设想一家美国自行车维修店，让 AI 汇总公开评论。摘要说“顾客最在意等待时间”，老板便想增加排班。先别把这句话当成调查结论：写评论的人、被平台展示的评论、实际交给模型的评论，可能是三组不同的范围。这是虚构决策场景，不是客户案例。

把问题改成“本次收集的评论里，哪些内容提到等待？”同时记录平台、日期区间、筛选条件与评论条数。AAPOR 的调查最佳实践强调，样本设计影响结论能够推广到谁。 公开评论可以提供线索，却不能仅因数量多，就自动代表所有顾客。

保存经授权取得的评论原文与来源，给每条分配内部编号。要求摘要里的每个主题附上支持编号，并抽查正面、负面和含糊表达。不要把“等得值得”算成抱怨，也不要把同一人重复描述的一次经历，当成多位顾客的独立意见。

在合成示例中，二十条评论里六条提到等待，只能写“本次二十条评论中有六条提及等待”，不能写“三成顾客不满”。提及不等于不满，评论也不等于顾客。保留分母、时间窗口和分类定义，让同事能够复核，而不是只留下漂亮的比例。

FTC 的消费者评论规则于二〇二四年十月二十一日生效，针对包括虚假评论在内的欺骗性做法。 这不意味着平台上的每条评论都已通过核验。真实性与代表性是两道不同的问题；也不要仅凭 AI 的语气判断，就指控某位评论者造假。

把评论主题当成调查入口：先核对预约到店与完成时间，再邀请不同类型的顾客反馈。若确实发现等待集中在某个时段，就试行小范围排班调整并观察结果。AI 的价值是帮助找到值得追问的问题；是否增加长期成本，应由更完整的业务证据支持。