HubSpot — одна из лучших классических компаний в SaaS и B2B всех времен. Большая часть AI-сообщества SaaStr работает на HubSpot. Мы большие фанаты.
Но никто не будет платить за AI-решение уровня 60% почти в любой категории сегодня.
И поэтому, если вы выпускаете AI- и agentic-продукты уровня 60%, чтобы просто нарастить то, что уже есть, — люди, возможно, будут пользоваться ими, если они бесплатны и уже включены, — но рост вы этим не вернете.
Что я на самом деле получил от инструмента HubSpot “AEO”
Давайте разберем опыт по шагам:
- Оценка “70% Brand Visibility”. Отлично. И что мне делать с этим числом? Где список действий?
- “0% Sentiment Analysis” для нашего контента и “64,29%” для наших мероприятий. Вы уверены? SaaStr опубликовал более 7000 постов за 10+ лет. Нулевой показатель sentiment? Это не аналитический вывод. Это сломанная функция.
- Рекомендации: нет. Буквально нет. “Пока нет рекомендаций”. Тогда зачем я здесь? И почему я должен вводить данные карты?
- Цитаты: вещи, которые я и так уже знаю.
В итоге я получил дашборд с числами, которые никак не складываются в понятные действия, без рекомендаций и с цитатами, сообщающими мне очевидные вещи. А потом меня сразу попросили заплатить $50 в месяц за дополнительные запросы.
Это дороже, чем почти все наши похожие agentic-продукты.
Если бы это было бесплатно, ладно. Но как самостоятельный agentic-продукт этого недостаточно. В AI-эпоху конкуренция слишком хороша, слишком быстра и слишком жесткая.
Это только один новый продукт, который со временем улучшится. Но проблема 60% — повсюду
Речь не только о HubSpot и одном сравнительно небольшом продукте, который он только что выпустил; я просто использую его как пример этой недели. Это отраслевой паттерн. Сотни B2B-вендоров спешат выпустить AI-функции, которые закрывают галочку “у нас есть AI”, но на деле не решают задачу лучше, чем специализированные инструменты, уже доступные на рынке.
Шесть-девять месяцев назад, возможно, это еще сошло бы вам с рук. Планка была ниже. Покупатели были терпимее, потому что все еще пытались понять, что вообще означает “AI-функции”. Если вы выпускали что-то, что хотя бы как-то работало, вам могли зачесть сам факт раннего выхода. И LLM до конца 2025 года были не такими хорошими.
Это окно закрыто.
AI-native точечные решения во многих случаях _отличные_. Replit и Lovable — для разработки, Reve — для изображений, Higgsfield и Opus — для короткого видео, Gamma — для презентаций. Большие игроки не могут просто выпускать решения, которые на 60% хороши. Если они это делают, люди, возможно, будут ими пользоваться. Но платить за них по-настоящему не будут.
Специализированные AI-native-инструменты в каждой категории еще за 6–9 месяцев сделали большой шаг вперед. Они вобрали больше данных, выпустили больше итераций и встроили более глубокие интеграции. Разрыв между “60% достаточно” и “действительно best-in-class” не сократился. Он вырос.
Поэтому я собрал свой собственный. За 60 минут.
Я не рекомендую вам vibe-кодить или собирать с нуля то, что можно купить. Не рекомендую. Но в качестве эксперимента я собрал собственный AEO-инструмент в Replit. На быстрый клон базовой идеи ушло 5 минут, 60 минут — чтобы он действительно заработал, и еще около 2 часов с перерывами — чтобы сделать его аккуратным.
Попробуйте его здесь. Он бесплатный. Более того, я использовал его рекомендации, чтобы поднять AEO-оценку сайта SaaStr.ai с грустной F до C+ за несколько минут.
Он лучше, чем инструмент HubSpot? Честно… возможно, да. По крайней мере сейчас.
Вот главное отличие. Моя vibe-кодированная версия действительно говорит, что нужно сделать, чтобы улучшить AEO-оценку. Инструмент HubSpot… не говорил. Он просто показывал “no recommendations”. Собранный мной SaaStr AEO-инструмент выдает оценку (saastr.com: 67/100, Grade C+), а затем генерирует готовые к использованию промпты, которые можно вставить в Replit, Lovable, Cursor или любой AI coding tool, чтобы реально исправить проблемы, а также варианты для WordPress, Shopify и других платформ. Разборы по категориям с реальными проблемами и реальными исправлениями. Structured Data — 20/100? Вот что именно не так: нет JSON-LD structured data, нет разметки Microdata, и вот промпт, чтобы это исправить. Content Structure — 59? На странице 11 тегов H1 и 479 тегов H3, и вот что с этим делать.
