Prends une photo, encaisse le chèque : deux lycéens ont généré 30 millions $ avec cette formule, et tu peux la copier

Tu ouvres l’App Store, tu tapes “AI”, et parmi les 50 premiers résultats, 10 sont des applications photo. Les produits IA qui ont vraiment généré du cash ces deux dernières années ont tous un air “cheap” — ce ne sont pas des mastodontes capables de discuter philosophie, d’écrire du code ou de générer des films, mais des petits outils avec si peu de fonctionnalités qu’on se demande “ça, ça se vend ?” : tu lèves ton téléphone, tu prends une photo, ça te renvoie une phrase, et tu leur lâches 10 dollars par mois.

Voici le chiffre le plus dur à avaler.

Une application appelée Cal AI n’a qu’une seule fonction : photographier ton assiette pour te dire combien de calories elle contient. Créée par deux lycéens de 17 ans, lancée en mai 2024. 18 mois plus tard : plus de 15 millions de téléchargements, un chiffre d’affaires annuel dépassant les 30 millions $. En décembre 2025, rachetée par MyFitnessPal, l’équipe de 7 personnes intégralement absorbée. Forbes prévoit un chiffre d’affaires de 50 millions $ pour 2026.

7 personnes, une fonction photo, 30 millions $.

Derrière ça, il y a une grille de filtrage reproductible, et elle a été validée plus d’une fois. Aujourd’hui, on la décortique, en incluant le calcul pour ceux qui se disent “je ne sais pas coder”.

I. Les utilisateurs ne manquent pas d’informations, ils manquent de zéro effort cérébral

La plupart des gens partent sur une fausse base quand ils cherchent la douleur client pour créer un produit. Ils s’imaginent que les utilisateurs manquent d’informations — il suffit de les renseigner, et ils paient.

Faux. En 2026, l’information est la ressource la moins chère du monde. Vous voulez savoir combien de calories contient une assiette de pâtes ? Un moteur de recherche vous balance vingt réponses en trois secondes, et c’est gratuit.

Alors, sur quoi Cal AI se permet-il de faire payer ?

Parce que la personne qui essaie de perdre du gras sort au resto, reçoit la carte, voit vingt plats qu’elle comprend parfaitement, mais ne sait pas lequel commander. Est-ce trop gras ? Est-ce que les glucides vont exploser ? Si je mange ça aujourd’hui, est-ce que je dois compenser par du sport demain ? En théorie, elle doit : identifier les ingrédients, estimer le poids en grammes, chercher la densité calorique de chaque élément, tout additionner, puis comparer avec le quota restant pour la journée. Ce processus prend cinq minutes, trois fois par jour, soit quatre-vingt-dix repas par mois.

C’est exactement ce que l’économie comportementale appelle la fatigue décisionnelle : plus on multiplie les décisions, plus la qualité des choix suivants se dégrade. Ce que l’utilisateur recherche désespérément, c’est la réponse définitive qui lui permet de ne plus se prendre la tête.

Quelqu’un a construit exactement ça : tu prends la carte en photo, et l’IA te dit directement quoi commander. Il a compressé dix minutes d’hésitation en une décision de trois secondes.

Ce genre d’appli cartonne en ce moment. Prenez MenuFit sur l’App Store : plus d’un million de téléchargements, 4,8 étoiles, 53 900 avis, et un abonnement de base à 9,99 $ par mois. Dans le secteur de l’abonnement, un produit qui combine des téléchargements de l’ordre du million et un tarif mensuel de dix dollars représente une catégorie de business bien réelle.

Deux. Trois critères de sélection, sans l’un des trois, ça ne tient pas

Si tu superposes tous ces cas d’usage, tu peux en extraire trois critères de sélection — c’est un filtre pour choisir ta direction, pas une formule magique :

Scénario à haute fréquence × Paralysie de l’embarras du choix × Saisie par photo

Pourquoi ce trio ne devient réalité qu’en 2026 ? Parce que les deux premières conditions ont toujours existé, mais la troisième n’a été débloquée qu’avec la maturation des modèles multimodaux. Avant, si tu demandais à l’utilisateur de saisir manuellement « 150 g de blanc de poulet, 100 g de brocoli », le coût de la saisie dépassait celui de faire le calcul lui-même. Le produit était mort-né. Aujourd’hui, « lever son téléphone » devient la seule action requise. L’effort passe de « taper trente caractères » à « appuyer sur un bouton ». C’est seulement à cet instant que les trois conditions s’alignent enfin.

Je te détaille chacun d’entre eux — la majorité des gens plantent leur business sur un seul de ces maillons.

