从随机数学到系统工程的认知转变

Valon创始人的职业起点并非源于对金融的热爱，而是基于数学兴趣。他在Soros工作初期甚至缺乏经济学基础，最初被房贷领域吸引是因为其中涉及随机微积分（stochastic calculus）在预付款模型中的应用。然而，深入工作后他发现，所谓的复杂数学模型在实际操作中往往缺乏严谨性。

"It turns out it's all finger in the air. Just guess your way through math."（事实证明，这完全是凭感觉猜测。只是用猜的方式通过数学计算。）

这种发现促使他将关注点从纯理论转向系统工程问题。房贷行业涉及海量数据、资金流动和频繁的账目核对，而现有的内部对账系统经常无法匹配。这种技术痛点（pain）让他意识到需要构建更底层的基础设施来解决数据一致性问题，从而奠定了Valon致力于重构行业系统的初衷。

停滞不前的万亿级市场现状

从市场规模来看，房贷服务是一个典型的未受颠覆的行业（undisrupted industry）。目前市场上存在约 $13 trillion 的消费者债务，但这些资产主要运行在一个在互联网发明之前就建立的遗留系统上。与大多数拥有现代化竞争对手的行业不同，房贷行业的技术水平甚至未能赶上2000年代的标准。

这种技术滞后导致了极高的部署难度。Valon面临的是企业级中最复杂的核心操作系统替换（rip and replace the core operating system）挑战。这不仅涉及训练数千名员工，还要在高度监管的环境中部署AI。正如团队所言，这种在最困难行业中应用AI的经验，正是未来十年最稀缺的技能组合（skill set）。这种巨大的技术代差构成了Valon面临的巨大机会。

遗留系统的上下文缺失与用户体验困境

对于普通按时还款的借款人，旧系统的影响可能不明显；但对于遭遇不幸事件的客户，上下文缺失（lack of context）会导致严重的焦虑。遗留系统通常只记录当前状态的快照，而无法高保真地捕捉房贷生命周期的完整历史。

例如，当借款人去世导致贷款人变更时，旧系统往往无法准确追踪这一变化过程。客服只能依赖临时的旁置数据库（ad hoc database）来查找信息，导致在处理复杂情况时效率低下且容易出错。这种基础设施的缺陷（plumbing）直接导致了糟糕的消费者体验，而Valon的目标正是通过重构这些底层逻辑来改善服务。

遗产继承中的信息断层与 AI 的局限

抵押贷款服务系统在处理房主去世后的资产转移时，往往因数据隔离导致继承人陷入困境。当子女试图接管房产并处理遗产税等复杂事务时，由于旧系统缺乏跨代际的数据关联机制，他们无法访问历史记录。服务商常以“你不是原始借款人”为由切断信息权限，这种系统性的数据孤岛迫使家庭在悲痛中反复解释情况以获取必要文件。

"Well, you weren't that borrower. You don't have access to that history. We're cutting it off at this point in time."

虽然 AI 能够理解上下文语境，帮助缓解沟通压力，但它无法改变一个根本事实：信息必须以正确的方式被系统表示才能正常运行。如果底层数据模型无法准确反映现实世界的复杂关系（如继承权与贷款历史的关联），再先进的 AI 也无法弥补体验缺陷。因此，更完整、更准确的信息表达方式才是提升用户体验的关键。

牌照申请的“鸡生蛋”困境与战略迂回

Valon在起步阶段面临的最大障碍并非技术，而是抵押贷款服务行业严苛且相互矛盾的监管许可体系。许多州及联邦机构（如Fannie Mae和Freddie Mac）要求申请者在获得牌照前必须证明其业务已具备盈利能力，这构成了典型的“鸡生蛋”难题：没有牌照就无法开展大规模业务从而盈利，而没有盈利证明又无法获得牌照。尽管存在少数例外情况，但整体门槛极高。

