ARR de modelos de IA da China pode chegar a US$ 13 bilhões até o fim do ano, mas o teste de receita está apenas começando

A Goldman Sachs chegou ao Google News com uma previsão marcante: a receita anualizada de modelos de IA da China poderia atingir US$ 13 bilhões até o fim do ano. A estimativa sugere que os provedores chineses estão avançando além das vitórias em benchmarks e da adoção de chatbots gratuitos. No entanto, a manchete também levanta uma questão mais difícil. O uso em rápida expansão pode se tornar receita duradoura enquanto os preços dos tokens continuam caindo?

O número surge em meio à crescente demanda por modelos chineses entre desenvolvedores, empresas e usuários no exterior. A DeepSeek mudou as percepções sobre sua eficiência no início de 2025. Desde então, Alibaba, Moonshot AI, Z.ai e outros provedores lançaram novos modelos, aplicações e serviços de nuvem em um mercado cada vez mais concorrido.

A principal disputa já não é simplesmente China contra Estados Unidos. É crescimento de receita contra forte compressão de preços. Os provedores chineses precisam de custos mais baixos para conquistar adoção, mas essa mesma dinâmica econômica pode enfraquecer a receita gerada por cada solicitação.

O que a manchete do Google News sobre US$ 13 bilhões realmente nos diz

A previsão importa porque enquadra a IA chinesa como um mercado comercial, e não apenas como um desafio técnico aos laboratórios americanos.

A manchete do Google News atribui a estimativa de US$ 13 bilhões para o fim do ano à Goldman Sachs. No entanto, a matéria sindicada acessível não revela o modelo subjacente, a divisão por empresas ou o período de cálculo. Portanto, o número deve ser tratado como uma previsão reportada, e não como receita setorial auditada.

A receita recorrente anual, ou ARR, é uma medida anualizada baseada nas vendas recorrentes atuais. Ela é útil para estimar a escala de assinaturas e serviços contratados. Não é o mesmo que a receita já reconhecida durante um exercício financeiro concluído.

Essa distinção se torna importante quando um mercado cresce rapidamente. Um provedor pode encerrar dezembro com uma elevada receita anualizada após se expandir durante o segundo semestre. A receita efetivamente obtida ao longo de todo o ano pode permanecer muito menor.

A previsão também parece abranger um mercado mais amplo do que assinaturas de chatbots para consumidores. A Goldman Sachs já identificou treinamento de modelos, pós-treinamento, inferência e aplicações de IA como canais de monetização. O pós-treinamento adapta um modelo às exigências de um cliente, enquanto a inferência é a computação realizada quando os usuários enviam novas solicitações.

Uma análise anterior de receita de IA da Goldman Sachs afirmou que as hyperscalers chinesas estavam começando a gerar vendas de IA em rápido crescimento. Ela destacou geração de vídeo, edição de imagens e identificação de objetos como aplicações comerciais líderes.

A análise também descreveu um mercado consumidor desafiador. A Goldman afirmou que os principais chatbots da China eram gratuitos e tinham números irrelevantes de usuários pagantes naquele momento. Consequentemente, a computação empresarial e as aplicações especializadas carregavam uma parcela maior do peso da monetização.

O valor de US$ 13 bilhões pode incluir receita de várias camadas dessa pilha. Fornecedores de nuvem vendem acesso a modelos por meio de interfaces de programação de aplicações, ou APIs. Desenvolvedores usam APIs para incorporar capacidades de modelos em seus próprios softwares. Os provedores também podem vender implantações dedicadas, personalização de modelos, assinaturas e serviços de aplicações.

Sem uma metodologia publicada, a soma dessas categorias cria possíveis ambiguidades. Um desenvolvedor de modelos pode obter receita de API por meio de um parceiro de nuvem. O parceiro pode reportar essa atividade como receita de nuvem de IA. Contar ambos inflaria o valor econômico produzido para os clientes finais.

A conversão cambial cria outra variável. Os provedores obtêm a maior parte da receita doméstica em renminbi, enquanto a manchete apresenta uma estimativa em dólares. Mudanças na taxa de câmbio podem alterar o total reportado mesmo quando o negócio subjacente permanece inalterado.

