The age of inference in generative AI — Interpretación del informe

Visión general

La guía colaborativa de Morgan Stanley analiza ocho debates clave de IA generativa al entrar en la “era de la inferencia”. Concluye que el ciclo de inversión sigue siendo plurianual, pero que los próximos beneficiarios relativos serían los hiperescaladores, los habilitadores de software y aplicaciones, los primeros adoptantes empresariales y los proveedores que resuelven restricciones eléctricas de los centros de datos.

Perspectivas principales

Morgan Stanley espera que el capex de centros de datos de los hiperescaladores crezca cerca de 60%, unos $500 billion, hasta $1.5 trillion en 2027, y que se desacelere a cerca de 12% en 2028. Su análisis ascendente de chips y racks incorpora disponibilidad limitada de chips, construcción anticipada, inflación de componentes y energía, y límites de mano de obra, materiales y acceso a red. Indica que 30-40% de parte del capex de 2026 se destina a terrenos, edificios, equipos y energía para centros que abrirán en 2027-29. La desaceleración del capex junto con mayores ingresos de hiperescaladores y software debería desplazar flujos relativos desde hardware, semiconductores y memoria hacia infraestructura y software, favoreciendo a AMZN, GOOGL, MSFT y META. Aun con menor crecimiento en 2028, la expansión de capacidad sería considerable. Morgan Stanley prevé cerca de 80 GW en línea durante 2027-28, 38 GW en 2027 y 44 GW en 2028, llevando la capacidad total desde cerca de 35 GW en 2025 hasta cerca de 145 GW en 2028. GOOGL añadiría más capacidad, impulsada por Gemini, Google Cloud y ofertas de IA en Search y YouTube. Los ASIC personalizados aumentarían del 34% de capacidad incremental en 2025 al 66% en 2028; Trainium y TPU lideran el cambio, con 12 GW combinados en 2028 frente a 13 GW para NVIDIA. El informe considera que el cómputo sigue siendo escaso y monetizable mediante nuevas herramientas y flujos de trabajo agénticos. El informe evalúa tres rutas de monetización: alquiler de GPU por hiperescaladores, API de modelos con infraestructura propia y API sobre infraestructura de terceros. Para 1 GW de GB300, el caso base de alquiler de GPU supone cerca de $23 billion de ingresos por GW, $8 billion de costes operativos, incluidos $4.6 billion de depreciación IT, cerca de $15 billion de EBIT incremental y ROIC después de impuestos cercano a 30%. Una API de modelo sobre infraestructura propia generaría cerca de $30 billion de ingresos por GW, cerca de $18 billion de NOPAT y ROIC cercano a 46%. El modelo con infraestructura de terceros tiene potencial de ingresos de cerca de $41 billion por GW, pero los alquileres reducen la economía base a cerca de 25% de margen NOPAT. Morgan Stanley muestra vías de ROIC de 25-50%, con los mayores retornos en modelos sobre infraestructura propia. Morgan Stanley cifra la oportunidad final en $50-$60 trillion de gasto mundial digitalizable o ampliable: $20-$30 trillion de trabajo de conocimiento y cerca de $30 trillion de gasto del consumidor en comercio minorista, viajes, movilidad autónoma, reparto y publicidad. Usando la adopción de nube pública como analogía, estima cerca de $800 billion de gasto empresarial en IA para 2027, aproximadamente 4% de la oportunidad de trabajo de conocimiento, y afirma que la IA puede difundirse más rápido que la nube. Tecnología, servicios de comunicación, finanzas, salud e industria son los primeros sectores adoptantes. Cerca de 25% de empresas del S&P 500 cuantificaban beneficios de IA generativa en 2Q26, frente a 14% un año antes; tecnología pasó de 28% a 51%, finanzas de 8% a 37% e industria de 19% a 21%. Los modelos open-weight son un catalizador de adopción, no una amenaza para la demanda de cómputo. Su menor coste y flexibilidad pueden presionar los precios de token de modelos frontera, pero ampliarían la demanda de token y reforzarían plataformas como AWS Bedrock, Microsoft Foundry y Google Vertex, que monetizan cómputo, ajuste fino y servicios de datos independientemente del modelo elegido. Incluso con una mayor proliferación open-weight, el análisis muestra ROIC cercano a 20-40% para 1 GW de GB300. En financiación, Morgan Stanley no ve una restricción inmediata pese a cerca de $450 billion de emisiones globales de deuda relacionada con IA en lo que va de año. El ajuste llegaría principalmente mediante spreads más amplios, no mediante una restricción de emisión, especialmente para hiperescaladores de alta calidad. AMZN, GOOGL, MSFT y META generarían $980 billion y $1.2 trillion de flujo de caja operativo en 2027 y 2028, respectivamente, frente a solo $290 billion de deuda necesaria. Sin embargo, los arrendamientos y compromisos fuera de balance aumentan el apalancamiento ajustado. La disponibilidad de energía es el principal cuello de botella físico. Morgan Stanley estima un déficit estadounidense de 38 GW y espera que el escrutinio estatal y local, conexiones más lentas, restricciones laborales y mayores costes energéticos extiendan la generación behind-the-meter. Estima un coste incremental de cerca de $3 billion por GW, incorporado desde Rubin Ultra en 2H27 y 2028, a un coste total de $50 billion/GW. Esto sustenta una visión constructiva sobre BE, INIO, SEI y proveedores de centros de datos con suministro eléctrico como CIFR, WULF, HUT y RIOT. También identifica riesgo político asociado a la elección de 2028 y a posibles moratorias locales o políticas federales.

