独立站有多少重复的活儿可以AI做

截止到今天，github上最火的营销skill仓库有５万多个star。仓库里最热门的５个skill，seo-audit装了２１万次，copywriting装了２０万次，marketing-psychology和content-Strategy各１４万次，ai-seo 13万次

如果三条都能满足，就可以整个交给AI；但是只要有一条满足不了，就需要人的介入和审核，那这就是一个半自动化的流程。说实话，真正能落地的，大部分都是半自动。

拿我做Ｂ端客户背调的自动化流程来说。我要解决的问题是，将提交询盘的客户信息进行自动化背调后，把背调结果发送到负责该区域的业务员邮箱里。从而节省业务员花在背调上的时间，让他们将时间和精力投入到沟通策略，客户需求评估及后续的跟进上。

整个业务流程中，核心动作就是接收询盘，背调客户，发送邮件。

接收询盘信息是输入端，输入端字段可控且全面；发送邮件就是输出结果，邮件是否发送成功，机器能判断。所以这２个动作有标准，结果能核对，是机器的活。但是要知道，把表单信息转发到邮箱这种事，在没有大模型之前就已经能做了。

AI真正接手的，其实是中间的客户背调。而它恰恰过不了第三条：背调报告准不准，有没有编造，没有一条规则能校验，只能靠有经验的业务员去核对。所以这个流程要跑通，　一开始就离不开人类的校对。

而背调的要求，评估哪些内容，这些东西是需要人写出来的。如果公司内部都没有一套客户背调的规范，那么能给到AI的指令一定是简单的，输出的结果也一定是宽泛的，宽泛到业务员看完还得自己再查一遍。那么这个自动化流程也就没必要去做开发了。

规范和流程拆清楚了，才轮到把SOP交给AI。

继续回到刚刚的客户背调流程，核心在于大模型输出的结果准不准。拆开来讲是两个问题，第一，技术方案问题：哪个模型更适合做这个活；第二，人力评估和校对：模型输出的报告是否准确，是否存在编撰，如何通过修改提示语来优化调研结果。

前期调试是人类的活，每跑一次调研结果出来，都需要有经验的业务员核对一遍，判断AI做的调研结果对不对，提示词要怎么修改。每改一处，重新跑一遍，对着结果再改。很多背调规范里原本没写到的细节，也是在这一遍遍的核对中补出来的，前提是公司真的愿意抽一个人来做背调核对。

调试和验证通过了，这个流程也不是就可以撒手不管了。大模型每次输出的结果都会有波动，上线之后还是得定期抽查几份报告，发现跑偏了，再回头去改提示词。

看上去解决了一个天大的事，技术给业务员节省了时间。但是站在“业务员”这个岗位来说，客户背调只是他无数工作中的其中一项，他可能还有找工厂对产能，求生产排期，维护老客户，开发新客户，录入客户信息等等其他工作。

按岗位算账本身也没什么问题，5个业务员每人省下20%的时间，加起来差不多就是一个人的工作量。问题在于很多老板高估了这个比例，以为一个Skill能把一个岗位的活干掉一大半，实际上可能也就一两成。

所以，指望一个SOP，一个Skill就能优化人员的老板们，真的要认真想想：一个岗位中到底有多少内容是可以被SOP化的。

有人说了，那我找同行的Skill呗。我当然也看到过这种行业专家将自己毕生所学压入到一个Skill的先例，基于他们的过往经历，项目经验。说实话，我也很想尝试。

但是拿前面那３个标准去套一下，问题就来了。

先看第一条，信息的输入端。专家的Skill背后，是他服务过的客户，他手上的数据源和工具，还有他脑子里那些没写出来的经验，这些都是你拿不到的“隐藏信息来源”。

再看第三条，输出结果的校验。他能判断AI输出的东西对不对，你未必能。

比较稳妥的做法是，拿一单自己已经跑通的业务，让这个Skill重新做一遍，对照着看到底差在哪。差得多，就当是花时间看了一份别人的学习笔记；差得少，再考虑要不要接进自己的流程。要是仅仅因为信任就直接用他的活人蒸馏版，那等于把判断也一起外包出去了。

回到标题。下面这些是我认为可以交给AI干的活，每一条都是一个能写成SOP的具体流程。先拿前面那３个标准过一遍：

过完一遍你会发现，10项里能全自动的只有2项，而且这２项靠规则就能跑，用不用大模型都行。剩下的，都得有人在某个环节把关。出于篇幅的考虑，以下只列出大致流程，一些细节没在这里写全。

解决的问题：每拆一个品牌，都要重复查同一套数据，费时间，格式还不统一。

流程：输入品牌域名，查域名注册时间，看页面footer中有哪些渠道和营销方式，翻网页快照看SKU数量和页面结构的变化，拉Semrush的出词数量、品牌词占比和流量来源占比，查广告库里的广告启动时间和主要素材，查联盟平台的入驻时间，最后输出统一格式的底表，人工抽查关键数据。

