美国金融基石与SaaS市场的当下困境
视频开篇首先抛出了一个宏观的经济学背景：美国做出了其他国家未曾做出的整体赌注，即推行30年期固定利率抵押贷款。这一政策被广泛认为是对美国中产阶级非常有利的举措，因为它提供了长期的财务确定性。然而，这种制度设计也带来了一个巨大的挑战：如何在固定利率下对借款人进行长达30年的承保评估。这种长期的金融承诺构成了房贷行业的底层逻辑，也解释了为何该行业对稳定性和合规性有着极高的要求。
与此同时，视频将视角转向了当前的资本市场现状。SaaS（软件即服务）公司目前在公开市场上正遭受重创，这对于核心业务仍属于企业软件的Vesta而言是一个重要的宏观背景。尽管2020年并非人们普遍意识到“LLM（大语言模型）将吞噬世界”的时刻，但当时计算机视觉领域的进展已非常显著。这暗示了技术变革的积累并非一蹴而就，而是有着深厚的前期基础。对于Vesta这样的企业软件公司而言，理解这一宏观背景有助于厘清其在市场波动中的定位与价值。
从斯坦福实习生到Blend的“逆袭”入职记
Mike You，Vesta的创始人兼CEO，分享了他与房贷行业结缘的个人故事。作为斯坦福大学计算机科学专业的学生，他深受校园文化影响：坚信必须构建某种事物以回馈世界。在大三时，他渴望加入一家处于爆发式增长轨迹的初创公司担任产品经理实习生。然而，现实是残酷的：Mike坦言自己永远不会雇佣产品实习生，因为他们在短短12周内无法深入了解业务且离职率高。因此，当时几乎没有初创公司愿意雇佣他。
转机出现在Mike通过斯坦福校园内的VC资源接触到了Blend公司的创始人。Blend当时是数字抵押贷款领域的领先公司，已签约富国银行（Wells Fargo）和美国银行（US Bank）。Mike成功说服了当时约50人的团队雇佣他作为历史上第一位产品经理实习生。这一结果源于内部的一场“博弈”：Mike经历了8次面试，每次都被拒绝但又被推荐见下一个人。最终，工程和产品负责人向产品主管Pranay施压：要么面试Mike并决定是否录用他，如果不面试他们就直接雇佣他。这种强烈的内部推荐最终促成了Mike的入职，也开启了他对房贷行业的深度探索。
为何选择房贷：软件属性与长期主义的游戏规则
Mike You解释了为什么他最终将职业生涯奉献给房贷行业，主要基于两个核心因素：软件属性的高度契合与商业模式的长期主义。首先，房贷本质上是全数字化的流程（除少量文件快递外），这符合Mike的技术背景。他引用Palantir的观点：“金融科技本质上是一个Pitch问题”，即通过软件解决复杂的逻辑和合规难题。Mike自认不擅长硬件或空间推理，但热衷于端到端解决复杂问题，这与房贷软件的需求完美匹配。
其次，房贷行业的市场结构决定了其独特的商业生态。该行业参与者极少，没有成千上万的客户，而是由少数大型贷款机构主导。Mike指出：“在房贷行业中你永远不会拥有10,000个客户”，因为贷款机构数量有限。这种小型生态系统使得竞争成为一种迭代和长期的游戏。在这种环境下，关系导向和长期主义比交易型思维更重要且更具回报性。Mike认为这种非高度交易性的环境非常适合他的性格和职业追求，也为Vesta后来构建深层护城河奠定了基础。
Vesta的核心价值：AI Agent时代的系统之锚
在技术层面，Vestra定位为房贷行业的单一记录系统（System of Record）。其核心价值在于取代现有的遗留系统，提供涵盖所有合规性、规则和工作流以及集成接口的基础设施。视频强调了一个关键的技术演进：AI Agent正在取代贷款方内部人员所执行的后台工作。这意味着Vesta不仅仅是一个软件工具，而是通过AI Agent自动化处理原本需要大量人工操作的繁琐后台任务。
面对“当EGI（通用人工智能或某种技术奇点）发生时，Vesta为何还能存在”的质疑，Mike的回答暗示了基础设施的重要性。无论上层应用如何变化（如AI Agent的发展），底层需要处理合规、规则和工作流的系统之锚依然不可或缺。Vesta提供的正是这种能够支撑AI Agent运行的底层逻辑和数据基础。因此，即使技术形态从传统软件演变为Agent驱动的模式，Vesta作为合规与规则引擎的核心地位反而可能更加稳固，因为它解决了AI落地中最棘手的确定性和合规性问题。
从“无人愿做”的合规苦差到核心项目主导
Blend在2016年加入时，其核心业务聚焦于推动抵押贷款申请全面线上化。当时Rocket公司刚通过超级碗广告宣传其“一键获取贷款”的便捷性，尽管这被视作对实际难度的夸大，但传统银行和数百家贷款机构仍急需竞争方案。Blend作为SaaS解决方案提供商，负责为客户定制品牌、配置工作流并优化申请漏斗，同时连接Wells Fargo（富国银行）和US Bank等核心系统。然而，行业对线上申请的接受度极低，当时竟有一半的银行认为“人们永远不会在线申请抵押贷款”。这种认知滞后为Blend提供了巨大的市场切入点，但也意味着需要解决极其复杂的集成与合规问题。
