"十五五"规划纲要正式发布，"数智化"三个字出现了几十次。又多了一个汇报里的词。

但如果你真的把纲要第四篇拆开来读，会发现它不只是一句口号——它给出了一个非常清晰的框架，恰好能回答我们做获客运营的人一直在纠结的问题：

AI这么火，我到底该从哪下手？做到什么程度算够？

这篇文章，我试着把纲要里关于数智化的核心逻辑拆出来，对应到券商获客运营的实际场景，聊聊我的思考。

一、先说一个很多人没注意到的变化

"十四五"规划里，数字化相关的内容排在第五篇，叫"加快数字化发展，建设数字中国"。

"十五五"直接提到了第四篇，改名叫"深入推进数字中国建设，提升数智化发展水平"。

位次提前一位，关键词从"数字化"变成了"数智化"。

这不是文字游戏。十四五的"数字化"重点是把线下搬到线上、把纸质变成电子——本质上是效率的数字化。十五五加了一个"智"字，核心变化是引入了人工智能的能力——不只是把数据搬上去，还要让数据自己会"想"、会"判断"、会"行动"。

对应到我们的工作，区别很直观：

前者是"有了数据"，后者是"数据在替你做决策"。

二、纲要给了一个三层框架，非常值得借用

纲要第四篇分了三章，结构很清晰：

这个"底座→应用→生态"的三层结构，不只是国家顶层设计的思路，对我们做一个券商的数字化获客运营规划，也完全适用。

我一层一层说。

第一层：底座——你的数据通了没有？

纲要原文提了一句很关键的话："面向金融等领域建设高质量数据集。"

金融被明确列为国家级高质量数据集建设的六大重点领域之一。这意味着数据治理不是"有空再做"的事，而是国家基建级别的优先事项。

落到券商实操层面，最普遍的痛点是什么？

数据孤岛。

APP端的客户行为数据在一个系统，企微的互动数据在另一个系统，核心交易系统又是一套。投放团队看到的是点击和注册，运营团队看到的是加微和互动，业务团队看到的是开户和入金——但没人能看到一个客户从点击广告到最终入金交易的完整路径。

这不是技术问题，是组织问题。但结果是：你做了AI外呼，打了5万通电话，却说不清楚到底带来了多少真实的开户和入金——因为归因链路是断的。

底座层要做的三件事：

1. 打通数据孤岛——建立统一的客户ID体系，把投放数据、APP行为、企微互动、核心交易系统拉通。不一定要上一个几百万的CDP平台，先从Excel拉通关联做起也行，关键是能算清一笔账。

2. 建立客户标签体系——不是拍脑袋分"高中低"三档，而是基于行为数据做分层。比如：资产规模×交易频率×最近一次互动时间，组合出来的分层，决定了你该用AI外呼、人工跟进还是放进养鱼池慢慢培育。

3. 沉淀高质量业务数据集——每一次外呼的接通率、通话时长、客户反馈、后续转化结果，都要结构化记录。这些数据是未来AI模型训练的燃料。没有高质量数据，再好的大模型也只是一个空壳。

第二层：应用——"人工智能+"到底加在哪里？

纲要最高调的一句话是："全面实施'人工智能+'行动。"

但落到券商的获客运营，AI不是万能药。我的经验是，AI最值得加在那些"量大、重复、有数据反馈"的环节。

以一个典型的获客转化链路为例：

投放 → 落地 → 注册 → 开户 → 入金 → 交易 → 留存

每个环节，AI的角色不一样：

① 投放环节：AI辅助投放策略优化

现在大多数券商的投放还是"投手经验+平台算法"。但行业里已经有机构在尝试用大模型自动生成投放策略、自动调整出价。

对于中型券商，短期内不用追最前沿，但有一件事可以马上做：用数据反推投放质量。不只看CPR（每注册成本），要看CPA（每开户成本）甚至看到入金成本。哪些关键词带来的客户真的会入金交易？这个分析做到位了，投放ROI至少能提升30%。

② 潜客触达环节：AI外呼

这是我重点在做的方向。

很多人对AI外呼的认知还停留在"用机器人替代人工打电话"。但真正的价值不在"省人力"，在于：

意图识别：大模型驱动的语义理解，能从客户的回复中识别出"有兴趣但犹豫""已有其他券商在用""完全无意向"等不同状态，比传统的按键导航精准得多。

自动闭环：通话结束后，自动生成客户标签，自动分配给对应的跟进人，自动触发企微添加——这个闭环才是AI外呼的核心价值。

行业里做得比较深的：做了"意图预测→行为预测→智能外呼"的全链路。

⚠️ 踩坑提醒：AI外呼的效果，目前80%取决于"打给谁"和"打完之后怎么承接"，只有20%取决于话术和模型。我们自己的数据就验证了这一点。

③ 客户运营环节：AI+企微私域

客户加了微信之后呢？大多数券商的做法是——群发一条，然后就没了。

AI在这里的价值是精准运营：根据客户标签自动推送差异化内容、在客户浏览行为触发特定动作时自动提醒跟进人、在最佳时机推送合适的产品信息。

这些都不需要重新拉人头，而是在现有的企微体系上叠加AI能力。

④ 全链路归因：让每一分钱都算得清

这是最容易被忽视但最重要的一环。

你花了50万投信息流，带来了3000个注册，其中800个开户，200个入金。这个数据链路你能拆分追踪到吗？

大部分券商的答案是：开户能追到，入金、交易不太追——因为组织结构高度分工化，而缺少一个全局调优者。

这个问题不解决，所有的"AI+"都是空中楼阁。

以客户为中心，也是一种数据结构。

第三层：生态——合规不是阻力，是护城河

纲要第十四章专门讲了监管和治理，包括"健全算法备案、透明度管理、安全评估等制度"。

很多人觉得合规是做AI的阻力。换个角度想：越早把合规跑通的人，越有先发优势。

具体到券商场景：

• AI面客服务需要算法备案——大模型如果直接面向C端客户提供投顾建议，需要走备案流程，预计3-4个月。早做早通过。

• 数据安全红线——客户信息、交易数据，在AI模型训练和调用过程中如何脱敏、如何合规使用，必须提前设计。

• 话术合规——AI外呼的每一句话都可能被监管审查，话术模板需要经过合规审核。

合规做得好的机构，反而能更大胆地推进AI应用——因为风险可控，领导敢批。

三、总结：看清该做什么

不需要一步到位，但需要知道自己在哪一层、下一步该做什么。

四、一个不太舒服但必须说的判断

纲要里有一句不起眼但很扎心的话："严格中小金融机构准入标准和监管要求。"

叠加另一个趋势：头部券商的科技投入每年都在百亿级别，中型券商能投的可能只有几千万甚至更少。

这意味着，中型券商在数智化这条路上，不可能走头部的"全面自建"路线。但也不意味着没有机会——关键在于选对场景、借力工具、在最有杠杆的环节集中投入。

AI外呼、智能标签、企微自动化——这些都是"投入可控、见效可量化"的方向。不需要自建大模型，不需要千人规模的技术团队，但需要一个懂业务又懂技术的人把它串起来。

下篇预告：我用AI外呼打了5万通电话，踩过的坑和学到的事。

我是吴真，一个用AI做增长的人。
公众号：吴真-AI增长手记