設想一家美國自行車維修店，讓 AI 彙整公開評論。摘要說「顧客最在意等待時間」，老闆便想增加排班。先別把這句話當成調查結論：撰寫評論的人、平台顯示的評論，以及實際交給模型的評論，可能是三組不同的範圍。這是虛構的決策情境，不是客戶案例。

把問題改成「本次蒐集的評論中，哪些內容提到等待？」同時記錄平台、日期區間、篩選條件與評論則數。AAPOR 的調查最佳實務強調，樣本設計會影響結論能推廣到哪些人。 公開評論可以提供線索，卻不能只因數量多，就自動代表所有顧客。

保存經授權取得的評論原文與來源，並為每則評論分配內部編號。要求摘要中的每個主題附上支持該主題的編號，並抽查正面、負面與含糊的表達。不要把「等得值得」算成抱怨，也不要把同一人重複描述的一次經歷，當成多位顧客的獨立意見。

在合成範例中，二十則評論裡有六則提到等待，只能寫「本次二十則評論中有六則提及等待」，不能寫「三成顧客不滿」。提及不等於不滿，評論也不等於顧客。保留分母、時間範圍與分類定義，讓同事能夠複核，而不是只留下漂亮的比例。

FTC 的消費者評論規則於二〇二四年十月二十一日生效，針對包括虛假評論在內的欺騙性做法。 這不代表平台上的每則評論都已通過查核。真實性與代表性是兩個不同的問題；也不要只憑 AI 對語氣的判斷，就指控某位評論者造假。

把評論主題當成調查的起點：先核對預約到店與完成時間，再邀請不同類型的顧客回饋。若確實發現等待集中在某個時段，就試行小範圍排班調整並觀察結果。AI 的價值是協助找出值得追問的問題；是否增加長期成本，應由更完整的業務證據支持。