Он даже генерирует полный промпт вроде: “Мне нужно улучшить AEO-оценку моего сайта. Мой сайт saastr.com сейчас имеет оценку 67/100. Вот конкретные проблемы: JSON-LD Structured Data — 0/100, Microdata Markup — 0/100, Heading Hierarchy — 40/100, Table Content — 30/100, Content Freshness Signals — 20/100. Пожалуйста, обновите код моего сайта, чтобы исправить все это.”
Это промпт, который можно вставить в любой AI coding tool и получить рабочий код. Это прикладно. Это полезно. Инструмент HubSpot дал мне 0% sentiment score и никаких рекомендаций.
Сейчас это уже реальная угроза. Не теоретическая. Если неинженер может за день собрать конкурентную альтернативу вашему AI-продукту с помощью Replit, у вашего 60% решения срок жизни измеряется неделями, а не годами. И речь не только обо мне. Прямо сейчас тысячи создателей делают это в каждой B2B-категории. Каждая AI-функция уровня 60%, которая выходит без реальной пользы, — это приглашение кому-то собрать лучшую версию за выходные.
Вместо того чтобы платить картой.
[](https://aeo-analyzer.replit.app/)
При этом, если говорить прямо, мой AEO-инструмент может быть лучше сегодня. Но буду ли я поддерживать его? Обновлять? И так далее? Возможно, нет. Поэтому я все еще рекомендую покупать, а не строить самому 🙂
Figma Make: кейс на $1 млрд о том, как поздно выйти с продуктом на 60%
Если хотите увидеть, как эта динамика проявляется в реальном времени и с реальными цифрами выручки, посмотрите на Figma Make.
Недавно я попробовал Figma Make. Для каждой новой vibe-платформы я использую свой классический тест: прошу ее агента переделать сайт SaaStr AI. В ответ я получил типичные градиенты, шаблонный контент и банальную AI-startup-эстетику из 2025 года. Фиолетовые градиенты. Для лидера в дизайне это было плохо, но еще хуже было то, что он даже не смог забрать контент с нашего существующего сайта, чтобы собрать новую версию. Но хуже всего было то, что он вообще галлюцинировал, чем является SaaStr. В итоге сайт, который он спроектировал, был намного хуже того, что у нас есть сегодня.
Любая другая ведущая vibe coding-платформа в 2026 году проходит этот тест.
Figma Make, который я использовал в марте 2026 года, мог бы быть конкурентоспособным летом 2025-го. Тогда Lovable только пересекала отметку $100 млн ARR. Replit только искала опору в своем AI-агенте. Категория vibe coding была еще настолько ранней, что из design tool, превращенного в app builder, компания с дистрибуцией уровня Figma могла бы вырезать себе серьезную долю рынка.
Это было девять месяцев назад. Окно не просто закрылось. Оно захлопнулось.
Сегодня Lovable находится на уровне $400 млн ARR. Они добавили $100 млн за один месяц в марте. Replit тоже примерно на уровне $400 млн+ ARR и нацелена на $1 млрд к концу года, а недавно привлекла $400 млн при оценке $9 млрд. В сумме только эти две платформы уже дают около $800 млн ARR и продолжают ускоряться. Добавьте v0 и остальных — и категория vibe coding уже далеко за $1 млрд совокупного ARR. Эта выручка появилась примерно за 12–18 месяцев почти с нуля.
А Figma Make? Figma только 18 марта 2026 года начала применять лимиты AI-кредитов — свою первую вообще попытку монетизировать AI-функции. Менее месяца назад. Они продают пакетные надстройки за $120–240 в месяц и pay-as-you-go по $0,03 за кредит. Руководство называет этот рост “измеренным”. Выручка от AI-кредитов пока номинальна. Это погрешность округления по сравнению с тем, что генерируют специализированные vibe coding-инструменты.
