Generative AI inference economy and investment cycle — Interpretação do relatório

Visão geral

O guia colaborativo examina oito debates centrais sobre IA generativa à medida que o mercado entra na era da inferência. A conclusão central é que o investimento em IA continua sendo uma oportunidade plurianual, mas a desaceleração esperada dos gastos de infraestrutura em 2028 deve ampliar os benefícios para hyperscalers, habilitadores de software, adotantes de IA e fornecedores de infraestrutura elétrica escassa.

Visões principais

O Morgan Stanley espera que o ciclo de IA evolua de uma fase inicial liderada por hardware e semicondutores para as camadas de infraestrutura, software e aplicações. Projeta que o capex de data centers dos hyperscalers aumente cerca de $500bn em termos anuais, ou 60%, para $1.5tn em 2027, antes de desacelerar para cerca de 12% em 2028. Não espera necessariamente uma queda material das ações de hardware, mas argumenta que o menor crescimento do capex, junto com receitas em escala, melhor fluxo de caixa e surpresas positivas de receita e EBIT, pode criar maior potencial de revisões e expansão de múltiplos nas camadas superiores. Mantém visão construtiva sobre AMZN, GOOGL, MSFT e META. A expansão continua substancial. O Morgan Stanley prevê cerca de 80 GW de capacidade entrando em operação em 2027-28, divididos entre 38 GW e 44 GW, elevando a capacidade total de computação de AMZN, GOOGL, META e MSFT de cerca de 35 GW em 2025 para aproximadamente 145 GW em 2028. A GOOGL deve adicionar a maior capacidade, apoiada por Gemini, Google Cloud e ofertas de Search e YouTube habilitadas por IA. A participação de ASICs personalizados na capacidade incremental deve subir de 34% em 2025 para 66% em 2028, liderada por Google TPU e Amazon Trainium; a estimativa para 2028 é de 12 GW combinados, contra 13 GW para NVIDIA. Essa mudança busca reduzir o custo de servir e aumentar o throughput de inferência. O relatório apresenta retornos atraentes sob três modelos de monetização. Um data center GB300 de 1 GW alugado por IaaS de hyperscaler poderia gerar cerca de $23bn/GW de receita, $8bn/GW de custos operacionais, aproximadamente $15bn/GW de EBIT incremental e cerca de 30% de ROIC após impostos. Um construtor de modelos que atenda APIs em infraestrutura própria poderia gerar cerca de $30bn/GW de receita, $23bn/GW de EBIT incremental e aproximadamente 46% de ROIC no caso-base ilustrativo. APIs de modelos em infraestrutura de terceiros teriam receita estimada mais alta, de cerca de $41bn/GW, mas arcariam com $28bn/GW de custos de aluguel, deixando cerca de $13bn/GW de EBIT incremental. Assim, os maiores retornos caberiam à camada de modelos sobre infraestrutura própria, embora a economia de infraestrutura dos hyperscalers permaneça atraente. A oportunidade de demanda é ampla. O Morgan Stanley identifica $20-30tn de gastos globais com trabalho do conhecimento que poderiam ser digitalizados ou ampliados por ferramentas de IA generativa, além de cerca de $30tn de gastos de consumo. Usando ciclos de adoção da nuvem pública e de tecnologias anteriores como referência, estima cerca de $800bn de gastos empresariais com IA até 2027, ou aproximadamente 4% de penetração da oportunidade de trabalho do conhecimento. A IA pode se difundir mais rapidamente que a nuvem porque não exige migração completa de infraestrutura, proporciona ganhos de produtividade em menor tempo e aumenta o custo de oportunidade competitivo para empresas que ficam para trás. Já há sinais de adoção na economia. Cerca de 25% das empresas do S&P 500 quantificavam benefícios de IA generativa em 2Q26, contra 14% um ano antes. Tecnologia, serviços de comunicação, finanças, saúde e indústria aparecem como adotantes iniciais. Empresas capazes de converter IA em crescimento de receita, produtividade ou menor custo de servir podem obter benefícios financeiros desproporcionais. Os modelos de pesos abertos são vistos como catalisadores de adoção, e não como ameaça à demanda de computação. Menor custo, ajuste com dados proprietários e implantação flexível ampliam os casos de uso, embora pressionem preços e diferenciação dos modelos frontier. Preços menores por token podem ampliar a demanda total; plataformas como AWS Bedrock, Microsoft Foundry e Google Vertex continuam valiosas ao abstrair a complexidade de hospedagem e monetizar computação, fine-tuning e pipelines de dados. A análise de sensibilidade ainda aponta cerca de 20-40% de ROIC em 1 GW de capacidade GB300 com maior adoção de pesos abertos. Em financiamento, o Morgan Stanley considera que os mercados de crédito ainda têm capacidade para absorver emissão adicional, apesar de cerca de $450bn de dívida global ligada à IA emitida no ano. O ajuste deve ocorrer principalmente por spreads mais amplos, não por restrição de emissão. AMZN, GOOGL, MSFT e META devem gerar $980bn/$1.2tn de fluxo de caixa operacional em 2027/2028, comparado a apenas $290bn de dívida necessária no período. Contudo, arrendamentos e compromissos de compra fora do balanço estão crescendo e podem reduzir a capacidade de dívida. A disponibilidade de energia é o principal gargalo físico. O Morgan Stanley vê um déficit de energia nos EUA de 38 GW e espera custos maiores, atrasos de interconexão e mais geração behind-the-meter. Estima que essa geração acrescente cerca de $3bn ao capex por GW e já incorpora essa despesa para chips NVIDIA Rubin Ultra que acredita começarem a operar em 2H27 e 2028, com custo total de $50bn/GW. Isso apoia sua visão construtiva sobre BE, INIO e SEI, bem como CIFR, WULF, HUT e RIOT. A pressão estadual e local é considerada administrável no caso-base, mas moratórias em expansão, restrições de mão de obra e materiais e risco político em torno da eleição de 2028 podem atrasar projetos ou elevar custos.