富国银行的WCAG AA 2.0强制合规挑战
作者作为产品实习生加入后，接手了一个被团队视为“没人想要”的项目：为富国银行实现抵押贷款申请的WCAG AA 2.0无障碍标准合规。这一要求源于美国司法部对富国银行官网不符合ADA（残疾人法案）标准的判决，因此成为不可协商的底线。这项工作极其枯燥且繁琐，需要与第三方审计公司合作，学习使用屏幕阅读器软件，并针对整个复杂的抵押贷款工作流进行大量测试。作者需要处理第三方机构发现的约3,000个缺陷发现（defect findings），通过建立电子表格逐一修复这些无障碍bug。尽管对于希望从事数据源连接或贷款官体验设计的产品人员来说，这并非“有趣”的工作，但它成为了作者深入理解产品底层逻辑的关键契机。
从实习生到全职：学业与工作的极限平衡
由于在富国银行项目中表现优异，作者迅速从处理缺陷转变为领导产品构建，以推动富国银行的上线。在实习最后几周，CEO Nima要求作者退学全职加入公司。Nima直言：“我需要你退学。我需要在周一看到你全职回来，我们需要完成富国银行的项目。” 然而，作者来自华人移民家庭，父母已支付三年斯坦福大学学费，坚决拒绝放弃第四年学业。最终双方达成妥协：作者回到斯坦福全职读书，同时每周五天在旧金山为Blend全职工作。这种高强度的平衡持续了四年，期间作者不仅参与了Fannie Mae和Freddie Mac的数据验证项目设计，还涉足保险业务（甚至考取执照并建立呼叫中心）和房地产经纪尝试，积累了从0到1再到规模化落地的完整经验。
结识联合创始人Devin：打破宣传叙事的真实洞察
在Blend工作的过程中，作者遇到了未来的联合创始人Devin。作为Blend的第一位工程师，两人在实习第一周的周五相遇。作者回忆道：“我带着所有关于Blend的宣传材料进来……Devin却说：‘不，那完全不是真的。’” 当时公司对外宣传是Palantir员工因看到抵押贷款问题而创立，但Devin指出早期Blend并非直接做房贷。这种对内部真实历史的坦诚与专业判断，让作者意识到Devin“非常酷……他真正了解正在发生的事情”。尽管当时Devin并未记住这位实习生，但随后的紧密合作奠定了两人共同创立Vesta的基础。这段经历也印证了作者对长期迭代工作的适应性：“我不喜欢让人生气……这种长期的迭代性质非常适合我。”
从Blend到Vesta：长期愿景的延续
在Blend工作约六个月时，作者结识了Devin，两人随后决定共同创业，这直接促成了Vesta的诞生。Vesta专注于抵押贷款软件领域，旨在为贷款机构提供核心记录系统（System of Record）及后台处理能力。在传统的抵押贷款发起流程中，存在大量低效的人工操作：借款人可能需要等待45天仅用于手动阅读文件；贷款机构人员往往需要多次致电要求提供重复文档；此外，还需人工进行贷款承保（Underwriting）、对接政府及监管系统、生成披露文件等。Vesta的核心价值在于取代遗留的底层系统，构建一个涵盖合规、规则引擎、工作流及所有集成的单一记录平台，并引入AI代理来替代原本由人类完成的大量后台工作。
为何选择替换核心系统而非仅做AI插件？
尽管在2021年，许多建议者认为替换抵押贷款这一经济支柱行业的核心系统过于困难且风险极高（一旦Vesta宕机，客户业务即瘫痪），但创始团队从一开始就坚信必须构建现代化的核心记录系统。这一决策部分源于在Blend的经历，当时他们看到基于现有核心系统之上构建软件存在明显的局限性。正如Jack Henry的CTO所指出的，如果仅通过集成、上层UI或侧车自动化来修补旧系统，无法解决根本问题；只有当数据架构本身存在缺陷时，替换核心系统的理由才成立。如果仅停留在应用层优化，自动化程度和流程变革的空间将受到严重制约。
技术演进的必然性与AI代理的机遇
早在2021年，虽然大语言模型（LLM）尚未普及，但团队对技术进步的信念从未动摇。当时计算机视觉领域的发展已初现端倪，特别是自动驾驶和OCR文档提取技术的突破。鉴于抵押贷款发起过程中有极高比例的工作涉及“阅读借款人文件并交叉验证”，团队预见到结合经典规则引擎、工作流配置及文档提取技术，即可自动化约80%的工作。Vesta的系统架构在设计之初就保持了对执行主体的中立性（Agostic），无论是人类还是软件处理工作流，系统均能无缝衔接。随着AI代理技术的成熟，团队发现无需构建专用模型，只需一个具备人类智能水平的通用大模型即可驱动所有业务逻辑。这一技术红利使得自动化率从80%迅速跃升至95%，并最终指向100%的后台工作自动化。正如团队所反思的那样：
"Honestly, like I think you told me quite a few times like why don't you just figure out some other clever wedge and like figure out how to do it later."
