Internet y computación en la nube de Norteamérica: Los modelos de pesos abiertos presionan los precios de los tokens, pero la escasez de cómputo sigue respaldando los retornos de los proveedores de nube

Visión general

El informe examina el impacto de la rápida adopción de modelos de pesos abiertos sobre la economía unitaria y el retorno sobre el capital invertido de la industria de IA generativa. La conclusión central es que los menores precios por token ejercerán presión directa sobre los proveedores de modelos, pero también promoverán la adopción y el crecimiento del volumen de inferencia; se espera que los proveedores de nube hiperescalable, gracias a su capacidad de cómputo escasa, poder de fijación de precios, chips personalizados, optimización de software, bases de clientes empresariales y venta cruzada de servicios en la nube, sigan obteniendo retornos saludables.

Perspectivas principales

Primero, los modelos de pesos abiertos amplían los canales de distribución de modelos mediante descargas gratuitas, ajuste con datos privados e implementación flexible, acelerando la difusión tecnológica. Segundo, la competencia de precios en la capa de modelos se intensificará, y los laboratorios deberán apoyarse en un mayor rendimiento de tokens, una diferenciación más sólida de modelos y ecosistemas más amplios para sostener ingresos y retornos. Tercero, los proveedores de nube hiperescalable controlan recursos de cómputo escasos e intensivos en capital y pueden monetizarlos mediante precios racionales y una mayor utilización; el crecimiento de volumen impulsado por modelos de menor precio puede importar más que el porcentaje de margen. Cuarto, además de los ingresos por API, los modelos abiertos también impulsarán ingresos por alquiler de aceleradores, almacenamiento y bases de datos necesarios para la generación aumentada por recuperación, así como servicios de seguridad, gobernanza, identidad y monitorización. Quinto, el menor coste de prestación se convertirá en un factor competitivo clave, y los proveedores de nube con chips personalizados, modelos propios y capacidades superiores de cooptimización de hardware y software tendrán mayores ventajas.

Marco de análisis

El informe analiza los laboratorios de modelos y los proveedores de nube hiperescalable por capa: para la capa de modelos, evalúa los retornos basándose en el precio por millón de tokens, el rendimiento de tokens por GPU, la proporción de capacidad utilizada para inferencia y los ingresos por gigavatio; para la capa de infraestructura, estima EBIT, NOPAT y ROIC según el número de GPU, utilización, precios horarios de alquiler, depreciación, energía y otros costes operativos. También asigna activos combinando los impulsores del negocio, las valoraciones por escenarios y los perfiles de riesgo-retorno de META, AMZN y GOOGL.

Notas metodológicas

• Análisis de economía unitariaMarco de retorno de API de modelos de IA generativa

  Estimar ingresos por gigavatio y retorno sobre el capital invertido a partir de precios de tokens, rendimiento y capacidad de inferencia

  El marco supone que un centro de datos de 1 gigavatio está equipado con aproximadamente 410,256 chips GB300 y estima los ingresos anuales a partir de la proporción de capacidad utilizada para inferencia, los tokens por segundo por GPU y el precio por millón de tokens, para luego compararlos con los costes de alquiler de cómputo.

• Análisis de retorno de infraestructuraMarco de retorno de alquiler de GPU para proveedores de nube hiperescalable

  Estimar NOPAT y ROIC a partir de la utilización, el precio horario de alquiler y los costes de capital

  El marco utiliza una tasa de utilización del 75% e incorpora costes como depreciación de TI, depreciación no relacionada con TI, energía, mano de obra y mantenimiento; distintos escenarios de precios de alquiler corresponden a un ROIC de aproximadamente 23%–39%.

• Análisis de cadena industrialComparación de modelos de pesos abiertos y cerrados

  Comparar el control del modelo, las capacidades de personalización, los métodos de implementación, los costes y las rutas de distribución

  Los modelos de pesos abiertos permiten a los usuarios obtener los pesos del modelo, ajustarlos con datos privados y elegir independientemente los lugares de implementación; los modelos de código cerrado normalmente son accesibles solo mediante suscripciones o API.

• Análisis de valoraciónValoración en escenarios alcista, base y bajista

  Formar rangos de precios objetivo a partir del BPA de años futuros y múltiplos P/E

  Los precios objetivo de META, AMZN y GOOGL se basan principalmente en el BPA promedio de 2027 y 2028 y los correspondientes múltiplos P/E, con escenarios construidos utilizando diferencias en crecimiento de ingresos, márgenes y monetización de IA.

