Phân tích dữ liệu ứng dụng mới nhất cho thấy rằng vào năm 2026, nhân vật chính thực sự có thể thúc đẩy sự phát triển của lượt tải xuống ứng dụng AI trên thiết bị di động đã chuyển từ bản thân các mô hình lớn "thông minh" hơn sang các chức năng trực quan với hình ảnh tổng quát làm cốt lõi. Theo thống kê từ Appfigures, các bản cập nhật phiên bản sử dụng mô hình hình ảnh làm điểm bán hàng mang lại lượt tải mới nhiều hơn khoảng 6,5 lần so với các “bản cập nhật thông thường” tập trung vào nâng cấp ngôn ngữ hoặc khả năng suy luận.

Sự thay đổi này đánh dấu sự chuyển dịch rõ ràng về trọng tâm của làn sóng AI. Trong những ngày đầu, điều thúc đẩy người dùng thử các ứng dụng AI chủ yếu là việc lặp lại các mô hình đối thoại và cải tiến các phương thức tương tác như giọng nói. Những chức năng này ngày nay vẫn còn quan trọng, nhưng chúng không còn có khả năng kích thích đáng kể sự quan tâm của người dùng trong một khoảng thời gian ngắn như trước đây. Ngược lại, các tính năng trực tiếp tạo ra nội dung trực quan có thể chia sẻ sẽ có nhiều khả năng thu hút sự chú ý hơn trên mạng xã hội và các cửa hàng ứng dụng.

Nhịp điệu sản phẩm mới nhất của một số nền tảng đầu cũng xác nhận xu hướng này. Sau khi ứng dụng Gemini của Google ra mắt mô hình hình ảnh Nano Banana, số lượt cài đặt tăng vọt đáng kể; trong vòng 28 ngày sau khi mô hình hình ảnh Gemini 2.5 Flash ra mắt, đã có hơn 22 triệu lượt tải xuống mới và tốc độ tăng trưởng gấp khoảng 4 lần so với mức trung bình trước đó trong cùng khoảng thời gian. Chuỗi cập nhật này cho thấy rằng ngay cả khi những thay đổi đối với bản thân mô hình cơ bản không gây chấn động, chỉ cần có lối chơi mới ở phía hình ảnh "hiển thị", nó sẽ đủ để di chuyển đường cong tải xuống trong thời gian ngắn.

ChatGPT của OpenAI đã có mức tăng trưởng tương tự sau khi tích hợp khả năng tạo hình ảnh GPT‑4o. Trong 28 ngày đầu tiên sau khi tính năng mới ra mắt, ứng dụng này đã có hơn 12 triệu lượt cài đặt mới. Dữ liệu so sánh từ Appfigures chỉ ra rằng mức tải xuống cao nhất này gấp khoảng 4,5 lần mức tăng do các bản nâng cấp mẫu trước đây như GPT‑4o, GPT‑4.5 và GPT‑5 mang lại. Điều này càng khẳng định rằng đối với hầu hết người dùng mới, các chức năng hình ảnh “hiển thị” mang tính cải tiến hơn so với các cải tiến về hiệu suất văn bản vốn khó nhận biết bằng trực giác.

Mô hình phát triển dựa trên nội dung trực quan này không chỉ giới hạn ở hình ảnh tĩnh. Sản phẩm AI của Meta, Vibes, tập trung vào các video dạng ngắn do AI tạo ra, đã mang lại thêm khoảng 2,6 triệu lượt tải xuống ứng dụng trong tháng đầu tiên kể từ khi ra mắt vào tháng 9 năm 2025. Mặc dù về mặt hình thức, nó nhấn mạnh vào video nhưng về bản chất, nó vẫn là một công cụ AI trực quan theo đuổi mục tiêu "sản xuất nhanh và chia sẻ dễ dàng". Nó và chức năng tạo hình ảnh cùng hướng về một hướng: sử dụng nhiều phản hồi trực quan hơn để rút ngắn con đường của người dùng từ tò mò đến phổ biến.

Tuy nhiên, số lượt tải xuống tăng đột biến không tự động đồng nghĩa với việc tăng doanh thu. Dữ liệu cũng tiết lộ khoảng cách rõ ràng về “tăng trưởng-thực hiện”. Lấy Gemini làm ví dụ, mặc dù Nano Banana đã đạt được hiệu suất lắp đặt mới mạnh mẽ trong vòng 28 ngày sau khi phát hành, nhưng nó chỉ đóng góp khoảng 181.000 USD vào chi tiêu ước tính cho phía người tiêu dùng trong cùng thời gian. Meta's Vibes cũng ấn tượng không kém trong việc thúc đẩy số lượng cài đặt, nhưng có rất ít dấu hiệu thúc đẩy tăng trưởng doanh thu tương ứng. Điều này cho thấy đối với hầu hết các sản phẩm, chức năng hình ảnh hiện giống như một "công cụ thu hút khách hàng" hơn là một công cụ kiếm tiền trực tiếp.

Tại thời điểm này, ChatGPT là một trong số ít trường hợp ngoại lệ "phá bỏ lời nguyền". Mô hình hình ảnh GPT‑4o của nó không chỉ mang lại số lượng lớn người dùng mới mà còn tăng đáng kể số lượt chuyển đổi phải trả tiền: trong vòng 28 ngày kể từ khi tính năng mới ra mắt, mức chi tiêu ước tính của người dùng của ứng dụng cao hơn khoảng 70 triệu USD so với mức cơ bản. Bộ dữ liệu này cho thấy chức năng hình ảnh có tiềm năng đảm nhận nhiệm vụ kép là "thu hút người dùng mới" và "kiếm tiền" cùng một lúc, nhưng chỉ khi thiết kế định vị và tính phí của nó trong cấu trúc sản phẩm đủ rõ ràng để người dùng sẵn sàng trả tiền chứ không chỉ coi nó như một "bộ lọc đồ chơi" miễn phí.

Không phải tất cả các sản phẩm AI hot đều dựa vào khả năng hình ảnh để thúc đẩy tăng trưởng. Mẫu R1 được DeepSeek phát hành vào tháng 1 năm 2025, không có khả năng hình ảnh hoặc video nổi bật, cũng thu hút khoảng 28 triệu lượt tải xuống trong một khoảng thời gian ngắn. Sự khác biệt là làn sóng phát triển này chủ yếu là do sự chú ý của ngành và hiệu ứng chủ đề - đặc biệt là cuộc thảo luận rộng rãi do lộ trình đào tạo chi phí thấp và các lộ trình kỹ thuật liên quan trong vòng tròn công nghệ gây ra, hơn là do một loại đặc điểm hình ảnh tổng quát cụ thể.

Mặc dù vậy, xét từ dữ liệu tổng thể hiện tại, xu hướng này đủ rõ ràng: trong các tình huống di động, các chức năng AI trực quan đang trở thành điểm đầu tiên để một số lượng lớn người dùng truy cập vào ứng dụng AI. Đối với người dùng thông thường, hình ảnh và video ngắn có thể được tạo nhanh chóng và chia sẻ ngay lập tức thường hấp dẫn hơn so với những “nâng cấp suy luận” và “nâng cấp mô hình” trừu tượng hơn. Sự phát triển của các khả năng cơ bản của mô hình vẫn quan trọng nhưng nó ngày càng bị "ẩn" ở phía sau. Điều cuối cùng quyết định liệu người dùng có sẵn sàng tải xuống, dùng thử hay thậm chí giới thiệu một ứng dụng hay không thường là các tính năng hình ảnh và video rõ ràng và dễ phổ biến.