Maak een foto en incasseer: twee scholieren gebruikten deze formule om 30 miljoen dollar binnen te halen. Jij kunt dit kopiëren.

Je opent de App Store, zoekt op “AI”, en in de top 50 resultaten staan er 10 die te maken hebben met foto’s. De AI-producten die de afgelopen twee jaar écht geld hebben opgeleverd, zien er vaak verrassend “simpel” uit. Geen alleskunners die met je over filosofie kunnen praten, code kunnen schrijven of films kunnen genereren, maar kleine tooltjes met zo weinig functionaliteit dat je je afvraagt: “Hier vragen ze geld voor?” Je pakt je telefoon, maakt een foto, krijgt één zinnetje terug, en betaalt hen vervolgens tien dollar per maand.

Lat ik beginnen met het meest pijnlijke cijfer.

Een app genaamd Cal AI heeft maar één functie: je fotografeert je maaltijd en de app vertelt je hoeveel calorieën deze bevat. Het is gebouwd door twee 17-jarige scholieren en gelanceerd in mei 2024. Achttien maanden later: meer dan 15 miljoen downloads en een jaaromzet van meer dan 30 miljoen dollar. In december 2025 werd het overgenomen door MyFitnessPal, waarbij het hele team van 7 personen werd geïntegreerd. Forbes rapporteerde dat de verwachte omzet voor 2026 de 50 miljoen dollar zal bereiken.

7 personen, één fotofunctie, dertig miljoen dollar.

Achter dit succes schuilt een herbruikbare set selectiecriteria, en deze is al meer dan eens bewezen. Vandaag breek ik deze criteria voor je open, en ik bereken zelfs voor je mee wat je moet doen als je denkt: “Maar ik kan helemaal niet programmeren.”

1. Gebruikers missen geen informatie, ze missen het vermogen om niet na te hoeven denken

De meeste mensen die een product bouwen, pakken het verkeerd aan als het gaat om het vinden van pijnpunten. Ze denken dat gebruikers informatie missen – vertel het ze, en ze betalen.

Niet dus. In 2026 is informatie het goedkoopst van alles. Je wilt weten hoeveel calorieën een bord pasta bevat? Een zoekmachine geeft je in drie seconden twintig antwoorden, en nog gratis ook.

Waarom vraagt Cal AI dan geld?

Omdat iemand die vetverbranding nastreeft, uit eten gaat, het menu pakt, twintig gerechten ziet, elk gerecht kan lezen, maar niet weet wat hij moet bestellen. Zit er veel vet in? Gaan de koolhydraten door het dak? Als ik dit nu eet, moet ik morgen dan extra trainen? Theoretisch gezien moet hij: de ingrediënten herkennen, het gewicht schatten, de caloriedichtheid van alles opzoeken, het bij elkaar optellen en vervolgens afzetten tegen zijn resterende quotum voor vandaag. Dit proces duurt vijf minuten, drie maaltijden per dag, negentig maaltijden per maand.

Dit is wat er in de gedragseconomie ‘beslisvermoeidheid’ wordt genoemd: hoe meer beslissingen je neemt, hoe slechter de kwaliteit van de latere keuzes. Wat gebruikers dus écht missen, is dat ene definitieve antwoord dat hun getwijfel de mond snoert.

Iemand heeft dit gebouwd: maak een foto van het menu en AI vertelt je direct wat je moet bestellen. Tien minuten wikken en wegen gecomprimeerd tot een beslissing van drie seconden.

Deze soort apps doen het momenteel uitstekend. Neem MenuFit in de App Store: meer dan 1 miljoen downloads, 4,8 sterren, 53.900 beoordelingen, en een basisabonnement van $9,99 per maand. In de abonnementsmarkt vormen producten met miljoenen downloads gecombineerd met een maandelijkse vergoeding van tien dollar een zeer reële en lucratieve bedrijfstak.

Twee: Drie filtervoorwaarden, als er één ontbreekt, werkt het niet

Als je deze cases op een stapel legt en samen bekijkt, distilleer je daar drie filtercriteria uit – dit zijn richtingaanwijzers om kansen te selecteren, geen magische businessformule:

Hoogfrequente situatie × Keuzestress × Foto als input

Waarom geldt dit pas in 2026? Omdat aan de eerste twee voorwaarden allang werd voldaan, maar de derde pas ontgrendeld kon worden toen multimodale modellen volwassen werden. Vroeger liet je een gebruiker handmatig “150 gram kipfilet, 100 gram broccoli” intikken – de invoerkosten waren hoger dan zelf rekenen, en zo’n product is gedoemd te falen. Nu wordt “telefoon omhoog” de enige handeling. De moeite daalt van “dertig tekens typen” naar “één keer klikken”, en daarmee staan de drie voorwaarden eindelijk tegelijk overeind.