这种对底层架构重构的坚持，结合AI代理带来的效率飞跃，使得Vesta能够彻底解决抵押贷款行业中长期存在的文档处理与流程断点问题。
遗留系统的数据架构是自动化的根本障碍
在构建面向 AI Agent（智能体）的软件时，底层数据架构的缺陷往往迫使企业必须彻底替换现有的“系统记录”（System of Record）。 incumbent 系统的核心痛点在于其数据建模极其困难且过时。以某遗留系统为例，它拥有 30,000 个字段，但底层并非关系型数据库（如 SQL），而是一个扁平文件数据库。这种架构缺乏数据间的关联性和逻辑关系，导致自动化推理变得几乎不可能。
更糟糕的是，由于该系统源自古老的 Windows 应用程序，其字段设计直接映射到用户界面。这意味着如果同一个数据需要在两个不同的屏幕中显示，系统必须复制该字段。这种冗余设计使得无论是基于传统规则还是 AI Agent 的自动化逻辑都难以维护。此外，该扁平文件数据库是单写入者（Single Writer）架构，即同一时间只能有一个人对整个贷款文件进行覆盖式写入。这种机制彻底阻断了并行处理的可能性，而 AI Agent 集群（Swarm）需要的是多个智能体同时计算收入、资产或核对合同，单写入架构导致的高延迟问题使得并行自动化无法实现。因此，为了构建有效的自动化体系，必须从数据库层面彻底重构系统。
客户对遗留系统的厌恶与迁移行为揭示了市场机会
尽管硅谷常假设企业渴望自动化，但现实中许多客户对现状感到满意。然而，深入观察发现，客户对现有系统的厌恶是 visceral（发自内心/本能）的。在 Blend 的行业经验表明，虽然人们常抱怨 Salesforce，但实际迁移案例并不多。相反，在抵押贷款行业，客户愿意投入 18 个月的项目周期，从 20 世纪 80 年代构建的遗留系统迁移到 90 年代的旧系统，甚至有时在 5 年后又反向迁移。这种看似荒谬的“旧换新”或“新换旧”行为，恰恰证明了对 incumbent 系统的仇恨如此深刻，以至于存在被更好解决方案取代的机会。
"Historically, it's like one big thing that told me that people were willing to do it was that they would migrate from the legacy system built in the '80s to the legacy system built in the '90s... literally 5 years sometimes going back."
这种迁移行为背后是对成本制造的极度关注。抵押贷款是一个高度商品化的行业，所有机构发行的都是相同的 30 年期政府支持产品。由于价格透明（如 CNBC 提供抵押贷款利率追踪器），竞争核心在于降低制造成本。贷款机构的高管们明确表示，后台大量人工操作显然可以通过技术自动化来降低成本。这种对降低制造成本的迫切需求，加上客户在旧系统间痛苦迁移的行为，构成了一个独特的市场机会，这在其他系统记录业务中并不常见。
长期利率结构性高企与抵押贷款利率展望
从宏观视角看，抵押贷款从业者通常是永恒的乐观主义者，常预测半年后利率下降并引发再融资热潮。然而，基于过去 3-4 年的观察，作者持看空（Bearish）态度，认为企业不应依赖再融资热潮作为收入基础。长期利率（如 10 年期国债和 30 年抵押贷款）将结构性地保持较高水平，主要受以下因素驱动：首先是国家债务问题。由于抵押贷款是政府支持（Government-backed）的，其信用风险与国债高度相关。30 年期抵押贷款支持证券（MBS）与国债之间的相关性远高于其他资产类别，这意味着国家债务压力将直接推高长期抵押贷款利率。因此，假设利率会大幅回落是不现实的，行业需适应结构性更高的长期利率环境。
长期利率反映全球平均贴现率
在分析宏观经济时，十年期美国国债的信用风险是一个重要组成部分。人工智能资本支出的建设带来了极高的理论回报和收益率，导致资金需求竞争激烈，人们愿意以更高的利率借款，从而在结构上推高了整体利率水平。更深层次地看，长期利率曲线实际上是地球上每个人平均个人贴现率的体现。个人贴现率衡量的是人们为了获得今天的资金而愿意放弃多少未来收益。例如，有人可能只愿为今天的一美元牺牲10美分，而另一些人（如刚毕业的大学生）可能愿意牺牲3美元，因为他们预期未来收入会大幅增长。
"I think in many ways to like long-term interest rate curve is just a function of like everyone on Earth's average discount rate."
