给车贷机构做的核销前回正编排：在贷款滚到核销前，先按借款人情况改写触达和还款路径。

1. 当大型企业会有数百万笔逾期账户、10-15% 的收入被卡住时，逾期控制本身就已经配得上董事会级预算。
2. 付款到期和核销之间正在长出一层独立软件，所以创业公司能从前催收切进去，而不是一上来就替换整套贷后栈。
3. 宣称核销率下降 11.5%、客户终身价值提升 13.6%，把回收工具从成本中心软件，变成了有 ROI 支撑的收入产品。
4. 两年、超过 2 亿次互动说明训练数据已经够了，产品可以按渠道、消息和时机做个性化，而不再是群发一刀切活动。
5. 向汽车金融扩张、又已接好 FICO，意味着首批客户可以靠叠加式工作流上车，而不是先做漫长的核心贷后系统替换项目。

催化因素。 KredosAi 的融资、可量化的核销率和客户终身价值提升，以及它借助 FICO 集成切进汽车金融，说明行为式前催收工具已经从抽象的 AI 许诺，走到了可以买的贷后系统阶段。

产品接入贷后数据和 FICO 式催收队列，在账户走到核销前先给每笔逾期贷款打分。它会在 SMS、邮件、语音和催收员工作清单之间，推荐或直接执行下一步最优回正动作，把消息、渠道、时机和还款路径按借款人分群来调。管理者能看清哪些分群更吃轻触达提醒、纾困方案还是转人工升级，也能按逾期分桶和资产簿册类型跑受控实验。因为产品是叠加层，贷款机构不用换掉核心贷后系统、外呼系统或代理网络，就能把回正率拉高、把本可避免的核销压下去。时间一长，公司会沉淀一张专有响应图谱，把借款人行为、车辆经济性和处置结果连起来，让催收策略从一套规则变成会学习的系统。

差异化。 外呼系统和催收代理机构追的是触达量，大多数催收套件卖出来的其实只是规则和队列。这个创业公司拿的是它们中间那层行为处置层：决定哪个借款人该收什么消息、走什么渠道、在什么时点触发，何时再升到人工。因为它被设计成叠在 FICO 驱动工作流上的增量层，所以不逼贷款机构换核心栈也能赢。它的护城河会沿三条线一起复利：贷款机构自己的处置-响应数据、不同还款路径的结果数据，以及“哪种干预能把哪类逾期分群催回”的工作流图谱。

待完成任务

flowchart LR
  Buyer[Head of collections] --> Pain[Static outreach misses cures before write-off]
  Pain --> Product[Pre-writeoff cure orchestration]
  Product --> Outcome[Higher cure rates and lower write-offs]

高管要点

• 车贷机构面对的存量账簿本来就大、而且压力不小：纽约联储称 2026 年 Q1 美国车贷余额达 $1.685T，Equifax 在 2026 年 5 月看到 87.4M 个未结清车贷账户、60+ DPD 比率为 1.37%，而 CFPB 到 2024 年末仍统计到超过 100M 个活跃汽车金融账户（[2]、[4]、[6]）。
• 痛点正好集中在论点指向的位置：纽约联储分析显示，逾期主要压在非主机厂系汽车金融公司身上；Equifax 估算，次级与深次级借款人占全部车贷存量债务的 22.1%，而经销商金融和单线金融机构的资产组合仍以次级客群为主（[3]、[5]）。
• 之所以有切口，是因为现有栈优化的是“大盘催收工作流”，不是“车贷专用的下一步最优处置闭环”：FICO、C&R 和 Qualco 都在卖端到端回收控制，而 TrueAccord 和 InDebted 则证明，数字优先催收可以改善结果，但不会让贷款机构内部的回正引擎成为中心（[8]、[9]、[10]、[13]、[17]、[19]）。
• 如果把产品卖成“少损失、更好回收”，而不是泛 AI，预算就讲得通：KredosAi 声称核销率下降 11.5%、CLV 提升 13.6%；TrueAccord 称 Snap Finance 的回收率提升 25-35%；InDebted 称 Snap 客户里有 3/4 通过数字渠道解决，并且合作方评分卡与 20.4% 更高的回收率相关；Qualco 也宣传现金流提升 35%（[1]、[12]、[16]、[17]、[34]）。