为突破这一僵局，Valon采取了极其谨慎的分阶段牌照获取策略。团队意识到无法直接获得主要政府机构的许可，因此转而聚焦于非QM贷款（Non-QM loans）。这类贷款仅需州级牌照，避开了联邦层面的直接监管壁垒。然而，即使是州级许可也充满陷阱。以加州为例，其房地产局（Department of Real Estate）要求申请者不仅要是持牌经纪人或拥有相关背景，还必须证明团队在催收、客户服务、支付处理、逾期管理及止赎等全链条服务环节拥有五年以上的经验。这种对历史经验的硬性要求，对于一家初创科技公司而言几乎是不可能完成的任务。

“我们不得不非常系统地规划获取牌照的顺序……大多数此类项目的预测至少需要三到五年，而且这是在你采取最理想步骤的前提下。”

这种层层叠加的审批流程意味着Valon必须在早期就构建起跨领域的深厚专业知识储备，而不仅仅是开发软件。团队必须像传统金融机构一样理解每一个运营细节，才能通过监管审查。

纽约牌照的“马拉松”与行政博弈

Valon在获取特定州牌照的过程中，经历了漫长且充满不确定性的行政流程。以纽约州的许可申请为例，尽管最终在三年内获得了批准——这被团队称为“创纪录的时间”——但讽刺的是，Valon最终并未在纽约州实际开展抵押贷款发起业务。这一结果深刻揭示了该行业监管环境的复杂性与低效性。

纽约监管机构有一套独特的“重置时钟”机制：如果申请被遗漏、拒绝或出现其他行政疏漏，审查周期会倒退三到六个月。在新冠疫情爆发前夕，Valon得知其申请被标记为“缺失”，这意味着他们必须重新等待半年以上。为了打破这种被动局面，创始人采取了极端的主动干预措施：亲自前往监管机构的邮件室（mail room），通过追踪物流信息定位申请文件的具体位置，并当面核实其状态。

“他们告诉我我的申请缺失了……我有追踪信息，我知道它在那里。所以我决定去他们的办公室亲自追查。”

这一案例不仅展示了监管流程的繁琐，也反映了Valon团队在面对系统性障碍时的坚韧与执行力。在获得所有必要批准之前，团队必须聚合来自不同领域的专业知识，这种漫长的准备期是进入该行业的必经之路。

将法律条文重构为代码架构

在解决牌照问题后，Valon面临的第二大挑战是将分散、复杂且不断变化的法律法规转化为可执行的软件平台。这不仅仅是合规检查，而是对整个法律代码库的重构。团队需要处理联邦层面的多项法规（如RESPA、TILA、FDCPA、GLBA、TCPA等），以及50个州各自不同的抵押贷款法规、债务催收实践、止赎程序、隐私保护和托管规定。

Valon的方法是将这些法律条文转化为一个抽象的架构框架。由于许多联邦法规源自各州法律，团队通过梳理这些渊源，创建了一个能够涵盖所有合规要求的通用模型。随后，他们将这一模型嵌入软件架构中进行测试。

“我们阅读了每一条法规……这就像是一个有趣的练习，重构整个法律代码库。”

这一过程在疫情期间达到了顶峰。创始人在六个月内，每天工作18小时，逐条阅读法规并进行注释和架构设计。这种高强度的投入被称为“纯粹的毅力、努力、痛苦和磨难”。随后的五到六年时间里，团队持续进行测试和优化，确保平台能精确执行这些复杂的合规逻辑。这种将法律转化为底层代码能力的努力，为Valon在AI时代的抵押贷款服务重建奠定了坚实的本体论基础（ontology）。

