Foto Sekali, Langsung Terima Uang: Dua Siswa SMA Raup $30 Juta dengan Formula Ini, dan Kamu Bisa Menirunya

Buka App Store, ketik “AI”, dari 50 aplikasi teratas ada 10 di antaranya yang berbasis kamera. Dua tahun terakhir, produk AI yang benar-benar menghasilkan uang nyatanya terlihat sangat “sederhana”. Bukan model AI serbaguna yang bisa diajak ngobrol soal filsafat, menulis kode, atau membuat film, melainkan aplikasi-aplikai kecil dengan fitur seadanya yang bikin kamu bertanya-tanya, “Ini juga bisa dijual?” Kamu angkat ponsel, ambil satu foto, aplikasi merespons dengan satu kalimat, dan kamu membayar mereka sepuluh dolar setiap bulannya.

Mari kita lihat angka yang paling menampar dulu.

Ada aplikasi bernama Cal AI yang hanya punya satu fungsi: foto makananmu, lalu ia memberi tahu jumlah kalorinya. Dibuat oleh dua siswa SMA berusia 17 tahun, diluncurkan pada Mei 2024. 18 bulan kemudian: unduhan melebihi 15 juta kali, pendapatan tahunan menembus lebih dari $30 juta. Pada Desember 2025, diakuisisi oleh MyFitnessPal, dan seluruh tim yang beranggotakan 7 orang diserap sepenuhnya. Laporan Forbes memproyeksikan pendapatan mereka akan mencapai $50 juta pada 2026.

7 orang, satu fitur kamera, $30 juta.

Di balik ini ada satu rumus filter yang bisa direplikasi, dan sudah terbukti tidak hanya sekali. Hari ini kita akan bedah rumusnya, sekaligus memetakan bagaimana peluangnya bagi kamu yang berpikir, “Bagaimana kalau saya tidak bisa coding?”

1. Pengguna Tidak Kekurangan Informasi, Mereka Kekurangan Kemalasan untuk Berpikir

Saat kebanyakan orang bikin produk, cara mereka nemuin pain point itu salah. Mereka ngira user kekurangan info—aku kasih tahu, dia langsung bayar.

Nggak. Di tahun 2026, info itu barang paling nggak worth. Mau tau berapa kalori sepiring pasta? Search engine cukup butuh 3 detik buat ngejawab dua puluh versi, gratis.

Terus kenapa Cal AI berani ngincer duit?

Karena orang yang lagi diet pas makan di luar, dikasih menu 20 hidangan, tiap hidangan dia paham teksnya, tapi nggak tau mesti pesan yang mana. Lemaknya tinggi nggak? Karbohidranya bakal meledak nggak? Kalau makan ini hari, besok mesti olahraga tambahan nggak? Secara teori dia harus: kenalin bahan, estimasi gram, cek densitas kalori tiap item, totalin, lalu bandingin sama sisa kuota hari ini. Proses ini makan 5 menit, sehari 3 kali makan, sebulan 90 kali.

Ini yang di dunia behavioral economics disebut decision fatigue: makin banyak keputusan, makin turun kualitasnya. Jadi yang user butuhin itu jawaban pasti yang bikin dia berhenti overthinking.

Ada yang ngebangun ini: foto menu sekilas, AI langsung nyuruh pesan yang mana. Ngompres 10 menit bingung jadi 3 detik putusan.

Jenis app kayak gini sekarang hidup lumayan. Contohnya MenuFit di App Store: download udah tembus 1 juta kali, rating 4.8 bintang dari 53.900 review, langganan dasar $9.99 per bulan. Di sektor langganan, produk dengan download jutaan dan harga $10 per bulan itu kategori bisnis yang beneran ada.

Dua: Tiga syarat filter, kurang satu gak valid

Jika kamu tumpuk semua studi kasus di atas dan melihatnya secara utuh, kamu bisa mengekstrak tiga syarat penyaringan—ini untuk memilih arah, bukan rumus bisnis mutlak:

Skenario frekuensi tinggi × Kesulitan memilih × Input foto

Kenapa baru pada 2026 ini rumusnya berlaku? Karena dua syarat pertama sudah ada sejak lama. Syarat ketiga baru terbuka ketika model multimodalitas benar-benar matang. Dulu, kalau kamu menyuruh pengguna mengetik manual “dada ayam 150 gram, brokoli 100 gram”, biaya inputnya lebih besar daripada menghitung sendiri—produkmu pasti mati. Sekarang, “angkat ponsel” menjadi satu-satunya aksi. Friction-nya turun dari “mengetik 30 karakter” menjadi “sekali klik”. Baru di titik inilah ketiga syarat itu akhirnya menyatu.

