Csak csinálj egy fotót, és besöpöröd a pénzt: két középiskolás ezzel a képlettel hozott össze 30 millió dollárt – te is lemásolhatod

Kinyitod az App Store-t, rákeresel az „AI” szóra, és az első 50 találatból 10 fotós app. Az elmúlt két évben azok az AI-termékek, amik tényleg pénzt hoztak, mind „szegényesnek” tűnnek – nem azok az univerzális nagy modellek, amelyekkel filozófiáról beszélgethetsz, kódot írhatsz vagy filmet generálhatsz, hanem apró vacakok, amelyek funkcióinak száma annyira kevés, hogy az ember elgondolkodik: „ezért tényleg fizetnek?”. Felemeled a telefont, csinálsz egy fotót, a app visszaír egy mondatot, te meg minden hónapban fizetsz neki tíz dollárt.

Tegyük előre a legfájdalmasabb számokat.

Egy Cal AI nevű app, egyetlen funkcióval: lefotózod a tányérodat, megmondja, hány kalória. Két 17 éves középiskolás csinálta, 2024 májusában indult. 18 hónap múlva: több mint 15 millió letöltés, éves bevétel több mint 30 millió dollár. 2025 decemberében a MyFitnessPal felvásárolta, a 7 fős csapatot teljes egészében átvették. A Forbes becslése szerint 2026-ra a bevétel eléri az 50 millió dollárt.

7 ember, egy fotós funkció, 30 millió dollár.

E mögött van egy újrahasználosítható szűrési feltétel, és már nem egyszer bizonyított. Ma szétszedjük a feltételeket, és azt is kiszámoljuk neked, hogy „mi van, ha nem tudok kódolni”.

Egy: a felhasználó nem információhiányban szenved, hanem abban, hogy nem akar gondolkodni

A legtöbb ember, amikor terméket épít, rosszul közelíti meg a fájdalompontokat. Azt hiszik, a felhasználónak információ hiányzik – megmondom neki, és az kifizeti.

Nem. Az információ 2026-ban a legolcsóbb dolog a világon. Tudni akarod, hány kalória van egy tál spagettiben? A kereső három másodperc alatt húsz választ ad – ingyen.

Akkor mire alapozva mer pénzt kérni a Cal AI?

Mert amikor a diétázó ember étterembe ül, megkapja az étlapot, húsz fogás van, mindegyiket érti, de fogalma sincs, mit rendeljen. Magas a zsírtartalom? Kirobban a szénhidrát? Ha ezt megeszem ma, holnap kell-e pótolnom a mozgással? Elméletileg ezt kellene tennie: felismerni az alapanyagokat, megbecsülni a grammokat, kikeresni mindegyik kalóriasűrűségét, összeadni, majd összevetni azzal, mennyi keret maradt mára. Ez a folyamat öt percig tart, naponta három étkezés, havonta kilencven.

Ez az, amit a viselkedési közgazdaságtan döntési fáradtságnak nevez: minél több döntést hozol, annál rosszabb lesz a későbbiek minősége. Tehát a felhasználó nem információra éhes – hanem egy olyan határozott válaszra, ami elhallgattatja a bizonytalanságát.

Valaki meg is építette ezt: lefotózod az étlapot, az AI egyenesen megmondja, melyik fogást válaszd. Tíz percnyi tépelődést három másodperces döntéssé sűrít.

Ez a típusú alkalmazás most nagyon jól megél. Vegyük a MenuFit-et az App Store-ból: több mint 1 millió letöltés, 4,8 csillag, 53 900 értékelés, az alap előfizetés havi 9,99 dollár. Az előfizetéses szektorban a millió letöltést és havi tízdolláros díjat hozó termékek egy valós, létező üzleti kategóriát alkotnak.