Так бывает, когда вы выводите продукт уровня 60% в категорию, где специализированные игроки уже год наращивают показатели трехзначными темпами. У Figma были все основания выиграть: выручка свыше $1 млрд, миллионы дизайнеров уже внутри продукта, бренд, дистрибуция, корпоративные отношения. И они построили не то, что было нужно моменту, — дизайн-инструмент, который генерирует шаблонные mockup на Claude artifact, когда рынку был нужен строительный инструмент, делающий дизайн этапом, который вы вообще пропускаете.
Продукты, которые могли бы быть конкурентоспособны 6–9 месяцев назад, сегодня уже идут как дополнительная опция. Figma Make — яркий пример.
Почему это продолжается
Я думаю, есть три причины, по которым так много вендоров продолжают выпускать решения уровня 60%:
- Во-первых, они делают AI-функции “по комитету”. Команда продукта получает от CEO задачу “добавить AI” в платформу, поэтому они прикручивают функцию, которая формально использует модель, но не имеет четкого пользовательского сценария или результата. Оценка без рекомендации — это просто число. Дашборд без действий — просто заставка.
- Во-вторых, они пытаются объять необъятное. Вместо того чтобы выбрать один AI use case, сделать его идеально и довести до 95% качества, они распыляются на пять сценариев и выпускают все на уровне 60%. Специализированный AEO-инструмент, который блестяще делает одну вещь, всегда обыграет платформенную функцию, которая плохо делает пять вещей.
- В-третьих, они недооценивают темп улучшения point solutions. Если вы — platform-компания, планирующая 12-месячный AI roadmap, то конкурирующие point solutions выходят еженедельно. К моменту запуска вашей функции на 60% лучшая point solution уже на 90%–100% и месяцами итеративно улучшается на основе реальной обратной связи клиентов. Вы не догоняете. Вы отстаете все сильнее с каждым спринтом.
- В-четвертых, и, возможно, честнее всего: внутреннее сопротивление команды. Большинство людей в большинстве софтверных компаний просто хотят работать в темпе прошлого десятилетия. Им нужен 18-месячный roadmap. Им нужен квартальный цикл планирования. Им нужна трехспринтовая discovery-фаза до того, как кто-то напишет первую строку кода. Они хотят выпускать так, как выпускали в 2022 году, потому что это им знакомо, это было комфортно и тогда это работало нормально. А руководство это допускает, потому что бороться со своей организацией за темп — утомительно и политически дорого. В итоге AI-функция выходит по старому графику, на старом процессе, с прежним уровнем амбиций. И к моменту запуска рынок уже ушел на два поколения вперед. Проблема 60% — это не только проблема продукта. Это проблема культуры. Компании, которые сейчас выпускают AI-продукты уровня 95%, работают в принципиально другом темпе разработки и итераций. Не потому, что у них лучшие инженеры. А потому, что внутри нет силы, тормозящей все вокруг.
Планка навсегда сместилась
Главное отличие этого момента от, скажем, ранних дней mobile или cloud — скорость улучшения качества. В mobile, если вы выпускали посредственное приложение в 2009 году, у вас были годы на итерации до консолидации рынка. В AI кривая улучшения настолько крутая, что решение на 60% из апреля к октябрю становится практически непригодным.
Продукты, которые могли быть конкурентоспособны 6–9 месяцев назад? Теперь это просто дополнительная опция. Продукты, которые сегодня выходят на 60%? К Q4 они уже даже не будут полезной дополнительной опцией.
Если вы B2B-вендор и не можете выпустить AI-функцию, которая действительно best-in-class — или хотя бы близка к best-in-class — хотя бы для одного конкретного сценария, не выпускайте ее. Плохая AI-функция вреднее для бренда, чем отсутствие AI-функции. Потому что ваши лучшие клиенты, те, кто действительно готов платить, попробуют ее один раз, увидят 0% sentiment score и пустую вкладку рекомендаций и решат, что ваша платформа “на самом деле не умеет AI”.
А потом они купят point solution.
Выпускайте что-то отличное или не выпускайте вообще ничего. Рынок уже давно перестал оценивать по кривой нормирования.
SaaStr.AI: Спросите нас о чем угодно
Build AI. 12–14 мая.
Мы собираем 10 000 руководителей в B2B и AI, чтобы научить вас побеждать в эпоху AI.
Материал — перевод статьи с английского.
Оригинал: Why So Many Are Struggling in the AI Era: They Are Shipping 60% Solutions