然而，当前人们的贴现率相比5到10年前显著升高。这主要归因于世界波动性的增加，包括两场重大战争带来的不安定感，以及人工智能发展带来的不确定性。如果AI带来乌托邦，人们倾向于现在花光钱；如果AI导致灾难或死亡风险增加，人们同样倾向于即时消费。这种普遍升高的贴现率直接反映在更高的利率上，构成了当前宏观环境的底层逻辑。
保守预测与激进销售并存的经营策略
面对高利率环境，企业软件公司的经营策略需要做出调整。对于抵押贷款相关的软件业务而言，许多同行倾向于根据 Mortgage Bankers Association 的乐观预测来规划现金流，这是一种糟糕的做法。正确的策略是采取保守态度，假设交易量保持平稳且以购房贷款为主。虽然房屋购买数量受利率影响较小，但再融资交易量对利率极为敏感。
在高利率、低交易量的时期，反而是进行激进销售和市场扩张的绝佳窗口期。当利率较低时，抵押贷款机构利润丰厚且人手充足（尽管其产能受限于人力），他们缺乏动力去实施重大的技术变革或引入新系统。相反，当利率上升导致业务压力增大时，机构更需要合作伙伴的帮助。利用这一“痛苦窗口期”切入市场，能够更有效地推动客户实施新技术并获取市场份额。即使交易量不回到2021年的峰值，万亿级别的底层业务体量依然保证了基本盘的稳固。
应对SaaS市场动荡的战略定力
当前，企业软件公司正处于一个被称为“SaaS末日”（SAS apocalypse）的市场背景下，公共市场上的SaaS公司正遭受重创。然而，核心业务逻辑并未改变。尽管宏观环境恶劣且资本市场情绪悲观，但企业软件公司仍需保持战略定力。通过在前一阶段建立的早期可参考的大型客户基础，公司正在寻求规模化扩展市场的能力。这种在逆境中积累的客户成功经验和实施能力，为未来利率下降、交易量回升时的爆发式增长奠定了基础。即便短期内看不到大幅降息的可能，这种基于基本业务体量和客户渗透率的策略依然稳健有效。
SaaS商业模式的本质是成本分摊而非技术壁垒
关于“SaaS末日论”的争议，核心在于是否认为AI代理（Agents）将取代传统软件。事实上，许多知名的AI代理公司本质上仍是企业级软件公司，它们依然在编写代码并向客户交付。SaaS商业模式的根本逻辑在于一次性构建软件后，将研发成本分摊给成百上千的客户。相比之下，如果每个客户都自行构建软件，即便开发成本降低10倍或100倍（目前尚未实现），让一群人共同购买一家公司的产品，其成本仍远低于各自独立开发。这种规模效应和专业化分工构成了SaaS存在的物理基础，只要这一经济模型成立，软件即服务的需求就不会消失。
垂直领域SaaS因高复用率更具抗风险能力
在判断哪些软件公司能幸存时，垂直领域（Vertical）优于水平领域（Horizontal）是一个关键论点。以抵押贷款行业为例，垂直软件公司仅服务于特定行业客户；而像Salesforce这样的水平SaaS平台则面向广泛人群。问题在于，水平软件客户往往只使用其10%的功能。当企业需要为100%的开发成本付费，却仅获得10%的价值时，他们更有动力去构建更精简的替代方案。相反，在垂直领域，客户通常使用软件100%的功能。如果一家公司已经构建了满足特定行业需求的产品，并向多个客户销售，那么只要售价低于客户自建成本，其商业逻辑就坚不可摧。因此，在高度监管的垂直领域深耕的软件公司具有更强的护城河。
AI代理并未改变SaaS的成本结构逻辑
有人担忧AI代理因存在“服务单个实例”的边际成本，会导致SaaS利润率结构性下降。然而，推理成本的快速下降正在抵消这一担忧。随着GPT-6 Luna等模型以每百万输入token 10美分的价格提供服务，激烈的竞争正推动基础层成本显著降低。此外，行业常误以为“基础设施免费但Token昂贵”，但在抵押贷款等任务中，并不需要最前沿的智能模型，因此实际成本结构中基础设施和Token费用均受到控制。SaaS的利润率更多取决于成本控制能力和运营效率（Lean Business），而非单纯的技术成本。正如对话中所言：>
代理商业模式的未来：从Token计费转向价值交付
当前许多编码提供商采用基于Token的销售模式，甚至向客户收取20%的加价利润。然而，这种商业模式在未来五年内可能无法持续。核心观点在于客户不再关心底层成本结构，正如文中比喻：“没有人会问‘你的AWS账单是多少？我只希望你在AWS账单上赚取20%的利润’。”未来的竞争焦点将回归到企业为客户提供的实际价值以及自建替代方案的机会成本。成功的代理服务商必须证明其ROI为正，且总成本低于客户自行构建系统的费用。利润率将取决于这两个因素，而非单纯的Token消耗量。
