AI arms race and implications for Australian technology infrastructure: Jefferies prevé que una demanda duradera de infraestructura de AI respalde a tecnológicas australianas seleccionadas

Visión general

Jefferies resume una llamada de expertos con Bill Rojas de GlobalData sobre la carrera armamentística de AI y sus implicaciones para la tecnología australiana. La conclusión central es que la competencia entre modelos y la caída de los precios de los modelos de AI no tienen por qué reducir la demanda de infraestructura: el consumo de tokens en rápido aumento seguirá requiriendo chips, electricidad, capacidad de centros de datos y cargas de trabajo de GPU.

Perspectivas principales

La tesis central es que la demanda de infraestructura de AI depende del consumo de tokens, no de la rentabilidad de corto plazo de los desarrolladores de modelos de frontera. El modelado de GlobalData sugiere que la demanda mundial diaria de tokens puede crecer desde más de 300 trillion actualmente hasta 2-5 quadrillion en 2030; China ya genera aproximadamente 100 trillion tokens de AI al día. Los modelos de razonamiento más avanzados pueden aumentar la generación de tokens en un orden de magnitud, por lo que la demanda de inferencia podría superar las expectativas. El informe considera que esta trayectoria respalda la expansión de chips, electricidad e infraestructura de centros de datos hasta el final de la década, aunque el crecimiento podría moderarse después de 2032. Cita una necesidad potencial de aproximadamente 200GW de potencia mundial y un capex relacionado con semiconductores de aproximadamente US$950bn en 2026, que podría elevarse a US$1.4tn en 2030. El informe distingue la posición competitiva de los laboratorios de frontera estadounidenses de la economía del mercado más amplio de modelos. OpenAI y Anthropic conservan una ventaja en razonamiento altamente complejo, respaldada por mayores presupuestos de R&D y acceso a los chips más recientes; Bill estima que OpenAI por sí sola gasta aproximadamente US$20bn al año en R&D. China ha estrechado materialmente la brecha de rendimiento durante los últimos 24 meses mediante arquitectura, eficiencia, optimización y destilación, en parte porque los controles de exportación limitan su acceso a GPU NVIDIA avanzadas. La producción china se describe como concentrada en 7nm y sin capacidad EUV para procesos inferiores a aproximadamente 4nm, pero el informe argumenta que el talento de diseño de semiconductores y la innovación algorítmica pueden compensar parcialmente la restricción de hardware. Por ello, las sanciones se consideran un retraso, no un freno permanente, al progreso de China. La estrategia china de pesos abiertos se presenta como una posible presión sobre la economía de los modelos cerrados. Los modelos de pesos abiertos publican parámetros y pesos, mientras que los modelos plenamente open source también publican código de entrenamiento, conjuntos de datos y procesos de desarrollo; la mayoría de los modelos de AI llamados open source hoy son en realidad de pesos abiertos. Modelos chinos más baratos y una destilación extendida podrían hacer que las empresas utilicen modelos de pesos abiertos para 80-90% de la inferencia, reservando los modelos cerrados de frontera para razonamiento complejo, cargas críticas y aplicaciones científicas especializadas. Esto podría reducir el mercado direccionable de OpenAI y Anthropic incluso con mayor uso total de AI. Bill no espera retornos económicos significativos de la inversión en AI de frontera antes de 2029; el ROI podría surgir en 2029-30, pero probablemente sería inferior a 10%, pues las GPU avanzadas y la creciente complejidad de los modelos mantienen altos los costes. El informe considera favorable la perspectiva de demanda para los proveedores de neocloud y centros de datos durante los próximos 3-5 años. Los neoclouds buscan compromisos de clientes a largo plazo para asegurar utilización y justificar grandes inversiones; 1GW de infraestructura de AI puede requerir US$50-60bn de inversión. Los pedidos contratados, el respaldo financiero, la amplitud de servicios, la optimización de cargas y las relaciones con clientes ancla adquieren mayor importancia a medida que el acceso a GPU deja de ser el único diferenciador. Los operadores regionales pueden enfrentar menos competencia directa de hyperscalers y, por tanto, disponer de mayor poder de fijación de precios local. Las limitaciones de potencia y aprobación de proyectos de centros de datos en Estados Unidos podrían dirigir actividad adicional hacia Australia, Malasia, Indonesia, Tailandia, Escandinavia y Europa del Norte. Para la tecnología australiana, Jefferies afirma que la llamada refuerza su visión favorable sobre Megaport, Infratil mediante CDC, NextDC y Macquarie Technology Group como beneficiarios de la demanda duradera de infraestructura de AI. Los modelos de pesos abiertos más baratos pueden permitir nuevas empresas y modelos de negocio de AI, impulsando la demanda de cargas de GPU a través de Latitude.sh de Megaport. Las tuberías de capacidad de centros de datos de NextDC, CDC y Macquarie Technology Group están posicionadas para alojar servidores de AI a medida que crece la demanda de neocloud. El informe separa esta oportunidad de infraestructura de dónde podría acumularse finalmente el valor económico de la AI. La adopción empresarial ha sido rápida, pero la evidencia de productividad medible sigue siendo desigual y los productos de oficina generados por AI pueden aportar solo beneficios incrementales. Bill ve en cambio una oportunidad mayor en AI física—automatización industrial, robótica, sistemas autónomos, transporte, manufactura, salud y cómputo inteligente de borde—que podría superar US$100tn con el tiempo. La AI física puede afectar directamente productividad, utilización, costes y producción, y el procesamiento de borde es importante cuando la latencia o la dependencia de conectividad de la nube no son aceptables. Así, el informe considera que los ganadores de largo plazo podrían ser empresas que incorporen AI en productos, dispositivos y flujos de trabajo específicos de cada industria, más que los propios creadores de modelos. Los marcos de valoración siguen siendo específicos por empresa. Infratil se valora mediante SOTP: CDC a 32x EV/EBITDA, lo que refleja aproximadamente 8x EV/Contracted EBITDA; One NZ a 7.5x; RHCNZ/Qscan a 13x; y Wellington Airport a 16x. Macquarie Technology Group se valora mediante DCF y SOTP, con 8.0% WACC, 4.5% de tipo libre de riesgo, 5.0% de prima de riesgo de acciones, beta de 1.10 y crecimiento terminal de 4.5%. El DCF de 15 años de Megaport usa 8.8% WACC y crecimiento terminal de 4%, mientras que el DCF de NextDC usa 6.5% WACC y crecimiento terminal de 3.5%.