A previsão ainda é útil como sinal direcional. Ela indica que a Goldman vê a comercialização avançando com rapidez suficiente para justificar uma estimativa de receita anualizada para todo o mercado. No entanto, os leitores não devem interpretar um único número de manchete como uma medida precisa de lucro, geração de caixa ou vendas anuais concluídas.

Essa ressalva prepara o teste central. Os provedores chineses construíram uma estratégia de adoção em torno de modelos baratos. Agora, precisam provar que um uso enorme pode compensar a queda da receita por token.

A queda dos custos de inferência criou a oportunidade

A oportunidade de receita com IA na China existe porque custos menores de inferência tornaram a experimentação acessível em mais produtos e organizações.

A Goldman Sachs estimou em janeiro de 2025 que os custos de inferência na China haviam caído mais de 95% no ano anterior. Sua análise de custos argumentou que a execução mais barata de modelos estimularia mais aplicações de IA generativa.

A inferência ocorre após o treinamento do modelo. Ela abrange a computação usada para responder a um prompt, gerar uma imagem, escrever código ou concluir outra tarefa em tempo real. Cada solicitação adicional consome capacidade computacional, portanto a economia da inferência molda tanto os preços para clientes quanto as margens dos provedores.

Custos mais baixos permitem que desenvolvedores testem mais casos de uso sem assumir grandes compromissos. Um varejista pode resumir conversas de suporte. Uma empresa de software pode adicionar assistência para programação. Uma equipe de mídia pode gerar rascunhos visuais, enquanto um fabricante pode processar imagens de inspeção.

Agentes de IA ampliam esse efeito. Um agente conclui uma tarefa de múltiplas etapas fazendo chamadas repetidas ao modelo, verificando resultados e escolhendo ações subsequentes. Assim, uma solicitação de usuário pode gerar muitas vezes mais consumo de tokens do que uma resposta de chatbot convencional.

Esse mecanismo favorece provedores que oferecem desempenho aceitável a baixo custo. Um modelo não precisa liderar todos os benchmarks se tiver desempenho confiável dentro de um fluxo de trabalho definido. Desenvolvedores frequentemente se importam mais com latência, consistência, esforço de integração e custo operacional total.

Os laboratórios chineses se posicionaram nessa direção. A DeepSeek atraiu atenção global ao apresentar modelos de raciocínio capazes com um design focado em eficiência. A família Qwen da Alibaba ganhou ampla visibilidade entre desenvolvedores por meio de modelos para download e acesso na nuvem. Moonshot AI e Z.ai também competiram com lançamentos frequentes e ofertas de menor custo.

Evidências recentes de adoção sustentam essa direção básica. A Associated Press informou que os cinco modelos mais usados no OpenRouter durante um mês recente eram chineses. O OpenRouter agrega acesso a vários modelos, tornando sua atividade um indicador útil para desenvolvedores, embora não represente o mercado inteiro.

A mesma reportagem sobre adoção afirmou que modelos chineses estavam atraindo usuários americanos porque eram acessíveis e cada vez mais capazes. Ela citou empresas que os avaliavam para programação, pesquisa, descoberta de leads e outras tarefas práticas.

Essa demanda vai além da China. A Goldman estimou anteriormente que as hyperscalers chinesas geravam de 90% a 95% de sua receita no mercado doméstico. Ainda assim, identificou Ásia, Oriente Médio e América Latina como mercados de expansão para novos data centers e serviços.

A geração visual já oferece evidências dessa oportunidade no exterior. A Goldman afirmou que mercados estrangeiros contribuíam com mais receita do que a China para algumas aplicações de vídeo e edição de imagens. Esses produtos podem atender clientes globais sem exigir que cada interação carregue amplo contexto comercial local.

Modelos abertos também reduzem a fricção de adoção. Desenvolvedores podem examinar o código disponível, implantar modelos em ambientes selecionados e personalizar seus sistemas. Essa flexibilidade atrai empresas preocupadas com a dependência de uma única API fechada.

No entanto, downloads e volume de tokens não se transformam automaticamente em vendas recorrentes. Um desenvolvedor pode usar pesos de modelos disponíveis para download sem pagar ao laboratório de origem. Um provedor de nuvem só obtém receita quando os clientes usam sua infraestrutura hospedada ou compram serviços relacionados.