Marco de análisis

Morgan Stanley combina estimaciones ascendentes de chips, racks, capacidad y coste por GW con marcos operativos y de valoración por escenarios. Después conecta capex, oferta de cómputo, economía de monetización, evidencia de adopción, condiciones de crédito y restricciones energéticas para identificar beneficiarios y riesgos de la cadena de valor de IA.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Análisis ascendente de capex de centros de datos y capacidad de cómputo

  El informe estima costes por GW de chips, racks, centros con suministro eléctrico y otros elementos, y usa restricciones de oferta y adiciones previstas de capacidad para evaluar el ciclo de infraestructura de IA.

• Marco de fundamentales corporativos y finanzasDiferencial ROIC-WACC

  Escenarios de ROIC de IA generativa

  Morgan Stanley calcula ingresos, costes, EBIT, NOPAT y capital invertido por GW en tres modelos de monetización para evaluar los retornos de la infraestructura de inferencia.

• Métodos de valoraciónDCF (flujo de caja descontado)

  Valoración DCF de compañías seleccionadas de infraestructura eléctrica

  El informe utiliza supuestos de flujo de caja descontado, incluidas tasas de descuento y supuestos operativos de largo plazo, en análisis de riesgo-retorno de compañías seleccionadas.

• Marco de ciclo y coyunturaCiclo de vida del producto

  Analogías históricas de adopción tecnológica

  El informe compara el ciclo de IA con la adopción de móvil y nube pública para enmarcar la secuencia probable de monetización de infraestructura, software y servicios.

Correspondencia y comparación de activos

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

• Amazon.com (AMZN)

  Hiperescalador y habilitador de IA generativa que se beneficiaría de nube, demanda de AWS y monetización de inferencia.

  Fortalezas

  Expansión de capacidad de AWS, negocios de alto margen e ingresos recurrentes vinculados a Prime.

  Debilidades

  La elevada intensidad de inversión podría persistir más tiempo de lo esperado.

  Comparación

  Uno de los principales hiperescaladores que se beneficiarían del giro hacia habilitadores y software.

  Riesgos

  Desaceleración de ingresos o margen de AWS; peores márgenes minoristas; inversión prolongada.

• Microsoft (MSFT)

  Hiperescalador y habilitador de software posicionado para monetizar Azure AI y la adopción de Copilot.

  Fortalezas

  Crecimiento de Azure, monetización de Microsoft 365 y mayor adopción de servicios de IA.

  Debilidades

  La presión sobre margen bruto por inversión y una adopción limitada de IA debilitarían el caso.

  Comparación

  Uno de los principales beneficiarios integrados de infraestructura y software de IA.

  Riesgos

  Débil gasto IT, desaceleración de nube, mayor intensidad de inversión y adopción limitada de IA.

• Meta Platforms (META)

  Proveedor integrado de modelos y adoptante de IA; figura como importante habilitador de IA generativa y top pick.

  Fortalezas

  Amplios activos de distribución y datos, mejor interacción y monetización publicitaria, y posible eficiencia derivada de IA.

  Debilidades

  El gasto elevado de centros de datos requiere demostrar retornos de largo plazo.