Aku akan jelaskan satu per satu—karena sebagian besar orang justru tergelincir di salah satu titik ini.

Syarat 1: Frekuensi tinggi

Terjadi lebih dari sekali sehari, idealnya tiga kali. Makan adalah skenario sempurna—tiga kali sehari, seribu kali setahun. Pengguna membuka aplikasimu tiga kali sehari, hambatan psikologis untuk berbayar akan turun drastis. Sebaliknya, kebutuhan seperti “bantu aku pilih skema KPR mana” hanya dipakai dua kali seumur hidup; kamu cuma bisa menagih sekali. Uang sekali pakai berarti kamu harus membeli trafik selamanya.

Syarat 2: Kesulitan memilih

Pengguna harus berada di momen di mana mereka harus segera memutuskan, tapi tidak bisa memutuskan. Di depan menu, di depan rak, di depan daftar minuman—semuanya adalah titik bottleneck pengambilan keputusan. Sedangkan “aku ingin belajar ilmu gizi” bukan bottleneck; itu belajar, dan belajar tidak mendesak. Kebutuhan yang tidak mendesak punya tingkat konversi berbayar sangat rendah.

Pengambilan keputusan di bawah tekanan emosional punya satu karakteristik: pengguna membeli rasa lega, bukan sekadar informasi. Seseorang yang sedang diet angkat ponsel di acara makan malam, memotret makanan, membaca 320 kalori, lalu memakannya dengan tenang—dia tidak membeli data 320 kalori itu, melainkan kelegaan momen itu untuk berhenti overthinking. Inilah sumber sejati dari kesediaan membayar.

Kondisi Tiga: Input Foto

Model multimodal adalah mesin penggerak gelombang ini. Dalam laporan TechCrunch disebutkan bahwa akurasi pengenalan Cal AI sekitar 90%—bukan 100%. Bagi orang yang sedang diet, jawaban 90% akurat dalam tiga detik jauh lebih berharga daripada jawaban 100% akurat dalam lima menit. Diet adalah permainan statistik, bukan sains eksak; rata-rata kesalahan harian < 5% sudah lebih dari cukup.

Tiga: Lima Langkah, dari Nol hingga Peluncuran

Lima langkah di bawah ini, jalankan secara berurutan.

Langkah Pertama: Pilih Skenario, Bukan Fitur

Ambil selembar kertas, tuliskan momen-momen dalam hidupmu sendiri di mana kamu “harus segera memutuskan, tapi selalu ragu sejenak”. Tulis hanya yang benar-benar membuatmu stuck sendiri, jangan tulis yang kamu tebak akan membuat orang lain stuck. Berikut beberapa arah referensi:

• Menu wine bar: minuman mana yang kalorinya paling rendah (kebutuhan wajib bagi crowd fitness, dan segmen ini daya belinya kuat)
• Camilan minimarket: foto bagian belakang kemasan, beritahu aku apakah aman dimakan saat diet
• Kuliner di bandara / stasiun transit: transit dua jam, bagaimana cara makan tanpa gagal
• Label komposisi supermarket: foto daftar bahan, beritahu aku apakah ada bahan yang sedang aku hindari di dalamnya

Arah terakhir ini sudah terbukti sukses. Seed Oil Scout, aplikasi yang khusus membantu penggunanya menghindari restoran dan makanan yang mengandung minyak biji-bijian, secara terbuka mencatat lebih dari 1 juta unduhan dengan rating 4,8 bintang dari 14.000 ulasan. Mereka langsung membangun toko di dalam aplikasi—pengguna bisa langsung klik dan membeli produk yang sesuai standar. Langsung makan dua jalur cuan sekaligus: model langganan ditambah komisi penjualan.

Langkah Kedua: Validasi pakai data ceruk, jangan pakai Google Trends

Sehabis memilih skenario, jangan buru-buru nulis kode. Luangkan 20 menit untuk memvalidasi apakah permintaan ini cuma ilusi di kepalamu sendiri.

Tapi ada jebakan yang harus dibongar dulu: metode pakai Google Trends dan dropdown pencarian nggak berlaku buat trafik App. Perilaku pencarian di App Store beda total sama Google, dan standar penilaian popularitas kata kuncinya juga rancu. Cal AI sendiri sama sekali bukan tumbuh dari Google—mereka meroket berkat conversion rate video TikTok dan peringkat di Product Hunt.

