Ein Foto schießen und kassieren: Zwei Teenager machten mit dieser Formel 30 Millionen Dollar – und du kannst sie direkt kopieren

Du öffnest den App Store, tippst „AI“ ein und bei den ersten 50 Ergebnissen sind zehn Foto-Apps. Die KI-Produkte, die in den letzten zwei Jahren wirklich hart Geld gedruckt haben, sehen auf den ersten Blick ziemlich „mickrig“ aus. Keine Allround-Giganten, mit denen du über Philosophie diskutieren, Code schreiben oder ganze Filme generieren kannst. Nein, es sind diese kleinen Tools mit so wenigen Funktionen, dass du dich fragst: „Dafür verlangen die Geld?“ Du hältst dein Handy hoch, schießt ein Foto, die App spuckt einen einzigen Satz aus – und du zahlst ihr jeden Monat zehn Dollar.

Hier ist die schoierendste Zahl gleich vorweg.

Eine App namens Cal AI kann nur eine Sache: Du fotografierst deinen Teller, und sie sagt dir die Kalorien. Entwickelt von zwei 17-jährigen Teenagern, gestartet im Mai 2024. 18 Monate später: Über 15 Millionen Downloads, ein Jahresumsatz von mehr als 30 Millionen Dollar. Im Dezember 2025 wurde das Startup von MyFitnessPal übernommen, das gesamte 7-köpfige Team wurde einverleibt. Forbes prognostiziert für 2026 einen Umsatz von 50 Millionen Dollar.

7 Leute. Eine Foto-Funktion. 30 Millionen Dollar.

Dahinter steckt eine wiederholbare Formel zur Ideenvalidierung, die schon mehr als einmal ihre Schlagkraft bewiesen hat. Heute breche ich dir diese Kriterien bis ins kleinste Detail herunter – und rechne dir direkt aus, was du machst, wenn du „keinen Code schreiben kannst“.

1. Nutzer leiden nicht unter einem Mangel an Informationen, sie leiden darunter, nicht nachdenken zu müssen

Die meisten machen bei der Produktentwicklung denselben Fehler: Sie suchen an der völlig falschen Stelle nach dem Schmerzpunkt. Sie glauben, dem Nutzer fehle es an Informationen – also erklären sie es ihm und erwarten, dass er dafür zahlt.

Falsch gedacht. Informationen sind 2026 das billigste Gut der Welt. Du willst wissen, wie viele Kalorien ein Teller Pasta hat? Die Suchmaschine spuckt dir in drei Sekunden zwanzig Antworten aus – kostenlos.

Wieso also darf Cal AI dafür Geld verlangen?

Ganz einfach: Jemand, der abnehmen will, geht essen, bekommt die Speisekarte, sieht zwanzig Gerichte – er versteht jedes einzelne Wort. Aber er weiß nicht, was er bestellen soll. Ist der Fettgehalt zu hoch? Sprengen die Kohlenhydrate das Limit? Muss ich morgen trainieren, um dieses Essen auszugleichen? Theoretisch müsste er: Zutaten erkennen, Gramm schätzen, Kaloriendichte nachschlagen, alles zusammenrechnen und dann mit dem verbleibenden Tagesbudget abgleichen. Dieser Prozess dauert fünf Minuten, drei Mal am Tag, 90 Mal im Monat.

Das ist das, was die Verhaltensökonomie Entscheidungsmüdigkeit nennt: Je mehr Entscheidungen, desto schlechter die Qualität der nachfolgenden. Was dem Nutzer also wirklich fehlt, ist die eine unmissverständliche Antwort, die seinen inneren Diskurs beendet.

Jemand hat genau das gebaut: Ein Foto der Speisekarte, und die KI sagt dir direkt, was du bestellen sollst. Zehn Minuten Grübeln werden auf eine Drei-Sekunden-Entscheidung komprimiert.

Diese Art von Apps performt momentan hervorragend. Nehmen wir MenuFit aus dem App Store: Über 1 Million Downloads, 4,8 Sterne, 53.900 Bewertungen, das Basis-Abo kostet 9,99 USD pro Monat. Im Abo-Markt sind Produkte mit Millionen-Downloads und einer monatlichen Gebühr von zehn Dollar eine sehr reale und extrem lukrative Geschäftskategorie.