Két: három szűrőfeltétel – ha egy is hiányzik, az egész nem áll meg

Ha ezeket az eseteket egymásra halmozva nézzük, három szűrőfeltétel rajzolódik ki – ezeket az irány kiválasztásához használjuk, nem pedig üzleti formulaként:

Magas frekvenciájú szcenárió × Döntési bizonytalanság × Fotós bevitel

Miért csak 2026-ra lesz ez érvényes? Mert az első két feltétel már régóta adott, a harmadik viszont a multimodális modellek érettségére várt, hogy feloldja a zárat. Korábban, ha arra kérted a felhasználót, hogy gépelje be manuálisan „150 g csirkemell, 100 g brokkoli”, a beviteli költség magasabb volt, mint maga a számítás – az ilyen termék biztosan megbukott. Ma már a „tartsd fel a telefont” jelenti az egyetlen szükséges műveletet: a ráfordítás a „harminc karakter begépelésétől” „egyetlen koppintásra” csökken, és csak ekkor teljesül végre mindhárom feltétel.

Nézzük meg őket egyenként – a legtöbben az egyik lépcsőfokon vágódnak el.

Feltétel egy: Magas frekvencia

Naponta legalább egyszer, de a legjobb, ha háromszor fordul elő. Az étkezés a tökéletes szcenárió – napi háromszor, évente ezerszer. Ha a felhasználó naponta háromszor nyitja meg az alkalmazásodat, a fizetés pszichológiai gátja hihetetlenül alacsonyra süllyed. Ezzel szemben az olyan igény, mint „segíts kiválasztani, melyik hitelkonstrukciót válasszam”, életben talán kétszer merül fel: te csak egyszeri díjat tudsz beszedni, az egyszeri bevétel viszont azt jelenti, hogy örökké forgalmat kell vásárolnod.

Feltétel két: Döntési bizonytalanság

A felhasználónak egy olyan pillanatban kell lennie, amikor azonnal döntést kell hoznia, de képtelen rá. Az étlap, a polcok vagy a borkínálat előtt mind döntési pontok. Ezzel szemben a „szeretném megérteni a táplálkozástudományt” nem döntési pont – az tanulás, a tanulás viszont nem sürgős, és a nem sürgős igények fizetési rátája rendkívül alacsony.

A stressz által vezérelt döntéseknek van egy másik jellemzője: a felhasználók a megkönnyebbülést vásárolják meg, nem az információt. Egy diétázó felemeli a telefonját egy vacsorán, lefotózza az ételt, leolvassa, hogy 320 kcal, majd megnyugodva nekiáll enni – nem a 320 kcal adatát veszi meg, hanem a pillanatnyi mentesülést a gyötrődés alól. Ez a valódi forrása a fizetési hajlandóságnak.

Harmadik feltétel: Fotós bemenet

A multimodális modellek a jelenlegi hullám motorjai. Egy TechCrunch-cikk szerint a Cal AI felismerési pontossága nagyjából 90% – nem 100%. Egy diétázó számára egy 90%-ban pontos, három másodperces válasz sokkal értékesebb, mint egy 100%-ban pontos, ötperces válasz. A diéta statisztikai játék, nem pedig pontos tudomány; egy napi átlagú < 5%-os hiba már bőven elég a célhoz.

Három: Öt lépés a nulláról az indulásig

Az alábbi öt lépést sorrendben kövesd.

Első lépés: Válassz szituációt, ne funkciót

Vegyél egy papírt, és írd fel azokat a pillanatokat az életedből, amikor „azonnal dönteni kell, de mindig hezitálsz egy kicsit”. Csak olyanokat írj, amiknél te magad is ténylegesen elakadtál, ne olyanokat, amikről feltételezed, hogy másokat elakasztanak. Néhány irány a kiinduláshoz:

• Báritallap: melyik italban van a legkevesebb kalória (a fitneszközönség alapvető igénye, ráadásul ez a réteg erős vásárlóerővel bír)
• Bolti nasik: fotózd meg a csomagolás hátulját, és mondd meg, ehetem-e a diétám alatt
• Repülőtéri / pályaudvari éttermek: két óra átszállás alatt hogyan egyél úgy, hogy ne rontsd el a diétát
• Szupermarketek összetevőlistája: fotózd le az összetevőket, és mondd meg, van-e benne olyan, amit épp kerülni próbálok

Ez az utolsó irány már beérett, és bizonyítottan működik. A Seed Oil Scout, amely kifejezetten abban segít a felhasználóknak, hogy elkerüljék a magolajat tartalmazó éttermeket és élelmiszereket, a nyilvános adatok szerint 1 milliónál is több letöltést ért el, és 14 ezer értékelés alapján 4,8 csillagos. Az alkalmazáson belül egyenesen felépítettek egy saját webshopot, ahová a felhasználók rákattinthatnak, és megvásárolhatják a megfelelő termékeket – így az előfizetési díj és a jutalékos modell két bevételi forrását is egyszerre szipkázzák be.

