US hyperscaler AI compute infrastructure and AI-economy monetization: A Goldman Sachs estima que os hyperscalers dos EUA precisam gerar cerca de $1.42 trillion de receita em CY2028-30 para obter ROIC de 15% sobre o capex de AI de CY2026-27.

Visão geral

A Goldman Sachs avalia quanto de receita futura da economia de AI os principais hyperscalers dos EUA precisam gerar para justificar a expansão atual de computação de AI. O modelo conclui que a intensidade de capital pode comprimir os retornos no curto prazo, mas restrições de capacidade, backlogs de nuvem e vias crescentes de monetização empresarial e de consumo podem sustentar retornos atrativos no médio e longo prazo.

Visões principais

O relatório argumenta que o debate dos investidores passou de saber se os hyperscalers conseguiriam retorno sobre a onda de investimento CY2023-25 para saber se a expansão maior de computação de AI em CY2026-27 pode gerar retorno suficiente em CY2028-30. A Goldman Sachs interpreta o aumento atual dos gastos como resposta ao maior consumo de tokens de AI, ao desequilíbrio de oferta e demanda em tempo real e às necessidades plurianuais de computação de clientes. A compressão do ROIC no curto prazo seria consequência natural do grande investimento inicial, e não evidência de economia de AI estruturalmente ruim. A análise bottom-up de semicondutores indica capex de infraestrutura de AI de aproximadamente $1.3 trillion em 2027, alta de 60% em relação ao ano anterior, e $2.0 trillion em 2028, alta de 42%. A implantação implícita é de aproximadamente 20 GW, 35 GW e 57 GW em 2026, 2027 e 2028. Os números incluem laboratórios de AI, empresas de AI soberana e clientes corporativos, além do capex tradicional de hyperscalers. Embora orientação da cadeia de suprimentos não seja uma previsão quantitativa precisa, especialmente em ambiente de oferta restrita, a Goldman Sachs a considera um indicador útil das tendências de gastos no médio prazo. A Goldman Sachs usa Alphabet, Amazon, Microsoft, Meta, Oracle e SpaceX como proxy para a expansão de computação de AI. O modelo isola o capex relacionado a AI de CY2026-27 e exclui receitas e EBIT de CY2026-27 gerados quando a capacidade entra em operação, assim como investimentos posteriores a 2027. Pressupõe aproximadamente 70% do capex em computação e 30% em terrenos, edifícios e infraestrutura; custo inicial de aproximadamente $42 billion por GW; vidas úteis de 5 anos e 15 anos para computação e shells; custo anual não relacionado à depreciação de operação e manutenção de $836 million por GW; e imposto corporativo de 21%. Com um limiar anual de ROIC de 15%, definido como NOPAT de CY2028-30 em relação ao capex anual médio de CY2026-27, as seis empresas precisam gerar aproximadamente $1.42 trillion de receita acumulada em CY2028-30, ou aproximadamente $11.6 billion anuais por GW. Ao variar a meta de ROIC entre 0% e 30% e o custo por GW entre aproximadamente $34 billion e $51 billion, a receita acumulada necessária fica entre aproximadamente $908 billion e $1.89 trillion, ou entre $6.2 billion e $18.6 billion anuais por GW. A Goldman Sachs caracteriza o limiar de 15% como razoável e provavelmente conservador. Os backlogs de nuvem fornecem uma referência prática. AWS, Azure e Google Cloud reportaram backlog combinado de aproximadamente $1.69 trillion em C2Q26, alta de 152% em relação ao ano anterior e cerca de 1.5 vezes o nível do início do ano. Para essas três empresas, aproximadamente $1.22 trillion de capex CY2026-27 exigiria aproximadamente $1.00 trillion de receita acumulada em CY2028-30 com ROIC de 15%, ou cerca de 59% do backlog reportado atual. O relatório alerta que o backlog inclui compromissos não relacionados à nuvem e que sua conversão depende de concentração de clientes, mix de produtos e timing dos contratos, mas observa que a comparação pressupõe nenhum crescimento futuro do backlog apesar do crescimento sequencial recente de dois dígitos ou mais. Comentários da administração apoiam a perspectiva de retorno. A Amazon descreveu equipamentos de servidores e rede com vida útil de aproximadamente 5-6 anos e ponto de equilíbrio de aproximadamente 3 anos, enquanto shells de data centers podem suportar vários ciclos de servidores. A Oracle citou ROIC em estado estacionário de high-20s% para grandes projetos de infraestrutura, e a SpaceX descreveu período de payback de um ano para capacidade terrestre de data center de AI. Microsoft, Meta, Amazon e Alphabet destacaram projetos flexíveis ou modulares, portabilidade de workloads e implantação escalonada, que a Goldman Sachs entende reduzirem a exposição a uma única tecnologia ou utility e apoiarem a utilização. O relatório identifica Infrastructure-as-a-Service empresarial, serviços de software, aumentos de preço de nuvem, publicidade, assinaturas e comércio agêntico como vias de monetização. Argumenta que uma curva mais ampla de preço-desempenho, da inteligência comoditizada e deflacionária à inteligência de fronteira com maior poder de precificação, pode ampliar os casos de uso de AI, embora nem todos os tokens e dólares de capex gerem retorno uniforme. Assim, mantém visão construtiva sobre a oportunidade agregada nos próximos 3-5 anos, reconhecendo que o ciclo de capital mascara retornos no curto prazo.