Metode validasi yang benar adalah:

1. Buka App Store, nyambungkan VPN ke target pasar Anda (misalnya region AS), cari kata kunci utama dalam bahasa Inggris (misalnya menu calorie), lalu cek 10 hasil teratas. Apakah ada produk serupa yang download-nya udah tembus 100 ribu dan masih aktif di-update?
2. Masuk ke Sensor Tower (platform data pihak ketiga untuk app store), cek kurva download produk top di bawah kata kunci tersebut. Lihat trennya: lagi naik atau malah merosot?
3. Di subreddit yang relevan di Reddit dan Quora, cari “X decision” atau “X help”. Ukur seberapa padat keluhannya—makin banyak komplain, makin nyata pain point-nya.

Ada produk serupa yang stabil bertahan + orang di Reddit terus-terusan nanya soal masalah serupa = permintaan ini nyata adanya, bukan cuma halusinasi Anda sendiri.

Langkah Ketiga: Eksekusi, jangan ngoding dari nol

Tech stack Cal AI bukan rahasia kuno: TechCrunch udah nulis jelas, produk ini cuma manggil model dari Anthropic dan OpenAI, dikuatkan dengan RAG (teknologi yang ngasih AI akses buat nyari info di basis pengetahuan eksternal), lalu dikasih “makan” sejumlah basis data gambar kalori makanan open-source. Nggak ada model buatan sendiri, nggak ada terobosan algoritma—ini murni produk yang ngegabungin kapabilitas yang udah ada.

Di tahun 2026, standar teknis Anda bakal kayak gini:

• Pengenalan visual → Langsung panggil API multimodal GPT / Claude (yaitu API yang memungkinkan AI mengenali gambar), bayar per pemakaian, biaya awalnya nyaris nol.
• Antarmuka aplikasi → MVP (Minimum Viable Product) bisa rilis dalam 4-8 minggu, ditambah 2-3 minggu untuk lolos review IAP (In-App Purchase), kebijakan privasi, dan klasifikasi pajak.
• Pembayaran berlangganan → Gunakan pembelian dalam aplikasi (in-app purchase) App Store / Google Play, platform yang akan menangani pembayaran dan pengembalian dana global untukmu.

Berani nggak kamu banting tulang memangkas fitur sampai cuma menyisakan satu? Ini bagian tersulitnya. Cal AI nggak punya fitur sosial, nggak ada database resep, nggak ada program kebugaran. Dia cuma ngerjain satu hal, bikin akurasinya tembus 90%, lalu narik duit.

Versi pertama yang kamu buat pasti bakal kepengen nambahin macam-macam fitur. Jangan. Setiap fitur yang kamu tambahkan justru mengencerkan kepastian instan di detik-detik krusial itu.

Langkah 3.5: Jalur buat yang nggak ngoding

Ini pertanyaan yang paling sering masuk dari pembaca, jadi aku bahas secara khusus.

Kalau kamu sama sekali nggak bisa ngoding, di tahun 2026 ada satu jalur yang bisa kamu tempuh:

1. Bangun versi pertama pakai Glide / Bubble / Softr / Adalo (platform no-code, tinggal drag-and-drop komponen UI untuk merakit App). Alat-alat ini sekarang sudah bisa memanggil API GPT-4o vision. Bikin aplikasi yang bisa mengenali gambar dan mengembalikan teks, secara teknis 100% bisa dieksekusi.
2. Bersamaan dengan itu, cari freelancer di Upwork yang jago Swift (bahasa pengembangan iOS), dengan tarif $30-50 per jam, untuk bantu kamu mengubah prototipe no-code jadi aplikasi native yang siap diluncurkan di App Store.
3. Pelajari sendiri Cursor + Claude Code (alat coding berbasis AI) untuk menghandle iterasi selanjutnya.

Rute ini memang sedikit lebih lambat, tapi kamu nggak perlu belajar coding dari nol. Versi pertama bisa rilis dalam 8-12 minggu dengan budget $10.000-30.000 (sudah termasuk langganan no-code + freelancer + akun Apple Developer $99/tahun), dan kamu sudah punya produk yang siap naik ke App Store.

Langkah Keempat: Tempel Kata “AI” di App Store

Ada satu data krusial dari laporan Sensor Tower: Cal AI nyatanya menjejalkan rata-rata 35 kata kunci bertema AI ke dalam deskripsi App Store mereka setiap kuartal. Hasilnya? Kata kunci pencarian ber-AI ini menyumbang 25% dari total unduhan organik mereka.

Seperempat dari traffic organik, murni didapat hanya dari “menulis kata AI di judul dan deskripsi”.