成为AI原生CEO的方法：通过“暴力试用”建立直觉
作为拥有计算机科学背景的CEO，转型为AI原生思维的关键在于极度广泛的产品体验。硅谷长期流传的“多使用产品才能成为好产品经理”的建议，在AI时代依然适用且更为关键。必须尝试所有新出现的形态，包括那些看似愚蠢或安全性存疑的工具。通过连接个人邮箱或使用备用账号接入各类应用，实质是在众筹他人的思考过程。这种高强度的试用能让人快速提炼出技术演进的方向和模型能力的边界，从而获得比单纯阅读报告更深刻的第一手直觉。这种“玩”出来的经验是理解代理行为模式的基础。
早期Devin体验：从玩具到AGI的预演与深度参与
2024年夏天，团队获得了早期编程代理Devin的访问权限。尽管当时GPT-4尚不足以完美构建复杂的代理系统，且产品存在诸多缺陷（如启动视频与实际体验的落差），但它展示了未来的雏形。作者当时便感叹：“天哪，这就是AGI。”尽管初期使用困难重重，需要大量调试才能让其执行有意义的工作（直到Sonnet 3.6版本才实现重大突破），但这段经历极具价值。通过早期深度使用，团队建立了关于如何与代理协作的正确直觉：即不能假设代理拥有人类隐含的背景知识，必须像指导一个完全不知情的新手一样给出明确指令。这种对模型局限性和表达方式的深刻理解，成为了团队内部培训的核心内容。
顾问关系与认知优势：借力开发者视角洞察前沿
作者目前担任Devin的产品顾问，经常前往旧金山办公室与其团队交流。这种近距离观察软件开发过程的机会提供了巨大的认知优势。通过目睹开发者如何测试新模型的经济性，以及他们如何在周日加班打磨产品，作者得以外包部分对新技术的探索精力。面对每天可能有多个新模型发布的快节奏环境，个人时间有限，“我没有时间去玩每一个新推出的模型”。通过与核心开发团队的互动，作者能够直接获取关于模型能力边界的最新判断，从而更高效地决定如何将新技术整合到自身业务中。这种关系不仅提供了产品建议的反馈，更确保了在技术浪潮中的信息同步与战略前瞻性。
从理论到战术：以系统记录为核心构建AI原生业务
在探讨如何打造一家真正的“AI原生”公司以及如何开发卓越的Agent产品时，许多创新理念源于对Devin和Cognition等项目的深入咨询经验。尽管理论层面的探讨往往较为抽象，但核心商业逻辑依然稳固：企业必须首先确立其作为“系统记录”（System of Record）的核心地位。对于Vesta而言，这意味着它是摩根士丹利等抵押贷款机构发起房贷的基础系统。这种基础架构的理解相对直观，真正的挑战在于如何在此基础上构建具有实际战术价值的AI Agent应用。早期的行业讨论多停留在理论层面，而将咨询经验转化为自身产品的具体实践，才是关键所在。理解如何在不颠覆原有系统记录的前提下，利用AI增强现有业务流程，是构建AI原生企业的基石。
事件驱动与自动化编排：超越“副驾驶”模式
Vesta在Agent应用上的早期突破在于采用自动化来编排这些智能体，而非仅仅将其作为“副驾驶”（Co-pilot）工具。许多现有的Agent产品仍带有浓厚的辅助色彩，需要人工介入输入指令。受Cognition的Stephen Hou在2023年第三季度提出的“事件驱动”（Event-driven）理念启发，Vesta意识到Agent不仅可以响应Bug报告等特定触发器，也可以被经典规则所启动。具体而言，当客户签署披露文件并表达“继续推进”（Intent to Proceed）的意愿时，系统不仅会触发传统的自动化流程（如订购洪水保险、欺诈检查和房产评估），还会自动启动一系列Agent来处理复杂任务。这种机制避免了等待操作员手动提示Agent的低效模式，实现了从“人找AI”到“事触发AI”的转变。
硬编码提示词与任务自动化：具体实施案例