Ik zal ze één voor één helder uitleggen – de meesten struikelen over precies één van deze schakels.

Voorwaarde één: Hoge frequentie

Minstens één keer per dag, liever drie keer. Eten is de perfecte use case – drie keer per dag, duizend keer per jaar. Als een gebruiker jouw app dagelijks drie keer opent, zakt de psychologische drempel om te betalen tot verbluffend lage niveaus. Omgekeerd: een behoefte als “help me kiezen welk hypotheekplan het beste is” komt twee keer in een mensenleven voor. Dan kun je slechts één keer geld vragen, en éénmalige inkomsten betekenen dat je eindeloos verkeer moet blijven inkopen.

Voorwaarde twee: Keuzestress

De gebruiker moet zich in een moment bevinden waarop hij nú een beslissing moet nemen, maar er niet uit komt. Voor de menukaart, voor het schap, voor de wijnkaart – dat zijn knelpunten waar de beslissing vastloopt. “Ik wil iets over voedingsleer leren” is geen knelpunt; dat is leren, en leren is niet urgent. Niet-urgente behoeften converteren zelden tot betaling.

Beslissingen onder emotionele druk hebben nog een kenmerk: gebruikers betalen voor opluchting, niet voor informatie. Iemand die bezig is met afvallen pakt zijn telefoon tijdens een etentje, maakt een foto van het eten, leest dat het 320 kcal is, en eet het daarna met een gerust hart op. Wat diegene koopt is niet het getal 320 kcal, maar de verlichting om op dat moment niet meer te hoeven twijfelen. Dát is de ware bron van de bereidheid om te betalen.

Voorwaarde drie: foto-invoer

Multimodale modellen zijn de motor van deze golf. In een rapportage van TechCrunch wordt vermeld dat de herkenningsnauwkeurigheid van Cal AI rond de 90% ligt — niet 100%. Voor iemand die wil afvallen is een antwoord dat in drie seconden komt en 90% nauwkeurig is, véél waardevoller dan een antwoord dat 100% nauwkeurig is maar vijf minuten duurt. Afvallen is een statistisch spel, geen exacte wetenschap; een gemiddelde dagelijkse foutmarge van < 5% is ruim voldoende.

Drie: in vijf stappen van nul naar live

Volg deze vijf stappen in de aangegeven volgorde.

Stap 1: Kies een scenario, geen functie

Pak een vel papier en schrijf de momenten uit je eigen leven op waarop je ‘meteen een beslissing moet nemen, maar telkens even twijfelt’. Schrijf alleen de situaties op waarin je zélf echt vastliep, niet wat je denkt dat anderen lastig vindt. Enkele richtingen ter inspiratie:

• De wijnkaart in een bar: welk drankje het minste calorieën bevat (een absolute must voor de fitness-gemeenschap, en deze doelgroep heeft aanzienlijke bestedingskracht)
• Snacks in een gemakswinkel: maak een foto van de achterkant van de verpakking en zeg me of ik dit tijdens mijn cut mag eten
• Eten op het vliegveld of het treinstation: twee uur overstap, hoe eet ik zonder mijn doelen te verpesten
• Ingrediëntenlijsten in de supermarkt: maak een foto van de ingrediënten en vertel me of er iets in zit wat ik probeer te vermijden

Deze laatste richting is inmiddels keihard bewezen. Seed Oil Scout helpt gebruikers restaurants en producten te ontwijken die zaadolie bevatten. De openbare data: meer dan 1 miljoen downloads, 4,8 sterren en 14.000 reviews. Direct in de app is een webshop geïntegreerd, waar gebruikers met één klik goedgekeurde producten kunnen kopen. Ze pakken twee inkomstenstromen tegelijk: abonnementsinkomsten én affiliate commissies.

Stap 2: Valideer met nichedata, niet met Google Trends

Zodra je de use case hebt gekozen, niet direct code gaan schrijven. Investeer twintig minuten om te controleren of de vraag echt is, of dat je zelf een illusie aan het verzinnen bent.

Maar let op: de methode met Google Trends en zoek-suggesties werkt niet voor app-verkeer. Het zoekgedrag in de App Store is compleet anders dan bij Google, en de criteria voor zoekwoordpopulariteit verschillen ook. Cal AI is zelf überhaupt niet groot geworden via Google, maar door de conversieratio van TikTok-video’s en hun ranking op Product Hunt.

