O Gemini Ganhou 22 Milhões de Novos Usuários com Nano Banana. Faturou US$ 181 Mil.

Nos 28 dias depois que o Google embarcou o Nano Banana dentro do Gemini, o aplicativo recebeu mais de 22 milhões de downloads incrementais. O volume diário de instalações saltou cerca de quatro vezes. No mesmo período, a receita de consumo atribuível àquelas instalações ficou em torno de US$ 181 mil. Não é erro de digitação. Vinte e dois milhões de novos usuários. Cento e oitenta e um mil dólares.

A análise da Appfigures que sustenta esses números cobre os três maiores lançamentos de IA voltada ao consumidor no arco de geração de imagens: o Nano Banana do Google, o feed Vibes da Meta e o modelo de imagem GPT-4o da OpenAI. No conjunto, recursos de IA de imagem hoje geram 6,5 vezes o volume de downloads que upgrades tradicionais de chatbot produzem. Times de marketing já sabem disso. A história se parte do lado da receita.

Os Três Resultados

Três lançamentos, o mesmo formato, três desfechos financeiros distintos.

Google Gemini, Nano Banana. Mais de 22 milhões de downloads incrementais em 28 dias. Aumento de 4x nas instalações diárias. US$ 181 mil em consumo atribuível ao pico. O aplicativo viralizou. A carteira do consumidor não abriu.

Meta AI, feed Vibes. 2,6 milhões de downloads incrementais após o lançamento de setembro de 2025. Sem contribuição relevante de receita. Uma superfície de conteúdo criativo, não transacional. O aplicativo ganhou tração. O resultado financeiro não se mexeu.

ChatGPT, modelo de imagem GPT-4o. Mais de 12 milhões de instalações na janela de 28 dias, 4,5 vezes superior aos lançamentos de modelos só de texto. Aproximadamente US$ 70 milhões em consumo bruto atrelados a esse arco. O único dos três em que a curva de instalação e a curva de receita apontam para a mesma direção.

Três empresas. O mesmo tipo de recurso. O mesmo tipo de empuxo viral de aquisição. Duas ganharam praticamente nada com isso. A terceira ganhou o equivalente ao preço de uma pequena aquisição corporativa.

Como Isso Aparece Dentro da Empresa

Imagine como esses três números atravessam o organograma de qualquer uma dessas companhias.

O time de growth reporta “recursos de imagem geraram 6,5x o lift de instalação dos upgrades de chatbot”. Afirmação verdadeira. O time de marketing de produto escreve “Nano Banana fez do Gemini o aplicativo de IA que mais cresceu na sua categoria”. Também verdadeira. Engenharia reporta um pico enorme de tráfego, testes de carga validados e um retrospectivo de lançamento bem-sucedido. Tudo verdadeiro.

A revisão mensal do CFO traz à tona um fato diferente. O custo de servir 22 milhões de novos usuários de geração de imagem não é zero. A receita gerada por esses usuários é, na prática, zero. A economia unitária do lançamento, em base estritamente de caixa, é negativa. A afirmação verdadeira do CFO é “recursos de imagem custam dinheiro para serem entregues em escala”.

As duas afirmações descrevem o mesmo lançamento. Nenhuma está errada. A empresa não tem um problema de medição no sentido técnico. Todos os números estão corretos. A empresa tem um problema de governança de medição. Duas áreas seguram duas métricas, ambas legítimas, que apontam em direções opostas, e não existe uma visão acordada sobre qual delas decide se o lançamento foi um sucesso.

Na ausência desse acordo, o time que chega primeiro à apresentação executiva ganha o direito de definir a realidade.

A Pergunta Real é a Pergunta da Conversão

O lançamento do GPT-4o pela OpenAI é o caso interessante porque quebrou o padrão. O lift de instalação foi comparável ao do Google. O lift de receita foi três ordens de grandeza maior. Por quê?

Algumas hipóteses plausíveis merecem ser nomeadas, porque cada uma implica uma resposta diferente de governança.

