Ted Taylor 在半导体行业工作了 25 年后进入餐饮业，如今是新墨西哥州三家 Schlotzsky’s 和 Cinnabon 联合品牌餐厅的独立加盟商。经营快餐店除了面对顾客，还要处理菜单定价、排班、设备维护、政策合规等大量后台事务。他用 ChatGPT Work 来加速这些工作。

调价原本是每年一次的大工程，需要综合分析配方成本、菜品热度、本地竞对价格、分量，以及堂食和外卖的不同经济模型。Ted 用 ChatGPT Work 把这些因素整合起来，得到定价建议的时间从 5 天缩短到 1-2 小时，调价时间减少 95%。具体做法是：先让它基于竞对价格、分量和食品质量制定定价目标与策略，再输入分类菜单、当前价格和期望涨幅，还能加入菜品销量和供应商价格，最终返回一张推荐价格表，并关联到客户留存、价格冲击、套餐定位等经营目标。第一次使用时他同时手动跑了一遍分析，发现 ChatGPT Work 的本地比较更深，帮他避免了一些会让菜品失去竞争力的涨价，随后就切换到以它为主。

劳动力管理方面，Ted 给了 ChatGPT Work 销售和劳动数据的只读权限。它能对比排班、预算、实际工时与预测/实际销售，回顾过去 12 周，标记加班、超长班次和覆盖缺口。排班测试中，他提供了员工名册（角色、培训、可用性、工资）和不同销售水平下的人员需求，与管理员的排班比较后，补充了忙时加人的规则。现在 ChatGPT Work 能生成完整排班，管理员检查调整后录入排班系统。Ted 估计更好的排班最终能降低每小时劳动成本 1-2 个百分点，每年可能释放 5 万到 10 万美元的自由现金流。

后台事务也被大幅压缩。新墨西哥州要求餐厅制定书面体液事故处理程序时，ChatGPT 约 30 秒写好了草稿；员工手册需要的社交媒体政策，外部 HR 公司审阅后没有提出修改。每月现金对账原本要 3 小时，现在上传现金交易数据和银行记录，ChatGPT Work 对比交易与对应存款，5-10 分钟就能完成，节省约 94% 的时间。每个工资周期还减少了 4 小时手动工作。他还用 ChatGPT Work 建了一个网页门户，让员工申请物资或维修，通过专用邮箱通知并跟踪状态。

Ted 的使用方法很直接：给 ChatGPT Work 与他做决定时相同的数据和规则，比较它的输出和自己的做法，确认可靠后再逐步扩展到更多任务，实施前始终会审查。对小型企业主来说，这不仅是省时间，而是能做一些本来会跳过的分析，把精力放到客户、员工和业务增长上。