市场投来的线索动辄上千，销售却只有几个人。靠人工一条条看来源、判意向，一天大半时间耗在无效沟通上，真正该跟的反而被埋。更糟的是标准飘忽，今天觉得这条好，明天又换了口径。不少团队还把"量大"误当成"质优"，砸资源跟了一堆凑数的询盘。下面讲 AI 怎么把线索筛准，以及筛选时不能碰的线。
一、人工筛选的三个坑
耗时是头号难题，打开表单逐条读，效率低且容易疲劳漏看。主观是第二道坎，不同人打分相差很大，线索分配全看心情。第三是滞后，等销售反馈哪条好，热度早就过了，跟进窗口关闭。
还有一个隐蔽损耗：无效线索占着销售精力，真正高意向的客户反而响应慢，体验下滑、转化走低，形成恶性循环。
二、AI 怎么给线索打分
模型可综合来源渠道、填写完整度、咨询关键词、互动频次给每条线索算分，自动分出高、中、低意向。重复与无效线索先被过滤，销售只接已分级的清单。分数还能随成交结果回灌，越用越准。
AI 给的是优先级建议，不是成交保证。低分线索也别直接丢弃，可走低成本触达，避免误杀。
三、可落地的四步筛选法
环节一，整理历史成交线索做样本，标注哪些是真客户。环节二，让模型提炼高转化特征，形成评分规则。环节三，新线索进来先打分再路由，高分进快跟进、低分进培育。环节四，定期拿实际转化回校规则，剔除失真指标。
四、工具选型按数据量分档
线索少、表格能装下的团队，用通用工具加公式即可起步。线索过万且要实时打分，选带 CRM 对接的评分模块，省去搬数据。对数据主权要求高的，考虑私有化模型，原始资料不出内网。选型盯三点：能否解释分数、能否导出、是否留审计。
五、个人信息处理的合法性
线索里常带手机号、公司、需求等个人信息，收集与处理须有合法依据，并取得必要告知。AI 评分时尽量用脱敏字段，原始数据最小化留存。把合规当成筛选能力的一部分，而非事后补丁。
六、算法公平性的边界
模型可能学会用性别、地域等无关特征做判断，引发歧视风险。筛选规则要可解释、可复核，定期排查偏见指标。记住 AI 帮你看清优先级，但决策责任仍在团队，不能把拒绝客户全推给算法。
常见问题
问：没有历史数据也能用 AI 筛线索吗？答：可以先用手写规则起步，比如来源加关键词组合，跑一段时间积累样本，再让模型学出更细的权重。
问：低分线索就不管了吗？答：不建议。低分走自动化培育与低频触达，留好转化的余地，只把人力集中到高分上。
线索筛选的本质是把有限销售资源投到对的地方。先把评分规则跑顺、合规前提立住，效率提升才站得住脚。
