夜雨聆风
年入3000万美金的App,被他20分钟复刻了:代码不值钱,创业逻辑全变了
最近硅谷有个新闻，让不少做 SaaS 的朋友开始重新思考当下的竞争环境。
健康管理赛道的老牌选手 MyFitnessPal 收购了一款叫 Cal AI 的应用。这款 App 的核心功能其实非常直观：用户对着食物拍张照，AI 就能自动识别出这是什么、含有多少热量。
Cal AI 的成长路径挺有传奇色彩的。它是两个 19 岁的年轻人 Zach Yadegari 和 Henry Langmack 开发的，短时间内月收入（MRR）就冲到了 100 万美金，也就是年入千万美金的级别，下载量突破了 1500 万。
但就在收购消息传出后，科技博主 Matthew Berman 发了一个视频，挺有冲击力的。他没有雇佣任何开发团队，也没写几万行代码，单纯靠 Cursor 搭配 Claude 模型，花了不到 20 分钟就把 Cal AI 的核心功能复刻了一遍。从 UI 界面到拍照识别，再到后端的逻辑处理，基本都跑通了。
这一幕给很多人的观感是：一个价值几千万美金的商业成果，在 AI 时代，复刻它可能只需要一杯咖啡的时间。
说实话，这已经不是简单的“提高效率”了。它揭示了一个挺残酷的现状：当软件的生产成本正在快速归零，代码本身已经很难构成壁垒了。如果代码不再值钱，创业者的护城河到底该往哪儿建？
一、 20 分钟复刻 3000 万美金，这事儿科学吗？
在过去，像 Cal AI 这种应用是有明显技术门槛的。你可能需要自己训练计算机视觉模型，得积累一个庞大的食物数据库，还得搭一套稳健的后端架构。
但在 Matthew Berman 的演示里，这些门槛基本消失了。他用的这套“AI 原生开发”流程逻辑很清晰：
先用 v0.dev 这种工具，把 Cal AI 的 App 截图投喂进去，几秒钟就生成了 React 框架下的 UI 代码。
然后把逻辑整合交给 Cursor，让 Claude 4.6 Sonnet 来写具体的业务逻辑。
最后接入 OpenAI 的 Vision API，拍照识别这种最核心的技术活，直接交给现成的模型。
Matthew 几乎没怎么动键盘写代码，他大部分时间是在用英语下指令。正如特斯拉前 AI 主管 Andrej Karpathy 说的：现在最热门的新编程语言是英语。
这就带出一个让很多投资人思考的问题：MyFitnessPal 这笔收购，买的到底是什么？如果只是买代码和功能，这事在技术层面似乎变得没那么有价值了，因为任何一个熟练使用 AI 工具的开发者，都能做出类似的东西。
二、 软件生产力的底层逻辑崩了
过去，软件行业的估值逻辑很大程度上参考了开发成本和实现难度。功能越复杂、代码量越大，壁垒似乎就越高。
现在这个逻辑正在失效：开发成本正在趋向于零。
一个明显的趋势是，营销正在变成计算机科学的一个重要分支。
- 工具链全面“傻瓜化”：以前需要团队开发数月的产品，现在一个懂 Prompt 的人，几天甚至几小时就能把 MVP（最小可行性产品）跑起来。
- “薄包装（Wrapper）”的价值归零：很多 App 本质上只是给模型套了个壳。这种纯功能性的包装，在 AI 工具普及后，已经没有竞争优势了。
- 从“码农”到“意图架构师”：未来的顶尖开发者可能不再纠结具体的一个循环怎么写，而是思考如何构建一个能自我迭代的系统。
说白了，如果一家公司的核心价值仅仅在于那几行代码，那在 AI 面前基本是透明的。
三、 垂直 SaaS 的危机：会被 Agent “吃掉”吗？
Cal AI 被收购，其实折射出整个垂直 SaaS 行业的集体焦虑。
以前我们要记账、管理日程或计算热量，需要安装各种专门的 App。但 Matthew Berman 提出了一个观点：智能体（Agent）可能会吞噬很多垂直 SaaS 类别。
因为很多 SaaS 本质上只是个“数据库的 UI 界面”。未来你可能不需要打开精美的 App 界面，只需要对着 AI 助手说一句话，AI 就能自动调取 API 帮你把数据存了、把分析做了。
这就引出了一个新词：用完即弃的架构（Disposable Architecture）。如果你只是想分析上个月的财务，AI 可以临时给你渲染一个面板，看完即走。为了这个需求去专门维护一个厚重的 SaaS 系统，成本反而太高了。
四、 代码不值钱了，什么才是真护城河？
既然功能这么容易被复刻，那创业者靠什么赢？我分析了一下，核心其实在于：分发、数据上下文和系统。
1. 分发（Distribution）才是王道
Cal AI 真正厉害的地方，不一定是它的拍照识菜技术，而是它在 TikTok 上那种极强的病毒式传播能力。创始人 Zach 曾提到，他们对社交媒体流量的把控非常深入。MyFitnessPal 买的可能不是代码，而是那 1500 万用户的心智占位。在技术被抹平的今天，谁能低成本抓到用户，谁才有话语权。
2. 深度上下文与私域数据（Data Moat）
虽然 Matthew Berman 能复刻 UI 和基本识别，但他复刻不了 MyFitnessPal 积累了十几年的、全球最大的食物营养条码数据库。这些经过海量用户校对过的精准数据，是通用 API 瞬间搞不定的。你的行业深度和专有数据，才是 AI 拿不走的。
3. 从工具转向社区
工具容易被克隆，但人与人的链接很难被搬迁。如果你在一个平台上记录了三年的健身数据，并且有一群互相打气的朋友，就算隔壁出了个免费的、一模一样的克隆版，你大概率也懒得搬家。这种迁移成本，才是稳固的墙。
4. GTM（市场进入）的工程化
未来的创业者需要从“做产品”转向“做系统”。你不需要亲手写推文，而是应该构建一个逻辑流，让 AI 自动去社区抓取痛点、自动生成广告素材、自动调配投放预算。这种“可编程的商业系统”可能是未来的硬实力。
五、 结尾：超级个体的时代，规则变了
Matthew Berman 的 20 分钟实验，并不是说 Cal AI 不值钱，而是告诉我们：创业的门槛在降低，但竞争的维度在提升。
在这个时代，“会做”已经不算本事了，“知道做什么”和“知道怎么卖”才是核心。
我觉得 Primeagen 说得挺对：AI 是一个技能系数。如果你的商业逻辑是 1，AI 能让你变成 10；但如果你的商业逻辑是 0，AI 哪怕乘上 100 万，结果还是 0。
所以，不用再过度保护代码了，假设它随时能被抄走。多花点精力去解决真实的商业问题，去构建独特的用户链接。
代码终将变得廉价，唯有品牌、数据闭环和你对行业的理解，才能在 AI 的洪流里站稳脚跟。
就像那句话说的：创意与千万美金业务之间的距离，正缩减为一个命令行提示词。关键在于，你有没有能力下达那个真正有价值的指令。