Critère 1 : La haute fréquence

Le besoin doit survenir plus d’une fois par jour, idéalement trois fois. Les repas sont le scénario parfait — trois fois par jour, mille fois par an. Si l’utilisateur ouvre ton appli trois fois par jour, la barrière psychologique au passage à la caisse chute à un niveau inimaginable. À l’inverse, un besoin du type « t’aider à choisir le meilleur plan de remboursement de ton crédit immobilier » ne sert deux fois dans une vie. Tu ne pourras encaisser qu’un paiement unique. Or, un paiement unique signifie que tu es condamné à racheter du trafic pour l’éternité.

Critère 2 : La paralysie de l’embarras du choix

L’utilisateur doit se trouver dans un moment où il doit prendre une décision immédiate, mais où il n’arrive pas à se déterminer. Devant la carte du resto, devant le rayon du supermarché, devant la carte des vins : ce sont des points de blocage décisionnel. En revanche, « j’ai envie d’apprendre la nutrition » n’est pas un point de blocage. C’est de l’apprentissage. L’apprentissage n’est pas urgent. Et les besoins non urgents ont des taux de conversion au paiement catastrophiques.

Les décisions prises sous stress émotionnel ont une autre caractéristique : l’utilisateur achète de la délivrance, pas de l’information. Une personne au régime sort son téléphone au restaurant, prend une photo, lit « 320 calories », et mange l’esprit tranquille. Ce qu’elle achète, ce n’est pas la donnée des 320 calories, c’est la délivrance de ne plus avoir à hésiter à cet instant. C’est ça, la vraie source de la volonté de payer.

Condition n°3 : la saisie par photo

Les modèles multimodaux sont le moteur de cette vague. Un article de TechCrunch mentionne que le taux de précision de Cal AI est d’environ 90 % — pas 100 %. Pour quelqu’un au régime, une réponse en 3 secondes à 90 % de précision vaut infiniment plus qu’une réponse en 5 minutes à 100 %. Le régime est un jeu de statistiques, pas une science exacte : une marge d’erreur quotidienne inférieure à 5 % suffit largement.

III. Cinq étapes, de zéro au lancement

Voici les cinq étapes, à suivre dans l’ordre.

Étape 1 : choisissez un scénario, pas une fonctionnalité

Prenez une feuille de papier et notez les moments de votre propre vie où vous « devez décider sur-le-champ, mais hésitez à chaque fois ». Ne notez que les situations où vous avez vous-même été bloqué, pas celles où vous supposez que d’autres le seront. Quelques pistes pour vous guider :

• Carte des boissons au bar : quel verre contient le moins de calories (un besoin incontournable pour la communauté fitness, dont le pouvoir d’achat est élevé)
• Snacks en supérette : photographiez le dos de l’emballage, dites-moi si j’ai le droit d’en manger pendant ma sèche
• Restauration en aéroport / en gare : deux heures de correspondance, comment manger sans ruiner mes macros
• Liste des ingrédients au supermarché : photographiez la composition, dites-moi s’il y a dedans un ingrédient que j’essaie d’éviter

Cette dernière direction a déjà fait ses preuves. Seed Oil Scout, une appli dédiée à aider les utilisateurs à éviter les restaurants et produits contenant des huiles de graines, affiche des données publiques fracassantes : plus d’un million de téléchargements et 14 000 avis à 4,8 étoiles. Ils ont directement intégré une boutique dans l’appli, permettant aux utilisateurs d’acheter des produits certifiés conformes en un clic — ils encaissent sur deux tableaux à la fois : les abonnements et les commissions d’affiliation.

Étape 2 : Validez avec des données de niche, oubliez Google Trends

Une fois le scénario choisi, ne codez pas tout de suite. Prenez vingt minutes pour vérifier si le besoin est réel ou s’il n’existe que dans votre tête.

Mais attention au piège : la méthode classique basée sur Google Trends et les suggestions de recherche ne fonctionne pas pour le trafic des applications. Le comportement de recherche sur l’App Store est radicalement différent de celui sur Google, et les critères pour évaluer la popularité d’un mot-clé ne sont pas les mêmes. Cal AI ne s’est d’ailleurs pas du tout construit sur Google : son succès repose sur le taux de conversion de ses vidéos TikTok et sur son classement sur Product Hunt.

