Betsy™在2025年交出的运营数据。对于美国房贷行业——一个长期被高发起成本、低转化效率和严苛监管同时挤压的领域，Betsy的案例提供了一个可拆解的技术与合规样本。
Better.com的Betsy由ElevenLabs Agents提供语音接口，叠加在Better自有的贷款引擎Tinman®之上。2025年全年，Betsy完成了**189万通**呼入和呼出电话，月均接近10万通，每月为持牌贷款顾问节省**超过1,666小时**的人工时间。
**10万通/月对AI外呼架构提出的第一个要求是“不把单通对话当作孤立事件”** 。Better的架构中，单次借款人对话可能触发**数十次内部系统调用**——定价查询、资格校验、投资者指南匹配——这意味着10万通/月不是10万次简单的语音交互，而是**数百万次系统间工具调用**的叠加。ElevenLabs被选中的关键因素之一，正是在高工具调用量下的平台稳定性。
| 指标 | Betsy的2025年数据 |
|---|---|
| 月均通话量 | 近10万通 |
| 全年通话量 | 189万通 |
| 端到端自动化解决率 | 35.5%的借款人咨询无需人工介入 |
| 每月节省人工时间 | 超过1,666小时 |
| 平均发起成本变化 | 下降41% |
| lead-to-lock转化率 | 2025年翻倍（100%增长） |
数据来源：ElevenLabs/Better.com案例研究及PYMNTS报道
Betsy最初使用speech-to-speech模型，但随后**转向了“语音转文字 + 大语言模型 + 文字转语音”的模块化流水线**，目标是获得**更低的延迟、更强的控制力和更高的可靠性**。
这个选择的背后是房贷场景的特殊约束。在一般的对话场景中，端到端的speech-to-speech模型可以减少中间环节、降低延迟;但在房贷场景中，每一通电话都可能涉及**定价、资格、锁价、转人工**等受监管步骤，每一步都需要**显式的同意记录和状态可控性**。模块化流水线让Better能够在STT、LLM和TTS的每一个环节插入合规检查和状态管理，而不是把控制权交给一个端到端的黑箱。
**编排运行在Better自己的环境内**，通过基于MCP的多代理系统连接到Tinman的工具，而通话在单一的ElevenLabs Agent端点终止。这意味着**贷款决策逻辑和监管判断留在Better的系统内**，ElevenLabs只提供一致、自然的语音体验层。对于计划复制Betsy路径的房贷机构，这个架构分界是第一个需要做对的设计决策：**AI语音平台负责“说”，贷款引擎负责“算”和“判”** 。
房贷AI外呼的监管密度在金融服务中居于前列。**TCPA、RESPA、FDCPA、TILA以及州级房贷服务规则**同时适用，且AI语音代理不享有任何豁免。Betsy的处理方式是将合规嵌入受监管的每一步：**信用拉取、身份验证、锁价和转接持牌顾问**，全部需要显式同意，并遵守各州的许可要求。
**TCPA的约束最为直接。** AI生成语音已被FCC明确纳入“人工或预录语音”的范畴，房贷营销和招揽类外呼需要**事先明确书面同意(PEWC)** ，违规的法定赔偿为每次呼叫**500至1,500美元**。对于月均10万通的外呼规模，这意味着同意管理不是“有无”的问题，而是**每一通拨号前是否都有可验证的PEWC记录**的问题。
**RESPA和TILA-RESPA联合披露规则(TRID)** 则对AI代理的“能说什么、不能说什么”设定了边界。在2026年的房贷合规框架下，AI语音代理**不能自行报出利率、报价APR、推荐具体产品、锁定价格或进行“谈判”** ——这些属于持牌人员的可许可活动范围。Betsy的设计正是将“计算”交给Tinman，将“说出计算结果”的环节置于持牌顾问的最终责任之下。
**FDCPA和州级服务规则**在外呼催收和损失缓解场景中进一步叠加。每一次付款提醒和loss mitigation交互，都需要在FDCPA的沟通规范内运行，并由合规引擎对**每一通交互进行评分**，而不是依赖抽样质检。
房贷发起成本的长期高企是行业的结构性特征。Freddie Mac的数据显示，近年来贷款发起成本上升了**35%**，平均零售贷款机构每笔贷款亏损约**600美元**。Betsy的41%成本降幅，来自三个可拆解的替代。
