AI lab and AI hyperscaler unit economics — Interpretación del informe

Visión general

Este análisis profundo de Barclays explica cómo los laboratorios de IA y sus socios de nube a hiperescala monetizan productos de IA. Concluye que la mayor mezcla empresarial y de API, la eficiencia de tokens y las mejoras de infraestructura han elevado notablemente la economía unitaria de 2026, pero que la presentación contable y las condiciones de asociación pueden hacer que laboratorios superficialmente similares parezcan muy diferentes.

Perspectivas principales

El punto central de Barclays es que la economía de productos comparables de los laboratorios de IA puede ser similar, aunque los ingresos y el margen bruto agregados reportados pueden diferir de forma sustancial por la mezcla de negocio, el reconocimiento de ingresos y los acuerdos de asociación con hyperscalers. El informe utiliza dos laboratorios frontier hipotéticos: Lab A obtiene más del 70% de sus ingresos de API, incluidos 45% de API directa y 25% de API indirecta, y 30% de suscripciones; Lab B tiene aproximadamente 80% de ingresos por suscripción, 10% de API directa y 10% de API indirecta. La API tiende a tener un margen de inferencia más alto que las suscripciones, por lo que esta diferencia de mezcla explica gran parte de la divergencia de rentabilidad reportada. Barclays también supone que cerca de 10% del coste total de entrenamiento, correspondiente a la ejecución final de entrenamiento, se registra en coste de ventas; la asignación final entre COGS e I+D sigue sin estar clara. El informe estima que los márgenes de inferencia de pago mejoraron sustancialmente en 2026, desde porcentajes de mediados de la adolescencia en 2025 hasta 50%-65%+ para los dos laboratorios ilustrativos. La adopción empresarial y los flujos de trabajo agentic se describen como productos imprescindibles, desplazando la mezcla hacia cuentas de API y empresariales de mayor margen. Al mismo tiempo, modelos más eficientes en tokens reducen los tokens necesarios por tarea, y esta eficiencia respalda los márgenes. En las cifras ilustrativas de Barclays, el margen de inferencia de pago de Lab A sube de 14% en 2025 a 65% en 2026, mientras que el de Lab B sube de 18% a 48%; tras el supuesto coste final de entrenamiento, los márgenes brutos ajustados mejoran alrededor de 30-50 puntos porcentuales. La participación de ingresos del socio estratégico de Lab B sigue reduciendo la rentabilidad hasta que se alcancen determinados umbrales y se espera que caiga a cero en algún momento después de 2028. La estructura del producto importa. Productos de suscripción como Claude Code o Codex pueden incluir tarifas mensuales, cargos basados en uso y límites que se restablecen periódicamente. Los laboratorios pueden subvencionar el consumo de tokens para retener usuarios, lo que hace que los márgenes de inferencia de suscripción sean en general inferiores a los de API. Barclays estima márgenes de inferencia de suscripción cercanos a 70%, aunque señala que los márgenes de 2026 podrían ser mayores antes de que aumente la competencia y la oferta de capacidad computacional pase de escasez a superávit. La API directa se basa en uso: los desarrolladores integran la API de un laboratorio en sus propios productos y pagan por consumo de tokens. La mayor eficiencia de los modelos, precios nominales de tokens más altos, técnicas de infraestructura como cuantización y speculators, capacidad computacional de próxima generación y la participación de ingresos con socios de nube respaldan una economía de API más sólida. Barclays ha oído que los márgenes de inferencia de API estuvieron muy por encima de los niveles de su Figura 5 en 2Q26, pero espera una normalización en algún momento. La API indirecta ofrece una funcionalidad similar para el usuario final a la API directa, pero cambia la relación comercial: el hyperscaler factura al usuario y gestiona la salida al mercado sin que el laboratorio se relacione directamente. Se supone que Lab A reconoce los ingresos de API indirecta en bruto, mientras que Lab B los registra netos de comisiones y puede no reconocer ingresos en absoluto cuando su socio estratégico aloja el servicio. A medida que la API indirecta se convierte en una mayor proporción del negocio, este tratamiento bruto frente a neto puede distorsionar comparaciones de ingresos reportados, crecimiento y progreso competitivo aparente, incluso cuando la economía subyacente sea comparable. El informe también sigue cómo el gasto de los laboratorios de IA fluye hacia los hyperscalers. Por cada $100 de ingresos de laboratorios de IA en 2026, Barclays estima que aproximadamente $35-$40 se convierte en ingresos de hyperscalers, generando casi $10-$20 de resultado operativo de hyperscalers con márgenes operativos de aproximadamente 35%-45%. Las tablas ilustrativas muestran distintos resultados según la mezcla y las asociaciones: Lab A genera $35 de ingresos de hyperscalers y $11.8 de beneficio, o un margen de 34%, mientras que Lab B genera $41 de ingresos y $19.1 de beneficio, o un margen de 47%. La participación de ingresos puede elevar el margen operativo reportado del hyperscaler, aunque Barclays considera que el beneficio subyacente por token, excluidas dichas comisiones, probablemente sea el mismo. A corto plazo, Barclays afirma que casi cada dólar de ARR de los laboratorios de IA llega a los ingresos de los hyperscalers porque el entrenamiento sigue siendo un componente importante del gasto en IA. Su resumen sectorial prevé que los ingresos de los laboratorios de IA aumenten de $26 billion en 2025 a $137 billion en 2026E, $376 billion en 2027E y $690 billion en 2028E; los ingresos estimados de IA de hyperscalers aumentan de $36 billion a $124 billion, $289 billion y $502 billion, respectivamente. Sin embargo, se proyecta que los ingresos de IA de hyperscalers como porcentaje de los ingresos de laboratorios de IA caigan de 136% en 2025 a 90% en 2026E, 77% en 2027E y 73% en 2028E. Barclays espera que los beneficios de inferencia superen finalmente los costes de entrenamiento para los laboratorios, mientras que se prevé que AWS, Azure y GCP tengan participaciones similares del gasto computacional de los laboratorios de IA durante los próximos dos años antes de que los proyectos de infraestructura de IA respaldada empiecen a captar cuota en 2028. El informe advierte que los márgenes actuales de laboratorios y hyperscalers pueden superar sus ilustraciones, pero deberían moderarse con el tiempo a medida que aumente la competencia frontier y disminuya la escasez de capacidad computacional.

