AQL（AI 合格线索）是什么：AI 时代的新线索概念

随着 AI 走进获客和销售的第一线，线索分层的语言也在更新。在 MQL、SQL 之外，越来越多团队开始讨论一个新词——AQL。

AQL（AI Qualified Lead，AI 合格线索）是指经 AI 辅助评估、或在 AI 自动触达后被判定为合格、值得人工跟进的线索。 它把过去依赖人工经验的初筛工作，交给 AI 用更丰富的信号、更快的速度和更一致的标准来完成。

AQL 的核心定义

AQL 的关键不在于”又多了一层标签”，而在于判定方式的升级。传统线索分层主要靠规则引擎或人工逐条判断，受限于人力和经验，往往要么太慢，要么标准不一致。AQL 强调由 AI 来承担这道判断：

• AI 综合分析画像、行为、对话等多源信号
• AI 给出质量评分或合格与否的判定
• AI 可在自动对话、自动外呼后，进一步确认意向再判定

因此一条 AQL，意味着”AI 看过这条线索的整体情况，认为它值得人工销售投入时间”。

AQL 与 MQL、SQL 的关系

AQL 并不是要取代 MQL 和 SQL，而是嵌入到这套体系里，用 AI 把其中的判定环节做得更强。下面用对照表理清三者关系。

维度	MQL	AQL	SQL
全称	市场合格线索	AI 合格线索	销售合格线索
判定方	市场团队（规则/人工）	AI（辅助评估/触达后判定）	销售（人工沟通确认）
主要依据	画像匹配 + 行为信号	多源画像 + 实时行为 + 对话内容	需求确认 + 决策确认
速度与规模	受人力限制	快、可规模化、标准一致	一条一条人工判断
成熟度	初筛通过	介于初筛与销售确认之间	销售确认值得深度跟进

可以这样理解它们的位置：

原始线索
   ↓ AI 综合判定（画像+行为+对话）
AQL（AI 合格线索）
   ↓ 人工复核 / 销售接触
SQL（销售合格线索）
   ↓ 深度挖掘
商机

在很多团队的实践中，AQL 既可以看作用 AI 重做的 MQL，也可以在 AI 完成自动触达、确认了真实意向后，成为比 MQL 更成熟、更贴近 SQL 的存在。它的具体位置，取决于你让 AI 参与到哪一步。要先把 MQL 与 SQL 的边界理清，再叠加 AI，可参考MQL 与 SQL。

AI 如何参与线索判定

AI 参与线索判定，通常体现在三个层面，信号越完整，判定越可靠。

第一层：画像评估。 AI 对接多源数据，判断线索的行业、规模、职位是否匹配目标客户，相当于自动完成”画像匹配”这一关。

第二层：行为分析。 AI 实时跟踪线索的访问路径、停留时长、内容下载、回访频次等，识别意向强度，而不是只看单一动作。

第三层：对话理解。 当 AI 参与在线咨询、自动外呼或消息互动时，可以从客户的回答里识别需求是否明确、是否提到预算、是否是决策角色，这是传统打分难以覆盖的维度。

AI 把这三层信号加权，给出质量判断或评分。关于评分维度与权重的设计逻辑，可参考线索评分怎么做。

信号层	AI 能力	输出
画像	数据匹配	是否符合目标客户
行为	轨迹分析	意向强弱
对话	语义理解	需求与决策线索

这里有个容易被忽略的细节：三层信号的可信度并不相等。画像是”你是谁”，行为是”你做了什么”，对话是”你亲口说了什么”。越往后越贵、越难伪造，权重也应该越高。一个常见的翻车场景是——某条线索职位写着”采购总监”、公司是行业头部，画像分拉满，销售兴冲冲跟进，结果对方只是来抄方案的。反过来，一个用小微企业邮箱注册、画像平平的人，在自动对话里直接说”我们下个月要上线，预算 8 万，我说了算”，这条线索的真实价值远高于前者。所以设计权重时，宁可让对话层的强信号一票压过画像层的漂亮数据，也别让”好看的身份”骗过判定。

一条 AQL 的判定实例

抽象的加权说再多，不如看一条线索怎么走完判定。假设你卖的是面向连锁门店的 SaaS，目标客户是 20 到 200 家门店的区域连锁品牌。某个访客的信号是这样的：

• 画像：餐饮连锁、约 40 家门店、留资职位”运营负责人”——命中目标客户，画像层给 30 分（满分 30）。
• 行为：三天内回访两次，看了”定价”和”门店数据打通”两个页面，下载了对接文档——高意向轨迹，行为层给 35 分（满分 40）。
• 对话：在自动咨询里问”能不能只买 30 个门店的账号""什么时候能上线”——问到了采购规模和时间点，但没确认预算和决策权，对话层给 20 分（满分 30）。