Isso cria um desafio de conversão. Os provedores chineses precisam transformar distribuição técnica em inferência paga, implantação gerenciada, suporte empresarial ou aplicações proprietárias. A previsão de US$ 13 bilhões depende de essa ponte se tornar comercialmente significativa entre muitos clientes.

As organizações que avaliam esses serviços também enfrentam um problema de informação. Anúncios de modelos, benchmarks, análises de segurança e resultados de testes internos chegam de lugares diferentes. Uma base de conhecimento de IA pesquisável pode ajudar as equipes a reter essas evidências antes de comprometer um fluxo de trabalho com um provedor.

A história da adoção é, portanto, real, mas incompleta. Custos menores de inferência ampliam o número de tarefas economicamente viáveis. A questão restante é se os provedores conseguem reter valor suficiente depois de tornar cada tarefa barata.

Alibaba, DeepSeek e os provedores de IA da China enfrentam um paradoxo de receita

A arma de adoção mais forte do mercado, a eficiência agressiva, também pressiona diretamente a previsão de receita.

Os provedores chineses de modelos estão competindo por desenvolvedores por meio de custos de uso menores, lançamentos abertos e iteração rápida. Essas táticas podem expandir a demanda total. Também podem dificultar a manutenção de poder de precificação por qualquer provedor.

A equação básica tem três partes: volume de solicitações, receita por solicitação e custo de atender cada solicitação. A queda dos preços só ajuda a receita quando o uso cresce mais rápido do que cai o valor obtido por unidade. O lucro exige uma etapa adicional: os custos de atendimento precisam cair rápido o suficiente para preservar uma margem.

Agentes de IA melhoram o lado do volume nessa equação. Eles podem chamar modelos repetidamente ao pesquisar documentos, escrever código ou coordenar ferramentas de software. A Goldman Sachs previu crescimento substancial nas consultas globais a modelos à medida que sistemas agênticos se disseminam.

No entanto, a concorrência de preços pode absorver esse crescimento. Se um provedor reduz suas tarifas, os rivais precisam decidir se o acompanham. Os clientes também podem direcionar tarefas diferentes entre vários modelos, encaminhando o trabalho simples para a opção aceitável menos cara.

Modelos abertos intensificam a pressão. Uma empresa de nuvem pode hospedar um modelo de terceiros em vez de pagar ao seu desenvolvedor por cada chamada. Grandes clientes podem operar pesos baixados em sua própria infraestrutura. O laboratório pode ganhar influência enquanto captura pouca receita direta.

A Alibaba tem vantagens estruturais nessa disputa. Ela controla uma grande plataforma de nuvem, desenvolve modelos Qwen e oferece aplicações empresariais. Essa integração lhe dá várias oportunidades para monetizar a mesma onda de demanda.

A empresa estabeleceu a meta de superar US$ 100 bilhões em receita combinada de IA e nuvem em cinco anos. Sua receita de nuvem aumentou 36% durante o trimestre de outubro a dezembro descrito em uma reportagem de resultados de março de 2026. No entanto, o lucro trimestral total da Alibaba caiu 67% à medida que despesas mais amplas aumentaram.

Esses resultados ilustram o principal conflito do mercado. A demanda por nuvem e IA pode aumentar enquanto investimentos e concorrência reduzem os lucros no curto prazo. O crescimento da receita, por si só, não mostra se os provedores obtêm retorno adequado sobre a infraestrutura.

A Alibaba também prometeu pelo menos 380 bilhões de yuans em investimentos ao longo de três anos para infraestrutura de nuvem e IA. A capacidade suporta um uso maior de modelos, mas aumenta a receita necessária para justificar os gastos. A empresa precisa equilibrar disponibilidade, qualidade de serviço e disciplina de capital.

A DeepSeek segue uma rota diferente. Seus modelos ajudaram a estabelecer a eficiência como uma prioridade competitiva. Sua influência vai além da receita diretamente atribuída à empresa, porque outras plataformas podem implantar ou desenvolver soluções com base em seus lançamentos.

Isso torna a DeepSeek importante para a tese dos US$ 13 bilhões, sem torná-la uma destinatária óbvia da receita resultante. Seus modelos podem estimular o consumo de nuvem entre provedores terceirizados. O benefício econômico pode se acumular para operadores de infraestrutura, desenvolvedores de aplicativos e integradores empresariais.

