Generative AI inference economy and investment cycle — Interpretación del informe

Visión general

La guía colaborativa examina ocho debates centrales sobre IA generativa en la transición hacia la inferencia. Su conclusión principal es que la inversión en IA seguirá siendo una oportunidad plurianual, aunque la ralentización del gasto en infraestructura prevista para 2028 ampliaría los beneficios a hyperscalers, habilitadores de software, adoptantes de IA y proveedores de infraestructura eléctrica escasa.

Perspectivas principales

Morgan Stanley espera que el ciclo de IA evolucione desde una primera fase liderada por hardware y semiconductores hacia las capas de infraestructura, software y aplicaciones. Proyecta que el capex de centros de datos de hyperscalers aumente unos $500bn interanuales, o 60%, hasta $1.5tn en 2027, y que luego se desacelere a cerca de 12% en 2028. No espera necesariamente caídas importantes en acciones de hardware, pero argumenta que la menor tasa de crecimiento del capex, junto con ingresos escalables, mejor flujo de caja y sorpresas positivas de ingresos y EBIT, puede generar mayor potencial de revisiones y expansión de múltiplos aguas arriba. Mantiene una visión constructiva sobre AMZN, GOOGL, MSFT y META. La construcción seguirá siendo considerable. Morgan Stanley prevé unos 80 GW de capacidad operativa en 2027-28, divididos entre 38 GW y 44 GW, elevando la capacidad total de cómputo de AMZN, GOOGL, META y MSFT desde unos 35 GW en 2025 hasta unos 145 GW en 2028. GOOGL añadiría la mayor capacidad, respaldada por Gemini, Google Cloud y ofertas de Search y YouTube habilitadas por IA. Los ASIC personalizados pasarían de 34% de la capacidad incremental en 2025 a 66% en 2028, impulsados por Google TPU y Amazon Trainium; se estiman 12 GW combinados en 2028, frente a 13 GW de NVIDIA. Este cambio busca reducir el coste de servicio y aumentar el rendimiento de inferencia. El informe plantea retornos atractivos bajo tres modelos de monetización. Un centro de datos GB300 de 1 GW alquilado mediante IaaS de hyperscaler podría generar unos $23bn/GW de ingresos, $8bn/GW de costes operativos, unos $15bn/GW de EBIT incremental y cerca de 30% de ROIC después de impuestos. Un creador de modelos que sirva APIs en infraestructura propia podría generar unos $30bn/GW de ingresos, $23bn/GW de EBIT incremental y cerca de 46% de ROIC en el caso base ilustrativo. Las APIs de modelos sobre infraestructura de terceros tendrían ingresos estimados de unos $41bn/GW, pero con unos $28bn/GW de costes de alquiler, dejando unos $13bn/GW de EBIT incremental. Por ello, los mayores retornos recaerían en la capa de modelos sobre infraestructura propia, aunque la infraestructura hyperscaler seguiría teniendo una economía atractiva. La oportunidad de demanda es amplia: $20-30tn de gasto global en trabajo del conocimiento podría digitalizarse o aumentarse con IA generativa, además de unos $30tn de gasto de consumo. Con analogías de nube pública y ciclos tecnológicos previos, Morgan Stanley estima unos $800bn de gasto empresarial en IA para 2027, alrededor de 4% de penetración de la oportunidad de trabajo del conocimiento. La IA podría difundirse más rápido que la nube porque no exige una migración completa de infraestructura, ofrece ganancias de productividad más rápidas y eleva el coste competitivo de quedarse atrás. La adopción ya muestra señales. Cerca de 25% de las empresas del S&P 500 cuantificaban beneficios de IA generativa en 2Q26, frente a 14% un año antes. Tecnología, servicios de comunicación, finanzas, salud e industriales aparecen como adoptantes tempranos. Las empresas que conviertan la IA en mayor ingreso, productividad o menor coste de servicio podrían obtener beneficios financieros desproporcionados. Los modelos de pesos abiertos se consideran un catalizador de adopción, no una amenaza para la demanda de cómputo. Su menor coste, ajuste con datos propios y despliegue flexible amplían los casos de uso, aunque presionan los precios y la diferenciación de los modelos frontier. Precios más bajos por token pueden ampliar la demanda total; AWS Bedrock, Microsoft Foundry y Google Vertex siguen siendo valiosos al abstraer la complejidad de alojamiento y monetizar cómputo, ajuste fino y canalizaciones de datos. El análisis de sensibilidad aún muestra cerca de 20-40% de ROIC para 1 GW de capacidad GB300 con mayor adopción de pesos abiertos. En financiación, Morgan Stanley considera que los mercados de crédito pueden absorber emisión adicional pese a unos $450bn de deuda global vinculada a IA emitida en lo que va del año. El ajuste se produciría principalmente mediante spreads más amplios, no una restricción de emisión. AMZN, GOOGL, MSFT y META generarían $980bn/$1.2tn de flujo de caja operativo en 2027/2028, frente a solo $290bn de deuda necesaria en ese periodo. Sin embargo, los arrendamientos y compromisos de compra fuera de balance están creciendo y podrían reducir la capacidad de endeudamiento. La disponibilidad de energía es el principal cuello de botella físico. Morgan Stanley observa un déficit eléctrico estadounidense de 38 GW y espera mayores costes, retrasos de interconexión y más generación behind-the-meter. Estima que esa generación añade unos $3bn al capex por GW y ya lo incorpora desde los chips NVIDIA Rubin Ultra, que prevé entren en servicio en 2H27 y 2028, con coste total de $50bn/GW. Esto respalda su visión constructiva sobre BE, INIO y SEI, así como CIFR, WULF, HUT y RIOT. La resistencia estatal y local se considera manejable en el caso base, pero moratorias crecientes, restricciones de mano de obra y materiales, y riesgo político en torno a las elecciones de 2028 podrían retrasar proyectos o aumentar costes.