Második lépés: Validálj niche-specifikus adatokkal, ne a Google Trends-szel

Miután kiválasztottad a szcénát, még ne írj egy sort kódot se. Tölts húsz percet azzal, hogy megbizonyosodj róla: a kereslet nem csak a te saját fejében létezik.

De van itt egy csapda, amit előre tisztázunk: a Google Trends és a keresési javaslatok (legördülő menü) módszere egyszerűen nem működik az App-forgalom esetében. Az App Store keresési viselkedése teljesen eltér a Google-étől, és a kulcsszó-népszerűség megítélésének szempontjai is mások. A Cal AI maga sem a Google-nek köszönheti a növekedését, hanem a TikTok-videók konverziós rátájának és a Product Hunt-rangsornak.

A helyes validációs módszer a következő:

1. Nyisd meg az App Store-ot, kapcsolj be egy VPN-t a célpiacodhoz (pl. amerikai régió), keress rá az angol kulcsszavaidra (pl. menu calorie), és nézd meg a top 10 találat között, van-e legalább 100 000 letöltéssel rendelkező, de még mindig frissített hasonló alkalmazás.
2. Menj a Sensor Towerre (harmadik féltől származó App Store-adatplatform), és ellenőrizd a kulcsszóhoz tartozó toplista termékek letöltési görbéjét: a trend felfelé vagy lefelé tart?
3. A Reddit és a Quora vonatkozó közösségeiben (subreddit) keress rá a „X decision” és „X help” kifejezésekre, és mérd fel a panaszkodások sűrűségét – minél több a negatívum, annál valódiabb a fájdalompont.

Ha léteznek stabilan működő versenytársak + a Redditen folyamatosan felteszik ugyanazokat a kérdéseket = a kereslet valós, nem csak a te fejedben létezik.

Harmadik lépés: Építsd meg, de ne a nulláról kódolj

A Cal AI technológiai stackjének nincs titka: a TechCrunch írta le világosan, hogy az Anthropic és az OpenAI modelljeit hívja, kiegészítve RAG-gal (olyan technológia, amely lehetővé teszi az AI számára, hogy külső tudásbázisokból merítsen válaszhoz), majd etették vele egy nyílt forráskódú, ételkalória-képadatbázist. Nincs saját modellfejlesztés, nincs algoritmikus áttörés – ez egy termék, amely a meglévő képességeket kombinálja újra.

2026-ban a technológiai belépési küszöbed a következőképpen fest:

• Látásalapú felismerés → közvetlenül hívd meg a GPT / Claude multimodális API-ját (olyan API, ami lehetővé teszi az AI számára a képek felismerését), használat alapú fizetéssel, a induló költség szinte nulla
• App felület → 4-8 hét alatt összehozható egy MVP (minimálisan használható verzió), plusz 2-3 hét az IAP (alkalmazáson belüli vásárlás) jóváhagyására, az adatvédelmi irányelvekre és az adóbesorolásokra
• Előfizetéses bevételezés → App Store / Google Play alkalmazáson belüli vásárlás, a platformok helyetted intézik a globális fizetéseket és az visszatérítéseket

Az igazi kérdés: mered-e a funkciókat egyetlenegyre csökkenteni? Ez a nehéz rész. A Cal AI-ból hiányzik a közösségi funkció, hiányzik a recepttár, hiányzik az edzésterv. Egyetlen dolgot csinál, 90%-os pontossággal, aztán beszedi a pénzt.