Estrutura de análise

O relatório combina previsões bottom-up de chips, racks, remessas e custo por GW com três casos ilustrativos de retorno sobre capital investido para monetização de computação. Em seguida, relaciona capacidade, economia de tokens, analogias de adoção, evidências empresariais, análise de crédito e restrições de energia às implicações setoriais e corporativas.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Análise de capacidade de computação, oferta de chips e gargalos de energia

  O Morgan Stanley estima a capacidade de data centers e as restrições físicas à sua expansão para avaliar disponibilidade e economia da computação de IA.

• Marco de fundamentos corporativos e finançasSpread ROIC-WACC

  Modelagem de ROIC de IA generativa

  O relatório modela receita, custos operacionais, NOPAT e capital investido por GW em estruturas de aluguel por hyperscalers e monetização de modelos.

• Métodos de avaliaçãoDCF (fluxo de caixa descontado)

  Avaliação por DCF para empresas selecionadas de infraestrutura de energia

  O relatório utiliza premissas de fluxo de caixa descontado, incluindo taxas de desconto e projeções operacionais, em análises de risco-retorno de empresas selecionadas.

• Métodos de avaliaçãoAvaliação por P/L e PEG

  Estrutura de preço-alvo baseada em P/E e PEG para grandes empresas de tecnologia selecionadas

  O relatório aplica múltiplos de lucro ao EPS projetado e faz comparações de PEG em casos de avaliação de empresas selecionadas.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Amazon.com (AMZN)

  Hyperscaler e habilitador de IA generativa que deve se beneficiar da monetização de infraestrutura de IA e da demanda de AWS.

  Pontos fortes

  AWS, distribuição para clientes e investimento em silício personalizado.

  Pontos fracos

  Duração dos investimentos e pressão nas margens de varejo podem pesar sobre os lucros.

  Comparação

  Parte dos quatro grandes hyperscalers com GOOGL, MSFT e META.

  Riscos

  Desaceleração da receita de AWS ou queda de margens; ciclo de investimentos mais longo que o esperado.

• Alphabet (GOOGL)

  Hyperscaler que deve adicionar a maior capacidade de computação e se beneficiar de inovação em Search, Cloud e plataforma de IA.

  Pontos fortes

  Capacidade TPU, Gemini, Google Cloud e distribuição de Search e YouTube.

  Pontos fracos

  Ofertas de IA podem ter menor monetização e maior intensidade de computação.

  Comparação

  Deve liderar as adições de capacidade entre os principais hyperscalers.

  Riscos

  Crescimento mais lento de publicidade, pressão de margem e risco de monetização de produtos de IA.

• Microsoft (MSFT)

  Habilitador de IA por meio da monetização de Azure, Foundry e Copilot.

  Pontos fortes

  Crescimento de Azure, distribuição de M365 e adoção de serviços de IA.

  Pontos fracos

  Maior investimento pode limitar a expansão de margens.

  Comparação

  Grande hyperscaler junto com AMZN, GOOGL e META.

  Riscos

  Fraqueza no gasto de TI, adoção limitada de IA e maior intensidade de capital.

• Meta Platforms (META)

  Fornecedor de modelos integrado e adotante de IA; top pick na seção de risco-retorno.

  Pontos fortes

  Amplos dados proprietários, distribuição, plataforma de publicidade e potencial de maior engajamento por IA.

  Pontos fracos

  Intensidade de capital de data centers e perdas de Reality Labs.

  Comparação

  O relatório considera a camada de modelos sobre infraestrutura própria estruturalmente vantajosa.

  Riscos

  Menor engajamento, monetização mais lenta de Reels, regulação de publicidade e execução deficiente na construção de IA.

• NVIDIA (NVDA)

  Fornecedor de computação que se beneficia da demanda de inferência e treinamento.