Marco de análisis

El informe combina previsiones bottom-up de chips, racks, envíos y coste por GW con tres casos ilustrativos de retorno sobre capital invertido para monetización de cómputo. Después conecta capacidad, economía de tokens, analogías de adopción, evidencia empresarial, crédito y restricciones de energía con implicaciones sectoriales y empresariales.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Análisis de capacidad de cómputo, suministro de chips y cuellos de botella eléctricos

  Morgan Stanley estima la capacidad de centros de datos y las restricciones físicas a su expansión para evaluar la disponibilidad y economía del cómputo de IA.

• Marco de fundamentales corporativos y finanzasDiferencial ROIC-WACC

  Modelización del ROIC de IA generativa

  El informe modeliza ingresos, costes operativos, NOPAT y capital invertido por GW para estructuras de alquiler hyperscaler y monetización de modelos.

• Métodos de valoraciónDCF (flujo de caja descontado)

  Valoración DCF para empresas seleccionadas de infraestructura energética

  El informe usa supuestos de flujo de caja descontado, incluidas tasas de descuento y previsiones operativas, en análisis de riesgo-retorno de algunas empresas.

• Métodos de valoraciónValoración por P/E y PEG

  Marco de precios objetivo basado en P/E y PEG para grandes tecnológicas seleccionadas

  El informe aplica múltiplos de beneficios a EPS previstos y utiliza comparaciones PEG en casos de valoración de algunas empresas.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Amazon.com (AMZN)

  Hyperscaler y habilitador de IA generativa que se beneficiaría de la monetización de infraestructura de IA y de la demanda de AWS.

  Fortalezas

  AWS, distribución a clientes e inversión en silicio personalizado.

  Debilidades

  La duración de inversiones y presión sobre márgenes minoristas pueden pesar en beneficios.

  Comparación

  Parte de los cuatro grandes hyperscalers junto con GOOGL, MSFT y META.

  Riesgos

  Desaceleración de ingresos de AWS o caída de márgenes; ciclo de inversión más prolongado.

• Alphabet (GOOGL)

  Hyperscaler que añadiría la mayor capacidad de cómputo y se beneficiaría de innovación en Search, Cloud y plataformas de IA.

  Fortalezas

  Capacidad TPU, Gemini, Google Cloud y distribución de Search y YouTube.

  Debilidades

  Las ofertas de IA podrían tener menor monetización y mayor intensidad de cómputo.

  Comparación

  Se espera que lidere las adiciones de capacidad entre los grandes hyperscalers.

  Riesgos

  Menor crecimiento publicitario, presión sobre márgenes y riesgo de monetización de productos de IA.

• Microsoft (MSFT)

  Habilitador de IA mediante monetización de Azure, Foundry y Copilot.

  Fortalezas

  Crecimiento de Azure, distribución de M365 y adopción de servicios de IA.

  Debilidades

  Mayor inversión puede limitar la expansión de márgenes.

  Comparación

  Gran hyperscaler junto con AMZN, GOOGL y META.

  Riesgos

  Debilidad del gasto en TI, adopción limitada de IA y mayor intensidad de capital.

• Meta Platforms (META)

  Proveedor de modelos integrado y adoptante de IA; top pick en la sección de riesgo-retorno.

  Fortalezas

  Amplios datos propios, distribución, plataforma publicitaria y potencial de mayor interacción impulsada por IA.

  Debilidades

  Intensidad de capital de centros de datos y pérdidas de Reality Labs.

  Comparación

  El informe considera estructuralmente ventajosa la capa de modelos sobre infraestructura propia.

  Riesgos

  Menor interacción, monetización más lenta de Reels, regulación publicitaria y mala ejecución en construcción de IA.

• NVIDIA (NVDA)

  Proveedor de cómputo que se beneficia de demanda de inferencia y entrenamiento.

  Fortalezas

  Liderazgo de rendimiento de Blackwell y Rubin; la demanda sigue superando a la oferta según el informe.

  Debilidades

  Silicio personalizado y alternativas competitivas podrían limitar expansión de múltiplos.

