事件概述

OpenAI News 于 2026 年 10 月 20 日发布了一则客户案例：美国新墨西哥州的独立餐饮加盟商 Ted Taylor 经营着三家 Schlotzsky’s 与 Cinnabon 联合品牌门店，他使用 ChatGPT 和 ChatGPT Work 处理菜单定价、劳动力分析、排班、现金对账和后台运营等任务。

原文披露的核心结果包括：

场景 原文数据
菜单重新定价分析 从 5 天缩短到 1 至 2 小时，时间减少 95%
月度现金对账 从 3 小时缩短到 5 至 10 分钟，时间减少 94%
薪资周期 每个薪资周期节省 4 小时手工工作
劳动力流程优化 原文称最多可能释放 10 万美元年度现金流；正文给出的估计区间为每年 5 万至 10 万美元

需要说明的是，这是一则厂商发布的客户案例，不是经过同行评审的论文，也不是受控实验。原文未说明所用模型版本、系统架构、数据安全与权限管理细节，也未披露完整基线数据和统计方法。

关键技术点

1. 用结构化输入完成菜单定价分析

Ted 的定价流程不是简单向 ChatGPT 提问“该怎么涨价”，而是把定价拆成可分析的步骤：

  • 先研究和确定定价目标与策略，参考本地竞争对手价格趋势、份量、相对食品质量等因素；
  • 再提供按类别整理的菜单项目，以及当前堂食和外卖价格；
  • 明确整体涨价幅度，以及哪些品类应多涨、少涨；
  • 可进一步加入单品销售历史和供应商价格；
  • 让 ChatGPT Work 估算价格变化对销量的影响，并围绕商品成本目标优化单品定价；
  • 最终返回包含堂食和外卖建议价格的电子表格，并将调价动作与客户留存、减少价格冲击、加购产品定位等整体策略关联。

原文提到，Ted 第一次使用 ChatGPT Work 做定价时，还同步进行了人工分析。他认为 ChatGPT Work 做了更深入的本地比较，帮助他避免了一些会使部分产品失去竞争力的涨价。随后他直接改用 ChatGPT Work 生成第一版建议。

2. 以只读数据做劳动力分析

在劳动力成本分析中，Ted 给 ChatGPT Work 开通了销售和劳动力数据的只读访问权限。分析时，系统会比较排班工时、预算工时、实际工时，以及预测销售和实际销售；同时回看前 12 周，以考虑门店长期高于或低于销售预测的情况。

输出报告会标记加班、超出计划时长的班次、人员覆盖缺口，并提示管理者应重点核查的内容。这里的关键不是“AI 自动排班”，而是让模型基于业务数据生成可审查的异常报告。

3. 排班试验与规则迭代

在排班测试中，Ted 向 ChatGPT Work 提供员工名册，包括角色、培训情况、可用时间和薪资，以及门店在不同销售水平下的用工需求。他和门店经理将 ChatGPT Work 提出的排班方案与经理手工排班结果进行对比，识别出“高峰期何时增加人手”等缺失规则，再据此细化指令。

目前 ChatGPT Work 能为该门店生成完整排班表，经理检查并按需调整后，再录入餐厅排班系统。原文称，Ted 估计优化排班最终可能将小时劳动力成本降低销售额的 1 至 2 个百分点，每年增加 5 万至 10 万美元自由现金流。

4. 现金对账、薪资汇总与后台流程

月度现金对账方面，Ted 上传各门店现金交易数据和银行记录，让 ChatGPT Work 将交易与对应存款进行比对。原文称，月度对账从 3 小时降至 5 至 10 分钟。

此外，他还用 ChatGPT Work 汇总薪资输入，每个薪资周期节省 4 小时手工工作；用 ChatGPT