A Z.ai mostra outro lado dessa troca. Segundo a Associated Press, a empresa registrou um aumento de 132% na receita, para 724 milhões de yuans, no ano anterior. Seu prejuízo líquido cresceu 60%, para 4,7 bilhões de yuans.

Os números mostram por que o ARR precisa de contexto. Um rápido crescimento recorrente pode coexistir com prejuízos muito maiores quando pesquisa, computação e aquisição de clientes continuam caras. A taxa de receita de um provedor não responde se seu negócio pode financiar o desenvolvimento contínuo de modelos.

O recente aumento da demanda pela Moonshot AI oferece uma lição semelhante sobre capacidade. A Associated Press informou que a empresa suspendeu temporariamente novas assinaturas depois que o interesse em seu modelo Kimi pressionou os recursos disponíveis. A alta demanda valida o interesse pelo produto, mas o racionamento também limita a monetização imediata.

Os provedores americanos enfrentam sua própria versão desse problema. OpenAI, Anthropic e Google competem por meio de capacidades de ponta, plataformas para desenvolvedores e integrações empresariais. Eles têm maior acesso a chips avançados e infraestrutura de nuvem madura, mas seus compromissos de treinamento e inferência são substanciais.

A fronteira competitiva também está se tornando menos geográfica. Um desenvolvedor americano pode usar um modelo aberto chinês por meio de um serviço global de hospedagem. Uma empresa chinesa pode combinar modelos domésticos com dados internos e software especializado. Os clientes comparam cada vez mais cargas de trabalho, em vez de portfólios nacionais de modelos.

Isso enfraquece uma narrativa simples de China contra Estados Unidos. Os provedores chineses pressionam os laboratórios americanos em custos, mas exercem pressão ainda maior uns sobre os outros. Cada novo lançamento de baixo custo pode redefinir as expectativas dos clientes em todo o mercado doméstico.

A estimativa do Goldman se tornará mais crível se os provedores sustentarem o crescimento sem depender de subsídios crescentes. Ela enfraquecerá se a participação de mercado exigir cortes repetidos de preço que superem a demanda por tokens. A evidência decisiva virá da qualidade da receita, não dos rankings de benchmarks.

O Que a Estimativa de ARR Não Mostra

A maior incerteza está na medição, porque o mercado chinês de IA não tem uma definição consistente e divulgada publicamente para ARR de modelos.

O ARR funciona melhor para contratos de assinatura estáveis. Serviços de modelos frequentemente combinam assinaturas, uso de API medido, contratos de nuvem, trabalho de implementação e créditos promocionais. Anualizar essas fontes de receita pode produzir um número que parece preciso, mas se apoia em premissas mutáveis.

A receita baseada no uso é especialmente volátil. Um desenvolvedor pode enviar tráfego intenso durante o lançamento de um produto e reduzi-lo no mês seguinte. Multiplicar um mês forte por doze pode superestimar a demanda duradoura.

Os contratos empresariais podem criar o problema oposto. Um acordo de longo prazo pode incluir capacidade computacional reservada, suporte, personalização de modelos e armazenamento. Classificar o contrato inteiro como ARR de modelos pode obscurecer qual produto gerou a receita.

A receita de aplicativos cria outra questão de delimitação. Um serviço de vídeo com IA depende de modelos, mas os clientes pagam pela experiência do aplicativo. Incluir toda a receita de assinaturas faz o mercado parecer maior do que contabilizar apenas os componentes de modelo e computação.

A previsão reportada de US$ 13 bilhões pode usar uma estrutura interna sólida. A manchete pública simplesmente não fornece detalhes suficientes para avaliá-la. Não há uma lista visível de empresas, definição de categoria, premissa cambial ou reconciliação com demonstrações financeiras divulgadas.

Essa limitação não invalida a previsão. Pesquisas de ações frequentemente combinam orientação das empresas, verificações de canal, demanda computacional e estimativas de analistas. Isso significa que os leitores devem evitar tratar o número como um total de mercado auditado de forma independente.

A lucratividade é uma segunda omissão. Os provedores precisam pagar por chips, eletricidade, redes, capacidade de data centers, engenharia e suporte ao cliente. A expansão internacional adiciona custos de conformidade, localização, vendas e infraestrutura.

O Goldman previu anteriormente que as principais empresas chinesas de internet investiriam mais de US$ 70 bilhões em data centers e capacidade de IA relacionada durante 2026. Sua perspectiva de infraestrutura descreveu o setor como estando em uma fase de construir primeiro.