**第一，人工时间的释放。** 每月1,666小时的贷款顾问时间被移出重复性跟进任务，转向高价值咨询和复杂场景处理。持牌顾问的时间是房贷机构最昂贵的资源之一，把这部分时间从“拨号和等待”中释放出来，本身就是成本结构的直接改善。
**第二，单次交互成本的量级差异。** 行业数据显示，人工坐席单次有效对话的成本在**6至13美元**区间，而管理式AI外呼的单次有效对话成本可低至**0.05至0.50美元**。Betsy的10万通/月量级，将这个单价差异放大为可观的绝对节省。
**第三，转化效率的提升叠加。** lead-to-lock转化率在2025年**翻倍**，意味着同样的线索基数产生了更多的锁价贷款。成本下降和转化提升同时发生，是41%降幅能够成立的关键。
月均10万通不是“把Demo跑通”的延伸，而是**基础设施问题**。行业实践表明，大多数团队可以构建一个语音代理，但**很少有团队能在超过10,000路并发时不出现故障**——出问题的往往不是模型，而是电话基础设施、流式管道、并发管理和负载下的延迟。
**出站外呼与呼入的架构要求不同。** 呼入的瓶颈是首字节延迟(<800ms)，而呼出的瓶颈是**并发与合规**：号码池管理与自动轮换、时区/时段合规检测、接听率预测与智能重拨、批量任务编排与失败重试。对于房贷外呼，合规检测(TCPA时段限制、DNC清洗)和号码信誉管理是与语音质量同等重要的工程模块。
**流式化和无状态化是规模化的基线。** 流式ASR和TTS用于降低响应延迟;服务通过无状态微服务拆分以便水平扩展;实时对话状态存储在Redis中以支持故障转移;扩容依据活跃通话数、队列深度和**p95延迟**而非均值;多区域基础设施用于降低地理延迟。Betsy的模块化流水线选择，与这些规模化原则是一致的。
| 优先级 | 行动项 | 房贷场景的特殊要求 |
|---|---|---|
| P0 | 将“计算”与“说话”分离 | 定价、资格、锁价由贷款引擎（如Tinman）计算，AI语音层只负责受控地传达结果 |
| P0 | PEWC同意门控 | 每一通营销/招揽外呼拨号前，验证可审计的事先明确书面同意 |
| P0 | 受监管步骤显式同意 | 信用拉取、身份验证、锁价、转人工，每一步的同意在通话流中可记录、可回溯 |
| P1 | 模块化流水线而非端到端黑箱 | STT/LLM/TTS分段可控，便于在每一环插入合规检查和状态管理 |
| P1 | 出站架构独立设计 | 并发、号码池、TCPA时段检测、DNC实时清洗作为一等公民，而非呼入架构的复用 |
| P2 | p95延迟与工具调用稳定性 | 单通对话可能触发数十次系统调用，平台在高工具量下的稳定性优先于语音自然度 |
| P2 | 合规引擎全覆盖评分 | 以FDCPA/TILA/UDAAP/RESPA/TCPA为规则集，对每一通交互评分，替代抽样质检 |
**房贷行业月均10万通AI外呼的可行性，Betsy已经用189万通/年、35.5%端到端自动化、41%成本下降和lead-to-lock翻倍给出了肯定的答案**。但这个答案成立的前提不是“选一个声音自然的语音模型”，而是三个结构性决策：**AI只负责说、贷款引擎负责算、合规嵌入每一步受监管操作**。
对于计划进入这一量级的房贷机构，最危险的误判是把月均10万通当作“放大版的Demo”。10万通/月的真正瓶颈在**出站并发管理、PEWC同意门控、工具调用稳定性和合规全量评分**——这些不是语音模型能解决的问题，而是架构和运营问题。Betsy的模块化流水线和Better自有编排层的设计，正是对这些问题的直接回应。
