中午十一点半，后厨在备料，前台一边接电话一边回昨晚的差评，老板在改下周的套餐海报。小餐馆的日常就是这样被切碎的：没有一件大事，全是几十件小事挤在一起。AI 在这类场景里能帮上的，恰恰是这些碎活——写描述、回评价、想活动。但哪些该交出去、哪些交出去会出事，得先说清楚。
被切碎的时间，才是能省下来的部分
算一笔账：一条差评回复认真写要十分钟，一天三条就是半小时；一道新菜的描述改三版要二十分钟；节日活动的文案加配图，一晚上就没了。这些时间单独看都不长，加起来却正好是老板本可以用来试菜、巡店、和熟客聊两句的那部分。
AI 在这类任务上的特点是：从零到六十分很快，六十分到八十分还得自己改。所以判断标准很简单——这件事做到六十分够不够用。菜单描述、活动文案、常规好评回复，六十分就够；涉及食品安全、价格承诺、顾客投诉处理，六十分远远不够。
三件事的排序：先菜单，再评价，后活动
为什么是这个顺序。菜单和菜品描述是长期资产，改一次能用很久，而且直接影响到店和外卖的点击；评价回复是高频重复，模板化之后边际成本趋零；活动策划是一次性的，效果依赖执行，AI 只能给方向。按「复用次数除以投入时间」排，顺序自然就出来了。
反过来做也能做，但性价比低。先做活动，做完一场就过去了，下次还得重来；先做评价，如果菜品和定价还没稳定，回复里说的话和实际体验对不上，反而更糟。顺序错了不会立刻出问题，但会在两三个月后集中显形——评价里开始出现「和描述不符」。
到店与外卖，两个场景的边界不一样
把具体动作拆开看，哪些能交出去、哪些不能，一目了然：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 菜品描述 | 把食材、做法、口感、份量写具体 | 替你确认这道菜到底是什么味，写出来对不上实物就是虚假宣传 |
| 套餐搭配 | 按价格带和人数给出几种组合建议 | 判断后厨产能与出餐速度，配出来的套餐可能根本做不出来 |
| 评价回复 | 把差评按原因归类，给出回应的框架和开头 | 替你在没有改进的时候道歉，客人看的是第二次体验 |
| 活动文案 | 出主题、规则、海报文案的多个版本 | 把折扣力度和成本算平，活动亏不亏得自己核 |
| 图片素材 | 修图、生成氛围图、做海报底图 | 拿生成图冒充实拍，菜品图与实物不符是投诉高发点 |
最容易出事的是顾客第一眼看到的那两样。文案和图片是顾客下单前唯一能看到的东西，一旦超出实物，性质就从「写得不好」变成「误导」，平台处罚和差评会一起来。
菜品描述写具体，比写漂亮有用
「色香味俱全、回味无穷」这类词，顾客扫一眼就跳过，因为每家都这么写。有用的是可验证的信息：主料多少克、辣度几档、是不是现做、大概等多久、适合几个人吃。让 AI 写的时候，把这些参数一起给它，出来的东西才有信息量。
这里有个反常识的点：描述长不一定好。外卖列表页能展示的字数有限，前十几个字决定点击，所以核心卖点要放在最前面。让 AI 一次生成五版，每版把不同的卖点提到句首，再挑一个，比让它写一版「完美的」效率高得多。这类把要求拆成具体约束的写法，提示词的基本结构里有更系统的说明。
差评回复里，AI 最容易帮倒忙的地方
模型的本能是把话说圆满，落到差评回复上就变成两种毛病：一是过度解释，把责任推给供应链、天气、客流；二是空泛承诺，「已加强培训」「将持续改进」这类句子，顾客一年能看到二十遍。两种都会让围观的人觉得这家店在敷衍。
更麻烦的是编造。让 AI 写「我们的牛肉来自某某产区」，它可能顺着语气编一个听起来很专业的地名，而店里用的根本不是这个货源。模型编造细节的机制决定了它不会主动标注「这句是猜的」，所以凡是涉及产地、工艺、资质、检验的表述，必须逐条核对。
能交给它的部分其实很窄：把差评按原因归类（口味、等待时间、服务态度、分量、卫生），统计哪类最多，给几个回应的开头。剩下的判断——这次要不要免单、要不要回访、要不要改流程——只能自己做，因为这些决定牵涉成本和长期关系。
省下来的时间，该投到哪
AI 省下的时间如果又拿去刷手机，等于没省。合适的去处有三个：试菜，把顾客提到的口味问题在实际出品上验证一遍；看数据，翻一遍外卖后台的复购率和差评关键词；和熟客说话，问一句「上次那道菜怎么样」。这三件事它替不了，但它们才是决定生意的东西。
预算上也别急着付费。多数工具都有免费额度，先用一个月把菜单描述和评价回复跑一遍，看省下的时间值不值这个钱，再决定要不要升级，免费额度怎么分配里有更细的思路。
速查：小餐馆落地 AI 的顺序与红线
- 先改菜品描述，再统一评价回复，最后做活动文案
- 给 AI 的参数越具体，写出来的东西越像自家菜
- 产地、工艺、资质、检验类表述必须逐条核对
- 图片和文案不能超出实物，这是处罚高发区
- 省下的时间用来试菜和看数据，不用来省事