II. Drei Filterkriterien – fehlt auch nur eines, bricht das Modell zusammen

Wenn man all diese Fallbeiele übereinanderlegt, kristallisieren sich drei Filterkriterien heraus – das dient der Richtungsauswahl, nicht als universelle Business-Formel:

Hochfrequenz-Szenario × Entscheidungsschwäche × Foto-Eingabe

Warum greift das erst 2026? Weil die ersten beiden Bedingungen schon immer existierten, die dritte aber erst durch die Reife multimodaler Modelle freigeschaltet wurde. Früher die Nutzer manuell „150 g Hähnchenbrust, 100 g Brokkoli“ eintippen zu lassen, war so aufwendig, dass die Input-Kosten höher waren als der Aufwand, es selbst auszurechnen – ein solches Produkt wäre garantiert an der Wand gelaufen. Heute wird „Handy hochhalten“ zur einzigen Aktion, der Aufwand sinkt von „dreißig Zeichen tippen“ auf „einmal klicken“. Erst damit sind diese drei Bedingungen endlich vereint.

Ich erkläre sie nacheinander – die meisten scheitern an genau einem dieser Bausteine.

Bedingung 1: Hohe Frequenz

Muss mindestens einmal pro Tag vorkommen, idealerweise dreimal. Essen ist das perfekte Szenario – dreimal am Tag, tausendmal im Jahr. Wenn ein Nutzer deine App täglich dreimal öffnet, sinkt die psychologische Hemmschwelle zu zahlen auf ein unvorstellbares Minimum. Das Gegenteil: „Hilf mir, die richtige Baufinanzierung zu wählen“ – so ein Bedarf tritt ein Leben lang vielleicht zweimal auf, du kassierst nur einmal, und einmaliges Geld bedeutet, dass du für immer Traffic einkaufen musst.

Bedingung 2: Entscheidungsschwäche

Der Nutzer muss sich in einem Moment befinden, in dem er sofort eine Entscheidung treffen muss, es aber nicht schafft. Vor der Speisekarte, im Supermarktregal, vor der Weinkarte – das sind Entscheidungsknotenpunkte. „Ich möchte mich über Ernährung informieren“ ist hingegen kein Knotenpunkt, das ist Lernen. Lernen ist nicht dringend, und nicht dringende Bedürfnisse konvertieren beim Bezahlvorgang extrem schlecht.

Entscheidungen unter emotionalem Stress haben ein klares Merkmal: Nutzer kaufen die Erleichterung, nicht die Information. Jemand, der abnehmen will, hebt auf einem Dinner das Smartphone, fotografiert das Essen, liest „320 kcal“ ab – und isst dann beruhigt weiter. Gekauft hat er nicht die Zahl 320 kcal, sondern die Erleichterung, in diesem Moment nicht grübeln zu müssen. Genau das ist die wahre Quelle der Zahlungsbereitschaft.

Bedingung 3: Foto-Eingabe

Multimodale Modelle sind der Motor dieser Welle. Ein Bericht bei TechCrunch erwähnt für Cal AI eine Erkennungsgenauigkeit von etwa 90 % – nicht 100 %. Für jemanden, der abnimmt, ist eine in drei Sekunden vorliegende Antwort mit 90 % Genauigkeit deutlich wertvoller als eine zu 100 % genaue Antwort, die fünf Minuten dauert. Abnehmen ist ein Statistikspiel, keine exakte Wissenschaft; ein durchschnittlicher Fehler von < 5 % pro Tag reicht völlig aus.

Drei: Fünf Schritte von null bis Launch

Die folgenden fünf Schritte – in dieser Reihenfolge abarbeiten.

