18岁少年，年入2400万美金：Cal AI 凭什么在“老掉牙”的卡路里记录赛道里翻红？

最近都在忙着养龙虾吗有小伙伴问我怎么看我把 Openclaw 比喻成当年的“切西瓜”游戏人们第一次切实的感官“看”到说了好几年的 AI Agent 真的能“干活”了。但经常看我文章的你应该不至于给个香蕉就把皮给剥了更不会指望花500块养个龙虾就能帮你从韭菜花变成镰刀手小龙虾。分享一张图片也是给大家降降温然后开始今天的正文。卡路里记录这件事应该是移动互联网时代最老的一类应用。这个赛道里早就站满了大而全和小而美的各种 App。但偏偏就是这样一个看起来有点过时的赛道跑出了一个很新的案例Cal AI。Cal AI 由两位 18、19 岁少年创立的短短一年内就在这个“古老”的赛道里杀出重围。2024年5月上线后Cal AI 在 8 个月内做到500万下载到2026年3月被老大哥 MyFitnessPal 收购时它已经做到超过1500万下载年收入超过3000万美元。我想分享的不是一个年轻创始人创业成功的故事。我更想探索的是很多传统应用不是没有需求了而是旧的做法不好用了。或者说谁能找到并且优化“不好用”的这个环节谁就有机会重做一遍老市场。极简的商业逻辑Cal AI 的核心功能极其简单用户对着食物拍一张照片AI 就会自动识别成分并计算卡路里。它的商业模式是标准的订阅制用户可以免费试用但如果想要无限次扫描和更深度的营养分析如蛋白质、脂肪比例则需要支付每月约 9.99 美元或每年 50-70 美元的订阅费。这种模式并不新鲜但极高的转化率有报称它的留存率超过30%让它在商业上大获成功。所以如果只看表面你会觉得它的故事很简单一个拍照识别卡路里的 AI App年轻创始人增长很快被大公司买了。但真正值得分享的不是这些表面信息而是更核心的问题为什么在一个老赛道里它还能突然跑出来Cal AI 真正做对了什么我觉得Cal AI 最重要的地方不是“它用了 AI”而是它看透了这个赛道真正的问题到底是什么。很多人以为卡路里记录产品的核心难题是“数据库不够全”、“营养模型不够准”、“功能不够多”。但其实对普通用户来说真正的痛点一直都不是这些。真正的问题是太麻烦了。你想一下传统卡路里记录 App 的使用过程。吃了一顿饭你要先打开 App搜索食物名称从一堆结果里选最像的那个再去估计分量填克数、份数、配料有时还得自己拆开一盘菜的构成。理论上很科学实际上很劝退。很多人不是不想控制饮食而是懒得每天做这种机械劳动。Cal AI 做的第一件事就是把这套流程砍掉了。它在 App Store 上给自己的产品描述非常直白先回答几个生活方式问题再拍一张食物照片就能得到营养拆解。它强调的不是“最专业”而是“花更少时间”。这句话其实已经把它的核心价值说透了。它卖的不是营养学知识也不是数据库而是更低的执行成本。这件事听起来没什么惊天动地但恰恰是消费互联网里最重要的一种创新方式不是发明新需求而是降低旧需求的摩擦。用户并不讨厌管理体重这件事用户讨厌的是“每天都要手动记”。Cal AI 把“查、选、填、算”变成了“拍一下”这就已经足够改变转化率和留存了。靠的不是 AI 很强而是把 AI 用对地方说得再直接一点Cal AI 的成功并不意味着它背后有某种别人无法复制的黑科技。TechCrunch 提到Cal AI 使用了 Anthropic 和 OpenAI 的模型并结合 RAG、开源食物热量数据库和图像数据库提升识别效果。也就是说它当然用了大模型也做了识别和检索层的工程整合但它并不是靠某个独家模型碾压市场。它更聪明的地方在于它没有把 AI 当成一个高大上的卖点而是当成一个默认入口。这件事很重要。因为食物识别本来就不是一个百分之百准确的场景。复杂菜品、混合食物、油量、酱料、烹饪方式、摆盘遮挡这些都会影响判断。你如果把产品建立在 AI 一次识别必须绝对正确这个前提上这产品很容易翻车。Cal AI 没这么做。它的策略更像是先用 AI 快速给你一个大致正确的起点然后再允许你用条码扫描、文字描述、手动调整去修正。换句话说它不是想把“记录”这件事彻底自动化而是先把用户从最麻烦的那一步里解放出来。这和很多 AI 产品常见的误区正好相反。很多团队总想追求全自动、完全替代最后把产品做成高风险、高错误率、低信任的系统。Cal AI 反而更务实先帮你完成 80%剩下 20% 让你自己改。对消费应用来说很多时候不是最智能的产品会赢而是最省事的产品会赢。真正厉害的还有它的增长方式如果只把 Cal AI 看成一个 AI 拍照记卡路里的产品你会低估它。因为它的另一半成功其实来自非常扎实的增长和分发。Inc. 的采访里创始人讲得很坦白Cal AI 的增长很大程度上来自付费获客而不是自然传播。