MQL 到 SQL 交接不是把名單丟進 CRM，也不是讓 AI 幫你打一個分數就結束。台灣 SME 如果要用 AI 做 lead scoring、名單分派或業務提醒，先要把五個欄位補齊：名單來源、需求訊號、可用聯絡方式與行銷同意、下一步跟進 SLA、以及業務接受或退回原因。這五個欄位存在，AI 才能加速排序；五個欄位不存在，AI 只會把不完整資料更快推給業務，最後變成「行銷說有名單、業務說都是垃圾名單」。
為什麼 MQL 到 SQL 交接會卡住
MQL 通常是行銷判斷「值得交給業務注意」的名單，SQL 則是業務判斷「有機會進入銷售流程」的名單。Salesforce Trailhead 對 lead qualification 的說明也把兩者差異放在銷售準備度：MQL 可能適合產品或服務但尚未準備購買，SQL 則同時符合需求與購買準備度。官方說明可參考 Salesforce Trailhead 的 Lead Qualification。
問題是，多數小團隊沒有把「行銷判斷」和「業務接受」分開。表單送出、下載電子書、LINE 詢問、展場掃名片、廣告留言，都可能被叫做 lead；但業務真正需要的是：這個人為什麼值得今天回、該誰回、用什麼話題回、若不適合要退回哪裡。少了這些資訊，再好的 AI 評分都只是漂亮的猜測。
從近期 benchmark 頁面觀察，強勢內容通常不只解釋名詞，而是把 MQL 到 SQL 交接寫成一套可治理的流程：共同定義、交接資料、路由規則、SLA、接受或退回、再用回饋修正上游。B2BProcess 的 MQL-to-SQL handoff 頁面也把這件事定義為 marketing-qualified leads 被交付、接受、跟進、轉成 sales-qualified opportunities 或帶理由退回的流程；這個框架值得借鏡，但台灣 SME 還要補上小團隊角色重疊與個資利用限制。
MQL 到 SQL 交接前，先補齊 5 個欄位
1. 名單來源：不要只寫「官網表單」
來源欄位至少要能回答三件事：從哪個活動來、看過什麼內容、主動留下資料的情境是什麼。比方說，同樣是官網表單，下載報價單、預約展示、詢問保固、加入電子報的跟進方式完全不同。若你只把來源寫成「官網」，AI 只能用很粗的規則猜；若來源能保留 campaign、頁面、表單類型與第一個問題，AI 才能幫你摘要「為什麼這個名單要交給業務」。
2. 需求訊號：把行為分成觀察、意圖、購買準備
Google Analytics 的 recommended events 對 lead generation 已經提供一組有用語彙：`generate_lead`、`qualify_lead`、`disqualify_lead`、`working_lead`、`close_convert_lead` 與 `close_unconvert_lead`。官方文件說明這些事件適合衡量線上與線下的完整名單漏斗，來源見 Google Analytics recommended events。
台灣 SME 可以先不用把事件做得很複雜，但要把需求訊號分層。瀏覽文章是觀察，送出諮詢是意圖，留下預算、時程、公司需求或願意預約才接近購買準備。AI 評分模型如果把所有互動都當同一種熱度，業務很快就會失去信任。
3. 聯絡與同意：業務可跟進，不代表可以無限行銷
名單交接會碰到個人資料利用。台灣個人資料保護法第 20 條明定，非公務機關利用個人資料行銷時，當事人表示拒絕接受行銷，應即停止利用其個人資料行銷；首次行銷時也應提供拒絕接受行銷的方式並支付所需費用。法規文字可見 個人資料保護法。
所以 CRM 裡不要只存電話與 email。至少要有資料來源、蒐集目的、可聯絡管道、是否拒絕行銷、最後更新時間。這些欄位不只是合規，也會讓 AI 自動提醒避開不該再推銷的人，避免把「已拒絕」名單又推給業務。
4. 下一步 SLA：誰要在多久內做什麼
「有人會回」不是 SLA。小團隊可以先定三層：高意圖名單 1 個工作小時內回覆，一般諮詢同日回覆，低意圖下載名單進入培育流程。若人力不足，至少要有 fallback owner：主要業務未處理時，由店長、老闆或客服主管接手。AI 可以產生提醒、排序與摘要，但不能替你決定誰真的負責。
5. 接受或退回原因：沒有理由，就不能改善上游
最常見的浪費，是業務看完名單覺得不適合，卻沒有留下原因。下次行銷還是照樣投同一種受眾、做同一種 lead magnet、收同一種表單。把退回原因做成固定選項，例如預算不足、需求不符、時程太遠、資料錯誤、重複名單、已拒絕聯絡、無回應。這些原因累積兩週後，比單一 AI 分數更能告訴你廣告和內容該怎麼修。
四種小團隊交接方式怎麼選
| 交接方式 | 適合情境 | AI 可以幫什麼 | 先不要做什麼 |
|---|---|---|---|
| 手動審核後交給業務 | 每週名單少於 30 筆，老闆或行銷仍能看完 | 摘要來源、整理需求、提醒缺欄位 | 不要急著做黑箱分數，先建立退回原因 |
| 表單規則自動分派 | 產品線清楚、不同服務由不同人負責 | 依關鍵字、地區、服務類別建議 owner | 不要讓不完整表單直接進高優先序 |
| AI lead scoring 排序 | 名單量夠大，已有歷史成交與退回資料 | 預測優先順序、標示相似成功案例 | 不要把下載、留言、成交混在同一分數 |