Schritt 1: Szenario wählen, nicht Funktion

Nimm ein Blatt Papier und notiere Momente aus deinem eigenen Leben, in denen du „sofort entscheiden musst, aber jedes Mal kurz zögerst“. Nur aufschreiben, wo du selbst wirklich festhingest, nicht was du bei anderen vermutest. Ein paar Richtungen als Anregung:

• Barkarte: Welches Getränk hat die wenigsten Kalorien (harter Bedarf bei Fitness-Leuten, und diese Zielgruppe hat hohe Kaufkraft)
• Snacks im Convenience Store: Rückseite der Verpackung fotografieren und sagen lassen, ob das während der Diät geht
• Essen am Flughafen / Bahnhof: zwei Stunden Umsteigezeit – wie essen, ohne abzurutschen
• Zutatenliste im Supermarkt: Inhaltsstoffe abfotografieren und prüfen lassen, ob etwas dabei ist, was du vermeiden willst

Diese letzte Richtung hat sich bereits als absoluter Cash-Cow erwiesen. Seed Oil Scout hilft Nutzern gezielt dabei, Restaurants und Lebensmittel mit Samenöl zu meiden. Die öffentlichen Zahlen sprechen Bände: Über 1 Million Downloads und 14.000 Bewertungen mit 4,8 Sternen. Direkt in der App haben sie einen Shop integriert, in dem Nutzer mit einem Klick zertifizierte Produkte kaufen können – die App futtert gleich zwei Einnahmequellen auf: Abo-Gebühren PLUS Affiliate-Provisionen.

Schritt zwei: Nischendaten validieren – vergiss Google Trends!

Sobald du dein Szenario ausgewählt hast, halt dich mit dem Code zurück. Investiere erst mal 20 Minuten, um zu prüfen, ob der Bedarf nicht nur in deinem Kopf existiert.

Aber hier gibt es eine fette Falle, die du kennen musst: Der Ansatz, Google Trends und Suchvorschläge zu nutzen, funktioniert bei App-Traffic schlichtweg nicht. Das Suchverhalten im App Store unterscheidet sich fundamental von Google, und auch die Metriken für Keyword-Volumen sind völlig andere. Cal AI ist selbst überhaupt nicht über Google groß geworden – der Durchbruch kam durch die Conversion-Rate von TikTok-Videos und das Ranking auf Product Hunt.

Die richtige Methode zur Validierung ist:

1. Öffne den App Store, verbinde dich per VPN mit deinem Zielmarkt (z. B. den US-Markt), suche nach deinen zentralen englischen Keywords (z. B. menu calorie) und prüfe, ob sich unter den Top-10-Ergebnissen vergleichbare Produkte mit über 100.000 Downloads befinden, die weiterhin aktiv gepflegt werden.
2. Wirf auf Sensor Tower (einer Drittanbieter-Datenplattform für App-Stores) einen Blick auf die Download-Kurven der führenden Produkte für dieses Keyword – ist der Trend steigend oder fallend?
3. Durchsuche auf Reddit und Quora die relevanten Subreddits nach „X decision“ und „X help“ und achte auf die Dichte der Beschwerden – je mehr Frust geäußert wird, desto realer ist der Schmerzpunkt.

Wenn vergleichbare Produkte stabil überleben und auf Reddit Leute immer wieder dieselben Fragen stellen = die Nachfrage existiert real, das ist keine rein ausgedachte Illusion von dir.

Schritt drei: Mach es – aber fange nicht bei null an, es selbst zu programmieren

Der Tech-Stack von Cal AI ist kein Geheimnis: Wie TechCrunch klarstellte, greift es auf die Modelle von Anthropic und OpenAI zurück, kombiniert mit RAG (einer Technik, die KI externe Wissensdatenbanken durchsuchen lässt, um Fragen zu beantworten), und wurde mit einer Reihe offener Datenbanken für Lebensmittel-Kalorienbilder gefüttert. Kein eigenes Modell, kein algorithmischer Durchbruch – es ist ein Produkt, das bestehende Fähigkeiten neu zusammensetzt.

Deine technische Hürde im Jahr 2026 sieht so aus:

• Bilderkennung → Greife direkt auf die multimodalen APIs von GPT / Claude zu (Schnittstellen, die der KI das Erkennen von Bildern erlauben). Pay-per-Use, bei fast null Startkosten.
• App-Oberfläche → In 4–8 Wochen steht ein MVP (Minimum Viable Product). Rechne noch 2–3 Wochen für die Freigabe von In-App-Käufen (IAP), Datenschutzrichtlinien und die steuerliche Klassifizierung ein.
• Abrechnung → In-App-Käufe über den App Store / Google Play. Die Plattformen übernehmen für dich die globale Zahlungsabwicklung und das Rückerstattungsmanagement.