Esse gasto poderia criar capacidade suficiente para aplicações agênticas. Também poderia superar a monetização se a adoção empresarial avançar mais lentamente do que o esperado. Não é fácil reduzir a escala dos data centers após compromissos de longo prazo com energia, terrenos e equipamentos.

O acesso a hardware continua sendo outra restrição. Os controles de exportação americanos limitam o acesso da China a alguns chips avançados de IA. Os provedores chineses estão aumentando o uso de aceleradores domésticos, mas a compatibilidade de software e a capacidade de produção ainda influenciam as decisões de implantação.

O Goldman afirmou que as empresas chinesas tradicionalmente gastavam de 50% a 75% dos investimentos de capital em chips estrangeiros, com o equilíbrio se deslocando para fornecedores domésticos. Essa transição pode melhorar a resiliência do fornecimento. Ela também pode exigir trabalho de engenharia para adaptar modelos e aplicativos entre sistemas de hardware.

O risco geopolítico complica o crescimento internacional. Governos podem aplicar revisões de segurança, restrições de compras ou novos controles de exportação. As empresas também podem rejeitar um modelo se não conseguirem determinar onde prompts, resultados e dados operacionais são processados.

A qualidade dos modelos apresenta uma questão separada. Os sistemas chineses se tornaram competitivos em programação, pesquisa e tarefas comuns de assistentes. Avaliadores independentes ainda encontram desempenho desigual em capacidades especializadas, idiomas, uso de ferramentas e cargas de trabalho de raciocínio difíceis.

Um modelo que é bom o suficiente para um fluxo de trabalho pode ser inadequado para outro. As empresas precisam testar a confiabilidade com seus próprios documentos e condições de falha. Benchmarks públicos não conseguem representar plenamente processos empresariais privados.

Segurança e governança importam tanto quanto o desempenho em benchmarks. Um modelo barato pode se tornar caro se expuser dados confidenciais, gerar ações não confiáveis ou exigir ampla revisão humana. Os compradores avaliarão o sistema operacional completo, não apenas as tarifas por token.

Os requisitos regulatórios dentro da China também moldam o comportamento e a implantação dos modelos. Os provedores precisam cumprir regras domésticas que regem serviços públicos de IA generativa. Clientes internacionais podem aplicar padrões diferentes para privacidade, direitos autorais, transparência e decisões automatizadas.

Essas incertezas criam um padrão de comprovação exigente. Uma forte cifra de ARR precisa de confirmação por meio de receita reconhecida, retenção de clientes, margens brutas e cargas de trabalho pagas repetíveis. Contagens de downloads e picos temporários de tráfego não podem fornecer essa prova por si só.

Portanto, a previsão deve ser lida como uma tese em análise. Ela afirma que o mercado chinês de modelos de baixo custo está se aproximando de escala comercial. Não estabelece que cada provedor encontrou um modelo de negócio sustentável.

Três Sinais Colocarão à Prova a Previsão do Google News

Os próximos três sinais mostrarão se a onda de adoção de IA na China está gerando receita duradoura ou apenas volumes maiores a preços mais baixos.

O primeiro sinal é a receita reconhecida de IA dos principais provedores de nuvem. Alibaba, Baidu e Tencent podem fornecer ao mercado evidências mais claras por meio de divulgações de resultados. Os investidores precisam de números consistentes que separem os serviços de modelos de IA da computação geral em nuvem e de aplicativos não relacionados.

O crescimento fortaleceria a previsão se continuasse ao longo de vários períodos de divulgação. Um único trimestre anualizado seria menos convincente. A melhor evidência combinaria maior receita de IA com expansão do uso pelos clientes e melhoria das margens de nuvem.

A Alibaba merece atenção especial porque combina o desenvolvimento do Qwen com a distribuição em nuvem. Sua ampla plataforma pode capturar demanda por treinamento, inferência, armazenamento e aplicativos. Ela também pode obscurecer a camada de modelos quando esses serviços são reportados em conjunto.

A Baidu oferece outro teste útil por meio de suas operações de modelos e nuvem. A Tencent pode mostrar se o consumo de IA está se espalhando por comunicação, jogos, publicidade e serviços empresariais. Um impulso semelhante nas três empresas sugeriria uma mudança em todo o mercado, em vez de uma escolha contábil de uma única empresa.

