Downloads explodem com modelos de imagem, mas receita não acompanha

O problema real: muitos downloads, pouco dinheiro

Lançar um modelo de imagem gera 6,5 vezes mais downloads do que uma atualização tradicional de modelo. É o que mostra um relatório da Appfigures. Mas o dado que realmente importa para quem constrói apps de IA é outro: desses downloads extras, poucos viram receita.

O Google Gemini ganhou 22 milhões de downloads com o modelo Nano Banana. A Meta AI lançou o Vibes e viu o número de instalações subir. Só o ChatGPT conseguiu transformar o pico em dinheiro: US$ 70 milhões em gastos brutos em 28 dias após o lançamento do modelo de imagem GPT-4o.

O fato: imagem virou o novo motor de aquisição

Segundo a Appfigures, o lançamento do modelo de imagem do Gemini (Nano Banana) gerou 22+ milhões de downloads em 28 dias — mais de 4x a linha de base. O ChatGPT, com o GPT-4o image, adicionou 12 milhões de instalações incrementais no mesmo período, cerca de 4,5x mais do que em lançamentos de modelos puramente textuais (GPT-4o, GPT-4.5, GPT-5).

Até a Meta, com o feed de vídeo IA Vibes, conseguiu 2,6 milhões de downloads extras. Mas a receita? Quase zero.

Como funciona na prática: aquisição vs. monetização

O padrão é claro: modelo de imagem = pico de download. Mas o funil para pagamento é estreito. A Appfigures estima que o Nano Banana gerou apenas US$ 181 mil em receita bruta nas mesmas 4 semanas — uma fração dos milhões de instalações. O Vibes não gerou receita relevante.

Do ponto de vista de operador: cada download tem um custo de aquisição (CPI) que varia de US$ 0,50 a US$ 3,00 em anúncios pagos. Se o usuário não converte, o ROI desaba. E, no caso de modelos de imagem gratuitos, o custo de inferência (tokens, GPU, geração) tende a ser maior que o de texto.

A exceção foi o ChatGPT: US$ 70 milhões em 28 dias. Por quê? Provavelmente porque o modelo de imagem do GPT-4o está atrelado diretamente ao plano pago (ChatGPT Plus) e porque a qualidade gerou casos de uso virais que forçaram usuários a assinar para continuar gerando.

Ação prática para quem constrói apps de IA

• Se você está pensando em lançar um modelo de imagem para bombar downloads, planeje uma estratégia de monetização desde o primeiro dia: limite de gerações gratuitas, watermarks, upsell para versão premium.
• Mensure não apenas downloads, mas o custo por conversão (CAC) dividido pelo LTV real. Se o modelo de imagem custar mais para rodar do que o ticket do plano mensal, você quebra.

Tensão: download não é receita, e isso dói

A grande questão: por que continuar investindo em modelos de imagem se o retorno financeiro é incerto? Porque eles são o melhor canal de aquisição orgânica que existe hoje. O problema é que a equação só fecha se o produto tiver um mecanismo de conversão eficiente. Caso contrário, você gasta milhões em GPU para treinar e servir o modelo, gasta em CPI, e o usuário usa de graça e vai embora.

No caso do DeepSeek R1, os 28 milhões de downloads foram impulsionados por curiosidade, não por imagem. Mas o efeito foi o mesmo: pico sem retorno direto. A lição é que o hype inicial não paga a conta de servidor.

Fechamento: o modelo de imagem é o novo carro-chefe, mas o negócio precisa de freio

Imagem atrai, texto converte. Quem conseguir construir um loop onde a geração visual leva o usuário a um serviço pago (edição avançada, mais resolução, uso comercial) vai dominar. Quem apenas liberar o modelo de graça sem barreira vai ver o pico de download virar um pico de custo.