Ob du es schaffst, dein Feature-Set auf eine einzige Funktion zurückzuschneiden – das ist die eigentliche Härteprobe. Cal AI hat keine Social-Features, keine Rezeptdatenbank, keinen Trainingsplan. Die App macht nur eine einzige Sache, liefert das zu 90 % genau und kassiert dann ab.

Deine erste Version wird definitiv versuchen, Funktionen reinzudrücken. Lass es. Jedes Feature, das du hinzufügst, verwässert dieses dreisekündige Gefühl von absoluter Gewissheit.

Schritt 3.5: Der Weg für alle, die nicht programmieren können

Das ist die Frage, die mir am häufigsten gestellt wird – deshalb gibt sie hier einen eigenen Abschnitt.

Wenn du überhaupt nicht programmieren kannst, gibt es für 2026 einen gangbaren Weg:

1. Setze die erste Version mit Glide / Bubble / Softr / Adalo um (No-Code-Plattformen, bei denen du per Drag-and-drop App-Oberflächen zusammenklickst). Diese Tools können mittlerweile die GPT-4o Vision API anbinden – eine App zu bauen, die Bilder erkennt und Text zurückgibt, ist technisch absolut machbar.
2. Suche parallel auf Upwork nach einem Freelancer, der Swift beherrscht (iOS-Entwicklung), zu einem Stundensatz von 30–50 USD. Er hilft dir, den No-Code-Prototyp in eine native App umzuschreiben, die in den App Store kommt.
3. Eigne dir Cursor + Claude Code (AI-Coding-Tools) an, um die weiteren Iterationen selbst durchzuziehen.

Dieser Weg dauert etwas länger, aber du musst nicht von null programmieren lernen. In 8–12 Wochen und mit einem Budget von 10.000–30.000 USD (inklusive No-Code-Abos + Freelancer + Apple-Developer-Account 99 USD/Jahr) hast du eine Version, die live im Store steht.

Schritt 4: Pack die zwei Buchstaben „AI“ in den App Store

Ein Zahlenwert aus einem Sensor-Tower-Report ist hier entscheidend: Cal AI hat in der App-Store-Beschreibung im Schnitt 35 AI-relevante Keywords pro Quartal reingepackt. Das Ergebnis: 25 % der Such-Downloads kamen über AI-bezogene Suchbegriffe.

Ein Viertel des organischen Traffics – nur weil du „AI“ in Titel und Beschreibung schreibst.

App Stores indizieren „AI“ als eigene Kategorie. Jedes Produkt mit diesem Begriff im Titel landet im AI-Suchpool – das hängt direkt mit der Keyword-Gewichtung bei der ASO (App Store Optimization) zusammen. Massenhaft suchen Nutzer im App Store direkt nach „AI food“, „AI scanner“, „AI menu“. Sie suchen nicht nach deiner Marke, sondern nach der Kategorie. Fehlen diese Begriffe in deinem App-Namen, Untertitel oder deiner Beschreibung, geht dieser Traffic-Vorschuss zu 100 % an dir vorbei.

Das ist die günstigste einmalige Maßnahme – und die Wirkung hält ewig.

Schritt 5: Starte die Preisgestaltung mit einem Monatsabo – kein Einmalkauf

9,99 $ pro Monat ist der in diesem Sektor validierte Preisanker.

Warum kein Einmalkauf? Bei hochfrequenten Anwendungsfällen entfaltet sich der Wert kontinuierlich: Wer es heute nutzt, braucht es morgen wieder. Einmalkäufe pressen deine Einnahmen zu einer einmaligen Zahlung zusammen – du bist gezwungen, für immer Traffic zu kaufen. Das Abo-Modell sorgt dafür, dass der Nutzer, den du heute gewinnst, dir im nächsten Jahr immer noch Geld bringt.