La bonne méthode de validation est la suivante :

1. Ouvrez l’App Store, connectez votre VPN à votre marché cible (les États-Unis, par exemple), et tapez vos mots-clés clés en anglais (par exemple menu calorie). Regardez si, parmi les 10 premiers résultats, il y a des produits similaires qui ont dépassé les 100 000 téléchargements et qui sont encore mis à jour régulièrement.
2. Allez sur Sensor Tower (une plateforme de données tierce pour les boutiques d’applications) pour vérifier les courbes de téléchargement des produits head sur ce mot-clé, et regardez si la tendance est à la hausse ou à la baisse.
3. Sur Reddit et Quora, dans les subreddits pertinents, cherchez “X decision” ou “X help”, et regardez la densité de plaintes — plus il y a de plaintes, plus le point de douleur est réel.

Des produits similaires qui survivent tranquillement + des gens sur Reddit qui posent encore et encore des questions similaires = la demande est réelle, ce n’est pas juste dans votre tête.

Étape 3 : faites-le, ne codez pas tout à partir de zéro

La stack technique de Cal AI n’a aucun secret : TechCrunch l’explique très clairement, il appelle les modèles d’Anthropic et d’OpenAI, ajoute du RAG (une technologie qui permet à l’IA d’interroger une base de connaissances externe pour répondre), et a été nourri avec un ensemble de bases de données open source d’images de calories alimentaires. Pas de modèle maison, pas de percée algorithmique — c’est un produit qui recombine des capacités existantes.

En 2026, votre barrière technique ressemblera à ceci :

• Reconnaissance visuelle → branche-toi directement sur les API multimodales de GPT / Claude (ces interfaces qui permettent à l’IA d’analyser des images). Tu paies à l’usage, le coût de démarrage frôle le zéro.
• Interface de l’app → tu peux sortir un MVP (produit minimum viable) en 4 à 8 semaines, auxquelles s’ajoutent 2 à 3 semaines pour faire valider les achats in-app (IAP), la politique de confidentialité et la classification fiscale.
• Encaissement des abonnements → achats intégrés via l’App Store / Google Play. Les plateformes gèrent pour toi les paiements et les remboursements au niveau mondial.

Le vrai défi, c’est d’avoir le cran de découper ton app pour ne garder qu’une seule fonction. Cal AI n’a pas de réseau social, pas de base de données de recettes, pas de programme d’entraînement. Il ne fait qu’une seule chose, avec 90 % de précision, et il encaisse.

Ta toute première version, tu auras forcément envie de la bourrer de fonctionnalités. Ne le fais pas. Chaque fonctionnalité que tu ajoutes dilue cette sensation de certitude qui ne dure que trois secondes.

Étape 3.5 : La voie à suivre pour ceux qui ne savent pas coder

C’est la question que l’on me pose le plus souvent, donc j’y consacre un paragraphe dédié.

Si tu n’y connais absolument rien en code, il existe une voie viable en 2026 :

1. Utilisez Glide / Bubble / Softr / Adalo (des plateformes no-code où tu montes une app juste en glissant-déposant des composants d’interface) pour sortir ta V1. Ces outils peuvent désormais s’intégrer à l’API de GPT-4o vision : créer une application capable d’analyser une image et de renvoyer du texte, techniquement, c’est à 100 % faisable.
2. En parallèle, va sur Upwork pour recruter un freelance qui maîtrise Swift (le langage de dev iOS) à 30-50 $ de l’heure. Son boulot ? Reprendre ton proto no-code et le recoder en app native prête à être publiée sur l’App Store.
3. Forme-toi sur ton côté à Cursor + Claude Code (des outils de codage IA) pour gérer les itérations suivantes en interne.

Cette voie est un peu plus longue, mais elle t’évite de devoir apprendre à coder à partir de zéro. Avec une V1 en 8 à 12 semaines et un budget de 10 000 à 30 000 $ (incluant l’abonnement no-code + le freelance + le compte Apple Developer à 99 $/an), tu peux sortir une version validée et mise en ligne sur les stores.

Étape 4 : Inscris les lettres “AI” en lettres d’or dans l’App Store

Un chiffre clé ressort d’un rapport de Sensor Tower : Cal AI a littéralement bourré sa description sur l’App Store avec une moyenne de 35 mots-clés liés à l’IA par trimestre. Résultat ? Les termes de recherche liés à l’IA ont généré à eux seuls 25 % de ses téléchargements organiques via recherche.

Un quart du trafic organique, simplement parce qu’ils ont eu la présence d’esprit d’écrire “AI” dans leur titre et leur description.

L’App Store indexe « AI » comme une véritable catégorie. Une app dont le titre contient ce mot intègre automatiquement le bassin de recherche IA — un mécanisme directement lié à la pondération des mots-clés en ASO (App Store Optimization). En ce moment, des foules d’utilisateurs tapent directement « AI food », « AI scanner », « AI menu » dans l’App Store. Ils ne cherchent pas votre marque, ils cherchent cette catégorie. Si votre nom d’application, votre sous-titre ou votre description ne contiennent pas ces mots-clés, vous ne captez pas un seul traître de ce trafic.

