AI arms race and implications for Australian technology infrastructure: Jefferies vê demanda duradoura por infraestrutura de AI apoiando empresas australianas de tecnologia selecionadas

Visão geral

A Jefferies resume uma chamada com Bill Rojas, da GlobalData, sobre a corrida armamentista de AI e suas implicações para a tecnologia australiana. A concorrência entre modelos e a queda de preços dos modelos de AI não precisam reduzir a demanda por infraestrutura, pois o consumo crescente de tokens continuará exigindo chips, energia, capacidade de centros de dados e cargas de GPU.

Visões principais

A tese central é que a demanda de infraestrutura de AI depende do consumo de tokens, não da rentabilidade de curto prazo dos desenvolvedores de modelos de fronteira. A modelagem da GlobalData sugere que a demanda diária global pode crescer de mais de 300 trillion para 2-5 quadrillion em 2030; a China já gera aproximadamente 100 trillion tokens de AI por dia. Modelos de raciocínio avançado podem multiplicar a geração de tokens por uma ordem de grandeza. O relatório prevê expansão de chips, energia e centros de dados até o fim da década, com possível moderação após 2032, citando aproximadamente 200GW de capacidade global e capex de semicondutores de US$950bn em 2026 para US$1.4tn em 2030. OpenAI e Anthropic ainda lideram em raciocínio altamente complexo, apoiadas por maiores orçamentos de R&D e pelos chips mais recentes; Bill estima o gasto anual de R&D da OpenAI em aproximadamente US$20bn. A China reduziu materialmente a diferença nos últimos 24 meses via arquitetura, eficiência, otimização e destilação, apesar das restrições de hardware. A produção chinesa está concentrada em 7nm e não dispõe de EUV para processos abaixo de aproximadamente 4nm, mas o relatório argumenta que talento em design e inovação algorítmica compensam parte dessa limitação. Sanções, portanto, atrasam, mas não interrompem permanentemente, o avanço chinês. Modelos de pesos abertos divulgam parâmetros e pesos, enquanto modelos plenamente open source também divulgam código, dados e processos; a maioria dos modelos chamados de open source são, de fato, de pesos abertos. Modelos chineses mais baratos e destilação podem levar empresas a usá-los em 80-90% da inferência, preservando modelos fechados para raciocínio complexo e aplicações críticas. Isso pode reduzir o TAM de OpenAI e Anthropic. Bill não espera retornos econômicos relevantes antes de 2029; o ROI pode emergir em 2029-30, mas potencialmente abaixo de 10% devido aos custos de GPU e à complexidade crescente. A perspectiva favorece neoclouds e centros de dados nos próximos 3-5 anos. Compromissos de longo prazo, backlog contratado, apoio financeiro, amplitude de serviços, otimização e clientes âncora são diferenciais crescentes; 1GW de infraestrutura de AI pode exigir US$50-60bn. Operadores regionais enfrentam menos concorrência direta de hyperscalers. Limitações de energia e aprovações nos EUA podem redirecionar atividade para Austrália, Malásia, Indonésia, Tailândia, Escandinávia e Europa do Norte. Para a tecnologia australiana, a Jefferies reafirma MP1, Infratil via CDC, NXT e MAQ como beneficiários. Modelos abertos mais baratos podem impulsionar cargas de GPU da Latitude.sh da Megaport, enquanto a capacidade de centros de dados de NXT, CDC e MAQ pode acomodar servidores de AI. O relatório vê valor final maior em AI física e de borda do que em modelos fundacionais. Os resultados de produtividade corporativa permanecem mistos, mas automação industrial, robótica, sistemas autônomos e computação de borda podem superar US$100tn ao longo do tempo. A AI física afeta diretamente produtividade, utilização, custos e produção. Infratil usa SOTP; MAQ usa DCF e SOTP; MP1 usa DCF de 15 anos com 8.8% WACC e 4% de crescimento terminal; NXT usa DCF com 6.5% WACC e 3.5% de crescimento terminal.

Estrutura de análise

A Jefferies parte da concorrência de modelos e dos fatores de demanda de tokens, relacionando-os a chips, energia, neoclouds e centros de dados. Em seguida, aplica essa lógica aos provedores selecionados de infraestrutura da Austrália e Nova Zelândia, preservando avaliações DCF e SOTP específicas por empresa.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Consumo de tokens como motor da demanda por chips, energia e capacidade de centros de dados.

  O relatório vincula o crescimento previsto de tokens às necessidades de computação e energia e, depois, à demanda pelos provedores de infraestrutura de AI.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Transmissão dos modelos e cargas de inferência empresarial para neoclouds, serviços de GPU e centros de dados.

  Modelos de pesos abertos mais baratos ampliariam cargas de AI e a demanda por hospedagem, redes e capacidade de centros de dados.

• Métodos de avaliaçãoDCF (fluxo de caixa descontado)

  Avaliação por fluxo de caixa descontado para MAQ, MP1 e NXT.

  O relatório usa premissas explícitas de WACC, taxa livre de risco, beta, estrutura de capital e crescimento terminal.

• Métodos de avaliaçãoAvaliação SOTP por soma das partes

  Avaliação por soma das partes para Infratil e Macquarie Technology Group.

  A abordagem avalia ativos separados com múltiplos EV/EBITDA ou valores de ativos e depois os agrega.