这套调研流程使用了部分第三方数据和禁止爬虫的网站，所以一些调研动作，可能需要openclaw那样的工具进行本地操作才能实现。

解决的问题：竞品素材更新跟不上，每次都是临时去翻。

流程：固定一份竞品清单，按固定周期抓取新增素材，按卖点、素材形式、落地页打标签，人工抽查标签，输出变化汇总。

解决的问题：小语种站点内容量大，人工翻译成本高速度慢，机器翻译则生硬不自然。

流程：源语言定稿，维护一份术语表统一产品名和材质叫法，AI翻译，人工审核节日、当地政策、表达习惯这些本地化细节，然后上线。

解决的问题：SKU一多，描述写法不统一，还容易写错参数。

流程：以规格表作为唯一数据来源，并明确由谁确认；先按品类分好功能型和情绪型两套字段模板，功能型产品按材质、容量、用途、特性、功能这几个固定字段组织内容，把功能描述转换成益处信息，情绪型产品则按风格、搭配、场景、质感来写；人审参数和语气；上架。

解决的问题：测素材需要大量文案版本，人写跟不上测试的节奏。

流程：整理已经验证过的卖点清单，按各平台的字数和格式要求生成变体，人工筛选，进入测试。

解决的问题：大量重复问题占用客服时间。

流程：进入客服窗口，按物流查询、发货政策、退换货、产品使用、质量投诉分类，规则明确的类型用模板回复，例外情况转人工。

前提是先有人工客服记录了大量的重复问题。一开始就搞AI客服，只会让客户觉得冰冷无人味。

解决的问题：“我的包裹到哪了”是询问量最大、答案最固定的一类问题。

流程：拿到订单号，查物流商的轨迹，标记滞留、退回、长时间没有更新这类异常，正常件直接回复客户，异常件转人工。

解决的问题：客服邮箱里混着各种类型的咨询、询价和其他内容。没有CRM，就只能靠表格，费事又费时；有CRM，一条条去登记也很耗时间。更麻烦的是，你根本说不清哪类邮件占比最高，被问得最多的是什么，被投诉最多的又是什么。

流程：梳理客户邮件的类型，明确各个类型的判断标准，以邮箱地址为唯一索引，建立用户邮件内容概览的数据库，可以对接已有的ＣＲＭ，也可以搭建一套。只要这些邮件进入到数据库之后，就可以去做定时的结果输出，或使用智能体做临时的聊天式提问。前期要人工抽查分类准不准。

解决的问题：每天人工看后台，既不能保证每天准时去看，也不能保证异常就发生在你看之前。某些大厂在产品上线期间，甚至要求投放人员每小时在群里通报一次数据。

流程：固定一套指标，比如渠道流量、转化率、重点落地页的点击，和上一时间周期的数据做环比分析，或同比分析，超出阈值的标红，输出报告格式。

解决的问题：筛选网红和撰写开发信，这2件事在网红营销中相当费时间。大部分网红营销人员做着做着就沦为了工具人，没了激情也就离职走人了。

流程：内部先跑清楚人工流程，明确网红筛选的标准：粉丝数、互动、频道调性、网红性别、区域都是硬性指标，这部分可以交给AI。开发信的撰写是需要技巧的，别一股脑的同一模板，要根据频道内容有技巧的去修改邮件内容，才能提高回复几率。找到你们回复率高的邮件内容，让AI去学习，发出去之前人再过一遍。

你可能会发现，清单里少了TDK与技术SEO巡检。SEO中的很多工作流程的确是可以被自动化的，比如TDK检测，抓取Ｈ标签等，但在AI之前就已经有了screamingfrog，Semrush这样的工具，人家都迭代了十几年了。如果你自信到，认为没有产品开发经验的你做出的SEO自动化工具会比那些工具还要好，那我也只会夸你优秀。如果你是有着丰富网站SEO经验的人，且略懂技术，那我则十分乐意去测试你的Skill。

这些流程写在纸上看着都挺简单的，但是真跑起来你就会发现，你就会发现各种人类在执行SOP中很多无意识的处理方式也需要被流程化，程序化，比如如何处理高耦合的并行任务，完成状态的检查机制，纠错机制，异常处理等。

AI自动化能做的事情，当然不是只有我列出的那些。但是无论是我列出与否，想要自动化的前提一定是内部已经有跑通了的人工流程和形成了SOP的文档。

想知道AI到底能替掉多少活，最好的评估方式还是让从事这项业务的人理清楚他的工作流程，输入端、过程端和检查端的重要节点能不能理清楚。而不是领导一拍脑袋，就认为这事可以由AI干。