  Pontos fortes

  Liderança de desempenho de Blackwell e Rubin; a demanda continua acima da oferta segundo o relatório.

  Pontos fracos

  Silício personalizado e alternativas competitivas podem limitar a expansão de múltiplos.

  Comparação

  ASICs personalizados devem ganhar participação na capacidade incremental.

  Riscos

  Mercados finais de IA não se concretizam, clientes reduzem compras de GPU, concorrência ou controles de exportação.

• Bloom Energy (BE), Innio (INIO), Solaris Energy Infrastructure (SEI)

  Fornecedores de geração local posicionados para se beneficiar de restrições de tempo para obter energia.

  Pontos fortes

  Soluções behind-the-meter e de energia distribuída para grandes clientes de carga.

  Pontos fracos

  A economia depende de custos, regulação e adoção pelos clientes.

  Comparação

  Diferentes de provedores de powered shells que monetizam locais energizados de data centers.

  Riscos

  Concorrência, falha em metas de redução de custos, regulação e demanda mais fraca de data centers.

• TeraWulf (WULF), Hut 8 (HUT), Cipher Mining (CIFR), Riot Platforms (RIOT)

  Provedores de powered shells capazes de converter ativos de energia em capacidade de data centers de computação de alto desempenho.

  Pontos fortes

  Pipelines de energia, arrendamentos e oportunidades de conversão de Bitcoin para data centers.

  Pontos fracos

  A avaliação depende de premissas sobre contratação, energização e execução de projetos.

  Comparação

  O relatório os vê como beneficiários do mesmo gargalo de energia que impulsiona a geração local.

  Riscos

  Desaceleração dos gastos com IA, economia de arrendamentos abaixo do esperado, atrasos de construção, estouros de custos e falha em monetizar capacidade.

Dados principais

• Crescimento do capex de data centers dos hyperscalers60% in 2027; ~12% in 2028O Morgan Stanley prevê que o capex alcance $1.5tn em 2027 e depois desacelere.
• Capacidade total de computação~35 GW in 2025 to ~145 GW in 2028Crescimento de aproximadamente quatro vezes; cerca de 80 GW devem entrar em operação em 2027-28.
• Participação de ASICs personalizados na capacidade incremental34% in 2025 to 66% in 2028Impulsionada principalmente por Amazon Trainium e Google TPU.
• ROIC de IA generativa25-50%Caminhos ilustrativos de aluguel por hyperscalers e monetização de APIs de modelos.
• Gasto global endereçável de IA generativa$50-60tnInclui $20-30tn de trabalho do conhecimento e cerca de $30tn de gastos de consumo.
• Empresas do S&P 500 que quantificam benefícios de IA generativa~25% in 2Q26Acima de 14% um ano antes.
• Emissão global de dívida relacionada à IA~$450bn year to dateO relatório espera ajuste por spreads mais amplos, não interrupção do financiamento.
• Déficit de energia nos Estados Unidos38 GWSustenta a tese de geração behind-the-meter e powered shells.

Impacto e implicações

O Morgan Stanley espera que a oportunidade de IA se expanda além dos semicondutores à medida que a monetização de inferência e a adoção ganhem escala. Vê hyperscalers e habilitadores de software, adotantes iniciais e fornecedores de soluções de energia como beneficiários das restrições persistentes de data centers.

Riscos

• Os gastos com IA podem desacelerar, reduzindo a demanda por computação, infraestrutura e capacidade de energia relacionada.
• Restrições de energia, mão de obra, materiais e interconexão podem atrasar aberturas de data centers e elevar custos.
• A oposição estadual ou local a data centers pode se ampliar para restrições mais amplas ou permanentes; a eleição de 2028 é um foco de risco político.
• Modelos de pesos abertos podem pressionar preços de tokens e diferenciação competitiva da camada de modelos.
• Arrendamentos e compromissos de compra fora do balanço podem reduzir a capacidade futura de dívida apesar de forte fluxo de caixa operacional.
• Para provedores de powered shells, atrasos de construção, estouros de custos, incerteza de energização e falha em contratar clientes podem prejudicar retornos.

Pontos a observar

• O crescimento do capex dos hyperscalers rumo a 2028 e se a escala de receita e fluxo de caixa apoia a rotação para software e habilitadores.
• Adições de capacidade de computação, especialmente implantações de Google TPU e Amazon Trainium versus a capacidade da NVIDIA.
• Preços de tokens, throughput e a proporção de capacidade destinada à inferência geradora de receita em vez de treinamento.
• Evidências de adoção empresarial e benefícios quantificáveis, especialmente em tecnologia, finanças, saúde e indústria.
• Spreads de crédito, emissão relacionada à IA e crescimento de compromissos fora do balanço.
• Disponibilidade de energia, licenças de data centers, adoção de geração behind-the-meter e desenvolvimentos regulatórios antes da eleição de 2028.
• Novos contratos de data centers, aquisição de capacidade e progresso de energização de provedores de energia local e powered shells.