Correspondencia y comparación de activos

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

• META PLATFORMS INC (US.META)

  Proveedor de modelos de pesos abiertos, inversor en infraestructura de IA y plataforma de publicidad digital; el informe la identifica como la principal selección y le asigna una recomendación de Sobreponderar.

  Fortalezas

  Se espera que la inversión en IA mejore la interacción en Reels y la monetización publicitaria, mientras la medición y atribución publicitaria siguen mejorando; una transformación organizativa orientada a la eficiencia, las suscripciones y los negocios de clic para mensajería aportan opcionalidad alcista adicional.

  Debilidades

  Los elevados gastos de capital en centros de datos e IA incrementan la intensidad de capital, y la estrategia de bajo precio para modelos abiertos puede presionar la capacidad de monetización directa en la capa de modelos.

  Comparación

  En comparación con los proveedores puros de infraestructura en la nube, META materializa los retornos de IA de forma más indirecta a través de la publicidad, la interacción de usuarios y nuevos productos, al tiempo que cuenta con ventajas de distribución derivadas de su ecosistema de modelos abiertos.

  Riesgos

  Monetización de Reels por debajo de las expectativas, descenso de la interacción de usuarios, regulación de la segmentación publicitaria, debilidad del consumo macroeconómico, ampliación de pérdidas en Reality Labs y mala ejecución en la construcción de centros de datos que conduzca a menores retornos.

• AMAZON COM INC (US.AMZN)

  Capta la demanda de inferencia de modelos de pesos abiertos a través de AWS, Bedrock, alquiler de aceleradores y servicios relacionados en la nube; el informe le asigna una recomendación de Sobreponderar.

  Fortalezas

  AWS se encuentra en un ciclo de adopción de nube de largo plazo y puede lograr monetización multicapa mediante alquiler de cómputo, API alojadas, almacenamiento, bases de datos y servicios de seguridad; los negocios de alto margen respaldan la inversión continua.

  Debilidades

  Tanto los negocios de nube como de comercio minorista requieren una elevada inversión sostenida, y los beneficios de corto plazo son relativamente sensibles al ritmo de inversión, los costes de cumplimiento y el crecimiento de AWS.

  Comparación

  En comparación con META, AMZN se beneficia más directamente del uso de infraestructura en la nube impulsado por modelos abiertos; en comparación con GOOGL, sus ventajas se concentran en la escala de AWS, la cobertura empresarial y una amplia cartera de servicios en la nube.

  Riesgos

  Desaceleración de ingresos de AWS o descenso de márgenes, intensidad de inversión superior a la esperada, deterioro de los márgenes de mercancías y apalancamiento operativo insuficiente en entrega y cumplimiento.

• ALPHABET INC (US.GOOGL)

  Posee modelos Gemini, Google Cloud, chips personalizados TPU, canales de distribución de búsqueda y YouTube; el informe le asigna una recomendación de Sobreponderar.

  Fortalezas

  Los TPU personalizados y la sinergia entre la plataforma de modelos y nube contribuyen a reducir el coste de prestación; modelos eficientes como Gemini Flash, la cartera de pedidos de Google Cloud y la comercialización de Search y YouTube proporcionan fuentes de crecimiento diversificadas.

  Debilidades

  La búsqueda con IA y los modelos de bajo precio pueden incrementar la intensidad de cómputo y presionar los márgenes, mientras la monetización de nuevos productos aún no ha madurado.

  Comparación

  GOOGL tiene características tanto de laboratorio de modelos como de proveedor de nube hiperescalable; en comparación con los proveedores puros de modelos, tiene ventajas de infraestructura y distribución, y frente a AMZN, cuenta con sinergias más sólidas entre modelos propios, búsqueda y ecosistema de vídeo.

  Riesgos

  Desaceleración del crecimiento de la publicidad de búsqueda, productos de IA que canibalicen la búsqueda principal, bajas tasas de monetización de nuevos productos, aumento de costes de cómputo, disciplina insuficiente de gastos y aceleración del negocio de nube por debajo de las expectativas.