Marco de análisis

Jefferies emplea un marco de llamada de expertos que comienza con la competencia de modelos de AI y los impulsores de demanda de tokens, y después conecta el crecimiento de tokens con los requisitos de chips, energía, neoclouds y centros de datos. Aplica esta lógica sectorial a proveedores de infraestructura seleccionados de Australia y Nueva Zelanda, manteniendo al mismo tiempo marcos específicos de valoración DCF y suma de partes, así como discusiones de riesgos.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  El consumo de tokens como impulsor de demanda de chips de AI, energía y capacidad de centros de datos.

  El informe vincula el crecimiento previsto de tokens diarios con mayores necesidades de cómputo y electricidad, y luego con la demanda de proveedores de infraestructura de AI.

• Marco de análisis sectorialTransmisión entre tramos de la cadena de valor

  Transmisión desde modelos y cargas de inferencia empresarial hacia neoclouds, servicios de GPU y centros de datos.

  El informe sostiene que modelos de pesos abiertos más baratos ampliarán las cargas de trabajo de AI, elevando la demanda de alojamiento, redes y capacidad de centros de datos.

• Métodos de valoraciónDCF (flujo de caja descontado)

  Valoración por flujo de caja descontado para MAQ, MP1 y NXT.

  El informe valora estas empresas con supuestos explícitos sobre WACC, tipo libre de riesgo, beta, estructura de capital y crecimiento terminal.

• Métodos de valoraciónValoración SOTP por suma de partes

  Valoración por suma de partes para Infratil y Macquarie Technology Group.

  El enfoque valora activos de negocio separados mediante múltiplos EV/EBITDA o valores de activos asignados y luego los agrega.

Correspondencia y comparación de activos

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

• Infratil Limited (IFT)

  Beneficiario cubierto mediante su exposición al centro de datos CDC.

  Fortalezas

  CDC está posicionado para atender la expansión de demanda de servidores de AI; su valoración SOTP usa 32x EV/EBITDA, que refleja aproximadamente 8x EV/Contracted EBITDA.

  Debilidades

  Posible necesidad de inyección adicional de capital o capex.

  Riesgos

  Retrasos de construcción y contratos en CDC y Longroad Energy, necesidades adicionales de financiación y competencia de precios móviles para One NZ.

• Macquarie Technology Group (MAQ)

  Beneficiario cubierto con una tubería de capacidad de centros de datos para infraestructura de AI.

  Fortalezas

  El informe destaca capacidad para atender la creciente demanda de centros de datos.

  Debilidades

  Exposición a ejecución de construcción y concentración de clientes.

  Comparación

  El SOTP aplica distintos múltiplos a CS&G, activos estabilizados de centros de datos, IC3SW y Telecom.

