手上这五件活，哪些该交给 AI，哪些别浪费时间
判断方法只有两个维度：重复性越高越值得交，决策风险越高越需要人参与。按这两条把活分成四层，AI 在每一层的角色不同——从执行员到运营助理到分析助手，最后一层是参谋而不是决策者。要特别注意的是，越往深不是权限越大，恰恰相反，越往后人要越多地回到流程里。顺序就一句话：先交重复做的，再交按规则判断的，最后才考虑让它帮你做决策。
前面几篇，那个虚构的四人团队做通了两件活：每周广告复盘、每月毛利核对。
老板于是问了一个更大的问题：我们手上这些活，还有哪些能这么干？
判断方法只有两个维度：
重复性越高，越值得交出去；决策风险越高，越需要人参与。
顺序也就一句话：
先把重复做的交给 AI，再把按规则判断的交给 AI，最后才考虑让 AI 帮你做决策。
下面拿五件真实的活走一遍。
还是那家虚构的宠物用品团队：
小李凭感觉觉得前三件能做，后两件不行。感觉是对的，但理由值得说清楚——因为理由才是你能套到自己活上的东西。
重复性：每周一次，流程完全一样。 决策风险：低。它只是读报表写报告，什么都不改。做错了你看一眼就发现。
**这是最该先做的一类。**输入明确、算法固定、结果一眼能验。
AI 在这里的角色是执行员：你告诉它怎么算，它照着算，不需要它有任何判断。
这类活还有：库存盘点、订单数据汇总、月度报表、把一堆文件里的字段抽出来做成表。
共同点：照着算就行，不需要拍板。
重复性：每月一次，流程固定。 决策风险：中。它算出来的东西会直接影响改不改价。
比第一件难的地方在于它要按公司的规则做判断：多少毛利算低、多少天没动销算滞销、缺数据的时候怎么办。
AI 在这里的角色是运营助理：按你定的规则筛一遍，把有问题的挑出来。
但改价这个动作是人做的。原因前面那篇讲过：AI 不知道全部信息（某个亏钱的商品可能是故意亏的引流款），而且改价立刻生效、撤不回来。
这类活还有：找烧钱的关键词、找快断货的商品、找信息不全的商品页、按规则给客户分级。
共同点：要按规则判断，但产出是一份清单，动作由人执行。
重复性：每天几十封，很高。 决策风险：分类很低，回复很高。
所以这件活要拆开看，这是最值得学的一点。
分类和分流：完全可以交。把几十封邮件按类型分好、标出哪些急，人处理的顺序立刻就不一样了。做错了最多是顺序不对，改一下就行。
写回复草稿：可以交，但发送权不给它。
为什么？因为一封发出去的邮件代表店铺，客户会拿它当凭据。如果里面有一句不该有的承诺——"我们会退您 XX 元""三天内一定到"——你事后说"那是 AI 写的"没有任何意义。
尤其涉及退款、赔付、责任认定的邮件，连草稿都不该让它起，只让它把情况整理清楚给人看。因为你去改一份措辞已经定型的草稿时，会不自觉地接受它的框架。
**一件活里，不同环节的风险可以差很远。**别整件交或者整件不交，拆开判断。
重复性：每月一次，但每次情况都不太一样。 决策风险：高。补多了压钱，补少了断货掉排名。
这件活 AI 能做很多：算出每个商品的日均销量、算出按当前速度多久断货、把有风险的排出来。
但最后补多少，人定。
因为几件关键的事不在数据表里：
AI 在这里的角色是分析助手：把该算的都算出来、把风险摆出来，让人做决定的时候有依据。
注意这里发生了一个转折：活越往难处走，AI 干的分析越多，但人反而更深地回到了流程里——因为要拍板的东西变多了。
重复性：几乎不重复，可能两年一次。 决策风险：极高，而且不可逆。
这件事不该交，有三个原因：
**第一，写不出规则。**你没法写一份"什么情况下该砍品类"的说明书。它依赖对市场、对供应链关系、对团队精力的综合判断。
**第二，没法验证。**砍了之后你永远不知道不砍会怎样。而前面几篇一直在说，结果没法验证的活，自动化只是把不确定性放大了。
**第三，不重复。**为一件两年做一次的事写规则，写规则的时间比自己想还长。
它可以帮你整理信息——这个品类三年的销售趋势、毛利变化、退货率、占用的库存资金。但"所以要不要砍"这句话，得你自己说。
AI 在这一层的角色是参谋，不是决策者。
| 层级 | 特征 | 这五件活 | AI 的角色 | 人做什么 |
|---|---|---|---|---|
| ① | 高重复、低决策 | 广告复盘 | 执行员 | 验收 |
| ② | 高重复、按规则判断 | 毛利核对、邮件分类 | 运营助理 | 复核 + 执行动作 |
| ③ | 低重复、较高决策 | 补货 | 分析助手 | 拍板 |