从合规壁垒到市场突围：安全与紧迫感的平衡艺术

Valon在构建抵押贷款服务系统时，面临的最大挑战并非技术本身，而是如何克服行业对新技术的天然抵触。其内部软件框架与传统的贷款服务模式截然不同：效率本身就是产品，因为技术越先进，利润率越高。Valon选择将这部分节省下来的成本直接传递给资产管理者（即最终客户），利用经济动物的逐利本性，通过降低价格迫使市场接受新技术。这种策略的核心在于平衡安全性与紧迫感。为了确立“安全”属性，Valon亲自运营自己的服务商系统长达六七年，通过了所有州的监管审查以及房利美（Fannie Mae）、房地美（Freddie Mac）等机构的审计，承担了所有的运营风险。这种实战验证证明了系统的合规性与稳定性。

在建立信任后，Valon通过直接参与市场竞争来制造紧迫感。他们最初的服务商业务实际上是在与未来的软件客户竞争，这种“既当裁判又当运动员”的策略迫使团队不断迭代。正如Valon联合创始人Andrew所引用的黄仁勋名言：“如果不是AI，那就是比你更快使用AI的公司是你的竞争对手。” 这种竞争压力转化为内部动力，确保了技术迭代的快速推进。通过亲自下场运营，Valon不仅验证了技术的可行性，更向潜在客户展示了其在极端合规环境下的生存能力。

经济模型的颠覆：从盈亏平衡到超高利润率

Valon最引人注目的成就在于其经济模型的彻底重构。传统的抵押贷款服务是一个微利甚至盈亏平衡的行业，但Valon通过AI技术实现了3倍于行业的效率提升。这一数据并非估算，而是基于实际运营得出的核心指标。这种效率的提升直接将原本微薄的利润空间转化为70%-80%的运营利润率。这种巨大的经济差异成为了Valon打破市场僵局的利器。

“我们大约比行业效率高3倍。你将这个盈亏平衡的业务转变为一种70%到80%的运营利润率业务，而正是这种利润最初为我们创造了紧迫感。”

高利润率不仅带来了财务优势，更引发了飞轮效应。当Valon签下第一个大客户后，其他五大主要竞争对手纷纷主动联系，询问其软件销售计划。这种从“服务商”到“技术供应商”的身份转变并非偶然，而是效率优势带来的必然结果。如果没有早期自建服务商来验证并积累这种极致的效率数据，Valon很难在初期获得市场的信任和关注。高利润率成为了解决传统行业低效问题的关键杠杆，使得Valon能够以极具竞争力的价格提供软件服务，从而迅速占领市场。

战略抉择：为何选择开源而非独占？

尽管Valon最初在A轮融资演示文稿中曾描绘过建立一个大型独立服务商的蓝图，甚至被戏称为“接管计划”，但最终他们选择了将技术开源并出售给行业。这一决策源于创始团队对“改变世界”而非仅仅“赚钱”的使命感。如果Valon选择继续运营自己的服务商，它将独占技术红利（Alpha），但这并不能解决整个行业的基础设施问题。Valon的使命是“从大型机和遗留软件中拯救世界”，这意味着他们必须打破技术垄断。

“对于想要成为世代传承的公司来说，拥有一个清晰的目标和使命……极其重要。我们想改变世界，修复一个相当破碎的世界。”

这种使命感不仅提升了员工士气，更明确了公司的长期方向。Valon认为，只有将技术分享给整个行业，才能真正修复核心基础设施的缺陷。通过向Carrington等公司出售其操作系统（OS），Valon正在推动整个抵押贷款服务行业的标准化和现代化。这一战略转变体现了从“单一企业盈利”到“行业基础设施升级”的视角转换，旨在解决整个社会层面的复杂问题。

AI时代的机遇：从自动化到智能体协作

在生成式AI成熟之前，Valon的愿景可能局限于流程自动化。然而，当前的技术可能性已经发生了质的飞跃。现代AI使得处理极度复杂的案例成为可能，系统能够研究并提供正确的信息集给操作员，使他们能够在微观层面指挥“小型智能体军队”来解决具体问题。这种转变将人类从繁琐的信息检索中解放出来，专注于决策和例外处理。

