönüştürmesi oldu. Böylece çalışanların kişisel deneyimi, kurum genelinde paylaşılabilen bir çalışma kaynağına dönüştü. 4

Bununla birlikte, açıklanan rakamları temkinli okumak gerekiyor: Verimlilik sonuçları bağımsız bir denetimden değil, şirketin vaka çalışması ve paylaşılan uygulama örneklerinden geliyor.

İki ekiplik pilot uygulamadan dokuz departmana

WorkBuddy’nin Shanghai Jahwa’da Nisan 2026’da IT ve İK ekipleriyle pilot olarak başladığı, ardından dokuz departmanda rutin kullanıma geçtiği bildiriliyor. Kapsama tedarik zinciri, marka pazarlama, Ar-Ge, finans, İK ve IT gibi birimler dahil oldu. Şirket, çalışan verimliliğinde ortalama 4,5 katın üzerinde artış bildirdi. 4

Yayılım modeli dört temel adıma dayanıyordu:

1. Tekrarlanabilir işleri belirlemek: Her ekip; veri toplama, mutabakat, biçimlendirme, analiz veya raporlama gibi düzenli tekrarlanan süreçleri seçti.
2. İş kurallarını iş akışına çevirmek: Çalışanlar işin nasıl yapıldığını adımlara ayırarak WorkBuddy üzerinden komut dosyaları veya yapılandırılmış Skill’ler oluşturdu.
3. Gerçek geçmiş verilerle doğrulamak: Çıktılar kontrol edildi, hatalar düzeltildi ve test sırasında ortaya çıkan istisnalar sisteme eklendi.
4. Sonucu yeniden kullanmak: Güvenilir hâle gelen iş akışları tekrar tekrar çalıştırılabildi ve diğer çalışanlarla ya da departmanlarla paylaşılabildi.

Bu yaklaşım, uygulamayı yalnızca bir yazılım kurulumundan ibaret olmaktan çıkardı. İşin bağlamını bilen çalışanlar karar verme ve kalite kontrol sorumluluğunu korurken, yapay zekâ tekrarlayan uygulama yükünün önemli bölümünü üstlendi.

Çalışanlar WorkBuddy’yi hangi işlerde kullandı?

WorkBuddy’nin kullanımı metin taslağı hazırlamanın oldukça ötesine geçti. Paylaşılan en güncel ay verilerine göre kullanıcıların yüzde 67’si aracı uzmanlık gerektiren işlerde, yüzde 63’ü veri işleme ve analizde, yüzde 57’si ise otomasyon ile operasyon veya bakım süreçlerinde kullandı. Bu oranlar kullanım payını gösteriyor; her faaliyetin ne kadar zaman kazandırdığını göstermiyor. 7

Shanghai Jahwa’daki örnekler arasında şunlar yer aldı:

• Ar-Ge: Kozmetik bileşenleri ve ilgili mevzuat hakkında araştırma.
• Finans: Masraf geri ödeme inceleme kurallarını tekrarlanabilir bir sürece dönüştürme ve yatırım tarama raporları oluşturma.
• İK: Yöneticiler ve çalışanlar için deneme süresi bitiş hatırlatmaları hazırlama.
• Tedarik zinciri: Birden fazla atölyedeki üretim sahası panolarını otomatik olarak güncelleme.
• Marka pazarlama: Tüketici içgörüsü çıkarma, içerik analizi ve pazarlama materyali üretme.

Marka pazarlama ekibi ayrıca haftalık sunum formatındaki değerlendirmelerin yaklaşık yüzde 70’ini HTML sayfalarına dönüştürdü. Şirket içinde paylaşılabilen bu sayfalar çevrim içi güncellenebiliyor ve yeni bir statik sunum dosyasının dağıtılmasını beklemeden görüntülenebiliyordu.

60 milyon satırlık lojistik verisi 20 dakikanın altına indi

Modelin en somut örneği lojistik faturalandırma sürecinde ortaya çıktı. Shanghai Jahwa’nın tüketiciye doğrudan satış yapan B2C operasyonu Tmall, JD ve Douyin platformlarını kapsıyordu. Depolama, elleçleme, teslimat ve diğer ücretler yedi farklı ham fatura kategorisine dağılmıştı. Veri seti 18 ay içinde yaklaşık 60 milyon satıra ulaşmıştı. Excel tabanlı aylık işlem daha önce 5-6 kişi-günü sürüyor, büyük dosyalar ise açılmayı veya işlenmeyi zorlaştırıyordu.