Eine grobe, aber nüchterne Rechnung: 10.000 zahlende Nutzer × 9,99 $ × 12 Monate ≈ 1,2 Mio. $ Jahresumsatz. Doch das ist die Umsatzdecke, nicht das Geld in deiner Tasche. Abzüglich:

• 30 % App-Store-Gebühr → bleiben 840.000
• API-Kosten für das Modell (bei GPT-4o vision 0,01–0,03 $ pro Aufruf, 10.000 Nutzer machen täglich 3 Fotos = 90.000 Aufrufe/Tag ≈ 27.000–80.000 $ pro Monat) → bleiben 760.000–810.000
• Kosten für Kundengewinnung (eCPI im US-iOS-Gesundheitssektor ca. 2–4 $, 10.000 zahlende Nutzer erfordern 200.000–500.000 Downloads) → 300.000–2.000.000 $ Budget für Paid Traffic
• Bei Abo-Modellen typische 8–25 % Rückerstattungsquote → nochmal 20 % abziehen

Der tatsächliche Netto-Gewinn liegt eher bei 300.000–600.000 $ – und das sind Zahlen, die erst ab der Größenordnung von Cal AI realistisch sind. Ein kleines Business, das 1–2 Leute ernährt – keine 1,2 Millionen, die am Ende netto auf deinem Konto landen.

4. Die echten Flaschenhälse auf diesem Weg

Ich ordne die Hürden danach, wo sie dich wirklich ausbremsen – nicht nach ihrer Wahrscheinlichkeit.

Hürde 1: Marketing ist die Mauer, nicht die Technik

Dafür gibt es einen eigenen Abschnitt, weil die vorherigen Schritte die technische Einstiegshürde so niedrig wirken lassen und dir suggerieren: „Marketing kriegst du auch hin.“ – Falsch gedacht.

App-Store-Keywords liefern dir zwar einen gewissen Traffic, aber um auf eine Million Downloads zu kommen, musst du fast unweigerlich Paid User Acquisition betreiben. Im US-App-Store liegen die CPIs (Cost per Install) für Health-Apps typischerweise bei 4 bis 8 USD; gemischt mit organischem Traffic landet der eCPI bei etwa 2 bis 4 USD. Eine Million Downloads bedeuten also ein Media-Budget von mindestens 2 bis 4 Millionen USD. Das ist kein Budget für einen High-School-Studenten – das ist ein Budget, für das ein Startup eine Series-A-Runde auflegt.

Das Cal-AI-Team hat beim Marketing deutlich mehr reingeprügelt als beim Code schreiben. „Fertig sein ist erst der Anfang, nicht das Ende“ – dieser Satz ist hier bare Münze, keine leere Floskel.

Wenn du vorher schon E-Commerce gemacht hast, haben wir gute Nachrichten: Deine Skills im Meta- und TikTok-Ad-Buying und deine Keyword-Erfahrung aus dem Amazon-ASO (Listing-Optimierung) lassen sich 1:1 auf App Store ASA (Apple Search Ads) übertragen. Das ist deine Eintrittskarte – ob du programmieren kannst, ist völlig egal.

Falls du noch nie Paid Ads geschaltet hast, musst du diese Lektion erst einmal nachholen, bevor du loslegst.

Hürde zwei: Die Formel ist eine notwendige, aber keine hinreichende Bedingung

Die drei Filterkriterien erklären nur, „warum jemand bereit ist, Geld zu zahlen“ – sie erklären nicht, „warum ausgerechnet du dieses Geld abholen solltest“.

Der Burggraben von Cal AI ist nicht „wenige Funktionen“, sondern ein Daten-Flywheel aus 15 Millionen Foto-Scans – jedes Foto wurde durch das Modell und manuelle Korrekturen verfeinert, weshalb die Lebensmittel-Erkennungsbibliothek weitaus präziser ist als die jedes neuen Konkurrenten. Selbst eine Million Scans reichen für Newcomer nicht annähernd aus. Das ist ein Daten-Vermögen, das sich über Zeit ansammelt – das gibt dir keine Formel.

Als Leser denkst du vielleicht: „Ich kann Cal AI auch kopieren.“ Doch die Schwierigkeit, von 0 auf 10.000 zahlende Nutzer zu wachsen, wird von solchen Formeln massiv unterschätzt. Drei Bedingungen schützen dich vor den offensichtlichsten Fallstricken. Ob du am Ende wirklich durchbrichst, hängt von der geballten Kraft aus Produkterlebnis, Marketing und Team-Exekution ab.