在Vesta的实践中，将贷款经理的任务转化为“硬编码提示词”（Hard-coded Prompt）是释放Agent潜力的关键手段。例如，系统会自动生成类似这样的指令：“检查购房合同中的所有条款是否与披露信息一致，日期设置是否正确，根据优先级标记贷款状态，并确认房屋距离雇主在50英里以内。”尽管这类提示词看似繁琐且“糟糕”，但正是这种明确的、自动化的指令流，使得每一笔进入该阶段的贷款都能自动生成并分配Agent执行特定工作。这种编排式（Orchestrated）的Agent场景极大地提升了控制力，解决了客户对操作人员信任度不足以及离岸团队管理复杂的问题。此前行业未能广泛采用此模式，很大程度上是因为模型的可信度不足以支持完全放手的结果输出，但随着技术进步，这一障碍已被克服。
房贷系统的复杂性挑战与2024-2025年进展
尽管Agent技术带来了自动化潜力，但房贷系统的底层数据模型和监管要求极其复杂，导致构建核心系统记录本身就是一个漫长的过程。Vesta在2024年主要致力于将首批客户上线，由于需要处理政治敏感性和严格的监管环境，构建一个能成功发放一笔贷款的完整系统记录耗时两年。相比之下，其他竞争对手甚至花费了五年至六年时间才实现首笔贷款发放。因此，2024年的自动化进展相对平缓，行业平均关闭周期仍维持在约45天。进入2025年，随着自动化流程在客户基础中广泛部署，平均约有15%-20%的任务实现了自动化。需要注意的是，这并不直接等同于时间缩短，因为房产评估等外部延迟仍影响整体时钟时间。然而，顶级贷款机构PennyMac在部署AI Agent前已通过其他手段降低了25%的运营成本，而Vesta随后为其部署的大量AI Agent将进一步深化这一效率提升。获得生产环境中的广泛采用，核心难点在于建立对AI的信任。
自动化渗透率与最后5%的硬骨头
在AI代理（Agents）的应用落地中，技术扩散的速度往往比预期更慢。尽管许多贷款机构仍保留人工审核每一个AI运行结果的环节，但效率提升依然显著——员工无需点击操作，只需阅读长链思维过程即可。从产品视角评估，目前自动化程度已达到75%，但这剩下的25%中，最后5%往往是最难攻克的。以退伍军人事务部（VA）贷款为例，获取资格证明需要登录政府网站，而该网站不支持系统账户登录，强制要求使用带有社会安全号的个人账户。由于政府明确禁止爬取网站数据且未开放系统级访问权限，这一环节无法通过技术手段绕过。这揭示了自动化瓶颈通常来自外部合规与系统限制，而非技术本身。
美国30年固定利率房贷的独特性与风险结构
美国在二战后确立的30年期固定利率抵押贷款制度，是全球罕见的金融创新。与其他国家（如加拿大5年短期重定价）不同，这种制度极大地促进了中产阶级的稳定与繁荣。然而，其代价是金融机构承担了巨大的久期风险（Duration Risk）和利率风险。持有此类贷款的银行面临长达30年的信用敞口，正如硅谷银行（SVB）危机所示，当利率剧烈波动时，长期固定收益资产的价值会大幅缩水。投资者难以预测借款人20年后的财务状况（如退休、失业等宏观变量），因此这种长期固定的支付结构本质上极难进行传统意义上的承保评估。
房贷行业的规则迷宫与合规逻辑
美国抵押贷款行业是一个由海量规则堆砌而成的复杂系统，几乎没有人会主动减少规则。这些规则大多源于2010年至2015年金融危机后的保守主义反弹，导致行业处于一种“规则博弈”的状态。贷款机构每月需应对来自至少10个不同实体的新规，核心任务是在管理风险与合规之间寻找平衡。从自动化贷款的角度看，这种高度规则化的特性反而带来了一个结构性优势：政府强制要求集成“自动化承保系统”（AUS），且由该系统做出最终的信贷决策。这意味着，作为贷款方，AI代理的主要工作不再是直接做决定，而是“按摩”贷款数据、确保文件无欺诈、验证信息三角一致性，并将结果适配进AUS的框架中。由于最终的信用决策由系统生成而非AI直接输出，这在很大程度上消除了许多合规风险。尽管销售端仍面临“持牌人员是否可被AI语音代理取代”的监管模糊地带，但在后台处理环节，由于高度依赖AUS驱动，阻力相对较小。
垂直领域集成的复杂性与隐性知识壁垒
构建针对特定行业（如抵押贷款）的软件系统，面临着极高的集成难度和隐性知识（Tribal Knowledge）的壁垒。以美国各县区的300多个不同格式为例，每个县区对票据内容、字体、边距等细节都有独特规定。现有的 incumbent 系统虽然负责维护这些规则，但其数据模型往往包含数十万个字段。在开发初期，团队需要手动梳理如新罕布什尔州等州的自定义字段，通过对比数千行的电子表格来确认数据映射关系。这种工作极其繁琐且缺乏文档支持，甚至需要工程师手动编写代码来适配这些复杂的数据模型。此外，获取第三方合作伙伴（如文档生成引擎 DocuTech）的支持也是一大难题，因为许多集成项目往往半途而废。为了证明项目的可行性，团队不得不花费大量精力去说服合作伙伴投入资源进行深度对接。
