IA: Modelos de pesos abertos impulsionarão a difusão da IA, com diferentes beneficiários em três cenários

Visão geral

O relatório concentra-se na concorrência entre modelos de pesos abertos e fechados, discutindo o lançamento do Kimi K3, potenciais restrições dos EUA a modelos chineses e o debate de mercado desencadeado por cartas de política relacionadas. O Morgan Stanley acredita que os investidores estão preocupados que modelos abertos menores e mais eficientes possam enfraquecer a demanda por computação e infraestrutura de IA, mas a visão central do relatório é que os modelos de pesos abertos acelerarão a difusão da IA por meio da concorrência e de custos mais baixos, potencialmente ampliando a adoção empresarial de IA.

Visões principais

O relatório acredita que as empresas atualmente usam tanto modelos abertos quanto fechados, com os modelos de pesos abertos sendo usados principalmente para casos de uso menores que exigem velocidade, segurança, chamadas frequentes ou adaptação específica de domínio, como codificação e análise de documentos. No longo prazo, se os modelos abertos continuarem a se aproximar dos modelos de fronteira, reduzirão os preços das APIs de modelos e expandirão a demanda; se os modelos fechados mantiverem sua liderança, um pequeno número de laboratórios de fronteira bem capitalizados, provedores de nuvem e fornecedores de infraestrutura de treinamento continuará a se beneficiar; se arquiteturas híbridas se tornarem predominantes, roteamento de modelos, orquestração, observabilidade, segurança e governança se tornarão mais importantes.

Estrutura de análise

O relatório utiliza uma estrutura de análise de cenários que divide a futura adoção empresarial de modelos de IA em três estados: modelos fechados vencem, arquiteturas híbridas vencem e modelos de pesos abertos vencem, e então deriva os beneficiários ao longo da cadeia setorial para cada um. A análise concentra-se em taxas de adoção empresarial, estruturas de custos, lacunas de desempenho, locais de implantação, soberania de dados, restrições regulatórias, complexidade da pilha de software e demanda por computação e energia.

Notas metodológicas

• pesquisa temáticaanálise de cenários de três estados

  Projetar diferentes cadeias de beneficiários do setor em torno da concorrência entre modelos abertos e fechados

  Em vez de prever um único caminho, o relatório divide o futuro em três cenários — modelos fechados vencem, modelos híbridos vencem e modelos abertos vencem — e compara os beneficiários relativos em nuvem, modelos, segurança, semicondutores, redes, infraestrutura on-premises e dispositivos de borda em cada cenário.

• mecanismo econômicoParadoxo de Jevons

  Melhorias de eficiência podem expandir a demanda total

  O relatório acredita que custos mais baixos dos modelos e maior eficiência podem não reduzir a demanda por infraestrutura de IA; em vez disso, o uso total pode se expandir à medida que mais empresas e casos de uso adotam IA.

• arquitetura de tecnologia empresarialestrutura de orquestração e observabilidade de modelos

  O valor da camada de software aumenta em ambientes multimodelo

  Quando as empresas executam tanto modelos abertos quanto fechados, camadas de gateways, roteamento, orquestração, avaliação, governança, segurança e observabilidade se tornam mais importantes porque as empresas precisam selecionar dinamicamente modelos com base em custo, capacidade, latência e conformidade.

Mapeamento e comparação de ativos

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

• GOOGL, AMZN, MSFT

  provedores de serviços em nuvem

  Pontos fortes

  Eles podem absorver cargas de trabalho de IA em cenários fechados ou híbridos; se o Gemini retornar à fronteira, a GOOGL também poderá se beneficiar da economia das APIs de modelos.

  Pontos fracos

  A queda dos preços de modelos abertos poderia limitar os retornos excedentes de modelos fechados; o grau de benefício para diferentes provedores de nuvem depende das capacidades dos modelos e das preferências de implantação dos clientes.