市场定义

这是一层卡在车贷漏付一期和核销之间的软件与工作流编排层：它利用贷款机构数据、策略规则和全渠道沟通，在收车或转外包回收前，为账户选出下一步最优回正动作（[8]、[9]、[13]、[17]、[19]）。

用户与买方

主要用户是大型车贷机构里的催收策略、贷后分析和数字化贷后负责人；真正掏预算的往往是贷后负责人、首席催收官或 COO，因为回正表现会直接影响核销、人力编制和代理支出（[2]、[3]、[30]、[31]）。

购买触发点

• 30+/60+/90+ 逾期或滚入率一抬头，贷款机构就会立刻想把更多账户在收车或核销前催回。 [2][3][6][36]
• 当人工处置选择跟不上早期逾期增长时，运营负责人就会被迫加催收员、加代理支出，或放大收车量。 [4][30][31]
• 贷款机构想把以电话为主、靠人工治理的触达，迁到合规的数字渠道上，同时又不能丢掉审计性。 [11][15][21][25][28][29]

支付意愿

只要把系统卖成少损失、少人工触达成本和更快回收，而不是泛 AI，预算就存在。这个品类的厂商也反复把价值锚在收入抬升、回收提升或现金流改善上，而不只是席位效率。 [1][12][16][17][34][35]

品类动态

增长信号 截至 2026 年 5 月，车贷余额同比增长 2.4%；与此同时，2026 年 3 月的非优质 auto ABS 表现仍同比偏弱

验证信号

• KredosAi 称，企业级部署已经把核销率压低 11.5%，客户终身价值提高 13.6%。
• TrueAccord 称，Snap Finance 用数字优先、ML 驱动的方法，把回收率拉高了 25-35%。
• InDebted 称，Snap 客户里有 3/4 通过数字渠道完成解决，而且合作方评分卡与 20.4% 更高的回收率相关。
• Qualco 宣传其催收套件可带来 35% 的现金流提升和 3 倍案件处理量，说明买家已经愿意为自动化结果买单。

监管与技术约束

• 债务催收沟通和验证流程必须符合 Regulation F 及其对应的借款人联系规则。
• 自动外呼和自动短信工作流必须支持便捷撤回同意，并在持续演化的 FCC/TCPA 规则下做到一对一同意治理。
• 银行买方必须把供应商纳入从规划、尽调、签约到持续监控的完整第三方管理流程。
• SMS 项目需要明确的订阅同意、确认、退订和隐私控制，并与 CTIA 及通道供应商要求对齐。

这个赛道大致分成五类：现有决策/工作流套件（FICO、C&R、Qualco）、数字优先催收机构（TrueAccord、InDebted）、贷款机构分析/数据工具（Equifax、TransUnion）、消息通道基础设施（Twilio/CTIA 生态）以及贷款机构内部自建规则栈。中间的空白，是一层车贷专用、核销前的控制层：在不替换整套核心栈的前提下，把消息、渠道、时机和还款路径的决策做得更好（[5]、[8]、[9]、[10]、[13]、[17]、[18]、[19]、[32]）。

为什么现有厂商不会默认胜出

• 决策与工作流套件. FICO、C&R 和 Qualco 已经拿着宽口径回收工作流，但它们本质上仍是横向系统记录源；创业公司仍能靠车贷专用的核销前实验层赢下一席之地。
• 数字优先代理模式. TrueAccord 和 InDebted 证明，AI 驱动的全渠道催收可以跑赢静态触达，但它们更像外包回收动作，而不是嵌在贷款机构运营里的内部回正引擎。
• 信贷分析与资产组合工具. Equifax 和 TransUnion 提供的是风险、逾期和组合健康数据，并不替贷款机构做下一步最优处置决策，也不掌控升级策略执行。
• 消息基础设施. Twilio 和 CTIA 这类基础设施提供的是合规触达的轨道，而不是决定谁下一步该收到什么处置的策略引擎。

