线索质量评估的核心误区，是把"数量"当成"结果"。社媒AI客服最容易制造的假象，是转人工数、标记线索数快速上涨，让团队误以为业务在增长。但被AI打上"高意向"标签的会话，和真正能推进到成交的会话之间，往往存在不小的落差。要判断一套AI分流机制是否真的有用，关键不在它接住了多少咨询，而在它交到人工手里的线索，有多少经得起复核。
评估的第一步，是把线索识别字段的"命中"与"有效"分开统计。AI依据采购意向、预算规模、留资意愿、紧急需求等信号打标，这些只是信号命中，不等于线索成立。真正可用的指标是人工接手后的复核结果：被标为高意向的会话里，有多少确认了真实需求，有多少只是口语化的随口一问。两者的比值，可以近似理解为AI初筛的准确度。这个数字如果长期偏低，说明识别字段设计得过于宽松，把"这款多少米""几天到货"这类普通咨询误判成了商机。
第二步，要区分线索的"真伪"与"质量"。真伪解决的是会话是否对应一个真实潜在客户，质量解决的是这个客户离成交有多远。可以沿用几个在分流阶段已有的维度做分层：是否主动提及数量或采购规模、是否愿意留下联系方式、是否带有明确的时间约束。这些信号越集中出现，线索质量越高。相反，只问基础信息、不涉及任何承诺类问题的会话，即便被转了人工，也应归入低质量区间，避免占用有限人力。
值得强调的是，评估线索质量不能脱离AI的能力边界。AI只负责承接和留资，不替团队给出价格、交期和售后结果，这意味着它交出的线索本质上是"半成品"——信息是否完整、上下文是否连续，直接决定人工跟进的效率。如果人工接手时还要让用户把需求重述一遍，那么再漂亮的标记数也会在体验环节折损。因此，上下文的完整传递应当作为线索质量的一项隐性标准纳入考察。
落到可操作的层面，建议每隔一到三天抽查一批被标记的线索，记录命中条数、人工复核后确认有效的条数，以及其中真正进入后续跟进的条数。重点不是看总量，而是看答错和误标集中在哪类问题上——这既是优化识别字段的依据，也是判断AI该不该继续承接某类咨询的信号。转人工比例过高，往往意味着识别范围太窄或知识库不全；过低则要警惕AI在该转的时候没转，甚至越界作答。
归根结底，线索质量的评估是一面镜子，照出的既是AI的初筛水平，也是业务流程本身的健康度。反复进线的同一类问题，常常指向产品说明或流程的断点，而非客服效率问题。对缺少专职客服的小团队而言，与其追逐线索数量的增长曲线，不如把"命中到有效"的转化率盯住，让有限人力始终落在真正可能成交的会话上。