Marco de análisis

Barclays construye cascadas ilustrativas de pérdidas y ganancias para 2025 y 2026 de dos laboratorios frontier hipotéticos, separando ingresos de suscripción, API directa y API indirecta. Después asigna costes de inferencia, costes de entrenamiento, comisiones de nube y participaciones de ingresos de socios estratégicos para mostrar cómo la mezcla de productos y el tratamiento contable afectan los márgenes de los laboratorios y los ingresos y el resultado operativo de los hyperscalers. Por último, extiende esta lógica a una previsión sectorial hasta 2028E.

Notas metodológicas

• OtroOtro

  Análisis de cascada de economía unitaria de laboratorios de IA e hyperscalers

  El informe modela cada $100 de ingresos de clientes o de laboratorios de IA y después asigna participaciones de ingresos, costes de inferencia, costes finales de entrenamiento y comisiones de socios para estimar márgenes de laboratorios y proveedores de nube.

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

  Flujo del gasto de laboratorios de IA hacia hyperscalers

  Barclays rastrea cómo los ingresos y la demanda computacional de los laboratorios de IA se convierten en ingresos de inferencia y nube de hyperscalers, y después estima la captación de beneficio operativo asociada.

Correspondencia y comparación de activos

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

• Amazon Web Services (AWS)

  Hyperscaler que se espera controle una proporción similar del gasto computacional de los laboratorios de IA durante los próximos dos años antes de que la infraestructura respaldada gane cuota.

  Fortalezas

  Participa en ingresos de entrenamiento e inferencia de laboratorios de IA; Barclays estima que los hyperscalers captan ingresos y beneficio operativo sustanciales del gasto de los laboratorios de IA.

  Comparación

  Barclays espera que AWS, Azure y GCP controlen una mezcla similar del gasto computacional de los laboratorios de IA durante los próximos dos años.

  Riesgos

  Los hyperscalers podrían empezar a perder cuota de mercado en entrenamiento e inferencia de laboratorios de IA desde 2028 a medida que entren en funcionamiento proyectos de infraestructura respaldada.