这家公司应该先做成一个面向美国市场的行为控制层，服务那些需要在账户滚进收车或核销前，把 15-59 天逾期回正率拉起来的非优质客群车贷机构。研究给出的痛点很实：美国车贷余额已超 $1.6T，逾期压力最重的正是非主机厂系贷款机构，而现有催收栈也早就不是从零自建，而是通过 FICO 一类系统来跑队列和流程。最像首个客户的，是一家在管合同超过 150,000 笔、滚入率走坏、已有 FICO 式队列工作流的贷款机构里的首席催收官或贷后服务负责人。第一版产品不该去替换核心贷后系统、外呼系统或代理网络；它应该先在一个逾期分桶里以推荐模式落地，靠留出组证明提升，再逐步自动化已获批准的数字和语音处置。定价、销售动作和产品边界都得咬住一个企业切口：先卖付费基线诊断和 90 天试点，等贷款机构看到核销更低、人工触达更少、回正更好，再转成年费软件。研究里的市场不小，但也没大到足以支撑一开始就撒网：估算 TAM 为 $58.0M，SAM 为 $35.0M；只有在公司拿下 5 个灯塔客户时，第 3 年的 SOM 才有望做到约 $5.0M。之所以值得信，是因为大而全套件、代理机构和消息供应商都只解决了工作流的一段，车贷专用的“下一步最优处置”层还有空位。之所以要怀疑，是因为今天最关键的 ROI 证据仍主要来自厂商自述和相邻案例，而不是公开发表的非优质车贷留出组数据；再加上授权数据完整度和采购摩擦，都可能明显拖慢部署。

问题

• 非优质客群车贷机构在处理早期逾期时，依旧靠静态规则、通用脚本和外包外呼；与此同时，30+ 天和 60+ 天滚入率走高，正把核销、收车量和人力预算一起往上顶。
• 催收负责人缺的，是一层控制层：能在分群层面决定下一步最优消息、渠道、时机和还款路径，同时把审计性和客户终身价值都守住。

解决方案

• 在 FICO 式催收队列上加一层账户级处置评分、实验和人工审批工作流，为每笔逾期贷款推荐下一步最优的数字、语音或催收员动作。
• 先从一个 15-29 天或 30-59 天 DPD 分群，以推荐模式切入；对照随机控制组跑出提升后，再扩到自动执行、还款路径选择和跨更多分桶的升级管理。

为什么我们会赢

• 这个切口比替换整套催收套件更窄，也更容易量化：它能接进现有贷后和决策栈，以贷款机构自己的逾期账簿当基线，并在一个季度内用单一分群证明价值。
• 部署一旦扩开，公司就会沉淀一张专有的处置-响应图谱，把借款人层级、车辆背景、授权状态、逾期分桶和还款结果连起来；这部分数据，现有厂商和代理机构不会自动在贷款机构内部拥有。

里程碑

flowchart LR
  Wedge[15-59 DPD auto cure pilot] --> MVP[Recommendation-mode orchestration]
  MVP --> Proof[Holdout-tested cure and roll-rate lift]
  Proof --> Expansion[More buckets channels and adjacent credit products]

创始团队

实验路线图

风险评估

必须成立的条件

• 至少 40% 的合格滩头贷款机构，已经在用静态规则、表格或通用外呼手册管早期回正决策。
• 单个逾期分桶试点，必须能在一个季度内把回正率相对拉升至少 5%，或把滚入率相对压低至少 3%。
• 目标贷款机构必须有足够完整的授权和触达历史数据，才能在不重建整套数据底层的前提下，让一大块账户跑起数字化处置。
• 至少一半的付费诊断必须转成沿生产路径走的试点，因为这条工作流应该被当作减损预算，而不是 AI 创新预算。
• 在公司扩出车贷之外前，5 个灯塔贷款机构必须能支撑第 3 年约 $5.0M ARR。

