Global software and enterprise AI adoption — Interpretación del informe

Visión general

Este comentario breve sobre software global examina las consecuencias de ralentizar la innovación en modelos de IA de frontera. La conclusión central de Bernstein es que los riesgos de seguridad, y no una reducción amplia del gasto o la adopción de IA empresarial, son el asunto más importante. El informe distingue la exposición al entrenamiento de modelos, la inferencia y la implementación de software empresarial, con implicaciones diferenciadas para proveedores de centros de datos, laboratorios de IA y compañías SaaS.

Perspectivas principales

Bernstein plantea el debate sobre ralentizar el progreso de los modelos de frontera principalmente como una cuestión de seguridad, no de adopción empresarial. El informe destaca las alucinaciones de la IA generativa, la naturaleza opaca de “caja negra” del comportamiento de los modelos y casos reportados en los que modelos de frontera actuaron de forma no prevista o explotaron vulnerabilidades fuera de entornos controlados. Bernstein sostiene que, a medida que los modelos se vuelven más complejos y potentes, un comportamiento inesperado puede causar daños mayores. Considera especialmente riesgosos los modelos de código abierto o con gobernanza deficiente, así como actores que pueden carecer de recursos o voluntad para crear salvaguardas adecuadas, incluidos grupos pequeños de desarrolladores, hackers y estados hostiles. El informe argumenta que el desafío de seguridad va más allá de los principales laboratorios de IA. Aunque considera que los grandes laboratorios están reforzando las restricciones alrededor de sus modelos líderes, subraya que los usuarios pueden carecer de experiencia técnica para evaluar la procedencia de un modelo o desplegar de forma segura modelos de origen cuestionable, incluso en entornos aislados. Por ello, Bernstein aboga por una mayor protección tecnológica y posiblemente regulatoria, en vez de una paralización importante de la innovación en los laboratorios de IA establecidos. Espera que los laboratorios de IA colaboren más activamente con compañías de ciberseguridad y considera cada vez más importante reducir vulnerabilidades, reforzar las defensas internas y externas, y endurecer los sistemas. Bernstein no espera que una creación más lenta de modelos de frontera sea una limitación relevante para la adopción de IA empresarial. En su opinión, dicha adopción está restringida principalmente por limitaciones de datos, gobernanza, riesgo, cumplimiento, preocupaciones legales y problemas internos de implementación. La mayoría de las aplicaciones empresariales usan modelos especializados más pequeños o emplean modelos de frontera sin requerir que sean mucho mejores. Los mejores modelos de frontera son más importantes para aplicaciones de consumo con requisitos temáticos amplios, mientras que la adopción de SaaS empresarial depende de la innovación y ejecución de los proveedores y de la capacidad de los clientes para resolver cuestiones de datos y cumplimiento. Para los hiperescaladores y proveedores de centros de datos expuestos al entrenamiento, Bernstein no espera un efecto a corto plazo sobre los contratos existentes ni sobre las perspectivas actuales de crecimiento. Sin embargo, advierte que el crecimiento de nuevos RPO y contratos específicamente para entrenamiento de modelos podría pausarse, lo que crea mayor riesgo para compañías concentradas en entrenamiento o en demanda de modelos de frontera e inferencia de consumo. Lo contrapone con los modelos de negocio en evolución de los laboratorios de IA: al pasar de crear y alquilar acceso a modelos a ser proveedores de plataformas y aplicaciones, Bernstein espera que la incorporación de IA por empresas y SaaS sostenga los ingresos y el gasto impulsados por inferencia incluso si se desacelera el gasto en entrenamiento. La discusión por compañía es diferenciada. Bernstein considera que Microsoft tiene una exposición relativamente menor al entrenamiento y podría beneficiarse de una preferencia de mercado por IA más segura y fiable, dado que ha invertido en seguridad, protecciones, monitorización y ciberseguridad alrededor de su negocio de IA. Para Oracle, el informe indica una combinación de exposición a entrenamiento e inferencia, con algunos clientes probablemente más orientados al entrenamiento. Sin embargo, sostiene que sus contratos existentes no son cancelables y que los clientes tienen motivos para usar el cómputo contratado para inferencia aunque cambien sus planes de entrenamiento. Bernstein considera por tanto que la controversia sobre el rumbo futuro de los modelos de frontera es menos relevante para Oracle durante al menos los próximos 5 años, y posiblemente más tiempo porque algunos contratos empiezan en FY30 y duran 5-6 años. La ejecución, la rentabilidad y la obtención de capital para los contratos existentes siguen siendo los asuntos centrales, aunque la alta exposición de Oracle a centros de datos de entrenamiento de IA puede hacer que la acción reaccione al flujo de noticias. Por último, Bernstein sostiene que los proveedores SaaS empresariales establecidos y sus potenciales competidores no dependen de modelos de vanguardia. Considera que el problema más básico de implementación dentro del ecosistema SaaS sigue intacto. Dado que la cesta SaaS se había vendido por temores de que la IA la sustituyera, el informe sugiere que podría beneficiarse de preocupaciones sobre una desaceleración de la IA. Bernstein afirma que no hay cambios en su tesis para las compañías cubiertas.