Az első verziódnál garantáltan meg fogod kísérteni a funkciók hozzáadását. Ne tedd. Minden egyes hozzáadott funkció felhígítja azt a hárommásodperces bizonyosságérzést.

3.5. lépés: Hogyan haladjon, aki nem tud kódolni

Ezt kérdezik a legtöbben, ezért külön kiemeltem.

Ha egyáltalán nem tudsz kódolni, 2026-ban van egy járható út:

1. Építsd meg az MVP-t Glide / Bubble / Softr / Adalo segítségével (no-code platformok, ahol drag-anddrop komponensekkel összerakhatod az appot) – ezek az eszközök már képesek hívni a GPT-4o vision API-t, így egy olyan alkalmazást készíteni, ami felismeri a képeket és visszaad szöveget, technikailag már teljesen megvalósítható.
2. Ezzel párhuzamosan keress egy Upwork-os szabadúszót, aki ért a Swifthez (iOS fejlesztői nyelv), 30-50 dollár/óra sávszélességgel, hogy átírja a no-code prototípusodat egy natív, App Store-ba feltölthető appá.
3. Tanulj meg Cursor + Claude Code-ot (AI kódoló eszközök), és azzal csináld a későbbi iterációkat.

Ez az útvonal lassabb, de nem kell a nulláról megtanulnod programozni. Az első verzió 8-12 hét alatt, 10-30 ezer dolláros büdzséből (no-code előfizetés + szabadúszó + Apple Developer fiók 99 dollár/év) kijöhet, és már fel is teheted az App Store-ba.

Negyedik lépés: Írd be az „AI” szót az App Store-ba

A Sensor Tower egyik jelentésében van egy kulcsadat: a Cal AI átlagosan 35 AI-kapcsolatos kulcsszót halmozott fel az App Store leírásában negyedévente, és az AI-kapcsolatos keresési kifejezések a letöltések 25%-át hozták a keresésekből.

Az organikus forgalom negyede tehát abból jön, hogy „beírod az AI-t a címbe és a leírásba”.

Az appstore-ok az “AI”-t egy önálló kategóriacímkeként indexelik, és az olyan termékek, amelyek címében szerepel ez a szó, automatikusan bekerülnek az AI keresési medencébe – ez közvetlenül összefügg az ASO (App Store Optimization) kulcsszó-súlyozási mechanizmusával. Jelenleg rengetegen keresnek közvetlenül az App Store-ban olyan kifejezésekre, hogy “AI food”, “AI scanner” vagy “AI menu”. Ezek a látogatók nem a márkádat keresik, hanem magát a kategóriát. Ha az alkalmazásod nevében, alcímében vagy leírásában nem szerepelnek ezek a szavak, akkor erről a hatalmas forgalomról egyetlen látogatót sem fogsz megkapni.

Ez a legolcsóbb, egyszeri elvégzendő feladat, ami utána nagyon sokáig hajtja a bevételt.

Ötödik lépés: Az árazás havi előfizetéssel induljon, ne egyszeri vásárlással

Havi 9.99 dollár – ez a bizonyított árhorgony ebben a szegmensben.

Miért ne csinálj egyszeri vásárlást? A magas frekvenciájú használati helyzetekben az érték folyamatosan szabadul fel: aki ma használja, annak holnap is szüksége lesz rá. Az egyszeri vásárlás (buyout) a bevételedet egyetlen, elszórt összegre korlátozza, így kénytelen leszel a végtelenségig újra meg újra forgalmat vásárolni. Az előfizetéses modell viszont azt jelenti, hogy a felhasználó, akit ma megnyersz, jövőre is fizet neked.