  Comparación

  Morgan Stanley considera especialmente atractiva la economía de modelos en infraestructura propia; META debe demostrar más monetización de producto que algunos hiperescaladores.

  Riesgos

  Monetización más lenta de Reels, regulación de segmentación publicitaria, presión macro, mayores pérdidas de Reality Labs y mayor intensidad de capital.

• Alphabet (GOOGL)

  Beneficiario de hiperescala y plataforma de IA mediante Search, YouTube, Google Cloud, Gemini y TPU.

  Fortalezas

  Datos propios y distribución a escala, oportunidad de aceleración en nube y grandes adiciones de capacidad lideradas por TPU.

  Debilidades

  Los productos de IA pueden tener menor monetización y mayor intensidad de cómputo.

  Comparación

  Se espera que añada la mayor capacidad de cómputo y lidere el cambio hacia silicio personalizado.

  Riesgos

  Menor crecimiento publicitario, presión de márgenes, menor disciplina de gasto y mayores costes de cómputo de IA.

• NVIDIA (NVDA)

  Proveedor de infraestructura de cómputo beneficiado por el desequilibrio persistente entre oferta y demanda de cargas de IA.

  Fortalezas

  Liderazgo de Blackwell y demanda continua de sistemas de IA de próxima generación.

  Debilidades

  El crecimiento de silicio personalizado limita la expansión de múltiplos a corto plazo.

  Comparación

  Morgan Stanley prevé 13 GW de capacidad NVIDIA en 2028 frente a 12 GW combinados para Trainium y TPU.

  Riesgos

  Normalización más rápida de oferta, menor coste de desarrollo de IA, GPU u hardware personalizado competitivo, aranceles y controles de exportación.

• Bloom Energy (BE)

  Proveedor de generación in situ que se beneficiaría de restricciones de tiempo para obtener energía y demanda de energía distribuida.

  Fortalezas

  Exposición mediante pilas de combustible a demanda eléctrica de IA, inestabilidad de red y economía de energía distribuida.

  Debilidades

  El crecimiento y los márgenes dependen de reducciones de costes y adopción.

  Comparación

  Se cita junto con INIO y SEI como beneficiario directo de la adopción behind-the-meter.

  Riesgos

  Competencia, incumplimiento de objetivos de reducción de costes, regulación de emisiones más estricta y cargos a generación distribuida.

• Solaris Energy Infrastructure (SEI)

  Proveedor de soluciones de microred y de tiempo para disponer de energía para grandes cargas de centros de datos.

  Fortalezas

  Posición de pionero, alternativa competitiva a acceso a red y capacidad de expansión adicional.

  Debilidades

  La economía depende de contratos, capex de overhaul y supuestos de valor terminal de turbinas.

  Comparación

  Se incluye entre las compañías de energía in situ que se beneficiarían de mayores restricciones de red.

  Riesgos

  Ausencia de adquisición de capacidad o nuevos contratos de centros de datos, deterioro económico de microredes, concentración de clientes y dudas sobre valor terminal.

• TeraWulf (WULF)

  Proveedor de centros con suministro eléctrico que realiza conversiones Bitcoin-to-data-center.

  Fortalezas

  Historial en infraestructura eléctrica y contratos de clientes; potencial de convertir 2,082 MW sin contrato.

  Debilidades

  La valoración depende de energización, ejecución de proyectos y supuestos de conversión de arrendamientos.

  Comparación

  Morgan Stanley considera a WULF un strong pick entre proveedores de centros con suministro eléctrico.

  Riesgos

  Desaceleración del gasto en IA, retrasos y sobrecostes de construcción, restricciones legislativas y conversiones fallidas.

• Hut 8 (HUT)

  Proveedor de centros con suministro eléctrico y arrendamientos HPC.

  Fortalezas

  Términos sólidos de arrendamientos contratados y amplia cartera de energía.

  Debilidades

  El valor futuro depende de convertir energía no contratada y de contratar MW adicionales.

  Comparación

  Morgan Stanley describe a HUT como líder de su cohorte en contratación de arrendamientos HPC.

  Riesgos

  No contratar MW adicionales, cancelaciones de arrendamientos o inicios retrasados.

• Cipher Mining (CIFR)

  Proveedor de conversión Bitcoin-to-HPC y centros con suministro eléctrico.

  Fortalezas

  Potencial para monetizar una cartera HPC de 2.6 GW y beneficiarse de futuros arrendamientos de hiperescaladores.

