約10本のアプリ全滅から「撮った理想メイクをAIが自分の顔に再現」するGlowUpへ — TikTok広告費ゼロで1年$800K・ARR$1.2Mに乗せたカナダの24歳ソロ開発者

GlowUpは、好きなメイクの写真をアップロードすると、AIがそのメイクを自分の顔に再現してプレビューし、現実で再現するためのコスメまで提案してくれるアプリ。バーチャル試着・自分の顔立ちに合わせたメイク手順・肌トーンに基づく商品レコメンドが中心で、運営は Viral Tech Inc.、App Store上では「#1 AIメイクアシスタント」を掲げ、累計50万人以上のユーザーが使っているとされる。

作ったのはカナダのソロ開発者 Louis-David Paul-Hus(@LouisDavidPH)。本人がXで明かしている通り24歳のソロ起業家で、GlowUp以前に約10本のアプリを出して“全部失敗”していた。その彼が、作り方の発想を180度変えて当てたのがGlowUpだ。変えたのは技術ではなく『最初に集客の勝ち筋(TikTok)を決めてからプロダクトを作る』という順番——アプリストアに置けば見つけてもらえる時代ではない、という前提に立った。

技術的にはノーコード/ローコードのFlutterFlowでアプリを構築し、課金まわりは当初RevenueCatを試したがFlutterFlowとの相性で詰まり、Adaptyへ移行している。派手な自社モデルを学習させるのではなく、既存のAIをメイク体験へ“翻訳”し、ノーコードで素早く形にして検証する——個人開発者がそのまま真似できる構成だ。

伸ばし方は徹底して『広告費ゼロのTikTok』。本人出演の事例動画のタイトルがそのまま要約になっている——「My mobile app made $800K in 365 days(モバイルアプリが365日で$800Kを稼いだ)」。ここに、課金の取りこぼしを潰すペイウォール最適化(後述)が掛け算され、ARRは$1.2Mまで伸びた。

本人の発信(一次情報)

再現できる手順

1. 1順番を反転する:作ってから配るのをやめ、先に配れる場所(TikTok)と刺さる見せ方を決めてからプロダクトを作る
2. 2ビフォー/アフターが一瞬で伝わる体験にする(好きなメイクを撮る→AIが自分の顔に再現)——短尺動画と相性の良いコアを設計
3. 3初動は広告費ゼロのTikTokオーガニックに全振りし、CACゼロで“バズる見せ方”を自分の手で学習する
4. 4拡散段ではクリエイターに現金でなく持分(エクイティ)を渡し、先払い広告費なしで大量の発信者を巻き込む
5. 5ペイウォール到達率をまず測る(GlowUpは当初20%)→表示位置をA/Bして最適化(MRR $30K→約$100K)
6. 6価格は選択肢を増やしすぎない。中庸の一点に寄せて迷いを減らし転換率を上げる
7. 7技術は自作より“翻訳”:既存AIをノーコード(FlutterFlow)で素早く形にして小さく速く検証する

深掘り分析

【深掘り】GlowUpの本質は『順番の設計』にある。約10本失敗した開発者が、技術ではなく“どの順で何をやるか”を変えて当てた。再現可能な形に分解する。

■ 失敗の共通点を反転させた:作ってから配る、をやめる 以前の約10本は『良いものを作れば見つかる』という、作ってから配る順番だった。アプリストアに置くだけでは誰にも見つからない——この当たり前を直視し、Louisは順番を反転させた。すなわち『先に配れる場所(TikTok)と刺さる見せ方を決め、それに最適化したプロダクトを作る』。GlowUpの“好きなメイクを撮る→AIが自分の顔に再現”という体験そのものが、TikTokで一目で伝わる/真似したくなるように設計されている。順番を変えるだけで、同じ実装力でも結果が一変する好例だ。

■ 集客は広告費ゼロのTikTokオーガニックに全振り 初動は有料広告ではなく、TikTokのオーガニック投稿に振り切った。「撮るだけで自分の顔に理想メイクが乗る」という体験はビフォー/アフターが一瞬で伝わり、短尺動画と相性が極めて良い。CACゼロで需要シグナルを取りながら“どの見せ方がバズるか”を自分の手で学習でき、その勝ち筋を次の拡散(クリエイター)へそのまま渡せる。本人出演動画のタイトル「365日で$800K」は、この$0集客が土台にあることを示している。

■ クリエイターには現金でなく“持分(エクイティ)”を渡した 拡散をスケールさせる段で、Louisは現金報酬ではなく株式(持分)でTikTok/Instagramのクリエイターと組んだ、と二次まとめで伝えられている。現金が乏しいソロ開発者にとって、これは(1)先払いの広告費を出さずに大量の発信者を巻き込める (2)クリエイター側に“伸ばすほど自分も得をする”インセンティブが生まれ、単発の広告投稿より本気の発信になりやすい、という二重の効き目がある。資金力ではなく『アップサイドの分配』で初期グロースのエンジンを作った発想だ。

■ 取りこぼしを潰す:ペイウォール最適化でMRRを3倍超に グロースの裏でLouisが詰めたのが課金導線だ。Adapty公式ケーススタディによれば、当初はユーザーの“わずか20%しかペイウォールに到達していなかった”。表示位置(プレースメント)をA/Bで検証して最適点を選んだ結果、MRRは$30Kから約$100Kへ跳ね上がった。集客をいくら頑張っても、見せていない課金画面は売上にならない——同じ流入でも“見せ方”で3倍超の差が出るという、極めて実利的な学びだ。

■ 価格は『選択肢を増やしすぎない』が正解だった さらにLouisは、最初に複数の価格プランを並べると逆に転換率が下がることを発見した(本人の仮説では、選択肢が多すぎてユーザーが迷うため)。複数回の実験を経て、高すぎず安すぎない“中庸の一点”に価格を寄せたところで最良の結果が出た。価格は『高くするほど儲かる』でも『安くするほど売れる』でもなく、迷いを減らす設計問題だ、という示唆。これらの最適化が積み上がってARRは$400Kから$1.2Mへ拡大した。

■ 技術は“作る”より“翻訳する”/ノーコードで速く回す GlowUpはFlutterFlowで構築され、課金はRevenueCatで詰まった後Adaptyへ移行した。巨大モデルを自前で学習させるのではなく、既存のAIをメイク体験へ翻訳し、ノーコードで素早く出して検証する——この“速く小さく回す”運用が、約10本の失敗を糧にできた理由でもある。個人開発の堀は最先端技術そのものではなく、(順番設計 × $0集客 × 課金最適化)の掛け算にある。