一个高中毕业生做出的增长样本
Cal AI 是一款用 AI 识别食物、自动估算热量的追踪应用，2024 年上线。它的创始人 Zach Yadegari 今年 19 岁，刚高中毕业不久。在 TechCrunch Disrupt 的舞台上，他复盘了这款产品从零到被收购的路径：两年内累计营收超过 3000 万美元，并在今年 3 月被 MyFitnessPal 收购，交易金额未披露。
这个成绩单里最值得拆解的部分，不是 AI 识别技术本身，而是它几乎完全由网红投放驱动的增长模型。对于大多数做消费级应用的团队来说，这套打法的可复制性，比“19 岁创始人”的标签更有参考价值。
核心信息：把投放做成一条可预测的流水线
Yadegari 描述的增长起点非常具体：早期有一位网红发布了关于 Cal AI 的内容，两天内带来了大约一千名新用户。这个数字让他确认了一件事——投放是可以被量化的。
随后他做的事情是“尽可能快地招募网红，付钱让尽可能多的人发帖”。他给出的判断是，这套机制呈现出一种“线性但极快”的特征：每一条内容会带来一定数量的观看，观看再按相对稳定的比例转化为下载。
在定价方式上，Cal AI 没有采用固定报价，而是把费用和触达规模绑定——承诺某个量级的曝光对应某个量级的报酬，并且要求对方持续发布直到达标。Yadegari 对目标人群的判断相当直白：很多网红是“没钱的大学生”，他们“只想要现金”，因此这种“先给钱、后交付曝光”的结构对他们有吸引力。
选人标准同样服务于可量化这一目标。他强调最关键的是找到“社区非常紧密”的创作者，而不是单纯追求粉丝体量。紧密社群的互动率和转化率更稳定，投放效果更容易被预测。
这套模型为什么能跑通，又为什么难复制
从增长逻辑上看，Cal AI 做的其实是把传统效果广告的思维搬到了网红渠道：以曝光量为结算单位，以转化为考核指标，用大量中小创作者替代少数头部账号，从而摊薄单次测试成本、提高整体转化密度。
| 维度 | 传统品牌投放 | Cal AI 的做法 |
| 结算方式 | 固定坑位费 | 按触达规模挂钩 |
| 创作者层级 | 偏好头部 | 偏好中小、社群紧密 |
| 内容要求 | 单次发布 | 持续发布至达标 |
| 核心指标 | 品牌曝光 | 下载转化 |
但这套打法有明确的边界。第一，它高度依赖产品本身的转化效率——如果下载后的留存和付费跟不上，投放规模越大，亏损越快。第二，按曝光结算需要团队具备较强的谈判和履约追踪能力，否则容易陷入刷量纠纷。第三，随着投放规模扩大，同一批创作者的边际效果会递减，获客成本必然上升。
值得注意的是，Yadegari 本人对高等教育的态度相当轻描淡写，认为上大学的唯一实际理由是社会体验。这个观点在现场引发了笑声，但它也侧面说明 Cal AI 的路径更接近连续创业者的试错逻辑，而非可被标准化复制的职业规划。
此外，他本月还推出了新的 AI agent 创业项目 Persona，已融资 1000 万美元。按照他的说法，Persona 的目标是“让计算与人类生活无缝衔接”，其个人 AI 助手将出现在“任何有网络连接的地方”，包括 iMessage、应用、邮件和电话，并计划围绕应用构建一套硬件生态。
影响分析
对做消费级 AI 应用的团队来说，Cal AI 的案例传递了两个信号。一是产品形态足够轻、决策成本足够低时，网红投放仍然是最快的冷启动渠道之一；二是投放效率的关键不在预算规模，而在结算结构和选人精度。
对内容创作者生态而言，按曝光结算的模式会进一步推动中小创作者的价值被重新定价——粉丝量不再是唯一筹码，社群粘性和转化能力才是。
行动建议
如果你正在规划类似的投放测试，可以从以下几点入手：
- 先做小规模验证：用 5 到 10 位中小创作者跑一轮，记录每位创作者带来的下载量，确认转化是否稳定。
- 把结算和交付绑定：按触达或转化阶梯付费，明确持续发布的要求和验收口径。
- 优先看社群密度：粉丝量在几万到几十万、互动率高的账号，往往比百万级账号更适合冷启动。
- 盯住留存而非下载：投放放量前，先确认次日留存和付费转化能覆盖获客成本。
- 准备成本上升的预案：同一渠道的边际效果会衰减，提前布局第二、第三个渠道。
如需进一步交流 AI 应用增长话题，请访问 AI Explorer 联系页面。