Uma: o ChatGPT já tinha uma camada paga com a qual os usuários estavam familiarizados, então o recurso de imagem funcionou como gatilho de upgrade, não como momento de entretenimento na camada gratuita. Se essa for a causa dominante, a lição é estrutural. IA de imagem monetiza quando se posiciona atrás de um paywall existente.

Duas: a base do ChatGPT pesa para casos de uso (apresentações, ativos de marketing, iteração de design) em que a saída tem valor profissional, não apenas novidade pessoal. Se essa for a causa dominante, a lição é de segmentação. IA de imagem monetiza quando o público já está construindo alguma coisa.

Três: o Nano Banana do Google era gratuito, divertido e, em termos de custo marginal, indistinguível de um recurso da camada gratuita dentro de um produto logado que o usuário já vinha usando. Se essa for a causa dominante, a lição é dura. IA de imagem gratuita é uma ferramenta de aquisição de cliente sem nenhuma engrenagem de continuidade conectada.

Escolha a hipótese que achar mais provável. O ponto não é a resposta. O ponto é que a empresa que sabe qual hipótese se aplica ao próprio lançamento opera em uma base de decisão diferente da empresa que apenas comemora o número de instalações.

A Conversa Entre Marketing e Finanças Que Deveria Estar Acontecendo

Já escrevemos sobre o déficit de ROI nas organizações nativas em IA. Aquele texto tratava de implantações corporativas de IA. O padrão em IA de consumo tem o mesmo formato: um ganho real em um eixo, invisível no outro, e não resolvido no nível em que as decisões acontecem.

A conversa que deveria estar acontecendo, e raramente acontece, tem três partes.

Qual eixo estamos otimizando neste trimestre? Se a resposta for “usuários”, a curva de instalação é a métrica e a receita é número de observação. Se a resposta for “receita”, a curva de instalação é proxy de vaidade e a conversão por instalação é o sinal real. A empresa que não escolhe acaba comemorando os dois eixos quando um deles se move e culpando os dois eixos quando o outro não se mexe.

Em que momento o número de instalações para de ser interessante? Vinte e dois milhões já é um ponto de dado suficiente para que “ainda estamos construindo a audiência” deixe de funcionar como argumento. Se a conversão não aparece nos próximos 28 dias, o número de instalações não é mais evidência de lançamento bem-sucedido. É evidência de uma distribuição gratuita bem-sucedida. Marketing e finanças precisam concordar sobre esse limiar antes do próximo lançamento, não depois.

Quem decide qual métrica é a manchete? Dentro da maioria das empresas isso fica implícito, e a resposta na prática é “quem está apresentando”. É assim que o mesmo lançamento vira triunfo na all-hands de marketing e linha discreta no review de finanças. Definir o dono da métrica antes do lançamento é a versão barata de resolver isso. A versão cara é deixar a contradição endurecer em duas histórias separadas que a empresa passa a contar para si mesma.

A Lição Menor Dentro da Maior

IA de imagem é o exemplo fácil porque a divergência é alta demais para ignorar. A mesma dinâmica se aplica a quase todo recurso de IA de consumo lançado neste momento. Modos de voz, modos de agente, modos de pesquisa profunda, todos produzem lift em métricas de engajamento que não se traduzem com clareza em monetização. As empresas que tratam isso como estado temporário e as empresas que tratam isso como o novo equilíbrio estão fazendo apostas diferentes, e a maioria não está fazendo a aposta de forma explícita.

O número do Nano Banana não é um problema do Google. É um problema da categoria. Vinte e dois milhões de usuários por US$ 181 mil é como a IA de imagem para consumidor se parece neste momento. A pergunta para qualquer time que vá lançar algo parecido não é se deve esperar essa proporção. A pergunta é se a empresa decidiu, antecipadamente, em qual lado dessa proporção pretende ser avaliada.

Fontes

TechCrunch / Appfigures. “Image AI Models Now Drive App Growth, Beating Chatbot Upgrades.” Maio de 2026.

A Victorino ajuda líderes de marketing e finanças a chegar em acordo sobre qual métrica de IA paga as contas: contato@victorino.com.br | www.victorino.com.br