| ④ | 低重复、高决策 | 砍不砍品类 | 参谋 | 全部决策 |
从上往下看，AI 干的活其实越来越难、越来越多。但人不是越来越闲，而是越来越关键。
这一点值得说透，因为它和很多人的预期相反。
很多人以为用 AI 的成长路线是这样的：
人工做 → AI 辅助 → AI 自动做 → 全自动
**不是的。**实际的路线是：
人工做 → AI 执行、人工检查 → AI 按规则处理、人工复核 → AI 提供分析、人做决定
每一层人都在，只是位置不一样：
越往深走，需要人判断的东西越多，而不是越少。
所以如果你发现自己的流程是"越用越放手、人越来越不看"，那多半走错了方向——那不是成熟，那是在积累风险。
拿你手上的活，每件问四个问题：
一、这件事一年做多少次？
二、我能把判断标准写下来吗？
真的打开一个文件试着写。写得出来的适合交；写到一半发现全是"看情况""凭经验"的，说明它依赖人的判断。
三、做完我能验证对不对吗？
四、做错了能撤回来吗？
**四个问题里，第二和第四最有分量。**第二个决定能不能交，第四个决定交到哪一步。
看到这三种情况，先别急着上工具：
**信号一：数据本身是乱的。**源数据口径不统一、更新不及时，自动化只会让错误结论产出得更快、看起来更正规。先修数据。
**信号二：没人负责维护。**规则会过时——平台政策改了、目标调了、模板换了。半年后它按旧标准干活，比不干还糟，因为它看起来还在正常工作。开始之前先问一句：谁负责每月看一眼这份说明书？
信号三：你自己也说不清怎么做。这种情况写规则的过程会很痛苦，但痛苦本身有价值——它逼你把没定的东西定下来。只是别指望第一版就能跑通。
回头看这四篇：
如果只带走一句话，带走这句：
先把重复做的交给 AI，再把按规则判断的交给 AI，最后才考虑让 AI 帮你做决策。
而更重要的是它的反面：决策这一层，别交。
AI 可以把所有该看的都看一遍、把依据摆到你面前，这已经很有价值了。但按下那个按钮的，应该一直是你。
跨境运营的活是没有尽头的——一个类目有一个类目的算法，一个平台有一个平台的坑，今天解决了广告和毛利，下个月又会冒出新的重复劳动。
所以这个系列不会有「完结篇」。它的组织方式就是前面那个梯子：
| 层级 | 特征 | 已经写过的 | 后面会写的 |
|---|---|---|---|
| ① | 高重复、低决策 | 广告复盘 | 库存盘点、订单汇总、合同和政策文件的字段抽取 |
| ② | 高重复、按规则判断 | 毛利核对 | 客服邮件分流、滞销与断货预警、商品页信息缺失核查 |
| ③ | 低重复、较高决策 | — | 补货测算、广告预算分配、活动优先级 |
| ④ | 低重复、高决策 | — | 只做参谋：品类去留、定价策略、要不要进新市场 |
每一篇都是一件具体的活，都会按同样的结构写：这件活原来怎么做、交出去踩了什么坑、跟着做的步骤、怎么验收、哪一步必须人来。
你可以只挑和自己相关的看，不用从头读。但建议按顺序做——**先在第①层成功一次，再往上爬。**跳过第①层直接去做第③层的活，多半会失败，而且失败了你分不清是方法不对还是这件活本来就不该交。
如果你还没开始，就从第一篇那件事开始：挑一件你每周都要重复做、有明确数字、做完自己能验的活。
多数跨境团队，这件事会落在报表分析上。
跑通之后记四个数：原来多久、现在多久、错了几次、哪一步仍然必须你自己判断。
最后那个数最重要——它会告诉你下一步该往哪走，以及哪一步永远不该交出去。
这个系列后面的选题，一部分会直接来自读者的实际问题。
如果你手上有一件活拿不准该不该交给 AI，把这三件事发过来就够：
这三件事正好就是判断能不能交出去的三个条件，你写的过程中多半自己就有答案了。
我会挑典型的写成文章——判断它属于哪一层、该怎么交、哪一步必须你自己来。涉及店铺的具体信息一律脱敏，不会出现店名和真实数字。
联系方式在关于页面。
下一篇
没有了
两件活做下来会发现动作是一样的，只是内容不同：建个文件夹、放资料、写说明书、说一句话、自己验收。这五件事换哪个工具都成立，各家只是叫法不同——说明书的文件名不一样，但里面写的东西可以直接复制。真正要重新学的只有一块：它能碰到什么、什么时候停下来问你。所以你花在写说明书上的时间不会浪费，那是你自己的东西，不是某个工具的。
作者
大阪烧鸟
大阪烧鸟，关注 AI 在跨境电商运营中的实际应用、Shopify 独立站与日本商业观察，偏爱把复杂问题拆成可执行的方法。
