最近都在忙着养龙虾吗？有小伙伴问我怎么看，我把 Openclaw 比喻成当年的“切西瓜”游戏：人们第一次切实的感官“看”到，说了好几年的 AI Agent 真的能“干活”了。

但经常看我文章的你应该不至于给个香蕉就把皮给剥了，更不会指望花500块养个龙虾就能帮你从韭菜花变成镰刀手小龙虾。

分享一张图片，也是给大家降降温，然后开始今天的正文。

卡路里记录这件事，应该是移动互联网时代最老的一类应用。这个赛道里早就站满了大而全和小而美的各种 App。

但偏偏就是这样一个看起来有点过时的赛道，跑出了一个很新的案例：Cal AI。

Cal AI 由两位 18、19 岁少年创立的，短短一年内就在这个“古老”的赛道里杀出重围。

2024年5月上线后，Cal AI 在 8 个月内做到500万下载；到2026年3月被老大哥 MyFitnessPal 收购时，它已经做到超过1500万下载，年收入超过3000万美元。

我想分享的不是一个年轻创始人创业成功的故事。

我更想探索的是：很多传统应用不是没有需求了，而是旧的做法不好用了。

或者说，谁能找到并且优化“不好用”的这个环节，谁就有机会重做一遍老市场。

极简的商业逻辑

Cal AI 的核心功能极其简单：用户对着食物拍一张照片，AI 就会自动识别成分并计算卡路里。

它的商业模式是标准的订阅制：用户可以免费试用，但如果想要无限次扫描和更深度的营养分析（如蛋白质、脂肪比例），则需要支付每月约 9.99 美元或每年 50-70 美元的订阅费。

这种模式并不新鲜，但极高的转化率（有报称它的留存率超过30%）让它在商业上大获成功。

所以如果只看表面，你会觉得它的故事很简单：一个拍照识别卡路里的 AI App，年轻创始人，增长很快，被大公司买了。

但真正值得分享的，不是这些表面信息，而是更核心的问题：

为什么在一个老赛道里，它还能突然跑出来？

Cal AI 真正做对了什么？

我觉得，Cal AI 最重要的地方，不是“它用了 AI”，而是它看透了这个赛道真正的问题到底是什么。

很多人以为，卡路里记录产品的核心难题是“数据库不够全”、“营养模型不够准”、“功能不够多”。

但其实，对普通用户来说，真正的痛点一直都不是这些。

真正的问题是：太麻烦了。

你想一下传统卡路里记录 App 的使用过程。吃了一顿饭，你要先打开 App，搜索食物名称，从一堆结果里选最像的那个，再去估计分量，填克数、份数、配料，有时还得自己拆开一盘菜的构成。