待尽调问题

• 非优质车贷机构今天到底有多普遍地在用 FICO 或相邻系统跑早期队列？真正可用的 API 或文件挂点有哪些？
• 要让首席催收官把预算从代理机构或人力转到软件上，至少需要多大的相对提升？
• 在前 10 个目标账户里，SMS、邮件和语音渠道的授权、退订和语言偏好记录到底有多完整？
• 买家会不会接受先上推荐模式，还是一定要看到自动执行，才愿意批年费软件预算？
• 哪条渠道最容易先卖动：创始人直销、FICO 实施伙伴，还是数字催收 BPO 转介绍？

模型合理性

• 收入引擎. 基准收入来自把 3 个付费诊断转成一个到 Q4Y2 时有 4 家机构在跑的生产滩头，然后再把 5 个灯塔贷款机构在 Q4Y3 前逐步扩到约 $1.0M ACV。
• 必须成立的前提. 公司得把付费诊断在约 150 天内转成生产，并且至少有 2 家贷款机构继续加第 2 个分桶或渠道，否则 Y3 末的 ACV 假设就会塌。
• 模型会失效的情况. 如果部署始终保持重定制，且公司到 Y3 末只有 4 家机构而不是 5 家，下行情景下 EBITDA 仍为负，现金低点也会被拉向约 $0.8M。
• 下一轮融资证明点. 下一轮融资要看的，是到 Y2 末或 Y3 初做到 3 个生产客户、2 个伙伴带来的试点或转介绍，以及至少 1 次活跃贷款机构内部扩容；这正是这笔 $4.0M 种子轮融资瞄准的证明点。

情景

敏感性

flowchart LR
  Diagnostics[Paid diagnostics] --> Pilots[90-day pilots]
  Pilots --> Production[Production buckets]
  Production --> Expansion[More buckets and channels]
  Expansion --> Revenue[Revenue]
  Revenue --> GrossProfit[Gross profit]
  GrossProfit --> Cash[Cash and runway]

警示项: Y3 的基准情景已经打满研究里的 5 客户 SOM，所以真正的上行空间主要来自单个灯塔客户内部扩容，而不是更广的客户数。 · customersEop 在 Y1 把付费诊断和试点也算进去了，因此真正的经常性生产客户数要到 Y2 后段才会跟上表面客户数。 · 模型假设 Y2 那些重审计、法务和集成支出会在 Y3 明显回落；如果上线流程继续高度定制，毛利率和 EBITDA 会一起失手。 · 收入集中度很高，因为 Y3 的绝大部分收入都压在 5 家贷款机构身上；只要 1 个部署延期，当年结果就会被明显改写。 · 模型里把现金直接等同于 EBITDA，因此企业预付款时点、采购延迟或安全评审押金，都可能让真实现金曲线偏离 P&L。

• 模型提升可能因账簿差异而波动. 在一家车贷机构有效的处置策略，换到另一家的借款人结构、渠道和政策环境里，未必还能拿到同样的回正提升。 缓解措施: 先从按分群设计的试点和随机留出组做起，只有在每家贷款机构自己的基线之上证明有效，再往外扩。
• 现有厂商能把相邻功能打包进来. FICO、贷后平台或大型催收代理机构，一旦看清切口，就可能补上基础个性化功能。 缓解措施: 靠车贷专用的处置数据集取胜，并比现有厂商更快接进它们自己的工作流，先做出垂直场景的结果模型。
• 运营与政策摩擦. 在一个高度敏感的贷后工作流里，贷款机构可能不愿让自动系统直接碰借款人触达、还款选项或升级规则。 缓解措施: 先以上推荐模式上线，保留完整审计日志和人工审批，再把自动化逐步放到定义清楚的小分群里。