以灾后援助为例，传统服务商需要手动拨打大量电话确认房主意图并执行复杂的本地化通知流程。在旧模式下，动态调整策略或针对特定地区制定不同战术几乎是不可能的。而在Valon的AI系统中，操作员可以借助智能体快速处理这些复杂场景。系统能够自动研究案例背景、提供合规建议，并协助操作员执行个性化的沟通策略。这种“人机协作”模式不仅提高了效率，更提升了服务的精准度和人性化水平，标志着抵押贷款服务从机械化流程向智能化决策的重大跨越。

从人工分散作业到 AI Agent 智能编排

Valon 的核心变革在于将传统的抵押贷款服务从依赖人工分散作业的模式，转变为基于 AI Agent（智能体）的自动化编排。在传统模式下，处理贷款列表往往需要打印电子表格并分配给不同的人群执行特定任务（如 A 和 B），这种流程效率低下且缺乏灵活性。相比之下，Valon 的产品套件允许用户直接指挥一组 AI Agent 执行复杂任务，例如自动拨打电话联系房主并提供不同的还款计划方案。这种能力不仅提升了底层服务提供商的效率，更赋予了他们极高的可定制性（Customizability）。通过这种编排能力，服务提供商不再受限于“零利润率”下的刻板流程，而是能够根据具体场景思考最佳处理方案。这种转变将原本高度商品化、千篇一律的服务世界，转变为专业化且充满个性（Flavor-driven）的领域。正如对话中所述：> “Hey, I want to orchestrate a set of agents to make phone calls to contact home owners... And you can do that in sort of like a fire uh pilot sort of simulation um uh scenario.”

突破确定性限制，实现长尾场景的自动化与优化

过去，自动化技术仅适用于数据明确、逻辑确定的简单任务。虽然这在数学上能带来一定效率，但无法满足用户对复杂体验的需求。Valon 的出现彻底改变了这一局面，它不仅能自动化更高比例的任务，还能处理长尾（Long tail）和极其复杂的场景。通过部署数十种不同的 Agent，Valon 能够执行诸如托管分析（Escrow analysis）等以往需要人工介入的任务，并将这些任务打包在结构化的数据本体之上。更重要的是，这种灵活性使得服务提供商可以采用冠军挑战者（Champion-challenger）策略来优化投资组合结果。例如，面对 100 笔贷款，系统可以并行测试不同的策略、通知方式和结果导向，从而动态调整以达成最优解。这种能力在以前是不可想象的，因为传统人工代理需要极高的训练成本和特定的专业性才能处理此类变体。这种转变让服务提供商的工作变得更加有趣且富有成效，真正实现了从“机械执行”到“策略优化”的角色升级。

交互范式重构：从 UI 导航到多模态 AI 接口

Valon 不仅在后台处理逻辑上进行了革新，还重新定义了人类与系统的交互方式。传统系统侧重于构建“记录系统（System of Record）”，用户必须通过定义好的 UI 界面进行操作，这导致企业需要雇佣大量擅长导航这些复杂界面的操作员。Valon 则在此基础上构建了自己的Harness（框架），使得交互形式变得多样化且自然。在后端管理中，用户可以使用经典的聊天界面（Chat interface）进行操作；而在面向房主的服务中，Valon OS 支持通过语音 AI（Voice AI）和聊天 AI 进行交互。这种多模态的接口形式极大地降低了使用门槛，使得系统不再局限于特定的操作习惯，而是适应用户的自然沟通方式。这种交互范式的转变，使得 Valon 能够以更低的摩擦成本连接服务提供商和房主，提升了整体服务的可及性和用户体验。