客户信任与“氛围编程”的局限性
获得首个客户是另一个巨大的挑战。Vesta 的首位客户承担了极高的风险，因为如果系统失效，他们的贷款业务将完全停滞。这种信任建立过程充满了不眠之夜的技术调试。这也解释了为什么作者对“氛围编程（Vibe Coding）”能够直接生成复杂贷款操作系统（LOS）持悲观态度。许多行业细节并未书面化，而是存在于从业者的经验中。过程挖掘（Process Mining）技术试图通过录制屏幕来提取这些知识，但作者认为这种方式信息丢失严重（Lossy），即使通过 Zoom 观察员工操作，也难以完全还原其决策逻辑。因此，当“氛围编程”足够强大时，大多数企业可能仍会选择购买像 Vesta 这样经过验证的成熟产品，而非从零开始提取上下文。
AGI定义与企业扩散的现实路径
关于AGI（通用人工智能）的到来，作者认为实际上已经发生。从2018年到2023年，人们普遍否认AGI的存在；但从2024-2025年开始，由于模型能力的提升，许多人不愿承认自己不如AI聪明，从而在定义上变得模糊。作者指出，创造新术语（如ASI）往往是为了维持人类的自我价值感。然而，即便AGI存在，AI在企业中的扩散仍需漫长过程。Vesta 的核心价值不仅在于软件本身，更在于其咨询与转型服务。团队需要教育贷款机构如何实施AI代理、调整内部流程（如处理员的角色变化），并协助应对监管和投资者的疑问。这种企业级落地能力是单纯的技术模型无法替代的。
深耕房贷领域的底层逻辑与宏观价值
尽管外界常有关于AGI时代职业前景的焦虑，甚至质疑为何要投身于看似传统的房贷行业，但Vesta创始人Mike认为这一选择具有深刻的结构性意义。他坚信美国中产阶级的稳固很大程度上依赖于30年期抵押贷款体系，而该行业目前存在的复杂性与摩擦成本极高。Mike指出，虽然情感层面的“拥有住房”很重要，但从宏观角度看，消除房贷流程中的摩擦并降低门槛是提升国家竞争力的关键举措。他提到：“我认为美国相对于其他国家的许多成功，是由中产阶级驱动的。”
Mike进一步分析道，当前财富不平等加剧和社会动荡的背景下，优化房贷这一核心金融基础设施具有极高的社会价值。他认为，如果Vesta不致力于解决这些问题，“我认为没有人会去做”。这种使命感不仅源于对行业痛点的洞察，更在于通过技术手段真正降低中产阶级购房的壁垒。他调侃道：“如果20岁的我说我要用一生研究房贷，你可能会觉得这不太寻常。”但正是这种对解决具体、高价值社会问题的执着，构成了团队的核心动力。他明确表示：“我认为把其中的摩擦全部去除……是一项非常有价值的工作。”
人才动机：拒绝大厂光环，追求不可替代性
在吸引顶尖人才方面，Vesta并未依赖硅谷大厂的普遍吸引力，而是强调“改变世界”的独特使命感。Mike坦言，虽然团队成员完全有能力进入Anthropic等顶级AI实验室工作，但他认为个人的加入对巨头胜负的影响微乎其微。相比之下，在Vesta，每个成员都能感受到自己是不可或缺的关键角色。他反思道：“如果我去Anthropic……那将是极其傲慢的想法。”
这种“留下印记”的愿景成为了团队凝聚力的核心。Mike指出，许多成员渴望从事那些“如果你不做，竞争对手也不会做”的工作。团队成员之间的相互认可和对独特贡献的重视，极大地提升了工作热情。他强调：“我认为这确实引起了一部分人的共鸣……你想要在你的宇宙中留下印记。”这种非标准化的职业路径选择，使得Vesta能够在不依赖大厂光环的情况下，吸引并留住那些渴望解决实际问题的人才。Mike总结道：“我认为这对我来说以及很多团队成员来说，仍然是一个非常重要的激励因素。”
远程协作的韧性：高留存率与文化聚焦
Vesta目前团队规模接近100人（约95-100名员工），且全部位于美国境内。尽管公司成立于2020年疫情期间，但其远程办公模式并非权宜之计，而是经过验证的高效策略。Mike强调，公司拥有极高的员工留存率，“2021年的大部分成员至今仍在职，仅有约3人离开”。长期的共事经历建立了深厚的信任与上下文共识，使得远程协作变得顺畅。他指出：“让人们在一起工作如此之久……这使得在人们长期合作后保持远程办公变得更加容易。”