| CRM lifecycle stage 管理 | B2B 或高單價服務，需要看完整銷售流程 | 依階段提醒下一步、產生交接摘要 | 不要讓階段名稱變成裝飾，卻沒有 entry/exit 條件 |
HubSpot 的 lifecycle stage 文件把 Subscriber、Lead、Marketing Qualified Lead、Sales Qualified Lead、Opportunity、Customer 等階段放進 contact/company 流程，並說明這些階段可用來理解行銷與業務交接。這類階段不是一定要照抄，而是提醒 SME：CRM 階段必須對應實際責任，不然只是換一套名詞。來源可見 HubSpot lifecycle stages。
把 GA4、CRM 與個資告知放進同一張表
最小可行的做法，是把每一種名單入口做成一張交接表。表單欄位不必多，但每個欄位要有用途。
| 入口 | GA4 事件 | CRM 必填 | 交接規則 | 個資提醒 |
|---|---|---|---|---|
| 預約諮詢 | generate_lead，合格後補 qualify_lead | 需求、預算級距、時程、聯絡管道 | 高意圖，1 個工作小時內回覆 | 明確告知聯絡目的與拒絕行銷方式 |
| 下載白皮書或檢查表 | generate_lead | 公司類型、關心主題、是否同意後續聯絡 | 先培育，符合條件再升 MQL | 未同意推銷者只提供內容，不進銷售追蹤 |
| 展場掃名片 | 可離線匯入 generate_lead 或 qualify_lead | 攤位談話摘要、產品興趣、約定下一步 | 同日整理，隔日完成第一輪跟進 | 補上取得來源與後續聯絡說明 |
這張表的好處，是讓 AI 有乾淨的輸入。它可以幫你判斷哪些名單缺欄位、哪些該進 nurture、哪些要提醒業務今天回，但它不需要替你猜「什麼叫好名單」。
每週校準：讓退回原因變成可修正資料
真正有效的 MQL 到 SQL 交接，不是一次把規則寫完，而是每週看 30 分鐘。行銷、業務與老闆一起看四個數字：MQL 數、被接受數、被退回數、退回前三大原因。若最多退回原因是「資料不完整」，先修表單；若是「需求不符」，先修廣告受眾和內容承諾；若是「預算不足」，先調整價格溝通和案例門檻。
AI 在這裡最有用的不是取代判斷，而是整理模式。它可以把業務備註歸類、摘要高頻問題、找出同一活動來源的退回原因，並提醒你哪個欄位常常空白。這會把行銷與業務的爭論從「感覺名單很差」變成「哪個入口、哪個欄位、哪個承諾讓名單卡住」。
誰適合這套做法，誰先不用
這套做法適合有表單、LINE 官方帳號、電話諮詢、展場名單、B2B 業務或高單價服務的台灣 SME。只要行銷取得名單後需要另一個人跟進，就應該先定義 MQL 到 SQL 交接。
如果你目前每月只有零星名單，還沒有固定產品頁、表單或 CRM，先不用急著上 AI lead scoring。你更需要先把入口統一、表單問對問題、回覆話術和後台名單清乾淨。AI 是放大器，不是整理爛資料的保證。
資料更新與來源
本文於 2026 年 9 月 26 日依公開頁面與官方文件整理。來源包含 Google Analytics recommended events、Salesforce Trailhead lead qualification、HubSpot lifecycle stages、台灣個人資料保護法，以及作為 SERP benchmark 參考的 B2BProcess MQL-to-SQL handoff。平台文件與法規可能更新；正式法務或跨境資料處理仍應由企業內部或外部專業顧問確認。
結論：先定義交接，再讓 AI 加速
MQL 到 SQL 交接的核心，不是名詞，而是責任。行銷要交出來源、需求、同意與上下文；業務要在 SLA 內接受、跟進或帶理由退回；老闆要看得見哪個入口真的產生成交。等這套規則存在，AI 才能把名單排序、摘要、提醒和校準做得更快。否則，AI 只是把模糊責任包裝成一個看起來很精準的分數。
FAQ
MQL 到 SQL 交接一定要用 CRM 嗎？
不一定。一開始可以用試算表，但欄位要固定，至少包含來源、需求訊號、同意狀態、跟進負責人、SLA、接受或退回原因。當名單量增加或多人協作時，再導入 CRM。
AI lead scoring 可以直接決定誰是 SQL 嗎？
不建議。AI 可以建議優先順序與補充摘要，但 SQL 應由業務或負責成交的人確認，尤其是 B2B、高單價服務、醫療或法務敏感產業。
GA4 的 generate_lead 和 qualify_lead 差在哪裡？
generate_lead 偏向表單送出或取得名單，qualify_lead 則表示這筆名單已符合成為合格名單的條件。台灣 SME 可以先用 generate_lead 記入口，再用 CRM 條件補 qualify_lead。
業務退回名單會不會讓行銷 KPI 變難看？
短期可能會，但這正是改善品質的資料。退回原因能指出表單、受眾、內容承諾或跟進時機哪裡有問題，比只看 MQL 數量更接近真實營收。
LINE 或電話來的名單也能做 MQL 到 SQL 交接嗎？
可以。重點不是入口形式，而是把來源、對話摘要、需求、是否同意後續聯絡、下一步與負責人記下來。沒有這些欄位，LINE 和電話名單一樣容易漏接或重複追蹤。