C’est le boulot le plus rentable pour le moins d’efforts : on le fait une fois, et ça tourne pendant des mois.

Étape 5 : Tarifiez en abonnement mensuel, oubliez la vente à vie

9,99 $ par mois. C’est l’ancre de prix ultra-validée dans cette niche.

Pourquoi ne pas proposer un achat unique ? La valeur d’un outil à haute fréquence d’usage se débloque en continu : l’utilisateur s’en sert aujourd’hui, et il en aura encore besoin demain. Le modèle one-shot écrase votre chiffre d’affaires en un seul paiement, vous condamnant à racheter du trafic en permanence. L’abonnement, lui, fait que le client signé aujourd’hui continuera de vous payer l’année prochaine.

Un calcul à la louche mais lucide : 10 000 utilisateurs payants × 9,99 $ × 12 mois ≈ 1,2 million de dollars de chiffre d’affaires annuel. Mais attention, c’est le chiffre d’affaires au plafond, pas l’argent dans votre poche. Déduction faite de :

• Commission de 30 % de l’App Store → il reste 840 000 $
• Coût de l’API du modèle (sur la base de GPT-4o vision à 0,01-0,03 $ / appel, 10 000 utilisateurs qui prennent 3 photos par jour = 90 000 appels / jour ≈ 27 000 à 80 000 $ par mois) → il reste 760 000 à 810 000 $
• Coût d’acquisition (l’eCPI pour les apps de santé iOS aux États-Unis tourne autour de 2-4 $, 10 000 utilisateurs payants impliquent 200 000 à 500 000 téléchargements) → un budget d’acquisition de 300 000 à 2 millions $
• Taux de remboursement classique pour les apps par abonnement (8-25 %) → encaisse encore un coup de rabiot de 20 %

Le bénéfice net réel se situe probablement entre 300 000 et 600 000 $, et ce sont déjà les chiffres qu’une structure de la taille de Cal AI peut sortir. C’est un petit business capable de faire vivre 1 à 2 personnes, pas 1,2 million de $ net en poche.

IV. Les vrais obstacles de cette voie

J’ai classé ces obstacles par capacité à vous bloquer, pas par probabilité d’occurrence.

Obstacle n°1 : le marketing est le mur, pas la techno

Ça mérite un paragraphe entier, parce que les étapes précédentes ont abaissé la barrière technique au point de vous suggérer que le marketing sera aussi plié facile — c’est faux.

Les mots-clés de l’App Store peuvent vous générer une partie du trafic, mais pour franchir le cap du million de téléchargements, il faut quasi obligatoirement acheter du trafic. Sur l’App Store US, dans la catégorie santé, le CPI (coût par installation) d’une application iOS se situe généralement entre 4 et 8 $, et l’eCPI (après intégration du trafic organique) tourne autour de 2 à 4 $. Atteindre 1 million de téléchargements implique donc un budget d’acquisition d’au moins 2 à 4 millions de dollars. Ce n’est pas le budget d’un lycéen : c’est le budget d’une startup qui lève sa Série A.

L’équipe derrière Cal AI a investi bien plus d’énergie dans le marketing que dans le code. « Lancer le produit n’est que le début, pas la fin » — cette phrase est une réalité brute, pas un cliché de coach.

Si vous avez déjà fait de l’e-commerce, voici une excellente nouvelle pour vous : votre capacité à scaler des campagnes sur Meta et TikTok, ainsi que votre expertise en mots-clés pour l’ASO Amazon (optimisation de fiches), se transposent directement à l’ASA (Apple Search Ads) sur l’App Store. C’est votre billet d’entrée, et le fait de ne pas savoir coder n’y change rien.

Si vous n’avez jamais acheté de trafic, il faudra d’abord rattraper ce retard avant de vous lancer.

Difficulté n°2 : la formule est une condition nécessaire, pas suffisante

Ces trois critères de filtrage n’expliquent que « pourquoi les gens sont prêts à payer », mais n’expliquent pas « pourquoi c’est vous qui allez empocher l’argent ».

Le véritable fossé défensif de Cal AI n’est pas sa « simplicité », c’est la roue de données générée par 15 millions de photos scannées. Chaque photo a été corrigée par le modèle ou par vérification humaine, ce qui rend sa base de reconnaissance alimentaire infiniment plus précise que celle de n’importe quel nouvel entrant. Un challenger peut aligner 1 million de scans, ça ne suffira pas. C’est un actif de données forgé par le temps, aucune formule magique ne peut vous l’offrir.

