CRM 中的 AI：聊天机器人、线索评分、基于知识库的 RAG
CRM 中的 AI 在 2026 年已不再是「网站上的玩笑机器人」- 而是三个可落地的场景：聊天机器人，把线索与回复写入商机卡片；线索评分，按成交概率排序请求；以及基于知识库的 RAG，依据制度、价目表与案例回复经理和客户，而不是「凭空」捏造事实。如果你已有 CRM，AI 提升的是速度与质量 - 并不能替代销售漏斗。下文说明先接什么、大概成本和真正回报在哪里。
- 聊天机器人 - 全天资格筛选、写入 CRM、升级给人工经理
- 线索评分 - 优先处理「热」线索，少花时间在空对话上
- RAG - 依据你们自己的文档作答，而非模型套话
- 起步 - 一个渠道 + 一条漏斗，再扩展
- 风险 - CRM 数据脏，任何 AI 都没用
- 效果 - 数据干净时，首次处理时间可减少 30-60%
为什么现在就要把 AI 接入 CRM
线索晚上和周末进来，经理早上才回 - 线索已经跑去竞品。漏斗里有 200+ 活跃商机时，销售要花几小时猜「谁更热」。常见问题的答案仍在 PDF 和员工脑子里时，新人回复更慢、错误更多。
如果 CRM 是唯一真实来源（联系人、商机、聊天记录、阶段、金额、来源），AI 能解决这三种痛点。卡片里没有秩序，模型只会放大混乱。
| 场景 | AI 做什么 | 留给人做什么 |
|---|---|---|
| 聊天机器人 | 承接对话、资格筛选、写入 CRM | 复杂异议、报价、成交 |
| 评分 | 估算成交概率 | 优先级选择与策略 |
| RAG | 在知识库中检索答案 | 核查对客户的关键承诺 |
CRM 中的聊天机器人：不是闲聊，是销售一线
好的 CRM 聊天机器人做到五件事：
- 捕获线索 - Telegram、WhatsApp、官网、Instagram。
- 提出 3-7 个资格问题（预算、周期、任务、地区）。
- 创建或更新商机，带上字段与标签。
- 分配经理，或在「热」信号时创建任务。
- 传递上下文 - 聊天记录应在卡片里，而非员工私人消息里。
机器人该问什么
短脚本胜过冗长「问卷」：
- 你是谁 / 公司；
- 任务是什么（购买 / 实施 / 咨询）；
- 预算区间或规模；
- 期望周期；
- 偏好联系渠道。
若机器人还捕获 UTM 与广告来源 - 已是评分与分析的基础。
聊天机器人常见错误
- 没有升级：客户生气，机器人仍回模板。
- 卡片重复：每次都新建联系人。
- 「模型胡答」没有硬边界（折扣、交付期、法律承诺）。
- 聊天进不了 CRM - 经理盲目跟进。
规则： 聊天机器人可以收集与路由。没有已批准价目表时承诺价格与期限 - 不行（那是 RAG + 经理的职责）。
线索评分：先打给谁
Lead scoring 用分数或概率评估线索。目标不是「神奇数字」，而是队列：经理早上先看 Top-20，而不是随机排序。
可使用的信号
| 信号 | 示例 | 权重（参考） |
|---|---|---|
| 行为 | 打开方案、访问价格页、再次回访网站 | 高 |
| 匹配度 | 符合细分、预算、地区 | 高 |
| 来源 | 品牌广告 vs 冷抓取 | 中 |
| 参与度 | 5 分钟内回机器人、留下电话 | 高 |
| 负面 | 「只想问价」、垃圾特征、错误细分 | 扣分 |
可先用 CRM 内置机器人的规则（if-then），再在已关闭商机历史上用 ML 模型。对最多 10 名经理的团队，规则常能以 20% 复杂度换取 80% 价值。
两周内如何落地
- 导出 3-6 个月商机：赢 / 输。
- 找出 5-8 个区分成交与拒绝的特征。
- 做简单评分（0-100）和漏斗中的「优先级」列。
- 培训团队：「先 A，再 B，冷线索进 nurture」。
- 30 天后按细分比较前后转化。
若经理不填字段、关闭商机不写失败原因，评分毫无意义 - 先有数据纪律，再上 AI。
基于知识库的 RAG：用你们自己的文档回答
RAG（Retrieval-Augmented Generation）即「先从你们的语料检索片段，再生成回答」。模型不是从公开互联网编造价目表：它依据的是你们的制度、FAQ、方案与产品指南。