Hürde 3: Der Burggraben ist flach – aber er hat eine tiefe Seite

Du baust ein Produkt, dessen Kernfunktion sich in einem einzigen Satz beschreiben lässt. Das bedeutet: Jeder andere kann es mit einem Satz kopieren. Die Standard-Strategie lautet „Geschwindigkeit und vertikale Tiefe“ – wer in einer ausreichend engen Nische zuerst zur Standardwahl in den Köpfen der Nutzer wird, schnappt das gesamte Suchvolumen für diesen Begriff auf. Doch auf diesem Weg gibt es keine Wunderwaffe: Die ersten 1.000 Bewertungen, Keyword-Platzierungen und das Suchvolumen für deine Marke – das sind alles Vermögenswerte, die Zeit brauchen, um zu wachsen.

Der tiefere Burggraben liegt in den Nutzerdaten: Wenn du eine Million Scans erreicht hast, ist deine Erkennungsbibliothek 5 % präziser als die eines Newcomers. Diese 5 % entscheiden darüber, ob du in den Suchergebnissen auf Platz 1 landest.

Hürde 4: Zersplitterte Mundpropaganda ist die Norm

MenuFit kommt im App Store auf 4,8 Sterne – doch bei den schriftlichen Bewertungen liegt der Wert nur bei 2,7. Die Flut an Negativrezensionen konzentriert sich fast ausschließlich auf Abo-Fallen und fehlerhafte Abbuchungen. 4,8 ist der weltweite Durchschnitt der Sternebewertung, 2,7 ist das Erfahrungsurteil der Nutzer, die tatsächlich Text schreiben. Grottige Abo- und Abbuchungs-Erlebnisse sind in dieser Nische ein branchenweites Massenphänomen.

Geld mit Abos zu verdienen ist völlig legitim – aber wer es darauf anlegt, Nutzern das Kündigen künstlich schwer zu machen, wird unweigerlich baden gehen. Das Ende dieser Straße ist immer dasselbe: geballte Negativbewertungen und die Rauswurf aus dem Store.

5. Die 30-Tage-Test-Box

Wenn du den obigen Einschätzungen zustimmst, dann schnall dich an und ziehe diesen 30-Tage-Test-Plan durch:

Tag 1–3: Notiere dir fünf Anwendungsszenarien, suche dir dasjenige heraus, das dich am meisten blockiert, und validiere es nach der Methode aus Schritt 2 im App Store und auf Reddit.

Tag 4–7: Baue mit Glide / Bubble / Softr einen No-Code-Prototyp und bringe eine Foto-Erkennung zum Laufen (selbst wenn sie nur ein einziges Gericht erkennt). Kosten: 0–50 USD. Decision Point: Erreicht die Erkennungsgenauigkeit über 70 %? Wenn nicht, Szenario wechseln.

Tag 8–14: Suche 20 Zielnutzer (findbar auf Reddit / Discord / Pinterest), lass sie kostenlos testen und hole dir das ungeschönte Feedback: „Würden sie dafür bezahlen?“ Decision Point: Wenn von den 20 Personen ≥ 3 sagen „Ich bin bereit, 9,99/Monat zu zahlen“ – weitermachen; ansonsten Szenario wechseln.

Tag 15–30: Einen Swift-Freelancer für das Native-Refactoring suchen + App-Store-Assets schreiben + In-App-Purchase (IAP) für den Launch vorbereiten. Budget: 3.000–8.000 USD. Entscheidungsfrage: Hast du an Tag 30 die Überzeugung, innerhalb von 60 Tagen 100 echte zahlende Nutzer zu gewinnen? Wenn nein – Stop.

Der Instinkt eines E-Commerce-Veteranen lautet: „Wenn die Paid-Ads profitabel skalieren, skaliere; wenn nicht, sofort stoppen.“ Diese Regel gilt für Apps exakt genauso. Validiere die Richtung in 30 Tagen, sonst pivotiere. An einer Sackgasse festhalten ist die größte Kostenfalle in dieser Branche.

Die Liste mit den fünf Anwendungsszenarien – ich empfehle, sie dir jetzt sofort zu schnappen.

Die größten Kosten für Normalsterbliche bei der Produktentwicklung sind nicht das Geld, sondern das Warten auf die „noch größere Idee“ – und am Ende tut man gar nichts. Zwei 17-jährige Schüler haben nicht gewartet: Sie bauten eine Foto-Funktion, 18 Monate später wurden sie von MyFitnessPal übernommen. Du bist nicht schlechter als die beiden – aber du bist langsamer, es sei denn, du fängst heute an, das erste Foto zu machen.

Handy hoch.