  Riesgos

  Retrasos de construcción de IC3 Super West, pérdida de clientes gubernamentales o empresariales y competencia en precios de alojamiento.

• Megaport Limited (MP1)

  Beneficiario cubierto mediante cargas de GPU de Latitude.sh y una demanda más amplia de redes de AI.

  Fortalezas

  Escala global y potencial de mayor demanda de ancho de banda y servicios de valor añadido.

  Debilidades

  Bajas barreras de entrada en redes y posible descenso de precios conforme caen los costes de hardware.

  Comparación

  Su escala global se describe como la principal ventaja salvo que grandes operadores de centros de datos colaboren para crear una plataforma de interconexión virtual.

  Riesgos

  Competencia, descenso de precios, dificultad para asegurar los últimos chips GPU y sensibilidad a los tipos de interés.

• NextDC Limited (NXT)

  Beneficiario cubierto con capacidad de centros de datos para alojar servidores de AI.

  Fortalezas

  La tubería de capacidad está alineada con la creciente demanda de infraestructura de AI.

  Debilidades

  Debe desplegar capital por adelantado antes de recibir ingresos de clientes.

  Comparación

  Competidores con menor coste de capital pueden ofrecer precios más bajos que NXT.

  Riesgos

  Poder de negociación de hyperscalers, contratos irregulares y vacíos de utilización de capacidad, competidores de menor coste y sensibilidad a los tipos de interés.

Datos clave

• Demanda mundial diaria de tokensMore than 300 trillion currently; 2-5 quadrillion by 2030Modelado de GlobalData citado por el experto; se espera que el crecimiento siga siendo fuerte hasta 2032.
• Generación diaria de tokens en ChinaRoughly 100 trillionEstimación de Bill Rojas de la generación actual diaria de tokens de AI.
• Necesidad potencial mundial de energíaApproximately 200GWNecesidad potencial de capacidad asociada con las estimaciones de demanda de tokens para 2030.
• Capex mundial relacionado con semiconductoresRoughly US$950bn in 2026; approximately US$1.4tn by 2030Estimación de Bill Rojas.
• ROI de AI de fronteraPotentially below 10%Bill no espera retornos adecuados antes de al menos 2029; la aparición de ROI se sitúa potencialmente en 2029-30.
• Uso empresarial de pesos abiertos80-90% of use casesExpectativa de Bill para el uso empresarial de inferencia.
• Inversión en infraestructura de AIUS$50-60bn per 1GWEstimación de la necesidad de capital para infraestructura de AI.
• Oportunidad de mercado de AI físicaUS$100tn+ over timeOportunidad potencial de largo plazo citada por el experto.

Impacto e implicaciones

El informe sostiene que la compresión de precios de modelos y la competencia pueden debilitar la economía de los desarrolladores de modelos de frontera sin reducir la demanda de infraestructura. Por el contrario, el uso más amplio e intensivo en tokens de AI debería respaldar servicios regionales de GPU, redes y capacidad de centros de datos; MP1, CDC/IFT, NXT y MAQ se identifican como beneficiarios relevantes. A largo plazo, espera una mayor creación de valor en aplicaciones de AI física y de borde que en los modelos fundacionales por sí solos.

Riesgos

• Los riesgos de seguridad, responsabilidad y ciberseguridad de AI podrían ganar importancia a medida que los modelos sean más autónomos y capaces.
• Los modelos de pesos abiertos y la destilación podrían presionar el mercado direccionable y la economía de los modelos de frontera cerrados.
• Los operadores de neocloud y centros de datos requieren capital sustancial y dependen de compromisos de clientes a largo plazo y de la utilización.
• Los retrasos de construcción, las pérdidas de clientes, la presión competitiva sobre precios y unos tipos de interés más altos son riesgos explícitos para las compañías de infraestructura cubiertas.
• Los resultados de productividad de AI empresarial siguen siendo mixtos y la evidencia a gran escala continúa limitada.

Aspectos que vigilar

• El ritmo de crecimiento de tokens, especialmente si las cargas de razonamiento impulsan una demanda de inferencia superior a lo esperado.
• La disponibilidad de energía para centros de datos, las aprobaciones de proyectos y la capacidad de los mercados regionales para absorber infraestructura adicional de AI.
• La evolución de pedidos contratados y compromisos de clientes ancla para proveedores de neocloud y centros de datos.
• La división de adopción entre modelos de pesos abiertos y modelos de frontera cerrados.
• Evidencia de que los despliegues de AI física y de borde proporcionan mejoras medibles de productividad, costes y producción.