De juiste validatiemethode is:

1. Open de App Store, zet je VPN op je doelmarkt (bijvoorbeeld de VS), zoek op je belangrijkste Engelse keyword (bijvoorbeeld menu calorie) en kijk of er in de top 10 resultaten vergelijkbare apps zitten met meer dan 100.000 downloads die nog steeds updates krijgen.
2. Check op Sensor Tower (een onafhankelijk dataplatform voor app stores) de downloadcurves van de marktleiders onder dat keyword. Gaat de trend omhoog of omlaag?
3. Zoek op relevante subreddits op Reddit en Quora naar “X decision” en “X help”. Check de dichtheid van de klachten — hoe meer mensen klagen, hoe echter de pijn.

Concurrenten die stabiel overleven + mensen op Reddit die herhaaldelijk soortgelijke vragen stellen = de vraag is écht, geen verzinsel van je eigen hoofd.

Stap 3: Bouw het, maar begin niet vanaf nul

De tech stack van Cal AI is geen geheim: TechCrunch schreef het heel duidelijk. De app roept de modellen van Anthropic en OpenAI aan, combineert dit met RAG (een techniek waarmee AI een externe kennisbank raadpleegt om antwoorden te formuleren) en voedt het geheel met een batch open-source databases met afbeeldingen van voedingswaarden. Geen zelfgebouwd model, geen doorbraak in algoritmes — het is een product dat bestaande capaciteiten gewoon opnieuw combineert.

In 2026 ziet jouw technische drempel er zo uit:

• Visuele herkenning → direct de multimodale API van GPT / Claude aanroepen (de API waarmee AI afbeeldingen kan herkennen), betalen per call, vrijwel nul opstartkosten.
• App-interface → in 4-8 wewen een MVP (minimaal levensvatbaar product) live, plus 2-3 weken voor IAP (in-app aankopen), privacybeleid en belastingclassificatie.
• Abonnementsbetalingen → in-app aankopen via de App Store / Google Play; de platforms handelen wereldwijde betalingen en terugbetalingen voor je af.

Durft jij de functionaliteit terug te brengen tot één enkel kernpunt? Dát is de echte bottleneck. Cal AI heeft geen social, geen receptendatabase, geen fitnessplannen. Het doet maar één ding, doet dat voor 90% accuraat, en incasseert dan het geld.

De eerste versie die je bouwt, wil je per se functies toevoegen. Doe het niet. Elke feature die je toevoegt, verdundert dat ene moment van absolute zekerheid van drie seconden.

Stap 3.5: de route zonder programmeerkennis

Dit is de vraag die ik het vaakst van lezers krijg, dus daarom behandel ik ‘m apart.

Als je helemaal niet kunt programmeren, is er in 2026 één haalbare route:

1. Gebruik Glide / Bubble / Softr / Adalo (no-code platforms waarmee je een app in elkaar sleept door interface-componenten te slepen en neer te zetten) voor de eerste versie. Deze tools kunnen inmiddels de GPT-4o vision API aanroepen. Een app bouwen die afbeeldingen herkent en tekst retourneert, is technisch dus volledig haalbaar.
2. Zoek tegelijkertijd een freelancer op Upwork die Swift (iOS-ontwikkelingstaal) beheert, tegen een uurtarief van 30-50 dollar, om je no-code-prototype om te bouwen tot een native app die in de App Store kan worden geplaatst.
3. Leer zelf Cursor + Claude Code (AI-codeertools) om de volgende iteraties uit te voeren.

Deze route is wat trager, maar je hoeft niet vanaf nul te leren programmeren. Met een eerste versie in 8-12 weken en een budget van 10.000-30.000 dollar (inclusief no-code-abonnementen + freelancer + Apple Developer-account van 99 dollar per jaar), sta je met een versie die de App Store-haalt.

Stap 4: Zet de letters “AI” in de app store

Een cijfer uit een rapport van Sensor Tower is cruciaal: Cal AI propte gemiddeld 35 AI-gerelateerde zoekwoorden in de app store-omschrijving per kwartaal. Het resultaat? AI-gerelateerde zoektermen leverden 25% van de zoekdownloads op.

Een kwart van de organische traffic komt simpelweg voort uit “AI in de titel en omschrijving zetten”.

App stores indexeren “AI” als een categorielabel; apps met deze term in de titel belanden in de AI-zoekpool. Dit hangt direct samen met het keyword-gewichtmechanisme van ASO (App Store Optimization). Op dit moment zoeken enorme aantallen gebruikers rechtstreeks in de App Store naar “AI food”, “AI scanner” en “AI menu” – ze zoeken niet naar jouw merk, maar naar deze categorie. Als deze woorden ontbreken in je app-naam, ondertitel of beschrijving, mis je al deze traffic volledig.