O segundo sinal é a relação entre o volume de tokens e os preços unitários. Os provedores devem divulgar informações operacionais suficientes para mostrar se o crescimento do uso está superando as quedas de preço. Margens brutas estáveis ou em melhoria tornariam a taxa de US$ 13 bilhões mais significativa do ponto de vista econômico.

A adoção agêntica poderia produzir esse resultado. Um agente empresarial pode executar dezenas de chamadas de modelo durante uma única tarefa. Se esses fluxos de trabalho entrarem em produção regular, o consumo total poderá crescer mais rapidamente do que caem as tarifas anunciadas de API.

Promoções temporárias apontariam na outra direção. Créditos gratuitos e acesso subsidiado podem impulsionar a atividade medida sem criar receita duradoura. Clientes atraídos apenas pela menor tarifa podem mudar novamente quando um rival responder.

As faltas de capacidade também precisam de interpretação cuidadosa. Elas mostram que a demanda excedeu o serviço disponível em um momento específico. Não revelam quanto os usuários pagarão quando capacidade adicional chegar e o interesse inicial se estabilizar.

O terceiro sinal é a retenção internacional após revisões de segurança e conformidade. Os provedores chineses já atraem desenvolvedores fora de seu mercado doméstico. Contratos internacionais duradouros ampliariam sua base de receita e reduziriam a dependência de uma concorrência doméstica intensa.

A retenção importa mais do que testes iniciais. Desenvolvedores avaliam rotineiramente vários modelos antes de escolher uma configuração de produção. Um provedor vence comercialmente quando os aplicativos continuam enviando tráfego pago após o fim dos testes.

A adoção empresarial exigirá garantias mais claras sobre tratamento de dados, atualizações de modelos, disponibilidade do serviço e responsabilidades legais. Os provedores que satisfizerem esses requisitos poderão transformar a experimentação de baixo custo em contratos mais longos. Os que não conseguirem podem permanecer populares em projetos pessoais sem conquistar grandes contas.

Os desenvolvimentos de políticas podem fortalecer ou enfraquecer esse sinal rapidamente. Restrições adicionais poderiam fechar canais de compras em alguns países. Restrições a serviços americanos também poderiam criar oportunidades para alternativas chinesas em outros lugares.

A distribuição de código aberto acrescenta nuances. A ampla auto-hospedagem pode estabelecer um modelo chinês como padrão técnico sem gerar vendas diretas de API. Essa influência ainda importa porque pode apoiar serviços empresariais, parcerias e implantação em nuvem.

Leitores que acompanham a história pelo Google News devem resistir a reduzi-la a um único número de fim de ano. A questão relevante é se a receita reconhecida, a economia unitária e a retenção de clientes avançam juntas.

Se as divulgações de nuvem melhorarem, as margens se sustentarem e os clientes internacionais permanecerem após os testes, a previsão reportada pelo Goldman parecerá cada vez mais plausível. Se os preços continuarem despencando enquanto prejuízos e subsídios se expandem, a manchete terá medido a atividade com mais precisão do que o valor.

Desenvolvedores e compradores corporativos podem agir antes que esse veredito seja conhecido. Devem comparar modelos em uma carga de trabalho definida, documentar taxas de erro, medir os custos operacionais completos e preservar alternativas. Uma avaliação útil inclui custos de segurança e revisão humana, além do consumo de tokens.

A mesma disciplina se aplica aos profissionais do conhecimento que escolhem aplicações de IA. Custos menores de modelos podem viabilizar ferramentas melhores de busca, redação e análise. No entanto, fluxos de trabalho confiáveis exigem fontes rastreáveis, acesso controlado e tratamento claro de informações sensíveis.

Os provedores chineses já mudaram o mercado ao tornar a IA capaz mais barata e mais acessível. Seu próximo desafio é mais difícil. Eles precisam demonstrar que a acessibilidade gera negócios recorrentes, em vez de uma corrida interminável rumo a uma inteligência cada vez mais barata.

A previsão de US$ 13 bilhões do Google News dá a esse teste uma meta visível. Observe o que as empresas reconhecem como receita, quanto retêm após os custos de atendimento e se os clientes continuam pagando quando chega o modelo mais novo.