加总 85 分。如果你把 AQL 门槛设在 70 分，这条就是一条合格的 AQL，值得销售当天跟进。但注意那个缺口：对话层丢了 10 分，是因为”谁拍板、有没有钱”还没落实。这恰好告诉销售第一通电话该问什么——不用再从头介绍产品，直接确认预算和决策链就行。好的评分不只给一个数字，还应该把”缺哪块信号”暴露出来，让人工跟进有的放矢。

反例也要会读。如果同一个人画像满分、行为满分，但对话里反复问”有没有免费版""能白嫖多久”，对话层就该扣到接近 0，总分被拉到门槛以下。分数不是越高越跟，而是要让 AI 学会识别”看着像、其实不是”的伪高质量线索。

AQL 怎么落地

引入 AQL 不是一步到位，建议循序渐进：

第一步，先定义合格标准。 把人工经验里”什么样的线索值得跟”的标准明确写下来，作为 AI 学习和判定的基准。别只在脑子里想，落到纸面上。可以找你最资深的两三个销售，让他们各自翻出最近成交的 10 单和白跑的 10 单，回答三个问题：这单当初凭什么判断值得跟？哪些信号出现时你基本会放弃？有没有过”看着不行结果成了”的意外？把答案归类，就得到一份初版标准，比如”门店数 20 起、留资职位含运营/采购/老板、看过定价页”这类可核对的条件。这份清单同时是 AI 的训练靶子，也是日后吵架时的裁判——当销售抱怨”AI 给的线索质量差”时，先回来对标准，而不是拍脑袋改分。

第二步，让 AI 先做辅助评分。 初期让 AI 跑分、人工保留最终决定权，积累 AI 判断与真实成交的对照数据。

第三步，逐步放权并持续校准。 当 AI 判定与人工高度一致后，可以让 AI 自动筛选乃至自动触达，同时用成交结果不断回流校准，避免标准漂移。

第四步，保留人工复核关口。 对高价值、复杂或边界模糊的线索，始终保留人工复核，AI 提供的是辅助判断而非最终裁决。一个实操建议：按客单价分层设复核规则。客单价几千的标品，AI 判合格就直接进销售队列；客单价几十万、需要一轮轮谈的，AI 只负责排序和提示，成不成交的判断权仍在销售手里。别用一套阈值管所有生意。

三个最常见的误区

见过不少团队引入 AQL 后没跑起来，问题往往不在算法，在用法。

误区一：把分数当结论，不看构成。 只盯着”85 分""合格”这个结果，不去看这 85 分是画像堆出来的还是对话撑起来的。同样是 85 分，一条是身份漂亮但没表态，一条是身份普通但明确说了要买，跟进策略完全不同。要求 AI 输出的不该只是一个总分，而是”分数 + 主要加分项 + 缺失信号”。

误区二：定完标准就不动了。 市场在变、产品在变、你的目标客户也在变。半年前”看过定价页”是强信号，改版后定价页人人都点，这个信号就贬值了。至少每季度拿一次真实成交数据回来对：AI 判为高分的线索，实际成交率是多少？判为低分却成交的有没有？没有这个回流，标准会慢慢和现实脱节，也就是所谓的标准漂移。

误区三：让 AI 一上来就自动触达。 很多人刚摸到 AQL 就急着上自动外呼、自动加微信。风险在于，AI 判断还没被验证过就直接接触客户，一旦判错，损耗的是真实的客户体验和品牌印象。稳妥做法是先让 AI 只打分、人来触达，等 AI 判断和人工判断的一致率稳定在高位，再逐步把触达交出去。宁可慢一个月，别把一批潜在客户当试验品烧掉。

什么时候不该用 AQL

也得说句公道话：不是所有生意都适合上 AQL。如果你一个月只有二三十条线索，销售完全跟得过来，那引入一套判定系统的收益很有限，人工过一遍反而更准更省事。AQL 真正划算的场景，是线索量大到人工筛不过来、或者线索质量参差需要快速排序的时候——比如投放跑量、内容获客带来大量留资，人力根本来不及逐条判断。先看自己有没有这个”量的问题”，再决定要不要上，别为了用 AI 而用 AI。

小结

AQL 是 AI 时代线索分层的自然延伸，它的本质是用 AI 承担线索的合格判定——综合画像、行为和对话信号，给出更快、更一致、可规模化的质量判断。它不取代 MQL 和 SQL，而是嵌入这套体系，让初筛这一关变强。落地的关键是先定标准、让 AI 辅助起步、用真实成交持续校准，并对重要线索保留人工复核。

企客连连正在研发面向中小团队的 AI 线索评估与培育工具，欢迎访问 /product/ 加入内测候补名单，提前体验 AI 辅助打分与意向识别。