  Comparação

  GOOGL e AMZN se destacam quando os modelos fechados vencem; AMZN, GOOGL e MSFT se beneficiam no cenário híbrido; o relatório enfatiza MSFT no cenário de vitória dos modelos abertos.

  Riscos

  Mudanças no cenário competitivo dos modelos, quedas de preços e migração empresarial para implantação on-premises ou na borda.

• NVDA, AVGO

  semicondutores e computação de IA

  Pontos fortes

  O relatório acredita que NVDA se beneficia em múltiplos cenários; quando os modelos fechados vencem, a demanda por clusters de treinamento e computação de alta intensidade permanece forte, beneficiando também AVGO.

  Pontos fracos

  Se modelos abertos menores melhorarem significativamente a eficiência, a demanda de computação por tarefa poderá cair.

  Comparação

  O cenário de modelos fechados lista NVDA e AVGO; o cenário híbrido lista NVDA.

  Riscos

  Melhoria da eficiência dos modelos, preços de inferência mais baixos e mudança na demanda de computação do treinamento para a inferência ou a borda.

• PANW, CRWD, ZS, NTSK, OKTA, FTNT, SAIL, VRNS

  software de segurança

  Pontos fortes

  Implantações distribuídas, on-premises e multimodelo aumentam a demanda por controles de segurança, governança, identidade e acesso.

  Pontos fracos

  Quando os modelos fechados vencem, alguns encargos de segurança podem ser assumidos pelos laboratórios de modelos de fronteira.

  Comparação

  O software de segurança é um beneficiário importante nos três cenários, com cargas de trabalho distribuídas tornando-o mais importante nos cenários aberto e híbrido.

  Riscos

  A implantação empresarial de IA avança mais lentamente do que o esperado, ou os orçamentos de segurança não crescem em linha com o número de modelos.

• DDOG, PLTR, APPN

  software de infraestrutura, orquestração e observabilidade

  Pontos fortes

  Ambientes multimodelo exigem roteamento, orquestração, monitoramento, avaliação e acompanhamento de custos e qualidade.

  Pontos fracos

  Se as empresas continuarem a adotar uma única API de modelo fechado, os aumentos na complexidade da pilha de software poderão ser limitados.

  Comparação

  O cenário híbrido lista DDOG, PLTR e APPN; o cenário de vitória dos modelos abertos lista PLTR.

  Riscos

  Consolidação de plataformas, substituição por ferramentas nativas dos provedores de nuvem e capacidades desenvolvidas internamente pelas empresas.

• DELL, HPE, NTAP, P, HPQ, AAPL

  infraestrutura on-premises e dispositivos de borda

  Pontos fortes

  Quando os modelos abertos vencem, mais cargas de trabalho migram para ambientes on-premises, nuvens privadas, nuvens soberanas e dispositivos de borda.

  Pontos fracos

  Se os modelos fechados mantiverem sua liderança, as empresas poderão continuar consumindo modelos por meio da nuvem e de APIs, reduzindo a demanda por hardware local.

  Comparação

  Esses ativos se beneficiam principalmente quando os modelos de pesos abertos vencem.

  Riscos

  Altos custos de implantação local para modelos grandes, escassez de talentos de engenharia nas empresas e períodos de retorno incertos.

• BE, INIO, SEI, WMB, LBRT

  infraestrutura de energia e geração no local

  Pontos fortes

  Quando os modelos fechados vencem, superclusters de treinamento impulsionam demanda em escala de gigawatts por energia confiável.

  Pontos fracos

  Se a eficiência dos modelos melhorar substancialmente e as cargas de trabalho se tornarem mais distribuídas, a demanda incremental de clusters de treinamento centralizados em escala hyperscale poderá enfraquecer.

  Comparação

  O relatório enfatiza especificamente fornecedores de energia no local no cenário de vitória dos modelos fechados.

  Riscos

  Construção mais lenta de data centers, restrições de interconexão à rede elétrica e ciclos regulatórios e de despesas de capital.