Mapeamento e comparação de ativos

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

• Infratil Limited (IFT)

  Beneficiário coberto por meio da exposição ao centro de dados CDC.

  Pontos fortes

  CDC está posicionado para atender à expansão da demanda por servidores de AI; sua avaliação SOTP usa 32x EV/EBITDA e reflete aproximadamente 8x EV/Contracted EBITDA.

  Pontos fracos

  Possível necessidade de injeção adicional de capital ou capex.

  Riscos

  Atrasos de construção e contratos em CDC e Longroad Energy, necessidade adicional de financiamento e concorrência de preços móveis na One NZ.

• Macquarie Technology Group (MAQ)

  Beneficiário coberto com pipeline de capacidade de centros de dados para infraestrutura de AI.

  Pontos fortes

  O relatório destaca capacidade para atender à crescente demanda de centros de dados.

  Pontos fracos

  Exposição à execução de obras e concentração de clientes.

  Comparação

  O SOTP aplica múltiplos diferentes a CS&G, ativos estabilizados de centros de dados, IC3SW e Telecom.

  Riscos

  Atrasos de construção em IC3 Super West, perda de clientes governamentais ou empresariais e concorrência de preços de hospedagem.

• Megaport Limited (MP1)

  Beneficiário coberto por cargas de GPU da Latitude.sh e demanda mais ampla de redes de AI.

  Pontos fortes

  Escala global e potencial de maior demanda de banda e serviços de valor agregado.

  Pontos fracos

  Baixas barreiras de entrada em redes e possível queda de preços conforme os custos de hardware diminuem.

  Comparação

  A escala global é descrita como a principal vantagem, salvo se grandes operadores de centros de dados criarem uma plataforma virtual de cross-connect.

  Riscos

  Concorrência, queda de preços, dificuldade para obter os mais recentes chips de GPU e sensibilidade às taxas de juros.

• NextDC Limited (NXT)

  Beneficiário coberto com capacidade de centros de dados para alojar servidores de AI.

  Pontos fortes

  O pipeline de capacidade está alinhado à crescente demanda por infraestrutura de AI.

  Pontos fracos

  Precisa investir capital antes de receber receita dos clientes.

  Comparação

  Concorrentes com menor custo de capital podem oferecer preços mais baixos que a NXT.

  Riscos

  Poder de barganha dos hyperscalers, contratos irregulares e lacunas de utilização, concorrentes de menor custo e sensibilidade às taxas de juros.

Dados principais

• Demanda global diária de tokensMore than 300 trillion currently; 2-5 quadrillion by 2030Modelagem da GlobalData citada pelo especialista; o crescimento deve permanecer forte até 2032.
• Geração diária de tokens na ChinaRoughly 100 trillionEstimativa de Bill Rojas para a geração diária atual de tokens de AI.
• Necessidade potencial global de energiaApproximately 200GWNecessidade potencial de capacidade associada às estimativas de demanda de tokens em 2030.
• Capex global ligado a semicondutoresRoughly US$950bn in 2026; approximately US$1.4tn by 2030Estimativa de Bill Rojas.
• ROI de AI de fronteiraPotentially below 10%Bill não espera retornos adequados antes de pelo menos 2029; o ROI pode surgir em 2029-30.
• Uso empresarial de pesos abertos80-90% of use casesExpectativa de Bill para o uso empresarial de inferência.
• Investimento em infraestrutura de AIUS$50-60bn per 1GWEstimativa da necessidade de capital para infraestrutura de AI.
• Oportunidade de mercado de AI físicaUS$100tn+ over timeOportunidade potencial de longo prazo citada pelo especialista.

Impacto e implicações

A compressão de preços e a concorrência podem enfraquecer a economia dos desenvolvedores de modelos de fronteira sem reduzir a demanda de infraestrutura. O uso mais amplo e intensivo em tokens deve apoiar serviços regionais de GPU, redes e centros de dados, com MP1, CDC/IFT, NXT e MAQ como beneficiários relevantes. A longo prazo, o relatório espera maior criação de valor em AI física e de borda.

Riscos

• Riscos de segurança, responsabilidade e cibersegurança de AI podem se tornar mais relevantes à medida que os modelos se tornam mais autônomos e capazes.
• Modelos de pesos abertos e destilação podem pressionar o mercado endereçável e a economia dos modelos de fronteira fechados.
• Operadores de neocloud e centros de dados demandam capital substancial e dependem de compromissos de clientes de longo prazo e de utilização.
• Atrasos de construção, perda de clientes, pressão competitiva de preços e juros mais altos são riscos explícitos para as empresas de infraestrutura cobertas.
• Os resultados de produtividade da AI empresarial permanecem mistos, com evidência ampla ainda limitada.

Pontos a observar

• O ritmo de crescimento de tokens, especialmente se cargas de raciocínio elevarem a demanda de inferência acima do esperado.
• Disponibilidade de energia para centros de dados, aprovações de projetos e a capacidade de mercados regionais absorverem infraestrutura adicional de AI.
• A evolução de backlogs contratados e compromissos de clientes âncora para provedores de neocloud e centros de dados.
• A divisão de adoção entre modelos de pesos abertos e modelos de fronteira fechados.
• Evidência de que implantações de AI física e de borda geram melhorias mensuráveis em produtividade, custos e produção.