Dit is het goedkoopste eenmalige klusje dat je kunt doen, waarna je er heel lang de vruchten van plukt.

Stap 5: Begin je prijzen met een maandelijks abonnement, doe geen eenmalige verkoop

$9,99 per maand is de bewezen prijsanker in deze niche.

Waarom geen eenmalige verkoop? De waarde van hoogfrequente gebruiksscenario’s komt continu vrij; gebruikers die het vandaag gebruiken, hebben het morgen weer nodig. Een eenmalig licentiemodel drukt je inkomsten samen tot één schamele transactie, waardoor je gedwongen wordt eindeloos traffic te blijven inkopen. Een abonnementsmodel daarentegen zorgt ervoor dat de gebruikers die je vandaag wint, volgend jaar nog steeds voor je betalen.

Een simpele, maar harde rekensom: 10.000 betalende gebruikers × $9,99 × 12 maanden ≈ $1,2 miljoen aan jaaromzet. Maar dit is je maximale omzetplafond, niet het geld dat in je zak belandt. Trek hier eerst af:

• App Store 30% commissie → houdt je aan 840.000 over
• API-kosten van het model (uitgaande van GPT-4o vision $0,01-0,03 per scan, 10.000 gebruikers die 3x per dag scannen = 90.000 scans/dag ≈ $27.000-80.000 per maand) → resteert $760.000-810.000
• Kosten voor gebruikersverwerving (eCPI voor iOS-gezondheidsapps in de VS ligt rond de $2-4, 10.000 betalende gebruikers vereist 200.000-500.000 downloads) → een mediabudget van $300.000-2.000.000 voor het inkopen van traffic
• Veelvoorkomende restitutiepercentages van 8-25% bij abonnementsdiensten → nog eens 20% van de brutowinst eraf

De daadwerkelijke nettowinst ligt waarschijnlijk tussen de $300.000 en $600.000, en dat zijn dan de cijfers die een app met de schaalgrootte van Cal AI kan neerzetten. Het is een kleinschalige business die 1 à 2 personen kan onderhouden, geen gegarandeerde $1,2 miljoen die zomaar op je bankrekening belandt.

4. De ware struikelblokken van deze route

Ik rangschik de moeilijkheden op basis van hoe hard ze je zullen tegenhouden, niet op basis van de kans dat ze voorkomen.

Struikelblok 1: Marketing is de muur, technologie niet

Hier moet ik een aparte alinea aan wijden. Omdat we in de eerdere stappen de technologische drempel hebben afgebroken tot iets laags, krijg je misschien de illusie dat marketing ook wel even te fixen is — dat is een fatale vergissing.

App Store-zoekwoorden leveren je een deel van je traffic op, maar om de miljoen downloads te bereiken, zul je vrijwel zeker betaalde acquisitie moeten inzetten. In de Amerikaanse App Store liggen de CPI’s (cost per install) voor gezondheids- en fitness-apps doorgaans tussen de $4 en $8, en met organische menging kom je uit op een eCPI van zo’n $2 tot $4. Eén miljoen downloads betekent minimaal een mediabudget van $2 miljoen tot $4 miljoen. Dat is geen budget voor een scholier, maar het budget van een startup die een Series A ophaalt.

Het team achter Cal AI heeft veruit meer energie in marketing gestoken dan in het schrijven van code. “Lanceren is pas het begin, niet het einde” – in deze markt is dat geen loze kreet, maar keiharde realiteit.

Als je eerder e-commerce hebt gedaan, is dit je goede nieuws: je vaardigheid in het schalen van campagnes op Meta en TikTok, plus je ervaring met Amazon ASO (listing-optimalisatie) en zoekwoordstrategie, kun je één-op-één vertalen naar App Store ASA (Apple Search Ads). Dat is je toegangsbewijs. Geen code kunnen schrijven? Geen probleem.

Heb je nog nooit betaalde traffic ingekocht? Dan moet je die les eerst zien te inhalen voordat je hiermee van start gaat.

Struikelblok 2: de formule is een voorwaarde, geen garantie

De drie selectiefilters verklaren alleen “waarom iemand bereid is te betalen”, niet “waarom jij degene bent die dat geld in de wacht sleept.”

De concurrentievoordeel van Cal AI zit niet in ‘weinig functies’, maar in de datavliegwiel van 15 miljoen gemaakte foto’s. Elke foto is gecorrigeerd door modellen en menselijke controle, waardoor de voedselherkenningsdatabase véél accurater is dan die van welke nieuwkomer dan ook. Zelfs een miljoen foto’s van een nieuwkomer is niet genoeg. Dit is een data-asset die met tijd is opgebouwd; dat geeft geen formule je.

