China AI compute and infrastructure buildout — Interpretación del informe

Visión general

Morgan Stanley presenta una perspectiva de infraestructura de IA china hasta 2030 centrada en la escala, la financiación y los retornos de la inversión en computación. Su caso base prevé RMB8.5 trillion de capex, con AI Cloud como principal impulsor de crecimiento e implicaciones positivas para hiperescaladores, proveedores cloud, operadores de centros de datos y laboratorios de IA.

Perspectivas principales

Morgan Stanley prevé RMB8.5 trillion de capex total relacionado con IA durante 2026-30E, que respaldaría una capacidad de TI de 81GW para 2030E y aproximadamente 55GW de computación. El gasto previsto a cinco años incluye RMB6.3 trillion de capex de hiperescaladores, RMB1.5 trillion de neoclouds y RMB0.654 trillion de capex de computación de telecomunicaciones. Dentro del gasto de hiperescaladores, RMB4.2 trillion, o cerca de 67%, es doméstico, mientras que RMB2.1 trillion, o cerca de 33%, corresponde a infraestructura e inversión internacional. El gasto total en servidores es RMB5.3 trillion, cerca de 88% del capex de computación; los servidores de IA representan RMB4.9 trillion, o 92% del capex de servidores. AI Cloud es el principal motor de demanda del informe. Morgan Stanley prevé RMB1.2 trillion de capex de hiperescaladores e internet en 2027E para Alibaba, Tencent, Baidu, ByteDance, Kuaishou, Meituan y Xiaomi. Proyecta una demanda de electricidad china de 5.6-13GW en 2026-30E y pedidos de IDC de terceros de 6.1-11GW. Los hiperescaladores añadirían 34GW de capacidad doméstica durante el período, o 47GW a escala global. El informe también sostiene que el despliegue de computación doméstica es más barato que en Estados Unidos, donde cita US$15-23 million por MW. La financiación es una limitación central, especialmente para los RMB2.0 trillion de capex offshore identificados como consideración clave. El informe señala que los hiperescaladores desempeñan múltiples funciones en la cadena de suministro y que la financiación de neoclouds conlleva mayores obligaciones de deuda y arrendamiento. La circularidad también es más limitada en China, por lo que la durabilidad de la demanda de computación y la estructura de financiación determinarán si la expansión prevista puede generar retornos aceptables. Morgan Stanley analiza ROIC y plazos de recuperación en varios modelos de infraestructura. Para GPU IaaS de propiedad propia, su escenario ilustrativo muestra margen operativo de 44%, ROIC de 13% y recuperación de caja en 3 años; la infraestructura alquilada no requiere capex, pero genera un margen operativo de aproximadamente 20%. En MaaS autoconstruido, el modelo 1P muestra margen operativo de 53%, ROIC de 19% y recuperación de 2.5 años, mientras que un modelo API de terceros muestra margen operativo de 57%, ROIC de 29% y recuperación de 2 años. La inferencia doméstica podría tener un ROIC inferior, aunque Morgan Stanley ve margen de mejora a medida que evolucionen el rendimiento y la utilización. La institución mantiene Overweight en infraestructura de IA—Alibaba, Kingsoft Cloud y VNET—además de laboratorios de IA, incluidos MiniMax y Z.AI, y localización de GPU. Su análisis de valoración aplica marcos diferenciados: DCF con WACC de 15% y crecimiento terminal de 3% para los laboratorios de IA; un caso base con WACC de 10% y crecimiento terminal de 3% para Alibaba; 5.5x EV/EBITDA 2027E para Kingsoft Cloud, por debajo del promedio de 13x y la mediana de 10x de neoclouds estadounidenses debido a menores rendimientos de activos e incertidumbre de suministro; y un DCF a 10 años para VNET con WACC de 8.7%, coste de deuda de 4.0%, coste de capital de 14.0%, ponderación de deuda de 50% y crecimiento terminal de 3%.

Marco de análisis

Morgan Stanley comienza con una estimación descendente del capex chino en IA, descompone el gasto por tipo de inversor, geografía y equipo, y después lo traduce en capacidad, demanda eléctrica y pedidos de centros de datos. Evalúa las necesidades de financiación y modela márgenes operativos, ROIC y recuperación para modelos de computación propios, alquilados, 1P y API de terceros antes de aplicar marcos de valoración específicos por empresa.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Previsión que convierte capex en computación, demanda eléctrica y pedidos de centros de datos

  El informe convierte la inversión prevista en IA en gasto en servidores, incrementos de capacidad, demanda eléctrica y pedidos de IDC de terceros para evaluar la expansión y sus beneficiarios.

• Marco de fundamentales corporativos y finanzasDiferencial ROIC-WACC

  Análisis de ROIC, margen operativo y recuperación de caja para modelos de computación

  El informe compara retornos y períodos de recuperación de infraestructura GPU propia frente a alquilada, y de modelos MaaS 1P frente a API de terceros.

• Métodos de valoraciónDCF (flujo de caja descontado)

  Valoración por flujo de caja descontado

  El informe cita supuestos de DCF, incluidos WACC y tasas de crecimiento terminal, para varias empresas cubiertas.

• Métodos de valoraciónValoración por EV/EBITDA

  Valoración por múltiplo EV/EBITDA 2027E

  Para Kingsoft Cloud, Morgan Stanley utiliza 5.5x EV/EBITDA 2027E y lo compara con múltiplos de neoclouds estadounidenses.