应对行业特异性挑战与持续学习基础设施

在构建企业级、行业特定的 AI Harness 时，Valon 面临着独特的技术挑战。与通用编码环境不同，抵押贷款服务涉及会计分录、资金流动、客户互动、监管合规以及多方供应商交互等动态变化的复杂生态系统。因此，Valon 在模型对齐上特别强调正确性（Correctness）和安全性。例如，当模型不确定答案时，系统被设计为直接回答“我不知道”，而不是产生幻觉（Hallucinated answer）。这种细微的设计差异对用户体验至关重要。此外，Valon 构建的基础设施支持持续学习（Continual learning）过程。由于服务环境中的组件动态变化，系统需要不断运行评估、提取数据并优化模型方向。这种持续改进不仅符合通用的服务标准，还能针对特定客户进行微调，从而在复杂的动态环境中保持模型的准确性和适应性。这种基础设施确保了 AI 系统能够随着业务环境的变化而不断进化，而非一次性解决的静态问题。

服务即核心：从房贷到全行业的通用基础设施

Valon的架构设计初衷远不止于房贷服务，而是将其视为连接众多高度监管行业的枢纽。虽然住宅抵押贷款（Resi）因其市场规模大、受严格监管且关乎美国家庭所有权而成为理想的切入点，但这一领域实际上是一个更广泛生态系统的核心。服务（Servicing）是资金流动、监管合规与运营组件的共同底层基础设施。通过深入住宅房贷，Valon积累了处理复杂数据的能力。若向商业领域延伸，服务商不仅能获取房地产信息，还能触及租户的财务数据，这为类似Toast在小企业融资领域的平台化路径提供了可能。进一步扩展到医疗保健行业时，收入周期管理（Revenue Cycle Management）本质上就是医院的“服务”业务，涉及处理保险索赔及电子病历数据。这种跨行业的通用性使得Valon能够利用在房贷领域建立的深厚根基，向更广泛的B2B服务市场扩张。

重塑客户关系：从被动收款到主动关系管理

传统观念中，住宅房贷服务主要聚焦于催收付款和与房主的基础互动。然而，Valon利用AI技术潜力彻底改变了这一模式。通过每月主动联系房主并建立深度关系，Valon实现了对客户状态的持续感知。这种“每月一次”的互动频率在行业内从未被大规模应用过，它依赖于Valon构建的技术栈以及AI技术的发展方向。这种转变不仅提升了服务效率，更将原本被动的交易型关系转化为主动的、具有长期价值的客户关系管理。正如对话中所强调的，“一切皆服务”，这种视角使得Valon能够超越传统的运营支持角色，成为客户业务增长的关键伙伴。通过解决房贷服务这一极具挑战性且复杂的问题，Valon证明了其有能力处理任何涉及资金流动和监管的高复杂度业务场景。

市场验证与利益对齐：NewRes的大额迁移案例

Valon的市场成功并非源于创始人的主观判断，而是由市场需求决定的。“市场决定了我们实现了产品与市场契合（Product-Market Fit）”。在正式作为软件公司推向市场后的六个月内，Valon签署了超过2亿美元的交易合同，这反映了行业对变革的迫切需求。NewRes（现Rhythm Data）决定将400万笔贷款迁移至Valon平台，这是迄今为止最大的服务转移案例之一。这一决策的信心来源包括：早期合作中清晰展示的性能表现（甚至可能是保守估计）、以及结果导向的利益对齐机制。Valon不与客户按传统方式收费，而是确保“客户每赚取或节省一美元，我们也随之获益”。这种激励机制消除了双方利益冲突的可能性，使得合作成为“显而易见的选择（no-brainer）”。NewRes作为早期合作伙伴，通过在Valon平台上进行次级服务，直观地验证了软件的性能优势，从而推动了这一历史性的大规模迁移。

