过去几年，“用AI获客”常被简化为写几篇文案、接几个机器人。真正有效的路径恰恰相反：AI不是单独的工具，而是把市场洞察、内容生产、触达互动、线索清洗、销售协同连起来的方法。观点上，笔者认为获客竞争正在从“流量采买”转向“信号处理”——谁能更快识别需求、更低成本完成首触、更稳定把线索交给合适的人，谁就更接近增长。起点不是模型，而是场景。企业应先回答三个问题：客户是谁、客户在什么情境下产生需求、成交前有哪些可观察行为。许多团队一上来就采购工具，结果数据口径不一，CRM里同一客户有三套标签，AI再聪明也只能放大混乱。更稳妥的做法是先用一到两个业务线做试点，明确“获客”定义：是留资、预约演示，还是进入商机阶段。定义越清楚，AI的产出越可评估。第二步是建立内容供给。AI适合承担高频、结构化、可校验的内容生产：行业问答、案例拆解、方案对比、邮件序列、短视频脚本与落地页初稿。它不该被期待一次性生成品牌主张，而应在关键词研究、客户访谈录音整理、销售FAQ归纳的基础上，生成可修改的草案。一个可复用的流程是：用搜索需求与客服记录提炼主题池，用AI扩展角度，由编辑把关事实与语气，最后按渠道改写。这样内容不再依赖个别写手的灵感，而变成可迭代的内容资产。第三步是把触达做成对话。与过去“广告—表单—等待”的模式不同，AI聊天、智能客服和私信机器人可以在用户停留、反复查看、对比参数时即时响应。关键不在话术像不像人，而在能否完成分层：把闲逛者引向资料下载，把明确需求者预约顾问，把高意向者提示销售跟进。这里应保留明确的人工入口；涉及价格承诺、合同条款、资质表述，机器只收集问题，不擅自答复。事实层面，生成式系统可能出现“看似合理但无来源”的回答，因此所有对外材料都要有引用、审核和版本记录。第四步是线索评分与交接。AI最有价值的场景，往往发生在营销部门“觉得不错”和销售部门“不再相信线索”之间。通过行为信号——访问深度、资料下载、会议预约、职位匹配、公司规模、预算窗口——建立评分模型，可以先把明显不匹配的线索过滤，再把高风险高价值线索交给经验丰富的人。匿名实践中，某B2B软件团队将表单字段压缩到三项，其余信息交给对话补全；两周后线索量上升，但有效商机并未同步增长。复盘发现，问题不是线索太少，而是评分阈值过宽。团队把“主动询问报价”设为强信号，将销售跟进时间从48小时缩短到8小时，会议出席率才明显改善。这个案例说明：AI不是线索放大器，而是筛选与排序器；没有阈值和SLA，自动化只会更快制造噪音。第五步是组织协同。AI获客常失败于部门边界：市场要曝光，销售要成交，客服要降本，数据团队要合规。可行办法是设一个跨职能的“增长小组”，每周只看三张表：线索来源质量、转化周期、销售接受率。工具选择服从流程，而不是反过来。小团队不必追求大而全平台，先把表单、CRM、会话记录、日程系统打通；中大型企业再考虑统一客户数据平台与权限治理。投资顺序建议为：数据清洗优先于模型能力，流程模板优先于个性创意，可归因实验优先于宏大叙事。边界同样重要。AI获客不应越过隐私、授权与真实性底线：不抓取未授权个人信息，不用生成内容冒充客户评价，不用机器人制造虚假稀缺，不把用户画像用于约定之外的用途。尤其在医疗、金融、教育等强监管行业，机器回答需要更严的事实核查与免责声明。客观地说，AI能降低边际成本，却不能替企业承担信任成本；短期靠自动化冲量，长期仍要靠交付质量留住客户。落地路线可以按90天推进：前两周统一客户定义、字段与来源归因；第一个月跑通一个内容主题与一个对话入口，建立审核清单；第二个月上线线索评分与人工交接规则，确定跟进时限；第三个月复盘单位获客成本、商机转化率和销售接受率，再决定是否扩量。衡量指标不要只看曝光，应看从首触到商机的每一步损耗。若AI让内容更快、对话更及时、交接更干净，它就是增长系统的一部分；若只让报表更热闹，就应回到场景本身重新设计。