此外，Mike坚持认为专注力是远程文化的另一大支柱。他反对将精力分散在办公室管理与远程协作之间，主张让团队全天候专注于优化远程工作体验。他解释道：“我希望他们整天都在思考如何让这种远程模式发挥作用，而不是在管理办公室和让远程人员融入之间分散注意力。”这种对“专注”的极致追求，确保了团队在分布式环境下依然能保持高效协作与文化一致性。Mike补充道：“我认为我对专注力非常信奉。”
B轮融资后的规模化扩张与产品聚焦
随着Series B融资的完成，Vesta的战略重心转向大规模扩展。Mike表示，资金将主要用于实施团队和工程团队的扩张。公司已跨越了早期采用的鸿沟，成功签约美国三大贷款机构之一并获得极高评价。他提到：“他们登上财报电话会议并对此赞不绝口。”这种头部客户的背书带来了巨大的市场需求和工作量。Mike指出：“一旦跨越了那个非常艰难的鸿沟，就会导致大量的需求。”
在产品策略上，Vesta坚持深度聚焦而非盲目扩张。尽管贷款机构使用约50种软件工具，但Vesta已成为其首选且领先优势明显。Mike强调：“我们不会四处构建所有合作伙伴的功能。”相反，公司致力于深化核心产品的可扩展性。他解释道：“我们总是有无尽的事情要构建……他们要求我们经常为我们构建东西。”这种以客户需求为导向的工程扩展策略，确保了公司在规模化过程中仍能保持产品竞争力。Mike总结道：“我认为让产品在规模上发挥作用……总是有无尽的事情要构建。”
业务爆发与早期人才招募策略
Blend公司目前正处于收入高速增长期，其年营收同比增长达到 12x。与此同时，外包团队规模扩大了约 3倍，业务管线（Pipeline）也增长了大约 5倍。这种全方位的爆发式增长意味着公司需要筹集资金以引进合适的人才来应对挑战。对于早期职业阶段的工程师而言，这是一个极佳的加入时机。公司目前处于验证产品可行性后的规模化扩张阶段，这为新人提供了大量的学习机会和成长空间。与加入Blend初期那种“必须让Fannie Mae项目或AI功能成功”的单点聚焦不同，现在业务线更加多元，拥有更多独立负责（Ownership）的机会。因此，公司特别倾向于招聘那些有野心、聪明且能在早期环境中快速成长的初级人才或应届毕业生。正如对话中幽默提到的，如果一位“实习生Mike”能像现任CEO那样出色地加入公司，他同样会被录用。
产品经理角色的本质与AI的影响
关于产品经理（PM）的角色，其核心定义并未发生根本性改变。Mike认为，产品工作的本质在于“做对决定”（being right）。这要求产品经理在问题定义、解决方案设计以及优先级排序上必须保持极高的精确性和正确性。虽然AI可以承担大量的利益相关者管理（stakeholder management）和行政文书工作，从而可能减少对初级产品经理的需求，但核心的产品工艺（craft）——即理解问题、设计解决方案并精确传达上下文——依然不可或缺。Mike指出，向模型准确描述需求以指导其行动的能力变得比以往更重要。因此，虽然执行层面的工作可能被自动化替代，但对问题本质的深刻理解和精准表达能力将是产品经理在AI时代最难以被取代的价值所在。
领导力优势与沟通精度的重要性
在确保“做对决定”的过程中，利益相关者管理和说服他人接受你的观点是至关重要的环节。Mike提到，作为CEO，他在进行这些沟通和推动决策时拥有显著的优势。然而，无论职位高低，产品经理都需要具备将复杂上下文转化为精确指令的能力。这种精准传达语境（context）的重要性不仅没有降低，反而比以往任何时候都更加关键。在AI辅助开发的背景下，人类产品经理的角色逐渐从“执行者”转向“定义者和指导者”。能够清晰、精确地告诉AI模型该做什么，成为了一种新的核心竞争力。这意味着未来的产品经理需要更加专注于战略层面的判断和逻辑构建，而非陷入繁琐的流程管理中。这种转变使得那些擅长深度思考、能精确界定问题边界的人才能在团队中脱颖而出。
结论
Vesta通过构建现代化核心记录系统，利用AI Agent实现了房贷后台工作95%的自动化。其优势在于垂直领域的高复用率、事件驱动架构及合规性保障，有效克服了遗留系统的数据缺陷。然而，最后5%的自动化受限于外部合规壁垒（如政府网站限制），且落地需经历漫长的客户信任建立过程。该模式证明了在SaaS成本分摊逻辑下，垂直深耕比通用平台更具护城河。尽管宏观利率高企带来挑战，但通过解决行业摩擦成本，Vesta确立了在AI原生时代的不可替代性。