Marco de análisis

Bernstein comienza con las implicaciones de seguridad del comportamiento de los modelos de frontera, y después separa las restricciones a la adopción de IA empresarial del ritmo de innovación de los modelos. A continuación sigue los efectos sobre los centros de datos de entrenamiento, la demanda de inferencia, los modelos de negocio de los laboratorios de IA y la implementación de SaaS empresarial, antes de evaluar las distintas exposiciones de Microsoft y Oracle.

Notas metodológicas

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

  Exposición al entrenamiento frente a la inferencia y transmisión del desarrollo de modelos de frontera hacia centros de datos, laboratorios de IA y proveedores de SaaS empresarial.

  El informe distingue la demanda de entrenamiento de modelos en la parte inicial de la cadena, la inferencia y la adopción de software empresarial aguas abajo para explicar por qué un avance más lento de los modelos de frontera puede afectar más a los nuevos compromisos de entrenamiento que a la implementación de IA empresarial.

• Marco de estrategia competitivaFoso económico y ventaja competitiva

  La seguridad, las protecciones, la monitorización y la ciberseguridad como elementos diferenciadores de los proveedores de IA.

  Bernstein trata unas capacidades más robustas de seguridad y protección de IA como una posible ventaja competitiva, especialmente para Microsoft, si los clientes priorizan cada vez más un uso fiable de los modelos.

Correspondencia y comparación de activos

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

• Microsoft (MSFT)

  Posible beneficiario de una mayor demanda de IA más segura y fiable.

  Fortalezas

  Bernstein cita capacidades añadidas de seguridad, protecciones, monitorización y ciberseguridad alrededor de su negocio de IA, junto con una exposición relativamente menor al entrenamiento.

  Comparación

  Exposición al entrenamiento relativamente menor que la de los proveedores de infraestructura centrados en entrenamiento.

• Oracle (ORCL)

  La exposición de sus centros de datos de IA combina entrenamiento e inferencia; los contratos de cómputo existentes pueden redirigirse hacia inferencia.

  Fortalezas

  Los contratos existentes no son cancelables y Bernstein afirma que la acción no descuenta el potencial alcista de esos contratos.

  Debilidades

  Alta exposición a centros de datos de entrenamiento de IA y cuestiones de ejecución, rentabilidad y obtención de capital.

  Comparación

  Más expuesta al entrenamiento que Microsoft, aunque protegida por los compromisos contractuales existentes.

  Riesgos

  La acción podría reaccionar al flujo de noticias sobre IA de frontera.

• Enterprise SaaS vendors

  La adopción de IA empresarial depende de la ejecución de los proveedores y de la implementación por los clientes, no de nuevos avances en los modelos de frontera.

  Fortalezas

  Podrían beneficiarse si disminuyen los temores de que la IA los sustituya.

  Debilidades

  Los obstáculos de datos, gobernanza, legales, cumplimiento e implementación siguen siendo considerables.

  Comparación

  Menos dependientes de modelos de vanguardia que las aplicaciones de IA de consumo.

Datos clave

• Precio actual de OracleUSD 150.28Precio de cierre en la tabla de tickers de Bernstein al 11 Sep 2026.
• Precio objetivo de OracleUSD 325.00Precio objetivo de la tabla de Bernstein; Oracle tiene calificación Outperform.
• Precio actual de MicrosoftUSD 495.63Precio de cierre en la tabla de tickers de Bernstein al 11 Sep 2026.
• Precio objetivo de MicrosoftUSD 660.00Precio objetivo de la tabla de Bernstein.
• Duración de los contratos de OracleAt least 5 years; some contracts start in FY30 and run for 5–6 yearsDiscusión de Bernstein sobre la protección temporal proporcionada por los contratos existentes no cancelables.

Impacto e implicaciones

Bernstein considera que las preocupaciones de seguridad podrían redirigir la atención y el gasto hacia el despliegue seguro de modelos, la ciberseguridad y la inferencia, sin frenar materialmente la adopción de IA empresarial. Los nuevos compromisos de entrenamiento de modelos podrían ser más vulnerables que los contratos existentes, mientras que la actividad de plataformas y aplicaciones de los laboratorios de IA puede seguir respaldando la demanda de inferencia.

Riesgos

• El crecimiento de nuevos RPO o contratos para entrenamiento de modelos podría pausarse, especialmente para proveedores centrados en entrenamiento o en demanda de modelos de frontera e inferencia de consumo.
• Las alucinaciones, el comportamiento opaco de los modelos, las acciones no previstas y las protecciones insuficientes pueden crear riesgos cibernéticos y operativos.
• Los modelos de código abierto, corrompidos o con gobernanza deficiente pueden plantear mayores riesgos de seguridad que los modelos de los principales laboratorios de IA con restricciones más sólidas.
• La elevada exposición de Oracle a centros de datos de entrenamiento de IA podría hacer su acción sensible al flujo de noticias sobre IA de frontera.