  Debilidades

  Los rendimientos de flujo de caja futuros asumidos son menores que para WULF según transacciones comparables.

  Comparación

  La valoración usa un marco comparable de conversión Bitcoin-to-data-center con supuestos de rendimiento de arrendamientos más moderados que WULF.

  Riesgos

  Economía de arrendamientos inferior a supuestos de $/watt, sobrecostes y fracaso en monetizar la cartera HPC.

• Riot Platforms (RIOT)

  Proveedor de centros con suministro eléctrico que convierte emplazamientos de minería Bitcoin a uso de centros de datos.

  Fortalezas

  Emplazamientos Rockdale y Corsicana, incluida una LOI de un posible arrendatario para Corsicana.

  Debilidades

  La valoración de la cartera depende de ejecución de acuerdos y probabilidad de energización.

  Comparación

  Morgan Stanley valora proveedores de centros con suministro eléctrico en función de la economía de arrendamientos y MW de cartera.

  Riesgos

  No cerrar acuerdos en sus emplazamientos y economía de arrendamientos inferior a expectativas.

Datos clave

• Crecimiento del capex de centros de datos de hiperescaladores60% in 2027; about 12% in 2028Morgan Stanley espera que el gasto alcance cerca de $1.5 trillion en 2027 antes de desacelerarse.
• Capacidad total de cómputo de hiperescaladoresAbout 35 GW in 2025 to about 145 GW in 2028Crecimiento de cerca de cuatro veces, con unos 80 GW entrando en línea durante 2027-28.
• Participación de ASIC personalizados en capacidad incremental34% in 2025 to 66% in 2028Impulsada principalmente por Google TPU y Amazon Trainium.
• Rango de ROIC de IA generativa25-50%Rango de los marcos de monetización de hiperescaladores y API de modelos de Morgan Stanley.
• Oportunidad global de digitalización con IA generativa$50-$60 trillionIncluye $20-$30 trillion de gasto de trabajo de conocimiento y cerca de $30 trillion de gasto del consumidor.
• Empresas del S&P 500 que cuantifican beneficios de IA generativaAbout 25% in 2Q26Frente a 14% un año antes.
• Emisión global de deuda relacionada con IAAbout $450 billion year to dateMorgan Stanley espera capacidad adicional de emisión, especialmente entre hiperescaladores de alta calidad.
• Déficit eléctrico de centros de datos en Estados Unidos38 GWRespalda la visión sobre generación in situ y behind-the-meter.

Impacto e implicaciones

Morgan Stanley espera que el ciclo de inversión en IA se amplíe desde semiconductores y hardware hacia plataformas de hiperescala, software, adoptantes de la capa de aplicaciones y proveedores de infraestructura física que alivien las restricciones eléctricas. La desaceleración de la tasa de crecimiento del capex es compatible con inversión continua en IA porque la monetización, el flujo de caja y la adopción empresarial ganarían importancia.

Riesgos

• El capex de los hiperescaladores podría desacelerarse más de lo previsto por Morgan Stanley debido a restricciones físicas, menor preconstrucción, cambios de despliegue de modelos o demanda de IA más débil.
• Escasez de energía, retrasos de interconexión, restricciones de mano de obra y materiales, y mayor coste de componentes podrían retrasar aperturas y presionar retornos.
• Oposición estatal o local, moratorias de centros de datos, cambios de política federal e incertidumbre política ligada a la elección de 2028 podrían frenar la expansión.
• Los modelos open-weight podrían presionar precios de token y diferenciación de la capa de modelos, incluso si respaldan una adopción más amplia.
• Los arrendamientos fuera de balance y compromisos de largo plazo podrían reducir capacidad de deuda al aumentar el apalancamiento ajustado.

Aspectos que vigilar

• El crecimiento del capex de hiperescaladores hacia 2028 y el nivel de gasto de construcción anticipada.
• Las adiciones reales de capacidad GW, especialmente el despliegue de Google TPU y Amazon Trainium.
• Utilización de inferencia, throughput de token y precios de token, que determinan el ROIC modelado de IA generativa.
• La proporción de compañías que cuantifican beneficios de IA y evidencia de adopción en tecnología, finanzas, salud e industria.
• Emisión de crédito relacionada con IA, spreads y crecimiento de compromisos fuera de balance.
• Disponibilidad eléctrica en Estados Unidos, adopción de generación behind-the-meter y acciones regulatorias sobre permisos de centros de datos.