設想一間美國單車維修店，叫 AI 彙整公開評論。摘要話「顧客最在意等候時間」，老闆就想加人手排班。先唔好當呢句係調查結論：寫評論嘅人、平台展示嘅評論，同真正交畀模型嘅評論，可能係三組唔同範圍。呢個係虛構決策情景，唔係客戶案例。

將問題改成：「今次收集嘅評論入面，邊啲內容提到等候？」同時記低平台、日期範圍、篩選條件，同評論數目。AAPOR 嘅調查最佳實務強調，樣本設計會影響結論可以推廣到邊啲人。公開評論可以提供線索，但唔會因為數量多，就自動代表所有顧客。

保留經授權取得嘅評論原文同來源，幫每則評論分配內部編號。要求摘要每個主題，都附上支持嗰個主題嘅編號，再抽查正面、負面同意思含糊嘅表達。唔好將「等得值得」當成抱怨，亦唔好將同一個人重複講嘅一次經歷，當成幾位顧客嘅獨立意見。

喺合成例子入面，二十則評論有六則提到等候，只可以寫「今次二十則評論入面，有六則提到等候」，唔可以寫「三成顧客唔滿意」。提到唔等於唔滿意，評論亦唔等於顧客。保留分母、時間範圍同分類定義，等同事可以覆核，而唔係淨係留低一個好睇嘅比例。

FTC 嘅消費者評論規則，喺二〇二四年十月二十一日生效，針對包括虛假評論喺內嘅欺騙做法。呢個唔代表平台每則評論都已經通過核實。真實性同代表性，係兩個唔同問題；亦唔好單憑 AI 對語氣嘅判斷，就指控某位評論者造假。

將評論主題當成調查起點：先核對預約到店同完成時間，再邀請唔同類型嘅顧客畀意見。如果真係發現等候集中喺某個時段，就試行小範圍排班調整，再觀察結果。AI 嘅價值，係幫人搵到值得追問嘅問題；係咪增加長期成本，應該有更完整嘅業務證據支持。