App store mengindeks “AI” sebagai label kategori. Produk dengan kata ini di judulnya akan masuk ke kolam pencarian AI—ini berkaitan langsung dengan mekanisme bobot kata kunci di ASO (App Store Optimization). Saat ini, banyak pengguna mencari langsung di App Store dengan kata kunci seperti “AI food”, “AI scanner”, atau “AI menu”. Mereka tidak mencari brand-mu, melainkan kategori ini. Kalau nama aplikasi, subjudul, dan deskripsimu tidak memuat kata-kata ini, traffic ini akan lewat begitu saja dan kamu tidak akan mendapat satu pun.

Ini adalah pekerjaan sekali pakai yang paling murah, tapi hasilnya bisa kamu nikmati untuk waktu yang sangat lama.

Langkah Kelima: Mulai harga dari langganan bulanan, jangan gunakan sistem sekali bayar (buyout)

9.99 dolar per bulan adalah harga jangkar yang sudah terbukti di ranah ini.

Kenapa tidak pakai sistem sekali bayar? Nilai dari skenario penggunaan frekuensi tinggi akan terus dilepaskan secara berkelanjutan; pengguna yang memakainya hari ini pasti akan memakainya lagi besok. Sistem sekali bayar menekan pendapatanmu menjadi transaksi tunggal, sehingga kamu dipaksa untuk terus-menerus membeli traffic. Sementara itu, sistem langganan membuat pengguna yang kamu rekrut hari ini tetap membayar di tahun depan.

Hitungan kasar tapi realistis: 10.000 pengguna berbayar × 9.99 dolar × 12 bulan ≈ 1,2 juta dolar pendapatan tahunan. Tapi ini adalah pendapatan maksimal, bukan uang yang masuk ke kantongmu. Setelah dipotong:

• Potongan 30% dari App Store → Sisa $840.000
• Biaya API model (dengan GPT-4o vision $0.01-0.03 / sesi, 10.000 pengguna foto 3x sehari = 90.000 sesi/hari ≈ $27.000-$80.000/bulan) → Sisa $760.000-$810.000
• Biaya akuisisi pengguna (eCPI aplikasi kesehatan iOS di AS sekitar $2-$4, 10.000 pengguna berbayar berarti butuh 200.000-500.000 unduhan) → Budget beli trafik $3.000.000-$20.000.000
• Tingkat refund langganan yang lumrah di industri, yakni 8-25% → Dipotong lagi 20%

Laba bersih aktual mungkin di kisaran $300.000-$600.000, dan ini pun angka yang hanya bisa diraih oleh aplikasi sekelas Cal AI. Ini bisnis kecil yang cukup untuk menghidupi 1-2 orang, bukan serta-merta $1.200.000 yang aman masuk kantong.

Empat: Rintangan Nyata di Jalur Ini

Aku urutkan rintangan ini berdasarkan seberapa besar mereka akan menghentikan langkahmu, bukan berdasarkan probabilitas terjadinya.

Rintangan Satu: Pemasaran adalah temboknya, bukan teknologi

Bagian ini harus dibahas terpisah, karena langkah-langkah sebelumnya membuat batas teknologi terlihat sangat rendah, sehingga memberimu ilusi bahwa “pemasaran juga pasti bisa ditaklukkan” — ini salah besar.

Kata kunci di app store memang bisa memberimu sebagian traffic, tapi kalau mau menembus satu juta unduhan, nyaris pasti kamu harus beli iklan berbayar. CPI (biaya per instal) untuk aplikasi kategori kesehatan di iOS regional AS umumnya di kisaran $4-$8; setelah bercampur dengan traffic organik, eCPI-nya sekitar $2-$4. Satu juta unduhan berarti minimal butuh budget beli traffic $200万-$400万 美金. Itu bukan budget anak SMA, itu budget startup yang harus cari pendanaan Seri A.

Tim Cal AI mengeluarkan tenaga jauh lebih besar untuk marketing daripada nulis kode. “Selesai dibuat baru permulaan, bukan akhir”—kalimat ini nyata, bukan sekadar basa-basi.

Kalau kamu sebelumnya pernah main e-commerce, ini kabar baik buatmu: kemampuanmu beli traffic di Meta dan TikTok, pengalaman kata kunci untuk ASO Amazon (optimasi Listing), bisa langsung dipindahkan ke ASA App Store (Apple Search Ads). Ini tiket masukmu; nggak bisa coding juga nggak masalah.

Kalau kamu belum pernah beli traffic, jalur ini mesti ngisi pelajaran itu dulu sebelum mulai.

Kesulitan kedua: rumusnya syarat perlu, bukan syarat cukup

Tiga syarat saringan cuma menjelaskan “kenapa ada orang mau bayar”, belum menjelaskan “kenapa kamu yang bisa dapat uang itu”.

