上海家化引入腾讯 WorkBuddy 后，最值得关注的并不是“平均提效 4.5 倍”这一 headline 数字，而是它如何把 AI 从个别员工的尝鲜工具，变成跨部门运转的工作方式。

据报道，上海家化没有把 WorkBuddy 当作一个只能回答问题的通用聊天机器人，而是让各业务团队把反复发生、规则相对明确的工作拆解成流程，经过测试后沉淀为可复用的“Skill”（技能）。这样一来，原本掌握在个人手里的经验，就能变成团队乃至组织共享的工作资产。4

不过，这些效率数据来自企业案例报道，并非独立生产力审计，因此应当理解为上海家化披露或报道的特定场景结果，不能直接推导为所有员工、所有岗位都实现了 4.5 倍生产力提升。

从两个团队试点扩展到九大部门

WorkBuddy 据称于 2026 年 4 月首先在上海家化 IT 和 HR 团队试点，随后进入九大部门的日常生产流程，覆盖供应链、品牌营销、研发、财务、人力资源和 IT 等职能。公司报告称，员工平均效率提升超过 4.5 倍。4

这次扩展大致遵循了四个步骤：

1. 寻找可重复的工作。 各部门先筛选那些需要反复收集数据、核对数据、格式整理、分析或汇报的流程。
2. 把业务规则转成工作流。 熟悉业务的员工将实际操作步骤和判断规则拆开，再借助 WorkBuddy 编写脚本或创建结构化 Skill。
3. 用真实历史数据验证。 团队将输出与过去的业务记录进行比对，修正错误，并把测试过程中发现的例外情况补充进流程。
4. 复用已经验证的成果。 工作流稳定后，可以反复运行，也可以分享给其他员工或部门使用。

这意味着，AI 的落地更像一次流程再设计，而不只是安装一款软件。业务专家仍然负责判断、验收和质量控制，智能体则承担大量重复性的执行工作。

员工用它做的，不只是写材料

据报道，在最近一个月的使用统计中，67% 的用户将 WorkBuddy 用于专业业务工作，63% 用于数据处理和分析，57% 用于自动化以及运营或维护工作。7

这些数字反映的是用户使用场景占比，并不等同于每类工作节省了多少时间。

上海家化披露的应用案例包括：

• 研发： 研究化妆品原料及适用法规。
• 财务： 将报销审核规则沉淀为可重复执行的流程，并自动生成投资筛选报告。
• 人力资源： 为管理者和员工生成试用期到期提醒。
• 供应链： 自动更新多个车间的生产现场看板。
• 品牌营销： 进行消费者洞察、内容分析和营销素材生成。

品牌营销团队还据称将每周约 70% 的演示文稿式复盘改造成 HTML 页面。相比等待新的静态 PPT 被发送，这些网页可以在公司内部共享、在线更新，并通过链接直接查看。

6000 万行物流账单，如何变成可复用的技能

供应链物流对账，是这套模式最直观的案例。

上海家化的 B2C 业务覆盖天猫、京东和抖音等平台，仓储费、操作费、快递费等成本分散在七类原始账单中。过去 18 个月，相关数据累计约 6000 万行。原先依靠 Excel 完成的月度分析需要 5 至 6 个人天，数据量较大时，大文件甚至可能难以打开或处理。

供应链运营管理经理张樱拥有经济学背景，但并不会编程。她没有试图一次性让 AI 完成整个流程，而是先把每月的数据处理工作拆成更小的步骤，再让 WorkBuddy 为这些步骤生成 Python 脚本。随后，她用 18 个月的历史数据反复验证结果；测试中遇到的新规则和异常情况，则被继续沉淀到可复用的 Skill 中。

据报道，改造后的效率变化如下：

• 月度账单分析：从 2 个人天缩短至 15 分钟。
• 蝴蝶图底表制作：从 1 个人天缩短至 2 分钟。
• 可视化看板制作：从 1.5 个人天缩短至 3 分钟。
• 完整月度流程：从 5 至 6 个人天缩短至 20 分钟以内。
• 单项任务最高报告提效：150 倍。