在 CRM 场景中，RAG 用于：
- 在卡片内回答经理（「如何办理套餐 X 的退款」）；
- 帮助聊天机器人使用已批准措辞；
- 内部支持与新人入职助手；
- 起草客户邮件时引用现行政策。
知识库应包含什么
- 产品 PDF 与 Notion/Confluence；
- 价格表与条款（带版本日期！）；
- 销售话术与 FAQ；
- 成功案例与异议；
- 内部 SLA、保修、限制。
每个文档需要：版本、负责人、更新日期。否则 RAG 会自信地引用过期折扣。
CRM 的简单 RAG 架构
- 将文档切成 chunk。
- Embeddings + 向量索引（或 CRM 自带 AI 检索）。
- 经理 / 机器人提问 → top-k 片段。
- 模型仅根据检索结果作答并标注来源。
- 记录未回答问题 - 作为知识库改进 backlog。
没有「未找到」日志，知识库一个季度就会腐烂。
如何把聊天机器人、评分与 RAG 串起来
2026 年稳健方案：
- 线索发消息 → 聊天机器人资格筛选并写入 CRM 字段。
- 系统计算评分并设定优先级 / 任务。
- 经理打开卡片 → RAG 助手根据知识库给出建议。
- 通话后记录结果与原因 → 评分学习（或规则收紧）。
AI 不该「活在 CRM 之外」- 它加速的正是你在选择 Bitrix24、amoCRM 或 HubSpot 时配置的同一条漏斗。
成本与从哪里开始
| 阶段 | 周期 | 预算参考 |
|---|---|---|
| 1 个渠道的聊天机器人 + 写入 CRM | 1-3 周 | $500-3,000 |
| 基于规则的评分 | 1-2 周 | $300-1,500 |
| 50-200 份文档的 RAG | 2-4 周 | $1,500-8,000 |
| ML 评分 + 调优 | 1-2 个月 | $3,000-15,000+ |
上线顺序： 数据清洁 → 主渠道聊天机器人 → 评分 → RAG。否则你是在自动化混乱。
试点 2-4 周：一个线索来源、一支团队、三个指标 - 首次响应速度、合格线索占比、进入下一阶段转化。
CRM 中引入 AI 的常见错误
- 指望「开箱即用的聪明 CRM」，却不在你们数据上训练。
- 让机器人在没有 RAG 与经批准文案的情况下回答法律与财务敏感问题。
- 把评分当成经理替代品，而非优先级工具。
- 不记录升级与知识库缺口。
- 一条漏斗还没稳定，就接五个模型和三个平台。
总结
聊天机器人、线索评分与 RAG 是 2026 年 CRM 中最务实的三个 AI 场景。机器人加快捕获，评分聚焦销售精力，RAG 用你们的专业保持答案准确。从单一渠道和干净字段起步：没有数据，AI 只是把混乱包装得好看；有数据 - 就是可衡量的速度与转化提升。
常见问题
需要单独的 AI 平台，还是 CRM 内置 AI 就够？
很多时候内置就够用于聊天机器人和简单评分 - 前提是 CRM 已覆盖渠道与机器人。当你需要面向大规模语料的自有 RAG、定制评分模型以及生态外集成时，才需要单独平台（或 Python/n8n + LLM）。先原生，痛点明确后再定制。
RAG 比带长 prompt 的普通聊天机器人好在哪里？
带长 prompt 的机器人会混淆事实，也不知道价格更新。RAG 会先从知识库检索当前片段，再组织回答。对价格、SLA、退款与制度而言，这是必做层，不是可有可无。
没有成交历史也能上评分吗？
可以，用规则： 细分、预算、来源、回复速度、字段完整度。历史用于 ML 与精确校准。起步阶段，规则 + 经理复核 Top 线索，就能在没有数据科学家的情况下快速见效。
让 AI 访问 CRM 客户数据安全吗？
仅在有访问策略时：哪些字段进入模型、个人信息脱敏、要求严格时使用企业/本地 LLM、禁止用你们的对话训练公开模型。法务与安全审查要在正式流量之前，而不是事故之后。
先做哪个：聊天机器人、评分还是 RAG？
若夜里和周末丢线索 - 聊天机器人。若经理被流量淹没 - 评分。若回答错误多、新人上手慢 - RAG。多数中小企业通用顺序：主渠道聊天机器人 → 评分 → 针对核心文档的 RAG。