PR 数据污染（最强叙事资产反模式）
一句话定义
当产品拥有一个真实的、具体的、可感的好故事，却用无法独立核实的大数字来包装它，会导致整个叙事的可信度崩塌。
出处
Case - LinearGame Yoroll - AI原生互动影游平台 提炼 (2026-04-21)，写入 AI产品分析框架 维度 3.16。
失败路径
真实故事（具体、可复制、有情感共鸣）
↓
被套上未核实的数字
↓
数字被质疑
↓
整个故事被质疑
反模式案例
Yoroll：「一个人用一周做出宫廷权谋互动剧」是极强叙事资产。但团队把它包装成「单条百万播放」——这个数字被证伪后，连故事本身都变得可疑。
Lucius brief 红灯（2026-04-30）：DubbingAI「29% → 88%」「1 个月达成」是核心叙事数字，但已上线的 case study 页面找不到这两个具体数字——只有”团队不用看手机”的定性证言。正中本反模式。
正确做法
| 错误 | 正确 |
|---|---|
| ❌ “百万播放”（无法独立核实） | ✅ “3,607 点赞 + 44 条评论 + 71 分享”（可截图、可核实、更可信） |
| ❌ “29% → 88%“（无 case study 兑现） | ✅ “团队不用在假期看手机”（定性可感，无需大数字背书） |
核心原则
可证伪的具体故事 > 不可证伪的宏大数字
- 具体故事可以被复制 → 读者觉得真
- 大数字无法独立验证 → 读者一旦怀疑就全盘崩
- 真实故事 + 小可验证数字 = 最强组合
三个使用场景
- 审阅客户 GTM 材料：找出每个”最强故事”是否依赖一个无法核实的大数字 → 替换为可核实的小数字。
- 诊断融资 deck：宏大数字越多，越容易被尽调击穿 → 提醒客户削减大数字、增加可验证细节。
- 评估产品发布稿：媒体 brief 里的关键数字能不能在公开 case study / 产品页面找到兑现？找不到 = 红灯。
反模式典型句式
- “提升 N% 效率”（N% 怎么算的？基线是什么？）
- “百万级 / 千万级用户”（DAU / MAU？口径是什么？）
- “X 个月达成 Y”（Y 是怎么测量的？）
- “客户从 A% 提升到 B%“（A 和 B 都没法验证）
反例 / 边界
- ✅ 可截图的小数字（“3,607 点赞”）
- ✅ 可复现的过程（“一个人用一周做出第一个互动剧”）
- ✅ 第三方公开的数字（GitHub stars / App Store 评分）
- ❌ 自己声称的大百分比 / 大用户量 / 短时间增长
典型案例
- ❌ Case - LinearGame Yoroll - AI原生互动影游平台 — Yoroll “百万播放” 反模式
- ⚠️ Case - Lucius - 组织context层 — DubbingAI 数据兑现待核实