Estrutura de análise

A Goldman Sachs primeiro avalia demanda de AI, restrições de capacidade e expectativas de capex de hyperscalers usando comentários corporativos, dados de consenso e informações da cadeia de suprimentos de semicondutores. Em seguida, converte o capex de AI CY2026-27 em capacidade implícita em GW e constrói uma ponte de capex para receita com depreciação, custos operacionais, impostos e NOPAT alvo. Por fim, testa as premissas de ROIC e custo por GW e compara a receita necessária com backlogs de nuvem reportados e comentários da administração.

Notas metodológicas

• Marco de fundamentos corporativos e finançasSpread ROIC-WACC

  Estrutura de limiar de ROIC

  O relatório usa um limiar anual de ROIC de 15%, calculado com NOPAT de CY2028-30 em relação ao capex anual médio de CY2026-27, para estimar a receita necessária da expansão de AI.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Estimativa bottom-up de capex pela cadeia de suprimentos de semicondutores

  Orientações de empresas de semicondutores e premissas de receita por GW são usadas para inferir gastos de infraestrutura de AI e implantações de data centers.

• Métodos de avaliaçãoOutro

  Análise de cenários

  O relatório varia metas de ROIC de 0% a 30% e custos iniciais de capex de aproximadamente $34 billion a $51 billion por GW para mostrar como muda a receita futura necessária.

Mapeamento e comparação de ativos

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

• Alphabet (GOOGL)

  Hyperscaler dos EUA incluído no modelo de ROIC e na comparação de backlogs de nuvem pública.

  Pontos fortes

  Backlog do Google Cloud e capacidade de deslocar capacidade entre workloads internos e externos.

  Comparação

  Uma das empresas AWS, Azure e Google Cloud no referencial de backlog de três empresas.

  Riscos

  Concorrência de produtos e publicidade, disrupção de busca, pressão de investimento elevado e escrutínio regulatório.

• Amazon (AMZN)

  Hyperscaler dos EUA incluído no modelo de ROIC e na comparação de backlogs de nuvem pública.

  Pontos fortes

  Economia de capex da AWS, infraestrutura modular e utilidade dos shells de data center em múltiplos ciclos.

  Comparação

  Uma das empresas AWS, Azure e Google Cloud no referencial de backlog de três empresas.

  Riscos

  Concorrência em nuvem e e-commerce, execução em negócios de alta margem, pressão sobre margens por investimento, regulação e volatilidade macroeconômica.

• Microsoft (MSFT)

  Hyperscaler dos EUA incluído no modelo de ROIC e na comparação de backlogs de nuvem pública.

  Pontos fortes

  Frota de infraestrutura flexível, stack tecnológico unificado e visão da administração de que margens de AI podem se aproximar das margens de nuvem.

  Comparação

  Uma das empresas AWS, Azure e Google Cloud no referencial de backlog de três empresas.

  Riscos

  Rampa mais longa de silício interno, investimentos acima do esperado fora de Azure, mudanças de liderança e migração para software customizado.

• Meta Platforms (META)

  Hyperscaler dos EUA incluído no modelo de ROIC.