  Comparación

  Los ASIC personalizados aumentarían su participación en capacidad incremental.

  Riesgos

  Mercados finales de IA no se materializan, clientes reducen compras de GPU, competencia o controles de exportación.

• Bloom Energy (BE), Innio (INIO), Solaris Energy Infrastructure (SEI)

  Proveedores de generación in situ posicionados para beneficiarse de restricciones de tiempo para obtener energía.

  Fortalezas

  Soluciones behind-the-meter y de energía distribuida para grandes clientes de carga.

  Debilidades

  La economía depende de costes, regulación y adopción de clientes.

  Comparación

  Distintos de los proveedores de powered shells que monetizan ubicaciones de centros de datos energizadas.

  Riesgos

  Competencia, incumplimiento de objetivos de reducción de costes, regulación y demanda más débil de centros de datos.

• TeraWulf (WULF), Hut 8 (HUT), Cipher Mining (CIFR), Riot Platforms (RIOT)

  Proveedores de powered shells que pueden convertir activos de energía en capacidad de centros de datos de computación de alto rendimiento.

  Fortalezas

  Carteras de energía, arrendamientos y oportunidades de conversión de Bitcoin a centros de datos.

  Debilidades

  La valoración depende de supuestos sobre contratación, energización y ejecución de proyectos.

  Comparación

  El informe los considera beneficiarios del mismo cuello de botella eléctrico que impulsa la generación in situ.

  Riesgos

  Desaceleración del gasto en IA, economía de arrendamientos inferior a supuestos, retrasos de construcción, sobrecostes y falta de monetización de capacidad.

Datos clave

• Crecimiento del capex de centros de datos de hyperscalers60% in 2027; ~12% in 2028Morgan Stanley prevé que el capex alcance $1.5tn en 2027 y luego se desacelere.
• Capacidad total de cómputo~35 GW in 2025 to ~145 GW in 2028Crecimiento de aproximadamente cuatro veces; unos 80 GW entrarían en servicio en 2027-28.
• Participación de ASIC personalizados en capacidad incremental34% in 2025 to 66% in 2028Impulsada principalmente por Amazon Trainium y Google TPU.
• ROIC de IA generativa25-50%Trayectorias ilustrativas de alquiler hyperscaler y monetización de APIs de modelos.
• Gasto global direccionable de IA generativa$50-60tnIncluye $20-30tn de trabajo del conocimiento y unos $30tn de gasto de consumo.
• Empresas del S&P 500 que cuantifican beneficios de IA generativa~25% in 2Q26Frente a 14% un año antes.
• Emisión global de deuda relacionada con IA~$450bn year to dateEl informe espera ajuste mediante spreads más amplios, no una interrupción de financiación.
• Déficit eléctrico de Estados Unidos38 GWRespalda la tesis de generación behind-the-meter y powered shells.

Impacto e implicaciones

Morgan Stanley espera que la oportunidad de IA se extienda más allá de semiconductores a medida que escalen la monetización de inferencia y la adopción. Considera beneficiarios a hyperscalers y habilitadores de software, adoptantes tempranos y proveedores de soluciones eléctricas ante restricciones persistentes de centros de datos.

Riesgos

• El gasto en IA podría desacelerarse, reduciendo demanda de cómputo, infraestructura y capacidad eléctrica relacionada.
• Las restricciones de energía, mano de obra, materiales e interconexión pueden retrasar aperturas de centros de datos y elevar costes.
• La oposición estatal o local a centros de datos podría ampliarse a restricciones más extensas o permanentes; las elecciones de 2028 son un foco de riesgo político.
• Los modelos de pesos abiertos pueden presionar precios de tokens y diferenciación competitiva de la capa de modelos.
• Arrendamientos y compromisos de compra fuera de balance pueden reducir capacidad futura de deuda pese a un fuerte flujo de caja operativo.
• Para proveedores de powered shells, retrasos de construcción, sobrecostes, incertidumbre de energización y contrataciones fallidas pueden perjudicar retornos.

Aspectos que vigilar

• El crecimiento del capex de hyperscalers hacia 2028 y si el escalamiento de ingresos y flujo de caja respalda la rotación hacia software y habilitadores.
• Adiciones de capacidad de cómputo, especialmente despliegues de Google TPU y Amazon Trainium frente a capacidad de NVIDIA.
• Precios de tokens, throughput y proporción de capacidad destinada a inferencia generadora de ingresos en lugar de entrenamiento.
• Evidencia de adopción empresarial y beneficios cuantificables, especialmente en tecnología, finanzas, salud e industriales.
• Spreads de crédito, emisión relacionada con IA y aumento de compromisos fuera de balance.
• Disponibilidad de energía, permisos de centros de datos, adopción de generación behind-the-meter y evolución regulatoria antes de las elecciones de 2028.
• Nuevos contratos de centros de datos, adquisición de capacidad y progreso de energización de proveedores de energía in situ y powered shells.