Egy durva, de könyörtelenül tiszta számítás: 10 000 fizető felhasználó × 9.99 dollár × 12 hónap ≈ 1,2 millió dollár éves bevétel. De ez a plafon, a maximális bevétel, nem az a pénz, ami a zsebedbe kerül. Levonva belőle:

• App Store 30%-os jutalék → marad 840 ezer
• Modell API költségei (GPT-4o vision $0.01-0.03 / hívás, 10 ezer felhasználó naponta 3 fotót készít = 90 ezer hívás/nap ≈ havi 27-80 ezer dollár) → marad 760-810 ezer
• Felhasználószerzési költség (amerikai iOS egészségügyi appoknál az eCPI nagyjából 2-4 dollár, 10 ezer fizető felhasználóhoz 200-500 ezer letöltés kell) → 3-2 millió dolláros hirdetési költségvetés
• Az előfizetéses appokra jellemző 8-25%-os visszatérítési arány → újabb 20%-os levonás

A tényleges nettó nyereség valószínűleg 300-600 ezer dollár lehet, és ez még olyan szintű appok számai, mint a Cal AI. Egy kis üzlet, ami 1-2 embert el tud tartani – nem pedig 1,2 millió, ami tisztán a zsebbe vándorol.

4. A út valós nehézségei

A nehézségeket aszerint rangsoroltam, hogy mennyire fogják megakasztani a haladásodat, nem pedig a bekövetkezés valószínűsége alapján.

1. nehézség: A marketing a fal, nem a technológia

Ezt külön ki kell emelni, mert az előző lépésekben a technológiai küszöböt olyan alacsonyra vettük, hogy azt sugallhatja: „a marketing is könnyen megoldható”. Ez tévedés.

Az App Store kulcsszavai hozhatnak bizonyos organikus forgalmat, de egymillió letöltés eléréséhez szinte biztosan fizetett user-acquisitionre lesz szükséged. Az amerikai régióban az iOS egészségügyi appok CPI-je (telepítésenkénti költség) jellemzően 4–8 dollár, a természetes forgalommal kevert eCPI pedig körülbelül 2–4 dollár. Egymillió letöltés tehát legalább 2–4 millió dolláros hirdetési büdzsét feltételez. Ez nem egy középiskolás zsebpénz-szintje, hanem egy A-körös tőkebeemelésre készülő startup büdzséje.

A Cal AI csapata a marketingre ráfordított energiát sokszorosan meghaladta a kódoláséra. A fejlesztés befejezése csak a kezdet, nem a vég – ez nem egy üres közhely, ez a nyers valóság.

Ha korábban már foglalkoztál e-kereskedelemmel, van egy jó hírünk: a Meta és a TikTok hirdetési felületein szerzett kampány-optimalizálási tapasztalatod, illetve az Amazon ASO (Listing-optimalizálás) kulcsszó-ismereteid egy az egyben átemelhetők az App Store ASA (Apple Search Ads) rendszerébe. Ez a belépőd – nem kell tudnod kódolni ahhoz, hogy beszállj.

Ha viszont még sosem futtattál fizetett kampányokat, akkor ezt a leckét először le kell dolgoznod, csak utána érdemes belevágni.

Akadály kettő: A képlet szükséges feltétel, de nem elégséges

A három szűrőfeltétel csak azt magyarázza el, „miért hajlandó valaki fizetni”, de nem azt, hogy „miért pont te kapod meg ezt a pénzt”.

A Cal AI igazi versenyelőnye nem az, hogy „kevés a funkciója”, hanem az a 15 millió fotóból táplálkozó adat-önműködő kerék: minden egyes képet a modell és az emberi korrekció is finomított, így az élelmiszer-felismerési adatbázisuk magnitúdókkal pontosabb, mint a későn érkezőké. A jövevények akkor sem tudnak felzárkózni, ha lefotóznak egymillió alkalommal. Ez egy adateszköz, amit az idő épít fel – semmilyen formula nem adhatja oda neked.

Az olvasó biztosan azt gondolja: „Én is le tudom másolni a Cal AI-t.” De a nulláról 10 000 fizető felhasználóra jutás nehézségét a formulák drasztikusan alulbecsülik. Három feltétel menthet meg attól, hogy a legnyilvánvalóbb csapdákba ess, de hogy végül sikeres lesz-e a projekt, a termékélmény, a marketing és a csapat végrehajtó erejének együttes hatásán múlik.