Datos clave

• Precio base de tokens para API de modelosAproximadamente $1.75/millón de tokensEl supuesto base utilizado en el informe, que se espera que potencialmente disminuya aún más a largo plazo.
• Supuesto de rendimiento de inferenciaAproximadamente 2,000–3,500 tokens/segundo/GPUBasado en referencias públicas de inferencia para DeepSeek-V4-Pro 1.6T de pesos abiertos en hardware GB300.
• Retorno sobre el capital invertido de la capa de modelosAproximadamente 20%–60%El resultado estimado para 1 gigavatio de infraestructura GB300 propia.
• Número de chips GB300 por 1 gigavatioAproximadamente 410,256Estimación de Morgan Stanley.
• Retorno del alquiler de GPU de proveedores de nube hiperescalableAproximadamente 23%–39%Basado en una utilización del 75% y un rango de precios horarios de alquiler de $7–$10.
• Precio objetivo de META$775Aproximadamente 23x el BPA promedio de 2027 y 2028 de $34/$35; los escenarios alcista y bajista son $1,000 y $450, respectivamente.
• Precio objetivo de AMZN$335Aproximadamente 25x el BPA promedio de 2027 y 2028 de $14; el escenario alcista es $410.
• Precio objetivo de GOOGL$400Aproximadamente 24x el BPA promedio de 2027 y 2028 de $15/$18; los escenarios alcista y bajista son $450 y $225, respectivamente.

Impacto e implicaciones

El principal impacto de los modelos de pesos abiertos no es eliminar los retornos de la infraestructura de IA, sino redistribuir los beneficios a lo largo de la cadena de valor: los laboratorios de modelos enfrentan una presión más visible sobre precios y márgenes brutos, y deben compensarla mediante ganancias de rendimiento, innovación de modelos y diferenciación de productos; los proveedores de nube hiperescalable pueden beneficiarse de mayores cargas de trabajo de inferencia, alquiler de GPU y servicios incrementales como almacenamiento, bases de datos y seguridad. Desde una perspectiva de inversión, el foco debe estar en propietarios de cómputo con bajo coste de prestación, chips personalizados, sólidas capacidades de programación de software, modelos propios y grandes volúmenes de solicitudes empresariales.

Riesgos

• La competencia de modelos de pesos abiertos puede reducir los precios por token más rápidamente de lo que mejora la eficiencia de rendimiento, comprimiendo el ROIC de la capa de modelos.
• Una demanda de IA o utilización de GPU por debajo de las expectativas puede debilitar los retornos de los centros de datos de proveedores de nube hiperescalable.
• Gastos de capital, energía, depreciación y costes de mantenimiento superiores a los supuestos pueden provocar que la economía unitaria real quede por debajo de las estimaciones del modelo.
• Las mejoras de eficiencia en arquitectura de modelos, chips personalizados, interconexiones y procesamiento por lotes de solicitudes pueden no cumplir las expectativas.
• Los nuevos productos de IA pueden canibalizar la búsqueda u otros negocios de alto margen e incrementar las cargas de cómputo con menores tasas de monetización.
• La debilidad del consumo macroeconómico y del gasto publicitario, las restricciones regulatorias y una adopción empresarial más lenta pueden afectar los ingresos de las compañías relacionadas.
• Los retornos del informe son estimaciones de escenarios basadas en supuestos y son muy sensibles a los precios de tokens, rendimiento, utilización y precios de alquiler.

Aspectos que vigilar

• Cambios en los precios por millón de tokens de modelos de pesos abiertos y modelos cercanos a la frontera.
• Rendimiento de tokens por GPU, proporción de capacidad utilizada para inferencia y eficiencia del procesamiento por lotes de solicitudes.
• La cadencia de lanzamientos, las mejoras de capacidades y la adopción del ecosistema del próximo modelo Muse de META.
• El progreso de Google Gemini Flash y Gemini 4 en eficiencia, rendimiento y comercialización.
• Ingresos de IA, cartera de pedidos, utilización y márgenes en AWS, Google Cloud y otras plataformas de nube.
• Ventajas de coste y rendimiento de chips personalizados como TPU y Trainium frente a GPU de propósito general.
• Contribución incremental a los ingresos de los modelos abiertos en almacenamiento, bases de datos, generación aumentada por recuperación, seguridad y servicios de gobernanza.
• Gastos de capital, flujo de caja libre y divulgaciones sobre retorno de inversión en IA de META, AMZN y GOOGL.