Cal AI bukan sekadar “fitur sederhana” — moat mereka adalah data flywheel dari 15 juta foto. Setiap foto dikoreksi oleh model atau manusia, membuat database kalori mereka jauh lebih akurat daripada pendatang baru. Pendatang baru foto 1 juta kali pun nggak cukup. Ini aset data, hasil akumulasi waktu — formula nggak bisa kasih kamu itu.

Pembaca mungkin mikir “aku juga bisa copy Cal AI”, tapi kesulitan dari 0 ke 10.000 pengguna bayaran, formula meremehkan itu. Tiga kondisi bisa bikin kamu nggak jatuh ke lubang paling jelas, tapi bisa nggak meledak, tergantung kombinasi pengalaman produk + marketing + eksekusi tim.

Kesulitan 3: Moat dangkal, tapi ada sisi yang dalam

Kamu bikin produk yang “fiturnya bisa dijelaskan satu kalimat”, artinya orang lain juga bisa copy satu kalimat. Strategi standar adalah “kecepatan dan kedalaman vertikal” — siapa cepat dia dapat jadi pilihan default di benak user untuk skenario yang cukup sempit, dia makan traffic pencarian kata kunci itu. Tapi di jalan ini nggak ada peluru perak: 1000 review pertama, keyword placement, volume pencarian brand — semua ini aset yang butuh waktu akumulasi.

Moat yang lebih dalam ada di data user — setelah kamu foto 1 juta kali, database kamu 5% lebih akurat daripada pendatang baru. 5% ini nentuin kamu bisa nggak ranking nomor satu di hasil pencarian.

Kesulitan 4: Reputasi terpecah adalah hal biasa

MenuFit punya rating 4,8 bintang di App Store, tapi skor ulasan tekstualnya cuma 2,7—banjir review buruk soal pengalaman berlangganan dan debit otomatis. 4,8 itu rata-rata bintang global, 2,7 adalah skor pengalaman saat user menulis ulasan tekstual; pengalaman langganan-debit yang buruk adalah fenomena umum di lintasan ini.

Langganan untuk cuan itu oke, tapi kalau cuannya dengan menyusahkan user berhenti langganan, pasti bakal teledor—ujungnya review buruk berjubel dan aplikasi ditarik dari toko.

5. Bingkai uji 30 hari

Kalau judgment di atas kamu anggap masuk akal, eksekusi pakai bingkai uji 30 hari ini—

Hari 1-3: daftar lima skenario, pilih satu yang paling nyangkut buatmu, verifikasi di App Store dan Reddit pakai metode langkah kedua.

Hari 4-7: bikin prototipe no-code pakai Glide / Bubble / Softr + jalankan satu kali pengenalan foto (meskipun cuma mengenali satu hidangan). Biaya: 0-50 dolar. Titik keputusan: akurasi pengenalan bisa di atas 70%? Kalau nggak, ganti skenario.

Hari 8-14: cari 20 target user (cari di Reddit / Discord / Pinterest+Reddit) untuk uji coba gratis, kumpulkan umpan balik jujur “mau bayar atau nggak”. Titik keputusan: dari 20 orang, ≥ 3 orang bilang “aku mau bayar 9,99/bulan”—lanjut; kalau nggak, ganti skenario.

Hari 15-30: Cari freelancer Swift untuk menulis ulang versi native + buat materi App Store + siapkan IAP untuk peluncuran. Anggaran $3000-$8000. Titik keputusan: Di hari ke-30, apakah Anda yakin bisa mendapatkan 100 pengguna berbayar asli dalam 60 hari? Kalau tidak, hentikan.

Insting veteran e-commerce adalah “kalau iklan bisa break-even ya lanjut, kalau rugi langsung berhenti”—aturan ini juga berlaku untuk App. 30 hari cukup untuk memvalidasi arah, kalau nggak bisa, ganti arah. Bertahan terus pada satu hal yang nggak work adalah biaya terbesar di industri ini.

Kertas yang berisi lima skenario tadi, saya sarankan ambil sekarang juga.

Biaya terbesar orang biasa membuat produk bukanlah uang, tapi menunggu “ide yang lebih hebat”—lalu nggak melakukan apa-apa. Dua siswa SMA berusia 17 tahun nggak menunggu, mereka membuat fitur foto, 18 bulan kemudian diakuisisi oleh MyFitnessPal. Anda nggak lebih buruk dari mereka, tapi Anda akan lebih lambat dari mereka—kecuali Anda mulai memotret yang pertama hari ini.

Angkat ponsel Anda.