最终产物也不再只是一个更快生成的 Excel 文件。管理者可以在可视化看板中按品牌、平台、费用项、客单价等维度筛选，并通过链接查看刷新后的结果，不必等待团队重新制作一份报告。

为什么这种模式更容易扩散

上海家化的案例显示，企业智能体更容易在满足以下条件的场景中推广：

• 工作发生得足够频繁，值得投入自动化成本；
• 业务规则能够被清楚描述，并可以通过测试验证；
• 输出结果能够与历史记录或业务预期进行核对。

物流对账正好符合这一组合。它重复、繁琐且数据量大，但并不意味着可以完全交给机器：员工仍要理解账单结构、识别异常，并判断结果是否符合业务逻辑。WorkBuddy 加速的是机械化的数据处理和计算，而不是取消领域专家的监督。

财务、HR、研发和营销也遵循同一原则：业务团队提供背景知识和判断，智能体负责把其中可重复的部分包装成能够再次运行、并在部分情况下跨团队共享的工作流。4

重点不是“替代岗位”，而是放大专家产能

因此，腾讯从这次部署中提出的观点，比“AI 将取代办公室员工”更具体，也更务实：效率提升来自业务专家定义规则、验证结果、修正例外，并将成熟流程转化为可复用的组织资产。4

这一区别很重要。聊天机器人可以提供一次性的答案，但经过测试的 Skill 能够保留企业完成某项重复工作的具体方法。当多个部门都能创建并复用工作流时，自动化的价值就不再停留在某个员工的个人实验中，而会逐渐沉淀为组织能力。

当然，上海家化的数字不能自动代表其他公司或岗位的结果。现有证据描述的是该公司部分工作流中的报告数据，并未证明所有员工的生产力都经过独立验证提升了 4.5 倍。更稳妥、也更可复制的启示是：从可衡量的重复性工作入手，让业务专家参与其中，用真实数据验证，把有效的流程共享出去。

上海家化引入腾讯 WorkBuddy 后，最值得关注的并不是“平均提效 4.5 倍”这一 headline 数字，而是它如何把 AI 从个别员工的尝鲜工具，变成跨部门运转的工作方式。

据报道，上海家化没有把 WorkBuddy 当作一个只能回答问题的通用聊天机器人，而是让各业务团队把反复发生、规则相对明确的工作拆解成流程，经过测试后沉淀为可复用的“Skill”（技能）。这样一来，原本掌握在个人手里的经验，就能变成团队乃至组织共享的工作资产。4

不过，这些效率数据来自企业案例报道，并非独立生产力审计，因此应当理解为上海家化披露或报道的特定场景结果，不能直接推导为所有员工、所有岗位都实现了 4.5 倍生产力提升。

从两个团队试点扩展到九大部门

WorkBuddy 据称于 2026 年 4 月首先在上海家化 IT 和 HR 团队试点，随后进入九大部门的日常生产流程，覆盖供应链、品牌营销、研发、财务、人力资源和 IT 等职能。公司报告称，员工平均效率提升超过 4.5 倍。4

这次扩展大致遵循了四个步骤：

1. 寻找可重复的工作。 各部门先筛选那些需要反复收集数据、核对数据、格式整理、分析或汇报的流程。
2. 把业务规则转成工作流。 熟悉业务的员工将实际操作步骤和判断规则拆开，再借助 WorkBuddy 编写脚本或创建结构化 Skill。
3. 用真实历史数据验证。 团队将输出与过去的业务记录进行比对，修正错误，并把测试过程中发现的例外情况补充进流程。
4. 复用已经验证的成果。 工作流稳定后，可以反复运行，也可以分享给其他员工或部门使用。