Lezers zullen misschien denken: ‘Ik kan Cal AI ook wel kopiëren.’ Maar de moeilijkheidsgraad om van 0 naar 10.000 betalende gebruikers te gaan, wordt door elke formule structureel onderschat. Drie voorwaarden kunnen je behoeden voor de meest voor de hand liggende valkuilen. Of je het écht tot de top schopt, hangt echter af van de synergie tussen productervaring, marketing en de uitvoerkracht van je team.

Struikelblok drie: Je gracht is oppervlakkig, maar er is een diepere kant

Je bouwt een product waarvan de functie in één zin is uit te leggen. Dat betekent dat een ander het in één zin kan kopiëren. De standaardstrategie is ‘snelheid en verticale diepte’ — wie het eerst de default optie wordt in de hoofden van gebruikers binnen een specifieke, voldoende nauwe niche, kapit de zoektraffic voor die term. Maar op deze route bestaan geen zilveren kogels: de eerste 1.000 reviews binnenhalen, je keywords claimen, merkgerelateerd zoekvolume opbouwen… Dit zijn allemaal assets die simpelweg tijd nodig hebben om te groeien.

De diepere concurrentievoordeel ligt in de gebruikersdata. Nadat jij 1 miljoen foto’s hebt verwerkt, is jouw herkenningsdatabase 5% accurater dan die van een nieuwkomer. Die 5% bepaalt of jij op de eerste plek in de zoekresultaten belandt.

Struikelblok vier: Gespleten mond-tot-mondreclame is de norm

MenuFit scoort 4,8 sterren in de App Store, maar de geschreven reviews gemiddeld slechts 2,7 — de meeste klachten richten zich op abonnementen en betalingservaring. Die 4,8 is het wereldwijde gemiddelde; die 2,7 is wat gebruikers daadwerkelijk opschrijven. Een slechte opzegervaring is in deze hele niche de norm.

Geld verdienen met abonnementen is op zich prima, maar je bedrijf bouwen op het frustreren van opzeggingen? Dat eindigt gegarandeerd in een ramp — uiteindelijk rest je alleen een muur van slechte reviews en verwijdering uit de app stores.

5. Het 30-dagen testraamwerk

Als je de bovenstaande analyses serieus neemt, pak dit 30-dagen testraamwerk dan op en ga aan de slag —

Dag 1-3: Lijst vijf use-cases op, kies de knelpunt die jou het meeste tegenhoudt, en valideer het via de App Store en Reddit met de methode uit stap twee.

Dag 4-7: Bouw een no-code prototype met Glide / Bubble / Softr + krijg één fotoherkenning werkend (zelfs als die slechts één gerecht herkent). Kosten: $0-50. Beslissingsmoment: Haalt de herkenningsnauwkeurigheid 70% of hoger? Zo niet, switch van use-case.

Dag 8-14: Vind 20 doelgebruikers (via Reddit / Discord / Pinterest) voor een gratis proefperiode en verzamel eerlijke feedback over de vraag: “Zouden ze ervoor betalen?” Beslissingsmoment: Als er ≥ 3 van de 20 zeggen: “Ik betaal €9,99/maand” — ga door; anders switch van use-case.

Dag 15-30: Vind een freelance Swift-ontwikkelaar om de native versie te herschrijven + App Store-materiaal schrijven + IAP voor publicatie voorbereiden. Budget: $3.000-$8.000. Beslissingsmoment: Heb je op dag 30 het vertrouwen dat je binnen 60 dagen 100 echte betalende gebruikers kunt binnenhalen? Zo niet, dan stop je ermee.

Het instinct van een doorgewinterde e-commercespeler is: “Zolang je traffic-ROI positief is, schaal je; zodra het in de min loopt, stop je onmiddellijk.” Diezelfde regel geldt voor apps. Kun je de richting binnen 30 dagen valideren, doe het dan; lukt dat niet, dan switch je. Koppig vasthouden aan een mislukt idee is de grootste kostenpost in deze branche.

Dat vel papier met die vijf use-cases? Pak dat nu meteen.

Voor gewone mensen is de grootste kostenpost bij het bouwen van een product geen geld, maar het wachten op een “nog groter, beter idee” — om vervolgens helemaal niets te doen. Twee 17-jarige scholieren wachtten niet. Ze bouwden één simpele fotofunctie, en 18 maanden later werden ze overgenomen door MyFitnessPal. Je bent niet slechter dan zij, maar je bent wel langzamer — tenzij je vandaag nog je eerste foto schiet.

Pak je telefoon.