9 月 3 日，OpenAI 发布了最新的 GPT-6 Astra。

我这边刚看到的时候也挺兴奋，Plus 账号试了两次，额度很快就见底了。后来又看了不少测评案例，说实话，能力提升确实不是一点点。

但今天我不想聊 GPT-6 Astra 到底有多强。

我更想聊聊，这几年我到底是怎么用 AI 的，它又真正帮我干了哪些活。

我之前写过 5 年 Java，现在做电商运营，这个跨度其实挺大的。

但一点也不影响我折腾 AI。

1、我不再追着每个新模型跑了

2023 年 ChatGPT 特别火的时候，我就充钱买了会员，拿它写公众号做副业。后来这种玩法越来越多，平台开始限流，我也就没继续做下去。

再后来，它慢慢变成了我的搜索工具。

工作里遇到问题，我第一反应不再是打开搜索引擎，而是先问 AI。还真别说，大部分时候确实挺省事。

这几年模型更新得太快了。

隔一段时间就有一个新模型出来，搞得很多人越来越焦虑，生怕少学一个功能就跟不上了。

其实吧，如果不是真的喜欢研究 AI，没必要追得这么勤。

我反而觉得，应该先把自己的工作研究明白。

同一个模型、同一个 Agent，放在不同的人手里，效果可能完全不一样。自己的业务流程和成本口径都说不清楚，AI 再强也很难把事情做好。

最多就是图个新鲜。

2、公司已经把 AI 用进了三件事

我们公司是做电商运营的。

前段时间，公司为了跟上这一波 AI，直接把“会使用 AI”纳入了 KPI。抽查的时候不会用，还要被罚。

这个消息下来以后，我对 AI 的态度也变了。

以前更多是因为兴趣，什么新就玩什么。现在我研究的是另一件事：它到底能给我的工作带来什么帮助？

公司目前已经落地了三个场景。

第一件事，做商品主图和详情页。

我们现在包括美工在内，都会使用 ChatGPT 做商品图。至少在我们团队里，它是用得最多、也比较顺手的一个。

一般先把商品实拍图上传进去，然后把产品信息、卖点和图片要求说清楚。

我常用的指令大概是这样：

我们是卖 XXX 的。基于上传的实拍图制作一套电商图片，保持商品主体、结构、颜色和材质一致。需要 5 张 1:1 主图和 8 张 9:16 详情图，展示核心卖点、功能、材质细节和使用场景。每次只生成一张，不要拼在一起。

AI 做完以后，再根据实际效果一张一张调整。

它还不能一次生成就直接用，但已经省掉很多构图和找素材的时间。

第二件事，给客户做运营规划 PPT。

这个是最近才开始实施的。

我们先分析店铺，把核心数据截图和运营规划一起交给 WorkBuddy。

但我不会一上来就让它直接生成 PPT。

我先让它读完资料，确认对店铺现状的理解，再列出 PPT 大纲：多少页、每页讲什么、数据放在哪里。

大纲确认没问题，才让它继续做。

这样做出来的 PPT 基本不会跑得太偏，最后人工改一改，就可以拿去给客户汇报。

第三件事，搭建 ima 运营知识库。

我们做不同电商平台，这些年积累了不少方法论，也踩过很多坑。

以前这些东西大多装在个人脑子里。运营换个人，很多经验就得重新摸索。

所以老板让大家把运营经验、常见问题和处理方案写下来，统一放进 ima 知识库。遇到记不住的问题，可以直接搜索。

当然，搜出来的答案也不能全部照着做。

AI 多少还是会有幻觉，最后必须结合平台规则和店铺实际情况判断。

接下来我们还准备研究用 Codex 盯直播投流，自动整理数据和生成复盘。这个目前还在测试。

3、我自己最常用的三种玩法

除了公司统一推动的这些事情，我自己也在不断找可以交给 AI 的活。

给大家分享三个我现在真的在用的场景。

玩法一：计算店铺月度盈亏。

每个月月初，我都要帮客户核算上个月到底赚了多少钱，还是亏了多少钱。

拿拼多多来说，我会准备三类资料：订单数据、商品成本表和投流数据截图，然后全部交给 Codex。

我不会让它拿到文件就直接算，而是先把口径说清楚：商品规格匹配成本表 SKU，商家实收减去商品成本，再减去推广费用。

特殊商品再补充规则。比如南瓜子使用单独的成本表；找不到完全一致的 SKU，就按克数、袋数和口味匹配。

规则说完以后，我先让 Codex 复述一遍它的理解和操作步骤。

我确认没问题，它才开始计算。

最后不光能算出结果，还能整理一份 Excel 核对表。收入、成本和匹配关系都能查，拿去给客户交差也没问题。

玩法二：开发自己需要的小工具。

我以前是后端程序员，不怎么会写前端。

放在以前，我有一个工具想法，光是页面就能把我劝退。现在有了 AI，我反而可以肆无忌惮地手搓各种小工具。

我的流程一般是这样的：

先跟 ChatGPT 把想法聊明白，整理成需求文档，再让 Codex 去 GitHub 找有没有能复用的开源项目。

能找到，就在现有项目上改。

找不到，就先把 UI 页面做出来。页面确认以后再开发功能，最后测试和修改 Bug。

这套流程未必标准，但对我很好用。以前做不了的东西，现在至少能先做出一个能跑的版本。

玩法三：把重复劳动直接丢出去。

工作里经常有一些事情，技术含量不高，但特别耗时间。

比如平台要求的视频尺寸不一样，一次又有很多条视频需要处理。以前只能导入剪映，一个一个调整，想想都累。

现在我会直接交给 WorkBuddy 批量处理。

这种活最适合让 AI 来干。它不一定多么惊艳，但确实能让我少做很多机械操作。

4、AI 不是交出去就不用管了

上面这些案例听起来都挺顺，但实际使用没有那么神。

做图时，AI 可能改掉产品细节；做 PPT 时，它可能误读数据；算利润时，一个 SKU 匹配错了，结果都会跟着错。

所以我现在最看重的，是有没有把业务规则讲清楚，有没有设计人工确认的步骤。

先让它理解，再让它列计划，确认以后再执行，最后人工复核。

这个流程看起来多了一步，实际上能少返工很多次。

AI 可以帮我处理数据、整理材料、生成图片、写代码，但哪些数据能用、成本怎么算、方案能不能落地，还是得靠自己判断。

业务不熟，这些判断就做不了。

5、写在最后

我不知道未来 AI 会发展到什么程度。

但我越来越确定一件事：未来真正有优势的人，不一定是最懂 AI 的人。

更可能是那些把自己的业务研究得足够明白，同时知道怎么让 AI 帮自己放大能力的人。

所以比起天天盯着又发布了什么新模型，我现在更愿意研究自己的工作。

哪些步骤最浪费时间？哪些数据可以自动处理？哪些重复劳动可以交出去？哪些判断必须握在自己手里？

这些问题想明白了，AI 才不只是一个拿来聊天和测试的新玩具。

它才真正开始替你干活。

你现在最想让 AI 替你干掉哪件重复工作？欢迎在评论区聊聊。