KeyFrame內部研究專用

When AI Kills Your Business Overnight: The Fall Of HubSpot

Logically Answered·7月6日週一·18 min英文

三句話摘要

HubSpot 如何從行銷界最重要的公司淪落到市值暴跌 79% 的困境。 HubSpot 的衰落不是產品失敗,而是行銷遊戲規則被 AI 改寫,導致其核心的內容行銷模式徹底失效。 免費+付費的完美商業模式

重點整理

重點
  • 1

    免費+付費的完美商業模式

  • 2

    HubSpot 先用免費工具(WebsiteGrader 評估 400 萬網站、Twitter Grader 等)和優質部落格內容吸引訪客,再轉向付費 CRM、行銷和銷售工具進行轉換。單篇部落格文章就能帶來 10 萬訪客、100 條銷售線索。這個模式讓 2007 年的 $255K 營收在三年內成長 61 倍。

  • 3

    怪誕的公司文化與危機

  • 4

    HubSpot 辦公室像蒙特梭利幼稚園(糖果牆、彈力球椅、按摩師、神經槍對戰),員工被稱為「HubSpotters」,被開除叫「畢業」。2013 年記者 Dan Lyons 加入寫了《Disrupted》一書後,公司竟試圖駭客獲得手稿,導致 FBI 調查、CMO 被開除。

  • 5

    Google 的致命一擊

  • 6

    2024 年 Google 推出 AI Overviews,用戶不再點擊部落格連結而是直接問 AI。HubSpot 月流量從 2023 年 3 月的 2,440 萬暴跌到 2025 年 1 月的 610 萬(下跌 75%),單月 12 月就消失 500 萬訪客。

  • 7

    內容工廠策略完全失效

  • 8

    HubSpot 刪除了超過 30,000 篇部落格文章,承認量化策略自 2020 年已現裂痕。在 AI 時代,試圖排名一切內容反而讓 Google 無法判斷網站專長,降低信任度。

實用技巧與重點

乾貨
  • 關鍵數字:
  • 2006 年創立;2007 年營收 $255,000
  • 2010 年融資 $1,560 萬(3 年成長 61 倍)
  • 2014 年 IPO:$25/股,融資 $1.337 億
  • 2019 年營收 $675 百萬;2021 年 $12.8 億
  • 2021 年 9 月股價高峰 $852/股(34 倍回報),市值 $400 億
  • 客戶成長:2007 年~2021 年擴張 20 倍,達 248,000 客戶
  • 2024 年 Google 提議 $350 億收購(7 月退出,股價跌 19%)
  • 2026 年營收成長 23% 達 $881 百萬,客戶近 300,000
  • 流量崩潰:
  • 2023 年 3 月:2,440 萬月訪客
  • 2024 年 11 月:1,350 萬月訪客
  • 2024 年 12 月:860 萬月訪客(單月減 500 萬)
  • 2025 年 1 月:610 萬月訪客
  • 現狀:
  • 市值 $110-120 億(下跌 79%)
  • AI agents 解決 70% 支援票券(9,000 客戶啟用)
  • 刪除 30,000+ 部落格文章
  • 推出結果導向定價(客戶只在 AI 成功解決問題時付款)

結論

結論

HubSpot 的衰落不是產品失敗,而是行銷遊戲規則被 AI 改寫,導致其核心的內容行銷模式徹底失效。

完整解析

詳細

HubSpot 的故事始於 2006 年,兩位 MIT 畢業生發現傳統行銷已失效。過往充斥電視廣告、垃圾郵件、推銷電話,消費者早已學會忽視。但他們觀察到一個反向趨勢:人們開始用搜尋引擎和部落格自行研究產品。何不反轉行銷?與其向消費者推銷,不如製作有用內容讓他們主動尋求。這個想法催生了「Inbound Marketing」和 HubSpot。

HubSpot 的天才在於免費+付費的雙層漏斗。他們推出 WebsiteGrader 免費工具,2006 到 2011 年評估了 400 萬個網站。更聰明的是鼓勵用戶分享評分,製造病毒式成長。同時 HubSpot 部落格本身成為成長引擎—一篇文章可帶來 10 萬訪客、100 條合格銷售線索,甚至多年後仍有效。免費工具和數千篇部落格吸引訪客後,HubSpot 就用付費 CRM、行銷和銷售工具完成轉換。這招奏效:2007 年營收 $255K,三年內成長 61 倍到 $1,560 萬。到 2014 年 IPO 時,HubSpot 已是行銷界文化中心。

但內部酵素開始發酵。公司文化極端怪誕—辦公室像蒙特梭利幼稚園,有糖果牆、彈力球椅、神經槍對戰、每三個月強制交換座位、被開除稱為「畢業」。2013 年 50 歲記者 Dan Lyons 加入「內容工廠」(20 名年輕女性擠在狹窄房間製作部落格),兩年後寫了《Disrupted》揭露內幕。HubSpot 得知後極度恐慌,試圖駭客獲得手稿並進行勒索,甚至驚動 FBI。公司開除了首席行銷官和內容副總。

更致命的威脅來自 Google。2024 年 Google 推出 AI Overviews 後,用戶直接問 AI 而不再點擊部落格。HubSpot 的月流量從 2023 年 3 月的 2,440 萬狂跌到 2025 年 1 月的 610 萬(下跌 75%)。關鍵問題是:當網站試圖排名所有內容時,Google 無法判斷真正專長,反而降低信任度。HubSpot 最終刪除了 30,000 篇部落格文章,承認這個策略自 2020 年就在崩潰。

雖然 HubSpot 現推出 AI agents 並取得進展(AI 解決 70% 支援票券),營收仍成長 23% 達 $881 百萬,但投資者看到的是一個曾因內容行銷稱雄的公司正因 AI 而失去核心優勢。市值從 2021 年 $400 億跌至 $110 億,下跌 79%。HubSpot 仍在成長獲利,但整個 SaaS 產業都在被 AI 重新定義,投資者懷疑其最好的日子已過。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。