周一开电脑，新一批商品标题已经铺在表格里。句子通顺，关键词也都在，却像另一家同款店写的。客服首次回复快了一截，却把退货窗口说成了另一套口径；详情页把功能参数顶到最前面，真正想打的使用差异反而挤到了第三屏。
活是干快了。店开始不像自己。
问题通常不是“该不该用 AI”，而是把两种完全不同的工作一起交给了模型：一种是可重复、可抽检、写错了能改回去的生产活；另一种是说出口就要担责的决定。
更稳的分工标准，不是 AI 会不会写，而是这一步出错以后，伤的是口吻，还是信誉和钱。
先分清：生产活和担责活不是一回事
资料摊平、规格提取、多语言初稿、标准问答，失败后多半是改稿。卖点取舍、定价、退款例外、投放预算，失败后会变成错承诺、错价和真金白银的损失。
开工前，把资料、内容、客服、投放逐项标成三类：
- 可交 AI：有明确输入，结果可以抽检，出错能够回滚。
- 必须人定：涉及品牌立场、对客承诺、价格和预算。
- 先抽检再决定：暂时说不清风险的环节，默认不直接上线。
标错了就先停，不进入对客，也不改价。这是人机分工的闸门，不是一张“AI 功能清单”。
第一步从商品资料开始，而不是全站自动化
独立站最容易先乱的，往往不是广告文案，而是商品资料。规格、属性、尺寸和包装信息散在表格与供应商文件里，AI 很适合把它们摊平成可修改的底稿，也适合先出多语言草稿。
但三件事必须由人签字：
- 卖点顺序：这款商品最应该先讲什么；
- 目标人群：它到底卖给谁；
- 合规表述：哪些认证、功效和承诺不能写死。
可以先选一个品类、约 10 个 SKU，让 AI 只整理属性和多语言底稿；人工抽 3 条，对照源数据检查规格、卖点顺序与承诺表述。只要有 1 条规格对不上，或出现未授权承诺，这一批就收回，不扩到全站。
内容和客服可以提速，承诺必须由人收口
周更文章、邮件主题、社媒提纲，都可以让 AI 从空白写到“可修改”。但提速应停在可修改，而不是直接发布。
内容抽检只看三件事：
- 口吻还像不像本店；
- 有没有把别的品类卖点串进来；
- 有没有把未证实的效果写成确定句。
不过关，这一批就不进发布日历。
客服也要切开。物流节点、尺码测量、包裹进度，可以根据 FAQ 生成首次回复；退款、质量投诉、折扣承诺与政策例外，只让 AI 归纳顾客原话和历史工单，最终口径由人决定。
一旦顾客提到退款、质量或例外审批，工单就升级到人工。模型不得直接给出金额、时限或责任认定。
AI可以整理异常，但不能替你改价和预算
转化下降、某个 SKU 退货抬头、某条广告花费异常，AI 可以负责归纳：哪些指标偏离近期节奏、哪些工单在重复、哪些商品值得拿出来核对。
但加减预算、砍品和改价，仍由人拍板。摘要能减少漏看，却看不全季节变化、真实库存和广告账户约束。把摘要误当成动作，比漏看一行数据更危险。
明天怎么试：只圈一小块，写死停止条件
别一上来替换全站。只选一个品类的资料草稿，或一种客服场景，例如尺码咨询的首次回复，然后写一张试跑卡：
- 试哪一块；
- 样本多少；
- 抽检几条；
- 怎样算通过；
- 谁负责签字；
- 失败何时停止；
- 如何回滚到稳定版本。
试完只做三个决定之一：扩大、调整抽检、撤回。不要顺手把定价、投放和整条内容日历一起换掉。
人机分工闸门、抽检标准和试跑卡，本质上是同一件事的三面：先分清生产活和担责活，再用小样本证明这一段确实交得出去。交不出去就收回。
效率可以更快，店还得像自己。