负责人想知道，哪一个市场更值得增加家居收纳产品的库存。分析人员把客服和购买咨询交给 AI，模型发现美国的尺寸适用问题最多，于是建议优先补货美国。它也许正确描述了文件，却没有回答企业真正的问题。买过以后来求助的人，和下单之前来咨询的人，不是同一种需求观察。
两种来源，也能拼出一个看似有说服力的排名
以下数据及结论均为虚构教学设定。 不涉及真实客户资料、市场调查或 Aright 营销项目。
某零售商保留了同一期间的 120 条消息。假设其获授权使用的内部对应记录，能把 80 条美国售后消息关联到 50 名不同客户，把 40 条新加坡售前咨询关联到 20 名不同人士，两组没有重合。“适用性”是复核人员定义的主题，并不代表购买或退货事件。
| 保留的来源 | 消息数 | 提及适用性的消息 | 记录中的不同人士 | 至少提过一次适用性问题的人 |
|---|---|---|---|---|
| 美国售后客服 | 80 | 48 | 50 | 28 |
| 新加坡售前咨询 | 40 | 12 | 20 | 9 |
| 文件合计 | 120 | 60 | 70 | 37 |
这里能对应到不同人士，是案例明确给定的条件，不代表企业可以随意识别客户、拼接系统。真实分析须有适当目的、合法授权，并保留无法对应记录的不确定性。
一段故意写错的候选总结是：
美国的适用性需求比新加坡强一倍：美国消息中有 60% 讨论适用性，新加坡只有 30%。建议美国库存增加 50%。
两个百分比算对了：48÷80＝60%，12÷40＝30%。但结论改变了它们的含义。它们是选定消息里某个主题的比例，不是想买产品的人占多少，更不能直接估计未来订单。
去掉重复消息，还没有解决抽样问题
按照不同人士重算，文件内部的比例变成美国 28÷50＝56%，新加坡 9÷20＝45%。它们依然不是市场需求。美国这组先买过，又联系过客服；新加坡这组则在购买前提出问题。看懂页面直接购买的人、从没看到页面的人、去别处买的人，以及安静离开的人，都不在这里。
企业还不知道两个市场各有多少符合条件的商品浏览者，也不知道广告覆盖、语言选择、求助入口和客服处理方式，是否让某一组更容易留下记录。按人去重，减少了重复计算，却没有使两种收集方式变得可比。
即使主题分类完全正确，也不能从文字里恢复缺失的人群。更精细的聚类，可以让文件描述更好看，却不一定让市场推断更可靠。
补充平台数据时也一样。Google 的 Search Console 查询文档说明，接口返回主要数据行，并不保证包含全部行。这些数据反映特定网站在所选查询条件下观察到的搜索流量，不能直接代表整个市场。缺少一行记录，不应被改写成某个市场没有人关心这个问题。
保留有用发现，但别把它写成市场排名
比较可靠的分析结论，可以写成：
观察到的情况： 保留的美国售后记录中，50 名已对应客户里有 28 名至少提过一次适用性；新加坡售前记录中，20 名已对应人士里有 9 名。这是两种不同的联系群体。
值得追问： 对哪个产品、哪个页面版本，客户在哪一步看不懂测量或适用条件？
尚未证明： 两国需求强弱、全体买家中的发生比例、退货原因，以及增加库存的价值。
行动： 分别检查两类来源中的适用性问题。库存建议暂不由主题数量决定，等待可比较的经营证据。
这样并没有因为样本不完美，就把整份分析扔掉，而是给已有观察安排了一个合适用途。
美国这一支，应检查订单款式、使用说明及客户当时看到的页面。收货后问尺寸，可能是尺寸说明不清、发错货、用途超出给定条件，也可能只是希望确认。不同解释对应不同处理。新加坡这一支，则应看咨询者下单前还缺什么信息。不能把两组都塞进同一个“市场偏好”的故事。
把 AI 用在可以核对的不确定性上
AI 可以提出主题，并找出支持某个分类的候选原文。前提是先讲清分类含义。一个“适用性”标签，可能混入尺寸、材料偏好、发错货和安装问题。保留模型为什么提议该标签的原文，让复核人员可以不同意，也可以暂不分类。
少量双人复核能够暴露标签混乱，却不能证明普遍准确率。NIST 的生成式 AI 风险文件提醒，不要把狭窄评估外推为普遍能力。在这里，分类是否可靠，与数据能否回答市场问题，是两项不同的检查。
如果下一步确实要比较市场，先定义要比较的结果：合适咨询、完成订单、扣除相关成本后的收入贡献，还是其他指标。再围绕相同产品、报价、期间和可观察覆盖，设计尽量可比的收集方式，并记录无法对齐之处。即使如此，结论也可能只适用于企业触达的人群，而非整个市场。
新的合适测试可以改变投资决定；重写旧提示词，不能凭空补出覆盖和销售证据。眼下更合理的决定，是查清适用性障碍，为后续配置库存补充依据。