Harmadik nehézség: az árok sekélyes – de van egy mély oldala

Olyan terméket építesz, amit „egy mondatban el lehet mondani”, ami viszont azt is jelenti, hogy a konkurencia is egy mondat alatt le tudja másolni. A szokásos megoldás a „sebesség és a vertikális mélység”: aki először válik a felhasználók fejében az alapértelmezett választássá egy elég szűk felhasználási esetben, az söpör be az adott kulcsszó keresési forgalmának nagy részét. Ezen az úton nincsenek ezüstgolyók: az első 1000 értékelés, a kulcsszavak megfoglalása, a márkanév keresési volumene – mindezek olyan eszközök, amelyeket csak az idő képes felépíteni.

A mélyebb árok a felhasználói adatokban rejlik: miután egymilliószor fotóztál, a te felismerési adatbázisod 5%-kal pontosabb lesz, mint az újonnan érkezőké. Ez az 5% dönti el, hogy a keresési eredmények között az első helyre kerülsz-e.

Negyedik nehézség: a megoszló szájreklám a norma

A MenuFit az App Store-ban 4,8 csillagos értékelést kapott, de a szöveges értékeléseknél a pontszám mindössze 2,7 – a tömeges negatív visszajelzések döntő része az előfizetési és az automatikus terhelési élményre fókuszál. A 4,8 a globális átlagcsillag, a 2,7 pedig a felhasználók tényleges, szöveges értékelésben megfogalmazott tapasztalati pontszáma. A rossz előfizetési és terhelési élmény ebben a szektorban teljesen általános jelenség.

Nincs baj az előfizetéses pénzkeresettel, de ha arra építed a modellt, hogy szándékosan megnehezíted a lemondást a felhasználóknak, az garantáltan katasztrófába torkollik – ez az út a végén masszív negatív értékelésekben és az alkalmazás platform általi eltávolításában végződik.

5. A 30 napos tesztkeret

Ha a fenti megállapításokat érvényesnek tartod, akkor fogd meg a 30 napos tesztkeretet, és cselekedj az alábbiak szerint:

1-3. nap: Írj fel öt forgatókönyvet, válaszd ki azt, amelyik a leginkább saját fájó pontod, és a 2. lépés módszerével ellenőrizd az App Store-ban és a Redditen.

4-7. nap: Építs egy no-code prototípust a Glide / Bubble / Softr segítségével, és integrálj egy működő fotófelismerést (még ha csak egyetlen ételt tud is felismerni). Költség: 0-50 dollár. Döntési pont: Eléri a felismerés pontossága a 70%-ot? Ha nem, cseréld le a forgatókönyvet.

8-14. nap: Keress 20 célfelhasználót (Reddit / Discord / Pinterest+Reddit segítségével), adj nekik ingyenes próbaverziót, és gyűjts valódi visszajelzést arról, hogy “fizetnének-e érte”. Döntési pont: Ha a 20 emberből ≥ 3 fő azt mondja: “Havonta 9,99 dollárt fizetnék érte” – folytasd; különben cseréld le a forgatókönyvet.

15–30. nap: keress egy Swift szabadúszót, aki átírja a natív verziót + írd meg az App Store-anyagokat + készítsd elő a vásárláson belüli (IAP) beküldést. Költségvetés: 3000–8000 dollár. Döntési pont: a 30. napon megvan-e a magabiztosságod, hogy 60 napon belül megszerzel 100 valódi fizető felhasználót? Ha nincs, állj.

Az e-kereskedelemben jártas veterán ösztöne: „ha a hirdetési kiadások megtérülnek, nyomod; ha nem, azonnal állsz” – ez a szabály appoknál is érvényes. 30 nap alatt validáld az irányt, ha nem megy, válts. A görcsös ragaszkodás a legnagyobb költség ebben a szakmában.

Azt a papírt az öt forgatókönyvvel javaslom, most ragadd magadhoz.

Egy átlagember legnagyobb költsége nem a pénz, hanem a „grandiózusabb ötlet” várása – utána meg nem csinál semmit. Két 17 éves középiskolás nem várt: csináltak egy fotós funkciót, 18 hónap múlva a MyFitnessPal felvásárolta. Nem vagy rosszabb náluk, de lassabb leszel – hacsak ma nem kezded el az első fotót.

Emeld fel a telefont.