企业文化：自主驱动的人才聚集地

Valon的工作环境充满了活力，其独特之处在于员工的文化特质。这里的员工都是那种愿意“亲自掌控局面（take matters into their own hands）”的人。在招聘过程中，Valon发现加入公司的顶尖人才往往具有强烈的自主性和责任感。这种文化并非偶然形成，而是通过深入访谈早期员工发现的核心吸引力所在。“如果你问那些在我们正式组建之前加入的人为什么选择这里，你会发现他们都渴望主动解决问题”。这种自主驱动的文化与Valon解决复杂、高监管行业问题的使命高度契合，使得团队能够在缺乏明确指引的情况下，依然保持高效推进和创新。这种人才结构不仅支撑了当前的业务扩张，也为未来进入医疗、商业金融等新领域提供了坚实的组织基础。

顶级人才的动机：从抽象技术到具体影响

Valon在招聘顶尖人才时，面对的是来自Facebook、Anthropic等知名科技公司的竞争。对于许多高智商工程师而言，底层计算能力和模型本身的进步是显而易见的趋势，这些基础问题最终会被解决。真正能打动他们的核心因素在于个人影响力的可感知性。候选人意识到，在Valon工作意味着能够亲自驱动并解决那些至关重要且具体的问题。这种将个人智慧转化为清晰、可操作成果的能力，让他们在解决“不可能完成的任务”中获得巨大的满足感和喜悦。

"What makes a difference for them is the fact that they realize look there's a lot of smart people working on these other problems... That is I think what really gets the people at excited and then they realize they join for the people because they end up realizing okay besides the fact that I love like doing this type of work... surrounded by other people."

这种文化不仅吸引了人才，更让他们愿意长期留任。Valon的团队构成证明了这一点：其管理层中约有75%至80%的成员已在公司任职五年以上。这种高留存率反映了Valon成功构建了一种能够吸引并留住那些渴望在硬核技术领域产生深远影响的人才的独特文化。

部署本质：从技术挑战到变革管理

在AI技术的实际落地层面，Valon经历了一个深刻的认知转变。起初，人们可能认为这仅仅是一个技术问题，但经过六年的实践，Valon认识到在大型、复杂且受监管的企业环境中部署AI，本质上是一个变革管理（Change Management）问题。大型企业由成千上万的员工组成，每个个体都有略微不同的目标函数（objective function），组织内部层级复杂。因此，过去6到12个月中，Valon投入大量精力构建的是驾驭组织复杂性的能力。他们发现，在大规模范围内推动变革极其困难，但这正是未来十年AI带来的最大价值驱动因素。这一过程要求团队不仅要懂技术，更要懂得如何在庞大的组织中推动实际变化。

成功部署的关键人物特质：高能动性与人本智慧

在Valon成功的部署案例中，那些能够 thrive（茁壮成长/表现优异）的角色通常具备特定的素质组合。首先是高能动性（High Agency），即在高度模糊的环境中主动寻找解决方案的能力；其次是对客户的高同理心。这类人才能够站在不同视角理解各方目标函数，找到全局共同点并搭建桥梁。Valon强调，单纯的解题高手或单纯的人际交往能手都不足以胜任，真正成功的是那些兼具卓越问题解决能力与出色人际处理能力的复合型人才。他们需要在复杂的组织动态中，既解决技术难题，又协调人性层面的阻力。

"I would say high agency. High ambiguity, high empathy for the customer... usually there are people who are really great problem solvers and then there are also people who are really good with dealing with people and you need both."

这种对人才特质的精准定义，确保了Valon不仅在技术层面领先，更在组织落地层面建立了坚实的护城河。

结论

Valon通过重构底层数据架构与合规逻辑，将抵押贷款服务效率提升3倍，实现70%-80%的运营利润率。其核心优势在于将法律条文转化为代码本体，并结合AI智能体处理长尾复杂场景及多模态交互。市场已验证其可行性，如NewRes迁移400万笔贷款及2亿美元合同。然而，该模式高度依赖对严苛监管体系的深度理解与长期运营验证（如6-7年牌照获取）。其成功不仅源于技术，更在于通过自身运营证明安全性后，以利益对齐机制推动行业变革。这证明了在高度监管领域，AI的价值在于解决系统工程与组织复杂性挑战。