  Pontos fortes

  Implantação de capacidade modular e escalonada e potencial de monetização de AI de consumo por publicidade, assinaturas e comércio.

  Comparação

  Incluída com outros hyperscalers no modelo agregado de seis empresas.

  Riscos

  Concorrência por usuários e publicidade, pressão prolongada de margens por investimento, regulação e escrutínio antitruste.

• Oracle (ORCL)

  Hyperscaler dos EUA incluído no modelo de ROIC.

  Pontos fortes

  A administração citou ROIC em estado estacionário de high-20s% para grandes projetos de infraestrutura.

  Pontos fracos

  A Oracle principalmente aluga capacidade de data center, portanto a divisão entre computação e shells é ilustrativa.

  Comparação

  Incluída com outros hyperscalers no modelo agregado de seis empresas.

  Riscos

  Concentração de clientes, timing e execução de data centers, capex intenso e perda de participação em banco de dados/SaaS.

• SpaceX (SPCX)

  Hyperscaler dos EUA incluído no modelo de ROIC.

  Pontos fortes

  A administração descreveu payback de um ano para capex de data center terrestre de AI e potencial de monetização de Infrastructure-as-a-Service.

  Pontos fracos

  Planos de AI e computação orbital envolvem incerteza significativa de execução.

  Comparação

  Incluída com outros hyperscalers no modelo agregado de seis empresas.

  Riscos

  Alta intensidade de capital e queima de caixa, financiamento e diluição, tecnologia não comprovada de data center orbital, concorrência, capacidade de lançamento e dependência da cadeia de suprimentos de chips.

Dados principais

• Receita necessária das seis empresas com ROIC de 15%~$1.42 trillion cumulative CY2028-30Equivale a aproximadamente $11.6 billion de receita anual por GW.
• Previsão de capex de infraestrutura de AI~$1.3 trillion in 2027; ~$2.0 trillion in 2028Alta de 60% em 2027 e de 42% em 2028 em relação ao ano anterior.
• Implantação implícita de data centers de AI~20 GW / 35 GW / 57 GWPara 2026, 2027 e 2028, respectivamente.
• Revisão do capex de consenso de cinco hyperscalers~66% or ~$750 billionAumento das estimativas CY2026-27 desde o início de 2026.
• Backlog reportado de três provedores de nuvem~$1.69 trillionAWS, Azure e Google Cloud combinados em C2Q26; +152% em relação ao ano anterior.
• Receita necessária de três provedores de nuvem~$1.00 trillion cumulative CY2028-30Aproximadamente 59% do backlog reportado sob o modelo de ROIC de 15%.

Impacto e implicações

O relatório diz que a questão principal é se a monetização futura da economia de AI pode atingir o limiar de receita do modelo, e não se o capex atual elevará imediatamente os retornos. Demanda forte de nuvem, precificação, crescimento de backlog, flexibilidade de capacidade e casos de uso empresariais e de consumo em expansão sustentariam a construção atual no longo prazo.

Riscos

• Provedores de infraestrutura de AI podem enfrentar uma lacuna de financiamento entre o capex atual e o EBITDA ou fluxo de caixa livre atual.
• A disponibilidade de terra, energia e shells de data centers pode limitar as expansões planejadas, especialmente em 2028 e além.
• A conversão de backlog pode ser afetada por concentração de clientes, mix de produtos e receitas e timing de contratos de longo prazo.
• O modelo exclui investimentos posteriores a 2027, leases fora do balanço, leases financeiros, SPVs e acordos de computação de terceiros, portanto é ilustrativo e não completo.
• Premissas uniformes de capacidade, mix de capex e vida útil de ativos podem não refletir fases específicas de construção ou a economia de infraestrutura de cada empresa.

Pontos a observar

• O ritmo do capex CY2026-27 dos hyperscalers e se permanece acima das expectativas do mercado.
• O crescimento de backlogs de nuvem e a velocidade com que AWS, Azure e Google Cloud convertem compromissos em receita.
• Preços, utilização e restrições de capacidade de computação de AI para workloads de treinamento e inferência.
• Disponibilidade de energia, terra e shells de data centers para 2028 e além.
• Evidências de adoção empresarial de AI, otimização de tokens e monetização de AI de consumo por publicidade, assinaturas e comércio.