Les lecteurs vont se dire « je peux aussi cloner Cal AI », mais la difficulté pour passer de 0 à 10 000 utilisateurs payants est gravement sous-estimée par les formules. Trois conditions peuvent vous éviter de tomber dans les pièges les plus évidents, mais pour vraiment percer, tout reposera sur la synergie entre l’expérience produit, le marketing et la force d’exécution de l’équipe.

Difficulté 3 : Les barrières à l’entrée sont faibles, mais elles ont une face profonde

Vous lancez un produit dont la valeur tient en une seule phrase, ce qui signifie que n’importe qui peut aussi le copier en une seule phrase. La stratégie classique consiste à miser sur la « vitesse et la profondeur verticale » : le premier qui parvient à s’imposer comme l’option par défaut dans une niche suffisamment étroite capte tout le trafic de recherche lié à ce mot-clé. Mais sur cette route, il n’y a pas de solution miracle : accumuler les 1000 premiers avis, verrouiller les mots-clés stratégiques, faire exploser le volume de recherche sur sa propre marque… tout ce sont des actifs qui exigent un investissement temporel lourd.

La barrière la plus solide se cache dans vos données utilisateurs : une fois que vous avez atteint 1 million de scans, votre base de reconnaissance devient 5 % plus précise que celle des nouveaux venus. Ce petit delta de 5 % est exactement ce qui déterminera si vous finissez premier dans les résultats de recherche.

Difficulté 4 : La division des avis est la norme

MenuFit affiche 4,8 étoiles sur l’App Store, mais sa note textuelle ne dépasse pas 2,7 — un déluge d’avis négatifs centrés sur l’expérience d’abonnement et de facturation. 4,8, c’est la moyenne globale des étoiles ; 2,7, c’est le vécu des utilisateurs qui prennent la peine de rédiger un commentaire. Une expérience d’abonnement et de débit calamiteuse, c’est la norme dans cette niche.

Générer du revenu par abonnement, aucun problème. Mais construire ton business model sur le fait d’empêcher les utilisateurs de se désabonner, c’est le crash assuré — au bout du compte, tu te retrouves avec un concentré d’avis négatifs et une application retirée des stores.

V. Le cadre de test sur 30 jours

Si tu trouves que les analyses ci-dessus tiennent la route, passe à l’action avec ce cadre de test sur 30 jours :

Jours 1 à 3 : liste cinq cas d’usage, choisis celui qui te bloque le plus, et valide-le sur l’App Store et Reddit en appliquant la méthode de l’étape 2.

Jours 4 à 7 : sors un prototype no-code avec Glide / Bubble / Softr + fais fonctionner une reconnaissance photo de bout en bout (même si ça ne reconnaît qu’un seul plat). Coût : 0 à 50 dollars. Point de décision : la précision de reconnaissance atteint-elle 70 % ou plus ? Si non, change de cas d’usage.

Jours 8 à 14 : trouve 20 utilisateurs cibles (sur Reddit / Discord / Pinterest) pour un essai gratuit, et collecte des retours authentiques sur leur volonté de payer. Point de décision : si au moins 3 personnes sur 20 disent « je suis prêt à payer 9,99 $/mois » — continue ; sinon, change de cas d’usage.

Jours 15 à 30 : trouvez un freelance Swift pour réécrire la version native + rédigez les assets pour l’App Store + préparez l’intégration des achats in-app (IAP) pour la mise en ligne. Budget : 3000 à 8000 $. Point de décision : à 30 jours, êtes-vous convaincu de pouvoir signer 100 vrais utilisateurs payants en 60 jours ? Si non, arrêtez tout.

L’instinct de combat des vétérans du e-commerce, c’est « si l’acquisition paid est rentable, on scale ; si ça ne l’est pas, on coupe immédiatement ». Cette règle s’applique à l’identique pour les apps. Si en 30 jours vous pouvez valider la direction, validez-la ; sinon, changez de crèneau. S’obstiner est le coût le plus ruineux de ce secteur.

La feuille de papier avec vos cinq scénarios ? Je vous conseille de la prendre tout de suite.

Le plus gros coût pour les gens ordinaires qui se lancent dans le produit, ce n’est pas l’argent. C’est d’attendre une « idée plus grandiose » — pour au final ne rien faire du tout. Deux lycéens de 17 ans n’ont pas attendu : ils ont créé une fonctionnalité de photo, et 18 mois plus tard, ils se faisaient racheter par MyFitnessPal. Vous n’êtes pas moins bons qu’eux, mais vous serez plus lents qu’eux — à moins de capturer votre première photo dès aujourd’hui.

Levez votre téléphone.