这意味着，AI 的落地更像一次流程再设计，而不只是安装一款软件。业务专家仍然负责判断、验收和质量控制，智能体则承担大量重复性的执行工作。

员工用它做的，不只是写材料

据报道，在最近一个月的使用统计中，67% 的用户将 WorkBuddy 用于专业业务工作，63% 用于数据处理和分析，57% 用于自动化以及运营或维护工作。7

这些数字反映的是用户使用场景占比，并不等同于每类工作节省了多少时间。

上海家化披露的应用案例包括：

• 研发： 研究化妆品原料及适用法规。
• 财务： 将报销审核规则沉淀为可重复执行的流程，并自动生成投资筛选报告。
• 人力资源： 为管理者和员工生成试用期到期提醒。
• 供应链： 自动更新多个车间的生产现场看板。
• 品牌营销： 进行消费者洞察、内容分析和营销素材生成。

品牌营销团队还据称将每周约 70% 的演示文稿式复盘改造成 HTML 页面。相比等待新的静态 PPT 被发送，这些网页可以在公司内部共享、在线更新，并通过链接直接查看。

6000 万行物流账单，如何变成可复用的技能

供应链物流对账，是这套模式最直观的案例。

上海家化的 B2C 业务覆盖天猫、京东和抖音等平台，仓储费、操作费、快递费等成本分散在七类原始账单中。过去 18 个月，相关数据累计约 6000 万行。原先依靠 Excel 完成的月度分析需要 5 至 6 个人天，数据量较大时，大文件甚至可能难以打开或处理。

供应链运营管理经理张樱拥有经济学背景，但并不会编程。她没有试图一次性让 AI 完成整个流程，而是先把每月的数据处理工作拆成更小的步骤，再让 WorkBuddy 为这些步骤生成 Python 脚本。随后，她用 18 个月的历史数据反复验证结果；测试中遇到的新规则和异常情况，则被继续沉淀到可复用的 Skill 中。

据报道，改造后的效率变化如下：

• 月度账单分析：从 2 个人天缩短至 15 分钟。
• 蝴蝶图底表制作：从 1 个人天缩短至 2 分钟。
• 可视化看板制作：从 1.5 个人天缩短至 3 分钟。
• 完整月度流程：从 5 至 6 个人天缩短至 20 分钟以内。
• 单项任务最高报告提效：150 倍。

最终产物也不再只是一个更快生成的 Excel 文件。管理者可以在可视化看板中按品牌、平台、费用项、客单价等维度筛选，并通过链接查看刷新后的结果，不必等待团队重新制作一份报告。

为什么这种模式更容易扩散

上海家化的案例显示，企业智能体更容易在满足以下条件的场景中推广：

• 工作发生得足够频繁，值得投入自动化成本；
• 业务规则能够被清楚描述，并可以通过测试验证；
• 输出结果能够与历史记录或业务预期进行核对。

物流对账正好符合这一组合。它重复、繁琐且数据量大，但并不意味着可以完全交给机器：员工仍要理解账单结构、识别异常，并判断结果是否符合业务逻辑。WorkBuddy 加速的是机械化的数据处理和计算，而不是取消领域专家的监督。

财务、HR、研发和营销也遵循同一原则：业务团队提供背景知识和判断，智能体负责把其中可重复的部分包装成能够再次运行、并在部分情况下跨团队共享的工作流。4

重点不是“替代岗位”，而是放大专家产能

因此，腾讯从这次部署中提出的观点，比“AI 将取代办公室员工”更具体，也更务实：效率提升来自业务专家定义规则、验证结果、修正例外，并将成熟流程转化为可复用的组织资产。4

这一区别很重要。聊天机器人可以提供一次性的答案，但经过测试的 Skill 能够保留企业完成某项重复工作的具体方法。当多个部门都能创建并复用工作流时，自动化的价值就不再停留在某个员工的个人实验中，而会逐渐沉淀为组织能力。

当然，上海家化的数字不能自动代表其他公司或岗位的结果。现有证据描述的是该公司部分工作流中的报告数据，并未证明所有员工的生产力都经过独立验证提升了 4.5 倍。更稳妥、也更可复制的启示是：从可衡量的重复性工作入手，让业务专家参与其中，用真实数据验证，把有效的流程共享出去。