營運與維護 · 實作指南
AI 評論摘要，不是一份顧客調查
區分公開評論的來源範圍、主題分類及代表性，避免把摘要當成全體顧客調查。
AAHouse 原創解說影片，採用 AI 輔助概念畫面、合成旁白及原創音樂。
英文逐字稿 · 簡體中文普通話逐字稿 · 台灣華語逐字稿 · 澳門粵語逐字稿
老闆問：大家都在抱怨嗎？
設想一家美國自行車維修店，讓 AI 彙總公開評論。摘要説“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：寫評論的人、被平台展示的評論、實際交給模型的評論，可能是三組不同的範圍。這是虛構決策場景，不是客戶案例。
- 誰寫了評論？平台顯示了哪些？
- 模型實際收到了哪些？
已接受的區域說明圖重繪，並非未經修改的原始截圖。
分析員答：先説清楚“誰”
把問題改成“本次收集的評論裏，哪些內容提到等待？”同時記錄平台、日期區間、篩選條件與評論條數。AAPOR 的調查最佳實踐強調，樣本設計影響結論能夠推廣到誰。[1] 公開評論可以提供線索，卻不能僅因數量多，就自動代表所有顧客。
- 平台｜日期區間｜篩選條件
- 評論條數 ≠ 全部顧客人數
已接受的區域說明圖重繪，並非未經修改的原始截圖。
編輯追問：模型看到了哪些？
保存經授權取得的評論原文與來源，給每條分配內部編號。要求摘要裏的每個主題附上支持編號，並抽查正面、負面和含糊表達。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。
- “等得值得” → 不自動算抱怨
- 一人重複描述 → 不算多人意見
已接受的區域說明圖重繪，並非未經修改的原始截圖。
店長再問：數字該怎樣寫？
在合成示例中，二十條評論裏六條提到等待，只能寫“本次二十條評論中有六條提及等待”，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、時間窗口和分類定義，讓同事能夠複核，而不是只留下漂亮的比例。
- 20 條評論中，6 條提到等待
- 提到等待 ≠ 對等待不滿
已接受的區域說明圖重繪，並非未經修改的原始截圖。
採購提醒：真實也不等於代表性
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。[2] 這不意味着平台上的每條評論都已通過核驗。真實性與代表性是兩道不同的問題；也不要僅憑 AI 的語氣判斷，就指控某位評論者造假。
- 真實性：這段經歷可信嗎？
- 代表性：它能説明哪些人？
已接受的區域說明圖重繪，並非未經修改的原始截圖。
下一次會議只做一個決定
把評論主題當成調查入口：先核對預約到店與完成時間，再邀請不同類型的顧客反饋。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 的價值是幫助找到值得追問的問題；是否增加長期成本，應由更完整的業務證據支持。
- 評論線索 → 核對實際等待記錄
- 小範圍調整 → 觀察後再決定
已接受的區域說明圖重繪，並非未經修改的原始截圖。