他们和营养、健身类创作者合作在 Facebook、TikTok、Instagram 等平台做推广随着收入变大他们也继续加大广告投入。这一点特别值得写因为它能打破一种很常见的幻想很多人以为 AI 应用只要产品足够酷就会自己长起来。但 Cal AI 的案例说明消费类 AI App 能不能爆取决于两件事能不能同时成立产品够顺买量回得来本。它在增长上至少做对了三件事。第一它找对了最适合演示的产品形态。你会发现Cal AI 非常适合短视频平台传播。用户拿出手机对着盘子拍一下屏幕上立刻出现热量和营养数据——这个过程天然就是一个很好的广告素材。它不需要复杂教育几秒钟就能让用户理解价值。这在 TikTok、Instagram这样的内容平台里转化效率往往会非常高。第二它吃到了AI 关键词红利。Sensor Tower 的报告提到到 2025 年健康健身类应用中使用 AI 相关关键词做搜索广告和 ASO 的比例已经明显上升。Cal AI 平均每季度使用约35 个 AI 关键词并且大约 25% 的搜索下载来自 AI 相关搜索词。这意味着它不仅在产品里用了 AI在流量获取层面它也非常清楚“AI”这个词本身就是入口。这背后其实是很现实的增长逻辑。用户未必知道自己想要“卡路里数据库优化过的营养追踪工具”但用户会搜“AI 计算卡路里 ”、“AI 体重管理” 这种更直观的词。Cal AI 抢的不只是功能优势也是用户认知升级后的搜索入口。第三它选对了一个天然具备高付费意愿的市场。健康健身类应用本身就是移动订阅市场里比较成熟的一类。Cal AI 不是在一个没人付费的领域里硬生生创造了收入而是在一个本来就有长期需求和付费习惯的市场里用更轻的产品形态切进去。所以说到底Cal AI 的成功就是它把一个成熟大市场里的老需求用新的入口重做了一遍然后用成熟的买量方式把它放大了。对其他传统应用真正的启发是什么我觉得这部分其实才是最值得写的。因为 Cal AI 的价值不在让大家去做一个拍照识别 App而在于它给传统应用创业者提了一个很扎实的醒。1. 老赛道不怕老怕的是没人重做第一步很多人一看到“卡路里记录”、“记账”、“习惯养成”、“CRM”、“报销”、“库存管理”这些方向就会下意识觉得太老了没机会了。但 Cal AI 的案例说明老赛道的问题常常不是需求消失而是用户早就对旧流程不耐烦了。真正的机会不一定是创造一个新市场而是去找那个旧市场里最痛苦、最反人性的动作然后想办法把它砍掉。Cal AI 砍掉的是“手动记录”别的产品也许可以砍掉的是“手动填表”、“手动分类”、“手动检索”、“手动整理”等等。2. AI 最值钱的不一定是替代专家而是替代耐心很多团队一谈 AI就会往“分析”、“生成”、“决策”这些高大上的方向想。但消费级产品里很多成功案例恰恰不是这么来的。Cal AI 没有发明新的营养理论也没有把自己做成专业医疗工具。它是替用户省掉了耐心。这很重要。因为对大量普通用户来说真正阻碍他们的不是“我不知道减脂原理”而是“我不想每天花 10 分钟录饮食”。这就是为什么很多 AI 应用看起来技术不算最前沿却能快速起量。因为它们不是在解决“不会”而是在解决“嫌麻烦”。3. AI 应用竞争是产品 分发 定价一起打Cal AI 的案例很典型地说明今天 AI 应用要想成不是只把模型接进来就够了。你至少要同时回答三个问题第一用户是不是一上手就能感受到效率提升第二这个产品是不是适合被内容平台演示和传播第三你的获客成本和订阅收入之间是不是能算得过来Cal AI 之所以值钱不是因为它的 AI 功能本身不可复制而是因为它把这三件事都做通了。这对很多传统 App 团队来说是一个非常现实的提醒AI 可以帮你重做功能但真正决定你能不能活下来的还是产品体验、流量效率和商业闭环。4. 所谓 AI-native不只是技术升级而是默认动作升级现在很多团队喜欢说自己做的是 AI-native 产品。但这个词如果说得太泛就会变得没有意义。Cal AI 给了一个更具体的解释所谓 AI-native不一定是后台用了多厉害的模型而是产品默认假设已经变了。传统产品默认用户会学习规则、适应系统、主动输入。AI-native 产品默认用户只想“说一句”、“拍一下”、“发给我”、“帮我做”。这两种默认假设会导致完全不同的产品设计。最后过去几年大家太容易把 AI 想成一个创造全新世界的工具于是总盯着最前沿、最颠覆、最像技术革命的方向看。可 Cal AI 这样的案例提醒我们AI 还有另一种非常现实的价值不是创造新需求而是把旧需求里的摩擦一点点抹平。以上祝你今天开心。封面和摘要过去几年大家太容易把 AI 想成一个创造全新世界的工具于是总盯着最前沿、最颠覆、最像技术革命的方向看。修改封面和摘要