• Azure (MSFT)

  Hyperscaler que se espera controle una proporción similar del gasto computacional de los laboratorios de IA durante los próximos dos años antes de que la infraestructura respaldada gane cuota.

  Fortalezas

  Participa en ingresos de entrenamiento e inferencia de laboratorios de IA; las participaciones de ingresos con socios estratégicos pueden elevar los márgenes operativos reportados de la nube.

  Comparación

  Barclays espera que AWS, Azure y GCP controlen una mezcla similar del gasto computacional de los laboratorios de IA durante los próximos dos años.

  Riesgos

  Los hyperscalers podrían empezar a perder cuota de mercado en entrenamiento e inferencia de laboratorios de IA desde 2028 a medida que entren en funcionamiento proyectos de infraestructura respaldada.

• Google Cloud Platform (GCP)

  Hyperscaler que se espera controle una proporción similar del gasto computacional de los laboratorios de IA durante los próximos dos años antes de que la infraestructura respaldada gane cuota.

  Fortalezas

  Participa en ingresos de entrenamiento e inferencia de laboratorios de IA; las participaciones de ingresos con socios estratégicos pueden elevar los márgenes operativos reportados de la nube.

  Comparación

  Barclays espera que AWS, Azure y GCP controlen una mezcla similar del gasto computacional de los laboratorios de IA durante los próximos dos años.

  Riesgos

  Los hyperscalers podrían empezar a perder cuota de mercado en entrenamiento e inferencia de laboratorios de IA desde 2028 a medida que entren en funcionamiento proyectos de infraestructura respaldada.

Datos clave

• Márgenes de inferencia de pago de laboratorios de IA en 202650%-65%+Estimación de Barclays, frente a porcentajes de mediados de la adolescencia en 2025.
• Mejora del margen bruto ajustado de los laboratorios de IA~30-50 points2026 frente a 2025 tras incluir los costes finales de entrenamiento.
• Ingresos de hyperscalers por cada $100 de ingresos de laboratorios de IA$35-$40Flujo estimado relacionado con inferencia en 2026.
• Resultado operativo de hyperscalers por cada $100 de ingresos de laboratorios de IANearly $10-$20Con un margen operativo de aproximadamente 35%-45%.
• Previsión de ingresos de laboratorios de IA$137B in 2026E; $376B in 2027E; $690B in 2028EFrente a $26B en 2025.
• Previsión de ingresos de IA de hyperscalers$124B in 2026E; $289B in 2027E; $502B in 2028ELa participación estimada de los ingresos de laboratorios de IA desciende de 90% a 77% y 73%, respectivamente.

Impacto e implicaciones

El informe sostiene que las comparaciones de ingresos y márgenes reportados de los laboratorios de IA requieren ajustes por mezcla de producto, comisiones de socios y contabilidad bruta frente a neta. Observa una importante captación de ingresos y beneficio por parte de los hyperscalers a corto plazo derivada de la demanda de IA, pero espera que la relación se concentre menos desde 2028 a medida que esté disponible infraestructura alternativa respaldada y mejore la rentabilidad de inferencia de los laboratorios.

Riesgos

• Los márgenes de los laboratorios de IA y de los hyperscalers podrían disminuir a medida que se intensifique la competencia frontier y se alivie la escasez de capacidad computacional.
• Los hyperscalers podrían perder cuota de mercado de entrenamiento e inferencia de laboratorios de IA a partir de 2028 a medida que estén disponibles proyectos de infraestructura respaldada.
• El reconocimiento bruto frente a neto de ingresos de API indirecta puede distorsionar los ingresos reportados de los laboratorios de IA y las comparaciones de progreso relativo.

Aspectos que vigilar

• El ritmo de adopción empresarial y de flujos de trabajo agentic, y el consiguiente desplazamiento hacia ingresos de API y empresariales.
• Si los márgenes de inferencia de API, según se informa muy por encima de los niveles ilustrados en 2Q26, se normalizan con el tiempo.
• Cómo los laboratorios de IA asignan los costes de entrenamiento entre COGS e I+D en los informes GAAP.
• Cambios en el reconocimiento de ingresos de API indirecta y en los acuerdos de participación de ingresos con socios estratégicos.
• El momento y el impacto de los proyectos de infraestructura de IA respaldada que se espera afecten la cuota de los hyperscalers desde 2028.