Ekonomi eğitimi alan ve kodlama deneyimi bulunmayan tedarik zinciri operasyon yöneticisi Zhang Ying, aylık süreci küçük adımlara böldü. WorkBuddy bu adımlar için Python komut dosyaları üretti. Zhang, komut dosyalarını 18 aylık geçmiş veriler üzerinde tekrar tekrar test etti; testlerde yeni istisnalar veya iş kuralları ortaya çıktığında bunları yeniden kullanılabilir Skill’lere ekledi.

Bildirilen sonuçlar şöyleydi:

• Aylık faturalandırma analizi: 2 kişi-gününden 15 dakikaya.
• Kelebek grafik temel tablosu: 1 kişi-gününden 2 dakikaya.
• Görsel pano: 1,5 kişi-gününden 3 dakikaya.
• Tüm aylık süreç: 5-6 kişi-gününden 20 dakikanın altına.
• Tek bir görevde bildirilen en yüksek artış: 150 kata kadar.

Ortaya çıkan sonuç yalnızca daha hızlı hazırlanmış bir elektronik tablo değildi. Pano; marka, platform, gider kalemi ve ortalama sepet tutarı gibi boyutlara göre filtrelenebiliyor, yöneticiler de yeni bir rapor hazırlanmasını beklemek yerine güncel sonuçları bir bağlantı üzerinden görebiliyordu.

Bu model neden departmanlar arasında yayılabildi?

Vaka, kurumsal yapay zekâ ajanlarının yayılma ihtimalinin özellikle şu üç özelliğe sahip işlerde arttığını düşündürüyor:

• İşin yeterince sık tekrarlanması ve otomasyonu anlamlı kılması.
• Kuralların açıkça anlatılabilir ve test edilebilir olması.
• Çıktının mevcut kayıtlar veya iş beklentileriyle karşılaştırılabilmesi.

Lojistik mutabakatı bu çerçeveye iyi uyuyordu. Süreç tekrarlı ve yoğun miktarda veri içeriyordu; ancak faturalandırma yapısını bilen, istisnaları fark eden ve sonucun iş açısından mantıklı olup olmadığına karar verebilen bir çalışanın denetimi hâlâ gerekliydi. WorkBuddy, alan uzmanlığının yerini almak yerine mekanik işlemleri hızlandırdı.

Aynı ilke finans, İK, Ar-Ge ve pazarlama ekiplerinde de uygulandı. Her ekip bağlamı ve muhakemeyi sağladı; yapay zekâ ise tekrar edilebilir bölümleri yeniden çalıştırılabilen ve bazı durumlarda daha geniş bir grupla paylaşılabilen iş akışlarına dönüştürmeye yardımcı oldu. 4

Verimlilik çarpanı, otomatik işten çıkarma aracı değil

Tencent’in bu uygulamadan çıkardığı mesaj, yapay zekânın ofis çalışanlarının yerini aldığı iddiasından daha dar ve daha pratik: Verimlilik artışı; alan uzmanlarının kuralları tanımlaması, sonuçları doğrulaması, istisnaları düzeltmesi ve başarılı süreçleri kurum içinde yeniden kullanılabilir varlıklara dönüştürmesiyle ortaya çıktı. 4

Bu ayrım önemli. Bir sohbet botu tek seferlik bir yanıt verebilir; test edilmiş bir Skill ise şirketin tekrarlanan bir işi nasıl yürüttüğünü koruyabilir. Birden fazla departman iş akışları oluşturup bunları paylaştığında, değer tek tek otomasyon denemelerinin toplamından daha kalıcı hâle geliyor.

Yine de manşet rakamları her şirkete veya her role doğrudan uygulamak doğru olmaz. Mevcut kanıtlar Shanghai Jahwa’nın belirli iş akışlarındaki bildirilmiş sonuçlarını anlatıyor; tüm çalışanlar genelinde bağımsız olarak doğrulanmış 4,5 katlık bir verimlilik artışını kanıtlamıyor. Daha sağlam çıkarım şu: Ölçülebilir ve tekrarlanabilir işlerle başlayın, uzmanları sürecin içinde tutun, çıktıları gerçek verilerle doğrulayın ve işe yarayan iş akışlarını paylaşın.