AI线索筛选怎么选？评分模型与合规边界

市场丢过来的线索，质量天差地别。销售挨个打一遍，大半是空号、错配、无意向，时间烧在无效沟通上。AI 线索筛选的价值，是用模型把"值得跟的"先挑出来，但模型怎么打分、边界在哪，得想清楚，否则错杀好线索更亏。很多团队一上来就全自动，结果好客户被埋。真正稳的做法，是让 AI 做初筛，人做终审，错杀可控。

一、线索筛选的真实痛点

量大质杂。一场活动涌来上千条线索，人工逐条判断根本不现实。分不清优劣，是线索的最大浪费。

另一个是标准飘。今天看预算，明天看行业，销售各凭感觉，跟进顺序全乱。没有统一标尺，筛选就靠运气，团队方差大。把优质线索长什么样先写清楚，是首要一步。

可设：AI 清洗重复与无效信息，AI 按规则给线索打分分层，人工跟进高分客户，AI 回收转化反馈迭代模型。AI 适合"清洗与排序"，不适合"替你定性"。

例如模型读表单与行为，给每条线索算意向分，高中低分走不同跟进节奏。模型只排顺序，是否成交仍看人。这一步留人工节点最关键。

起步：用带规则筛选的轻量工具，先按字段过滤。选型先问"你的优质线索长什么样"，再定模型。

成长：选接表单与 CRM 的评分平台，自定义权重。规模化：上带预测模型的系统，用历史成交反训。先用真实线索跑通再付费。

线索含手机号等个人信息，采集须告知授权。敏感字段加密、用途受限，不得转卖或超范围使用。

用聊天与浏览训练评分，须确认边界。合规的筛选才敢长期跑，不踩隐私红线。过期线索该清则清，别囤成负担。

模型可能按旧规律误杀新类型客户。高分低质或低分高质，需人工抽查纠偏。

AI 看的是历史模式，未必适应当下。复核不为挑错，是为让模型跟业务一起进化。建立抽查机制更稳当。

固定维度：来源加行为加画像加意向。例如"官网留资、下载过白皮书、匹配目标行业，加权高分"。把优质定义写清，模型才不乱打。

阈值设区间而非硬切，borderline 线索交人工。模板沉淀后，筛选稳定，销售只攻对的单，不再大海捞针。

问：AI 会把好线索错杀吗？

答：可能，尤其新客群。设人工抽查与灰度区间，别一刀切。先小批量验证再全量，模型才可信。机器人只辅助排序。

问：小团队要上 AI 线索筛选吗？

答：线索过三百就该自动化了。从规则过滤起步，先把无效项清掉，再谈评分。配置过重反而用不起来，先跑通再投入。

选 AI 线索筛选工具，先定义优质线索，再分档建模型。把复核权留给人，筛选才又准又稳。