Correspondencia y comparación de activos

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

• Alibaba Group Holding (BABA.N)

  Exposición Overweight a infraestructura de IA; la demanda de AI Cloud es un motor de crecimiento clave.

  Fortalezas

  Potencial al alza por mejor monetización del comercio electrónico principal, digitalización empresarial más rápida y crecimiento de ingresos cloud impulsado por IA.

  Debilidades

  Costes de reinversión más altos pueden presionar los retornos.

  Comparación

  Valorada con un caso base de DCF con WACC de 10% y crecimiento terminal de 3%.

  Riesgos

  Competencia, consumo más débil, digitalización empresarial más lenta y escrutinio adicional sobre plataformas.

• Kingsoft Cloud Holdings (KC.O)

  Exposición Overweight a infraestructura de IA y beneficiario de neocloud.

  Fortalezas

  Potencial al alza por demanda de GPU de IA superior a lo esperado, menores tasas y mejor desarrollo del modelo de IA de Xiaomi.

  Debilidades

  Menores rendimientos de activos e incertidumbre de la cadena de suministro respaldan un descuento frente a neoclouds estadounidenses.

  Comparación

  5.5x EV/EBITDA 2027E frente al promedio de 13x y la mediana de 10x de neoclouds estadounidenses.

  Riesgos

  Restricciones de suministro que causen faltantes de compras, mayor coste de financiación y desarrollo más lento de modelos de IA en China.

• VNET Group Inc (VNET.O)

  Exposición Overweight a infraestructura de IA y a IDC de terceros.

  Fortalezas

  Potencial al alza por nuevos contratos mayoristas, entrada de clientes más rápida, recortes de tasas y monetización de activos mediante REITs.

  Debilidades

  La entrega de capacidad y la ejecución comercial son dependencias operativas importantes.

  Comparación

  Valorada con un DCF a 10 años con WACC de 8.7% y crecimiento terminal de 3%.

  Riesgos

  Reducción del capex cloud de hiperescaladores, especialmente de inversión relacionada con IA, retrasos en entregas y débil ejecución comercial.

• MiniMax (0100.HK)

  Exposición Overweight a laboratorios de IA.

  Fortalezas

  Potencial al alza por el lanzamiento de un modelo global de vanguardia y menor competencia de mercado.

  Debilidades

  El rendimiento del modelo debe seguir siendo competitivo.

  Comparación

  El DCF utiliza WACC de 15% y crecimiento terminal de 3%; el precio objetivo implica 25x P/S de 2027.

  Riesgos

  Riesgo geopolítico, competencia y guerra de precios intensificadas, y rendimiento del modelo por detrás de pares.

• Z.AI CO., LTD. (2513.HK)

  Exposición Overweight a laboratorios de IA.

  Fortalezas

  Potencial al alza por expansión global con proveedores cloud extranjeros y menor competencia.

  Debilidades

  Las restricciones de computación podrían limitar la ejecución.

  Comparación

  El DCF utiliza WACC de 15% y crecimiento terminal de 3%; el precio objetivo implica 35x P/S de 2027E.

  Riesgos

  Restricciones de computación y riesgo geopolítico.

Datos clave

• Previsión de capex total de IARMB8.5 trillionPrevisión de capex total para 2026-30E
• Capacidad de TI81GWProyectada para 2030E
• Capacidad de computación~55GWRespaldada por la previsión de capex a cinco años
• Capex de hiperescaladoresRMB6.3 trillionCapex agregado de cinco años
• Capex de neocloudRMB1.5 trillionPrevisión para 2026-30E
• Capex de hiperescaladores/internet en 2027ERMB1.2 trillionPrevisión para Alibaba, Tencent, Baidu, ByteDance, Kuaishou, Meituan y Xiaomi
• Adiciones netas domésticas de hiperescaladores34GW2026-30E; 47GW a escala global
• Pedidos de IDC de terceros6.1-11GWPrevisión para 2026-30E

Impacto e implicaciones

El informe sostiene que la expansión prevista de computación debería favorecer la infraestructura de IA, los laboratorios de IA y la localización de GPU. Sin embargo, la tesis depende de la demanda de AI Cloud, de la capacidad de financiación—especialmente offshore—y de que los operadores mantengan utilización y un ROIC atractivo.

Riesgos

• El riesgo geopolítico y las restricciones relacionadas con controles de exportación podrían afectar a entidades de IA y computación.
• La intensificación de la competencia y las guerras de precios podrían presionar la economía de los laboratorios de IA.
• Las restricciones de oferta podrían provocar faltantes de compras de GPU.
• Tasas de interés más altas podrían elevar el coste de financiación de los operadores de infraestructura.
• Los hiperescaladores podrían reducir el capex cloud, especialmente la inversión relacionada con IA.
• Los retrasos en la entrega de capacidad y la débil ejecución comercial podrían perjudicar los retornos de centros de datos.

Aspectos que vigilar

• Demanda de AI Cloud y ritmo de capex de hiperescaladores.
• Avance de la financiación de RMB2.0 trillion de capex offshore.
• Demanda eléctrica doméstica y pedidos de IDC de terceros hasta 2030.
• Disponibilidad de GPU, utilización y ROIC de los modelos de computación.
• Nuevos contratos mayoristas, entrada de clientes y posible monetización de activos mediante REITs para operadores de centros de datos.