理论上很科学，实际上很劝退。很多人不是不想控制饮食，而是懒得每天做这种机械劳动。

Cal AI 做的第一件事，就是把这套流程砍掉了。

它在 App Store 上给自己的产品描述非常直白：先回答几个生活方式问题，再拍一张食物照片，就能得到营养拆解。

它强调的不是“最专业”，而是“花更少时间”。

这句话其实已经把它的核心价值说透了。它卖的不是营养学知识，也不是数据库，而是更低的执行成本。

这件事听起来没什么惊天动地，但恰恰是消费互联网里最重要的一种创新方式：

不是发明新需求，而是降低旧需求的摩擦。

用户并不讨厌管理体重这件事，用户讨厌的是“每天都要手动记”。

Cal AI 把“查、选、填、算”变成了“拍一下”，这就已经足够改变转化率和留存了。

靠的不是 AI 很强，而是把 AI 用对地方

说得再直接一点，Cal AI 的成功并不意味着它背后有某种别人无法复制的黑科技。

TechCrunch 提到，Cal AI 使用了 Anthropic 和 OpenAI 的模型，并结合 RAG、开源食物热量数据库和图像数据库提升识别效果。

也就是说，它当然用了大模型，也做了识别和检索层的工程整合，但它并不是靠某个独家模型碾压市场。

它更聪明的地方在于：它没有把 AI 当成一个高大上的卖点，而是当成一个默认入口。

这件事很重要。

因为食物识别本来就不是一个百分之百准确的场景。复杂菜品、混合食物、油量、酱料、烹饪方式、摆盘遮挡，这些都会影响判断。

你如果把产品建立在 AI 一次识别必须绝对正确这个前提上，这产品很容易翻车。

Cal AI 没这么做。它的策略更像是：

先用 AI 快速给你一个大致正确的起点，然后再允许你用条码扫描、文字描述、手动调整去修正。

换句话说，它不是想把“记录”这件事彻底自动化，而是先把用户从最麻烦的那一步里解放出来。

这和很多 AI 产品常见的误区正好相反。

很多团队总想追求全自动、完全替代，最后把产品做成高风险、高错误率、低信任的系统。

Cal AI 反而更务实：先帮你完成 80%，剩下 20% 让你自己改。

对消费应用来说，很多时候不是最智能的产品会赢，而是最省事的产品会赢。

真正厉害的，还有它的增长方式

如果只把 Cal AI 看成一个 AI 拍照记卡路里的产品，你会低估它。

因为它的另一半成功，其实来自非常扎实的增长和分发。

Inc. 的采访里，创始人讲得很坦白：Cal AI 的增长很大程度上来自付费获客，而不是自然传播。

他们和营养、健身类创作者合作，在 Facebook、TikTok、Instagram 等平台做推广；随着收入变大，他们也继续加大广告投入。

这一点特别值得写，因为它能打破一种很常见的幻想：

很多人以为 AI 应用只要产品足够酷，就会自己长起来。

但 Cal AI 的案例说明，消费类 AI App 能不能爆，取决于两件事能不能同时成立：产品够顺，买量回得来本。

它在增长上至少做对了三件事。

第一，它找对了最适合演示的产品形态。

你会发现，Cal AI 非常适合短视频平台传播。用户拿出手机，对着盘子拍一下，屏幕上立刻出现热量和营养数据——这个过程天然就是一个很好的广告素材。

它不需要复杂教育，几秒钟就能让用户理解价值。这在 TikTok、Instagram这样的内容平台里，转化效率往往会非常高。

第二，它吃到了AI 关键词红利。

Sensor Tower 的报告提到，到 2025 年，健康健身类应用中，使用 AI 相关关键词做搜索广告和 ASO 的比例已经明显上升。

Cal AI 平均每季度使用约 35 个 AI 关键词，并且大约 25% 的搜索下载来自 AI 相关搜索词。

这意味着它不仅在产品里用了 AI，在流量获取层面，它也非常清楚“AI”这个词本身就是入口。

这背后其实是很现实的增长逻辑。

用户未必知道自己想要“卡路里数据库优化过的营养追踪工具”，但用户会搜“AI 计算卡路里 ”、“AI 体重管理” 这种更直观的词。

Cal AI 抢的，不只是功能优势，也是用户认知升级后的搜索入口。

第三，它选对了一个天然具备高付费意愿的市场。

健康健身类应用本身就是移动订阅市场里比较成熟的一类。

Cal AI 不是在一个没人付费的领域里硬生生创造了收入，而是在一个本来就有长期需求和付费习惯的市场里，用更轻的产品形态切进去。

所以说到底，Cal AI 的成功就是：

它把一个成熟大市场里的老需求，用新的入口重做了一遍，然后用成熟的买量方式把它放大了。

对其他传统应用，真正的启发是什么？

我觉得这部分其实才是最值得写的。

因为 Cal AI 的价值，不在让大家去做一个拍照识别 App，而在于它给传统应用创业者提了一个很扎实的醒。

1. 老赛道不怕老，怕的是没人重做第一步

很多人一看到“卡路里记录”、“记账”、“习惯养成”、“CRM”、“报销”、“库存管理”这些方向，就会下意识觉得：太老了，没机会了。

但 Cal AI 的案例说明，老赛道的问题常常不是需求消失，而是用户早就对旧流程不耐烦了。

真正的机会，不一定是创造一个新市场，而是去找那个旧市场里最痛苦、最反人性的动作，然后想办法把它砍掉。

Cal AI 砍掉的是“手动记录”；别的产品，也许可以砍掉的是“手动填表”、“手动分类”、“手动检索”、“手动整理”等等。

2. AI 最值钱的，不一定是替代专家，而是替代耐心

很多团队一谈 AI，就会往“分析”、“生成”、“决策”这些高大上的方向想。

但消费级产品里，很多成功案例恰恰不是这么来的。

Cal AI 没有发明新的营养理论，也没有把自己做成专业医疗工具。

它是替用户省掉了耐心。

这很重要。因为对大量普通用户来说，真正阻碍他们的，不是“我不知道减脂原理”，而是“我不想每天花 10 分钟录饮食”。

这就是为什么很多 AI 应用看起来技术不算最前沿，却能快速起量。

因为它们不是在解决“不会”，而是在解决“嫌麻烦”。

3. AI 应用竞争，是产品 + 分发 + 定价一起打

Cal AI 的案例很典型地说明，今天 AI 应用要想成，不是只把模型接进来就够了。

你至少要同时回答三个问题：

第一，用户是不是一上手就能感受到效率提升？

第二，这个产品是不是适合被内容平台演示和传播？

第三，你的获客成本和订阅收入之间是不是能算得过来？

Cal AI 之所以值钱，不是因为它的 AI 功能本身不可复制，而是因为它把这三件事都做通了。

这对很多传统 App 团队来说，是一个非常现实的提醒：

AI 可以帮你重做功能，但真正决定你能不能活下来的，还是产品体验、流量效率和商业闭环。

4. 所谓 AI-native，不只是技术升级，而是默认动作升级

现在很多团队喜欢说自己做的是 AI-native 产品。但这个词如果说得太泛，就会变得没有意义。

Cal AI 给了一个更具体的解释：

所谓 AI-native，不一定是后台用了多厉害的模型，而是产品默认假设已经变了。

传统产品默认用户会学习规则、适应系统、主动输入。

AI-native 产品默认用户只想“说一句”、“拍一下”、“发给我”、“帮我做”。

这两种默认假设，会导致完全不同的产品设计。

---

最后，过去几年，大家太容易把 AI 想成一个创造全新世界的工具，于是总盯着最前沿、最颠覆、最像技术革命的方向看。

可 Cal AI 这样的案例提醒我们，AI 还有另一种非常现实的价值：

不是创造新需求，而是把旧需求里的摩擦一点点抹平。

以上，祝你今天开心。

封面和摘要

过去几年，大家太容易把 AI 想成一个创造全新世界的工具，于是总盯着最前沿、最颠覆、最像技术革命的方向看。

修改封面和摘要