Dados principais

• Taxa de uso empresarial de modelos abertos63%Uma pesquisa da McKinsey com 700 líderes de tecnologia em 41 países mostra que 63% dos respondentes usam modelos abertos, tipicamente junto com modelos fechados.
• Parcela dos tokens OpenRouter de empresas dos EUA roteados para modelos abertos chineses30%+O relatório afirma que, de fevereiro a julho de 2026, mais de 30% dos tokens OpenRouter usados semanalmente por empresas dos EUA foram roteados para modelos abertos chineses, embora os dados possam ser mais representativos de startups do que de grandes empresas.
• Benefício e custo médios de uma tarefa de IA$55 de benefício vs. $2-5 de custoO relatório cita suas estimativas anteriores para ilustrar que a adoção empresarial de IA ainda tem substancial espaço para crescimento.
• Potencial redução de preço com modelos abertosaproximadamente 70%O relatório cita um estudo do MIT indicando que a mudança de modelos fechados para abertos poderia reduzir os preços médios em 70% e economizar aproximadamente $25B por ano aos consumidores, observando limitações relacionadas ao período do estudo, diferenças entre modelos e custo total de propriedade.
• Período de retorno para implantação abertade até 3 meses a até 6 anosUm estudo da Carnegie Mellon mostra que os períodos de retorno para implantações menores podem ser tão curtos quanto 3 meses, enquanto implantações em grande escala com 200B-1T parâmetros podem levar até 6 anos.
• Cenários de ROIC da API de modelos da GOOGLaproximadamente 45% ou aproximadamente 30%Se o Gemini retornar à fronteira, o relatório estima que o ROIC da GOOGL ao executar APIs de modelos em sua própria infraestrutura seria de aproximadamente 45%; como provedora de infraestrutura, seria de aproximadamente 30%.

Impacto e implicações

A implicação de investimento é que os modelos abertos não necessariamente enfraquecem a tese de investimento em IA; em vez disso, custos mais baixos e a expansão dos casos de uso poderiam gerar gastos empresariais mais amplos em IA. Uma vitória dos modelos fechados favoreceria laboratórios de modelos de fronteira, nuvem, computação de treinamento, redes e energia; uma vitória híbrida favoreceria nuvem, software de infraestrutura, software de segurança e orquestração de modelos; uma vitória dos modelos abertos favoreceria infraestrutura on-premises, dispositivos de borda, segurança, observabilidade, roteamento e implantação na camada de aplicações.

Riscos

• Potenciais restrições dos EUA aos modelos chineses de pesos abertos poderiam criar riscos de continuidade dos negócios.
• Empresas que usam modelos abertos devem arcar com custos de ajuste fino, hospedagem, talentos e computação; aberto não significa gratuito em termos de custo total de propriedade.
• Modelos de pesos abertos enfrentam riscos que incluem a remoção do alinhamento de segurança, modificação maliciosa e responsabilização pouco clara.
• Preocupações empresariais com confiança, marca, segurança e conformidade relativas a modelos estrangeiros podem limitar a adoção.
• Se os modelos fechados de fronteira continuarem liderando por ampla margem, a penetração de modelos abertos em cargas de trabalho empresariais centrais poderá ficar abaixo das expectativas.

Pontos a observar

• Mudanças na lacuna de desempenho entre modelos de pesos abertos como Kimi K3, Qwen, DeepSeek, Llama e Gemma e modelos fechados de fronteira.
• Restrições regulatórias dos EUA a modelos abertos chineses e da China a modelos de fronteira estrangeiros.
• Mudanças na participação real de arquiteturas abertas, fechadas e híbridas nos gastos empresariais com IA.
• Preços de APIs de modelos, custos por token, eficiência de inferência e o ritmo de expansão dos casos de uso empresariais.
• O ritmo com que as empresas implantam cargas de trabalho de IA on-premises, em nuvens privadas, nuvens soberanas e na borda.
• Crescimento do orçamento para software de orquestração, roteamento, observabilidade, segurança e governança de modelos.