AI lab and AI hyperscaler unit economics — Interpretação do relatório

Visão geral

Este aprofundamento do Barclays explica como os laboratórios de IA e seus parceiros de nuvem em hiperescala monetizam produtos de IA. Conclui que um mix mais forte de empresas e APIs, a eficiência de tokens e melhorias de infraestrutura elevaram marcadamente a economia unitária em 2026, mas a apresentação contábil e os termos de parceria podem fazer laboratórios superficialmente semelhantes parecerem muito diferentes.

Visões principais

O ponto central do Barclays é que a economia de produtos comparáveis dos laboratórios de IA pode ser semelhante, mas a receita reportada e a margem bruta agregada podem divergir substancialmente devido ao mix de negócios, ao reconhecimento de receita e aos acordos de parceria com hyperscalers. O relatório usa dois laboratórios de fronteira hipotéticos: o Laboratório A obtém mais de 70% da receita de API, incluindo 45% de API direta e 25% de API indireta, e 30% de assinaturas; o Laboratório B tem aproximadamente 80% da receita de assinaturas, 10% de API direta e 10% de API indireta. A API tende a ter uma margem de inferência maior que as assinaturas, portanto essa diferença de mix explica grande parte da divergência na rentabilidade reportada. O Barclays também supõe que cerca de 10% do custo total de treinamento, representando a rodada final de treinamento, seja registrado no custo dos produtos vendidos; a alocação final entre COGS e P&D continua incerta. O relatório estima que as margens de inferência paga melhoraram substancialmente em 2026, passando de percentuais de meados da casa dos dez em 2025 para 50%-65%+ nos dois laboratórios ilustrativos. A adoção empresarial e os fluxos de trabalho agênticos são descritos como produtos obrigatórios no mercado, deslocando o mix para contas de API e empresariais de maior margem. Ao mesmo tempo, modelos mais eficientes em tokens reduzem os tokens necessários por tarefa, o que sustenta as margens. Nas ilustrações do Barclays, a margem de inferência paga do Laboratório A sobe de 14% em 2025 para 65% em 2026, enquanto a do Laboratório B sobe de 18% para 48%; após o custo final de treinamento assumido, as margens brutas ajustadas melhoram cerca de 30-50 pontos percentuais. O compartilhamento de receita com parceiros estratégicos do Laboratório B continua a reduzir a rentabilidade até que determinados limites sejam atingidos e deve cair para zero em algum momento após 2028. A estrutura do produto importa. Produtos de assinatura como Claude Code ou Codex podem envolver tarifas mensais, cobranças baseadas em uso e limites redefinidos periodicamente. Os laboratórios podem subsidiar o consumo de tokens para reter usuários, tornando as margens de inferência das assinaturas geralmente menores que as das APIs. O Barclays estima margens de inferência de assinaturas em torno de 70%, observando que as margens de 2026 poderiam ser maiores antes da expansão da concorrência e da passagem da oferta de computação de escassez para excedente. A API direta é baseada em uso: desenvolvedores incorporam a API de um laboratório em seus próprios produtos e pagam pelo consumo de tokens. A maior eficiência dos modelos, os preços mais altos dos tokens de API, técnicas de infraestrutura como quantização e especuladores, a computação de próxima geração e o compartilhamento de receita com parceiros de nuvem sustentam uma economia de API mais forte. O Barclays ouviu que as margens de inferência de API estavam bem acima dos níveis ilustrados na Figura 5 no 2Q26, mas espera normalização em algum momento. A API indireta tem funcionalidade semelhante para o usuário final à API direta, mas muda a relação comercial: o hyperscaler cobra o usuário e conduz a entrada no mercado sem que o laboratório se envolva diretamente. Supõe-se que o Laboratório A reconheça a receita de API indireta pelo valor bruto, enquanto o Laboratório B a registra líquida de tarifas e pode não reconhecer receita quando seu parceiro estratégico hospeda o serviço. À medida que a API indireta se torna uma parcela maior do negócio, esse tratamento bruto versus líquido pode distorcer comparações de receita reportada, crescimento e progresso competitivo aparente, mesmo quando a economia subjacente é comparável. O relatório também acompanha como os gastos dos laboratórios de IA fluem para os hyperscalers. Para cada $100 de receita de laboratórios de IA em 2026, o Barclays estima que aproximadamente $35-$40 se transforma em receita dos hyperscalers, gerando quase $10-$20 de lucro operacional dos hyperscalers, com margens operacionais de aproximadamente 35%-45%. As tabelas ilustrativas mostram resultados diferentes por mix e parceria: o Laboratório A gera $35 de receita para hyperscalers e $11.8 de lucro, ou margem de 34%, enquanto o Laboratório B gera $41 de receita e $19.1 de lucro, ou margem de 47%. O compartilhamento de receita pode elevar a margem operacional reportada do hyperscaler, embora o Barclays considere que o lucro subjacente por token, excluindo essas tarifas, provavelmente seja o mesmo. No curto prazo, o Barclays afirma que quase cada dólar de ARR dos laboratórios de IA chega à receita dos hyperscalers porque o treinamento ainda é um grande componente dos gastos com IA. Seu resumo setorial projeta que a receita dos laboratórios de IA suba de $26 billion em 2025 para $137 billion em 2026E, $376 billion em 2027E e $690 billion em 2028E; a receita estimada de IA dos hyperscalers sobe de $36 billion para $124 billion, $289 billion e $502 billion, respectivamente. Ainda assim, a receita de IA dos hyperscalers como porcentagem da receita dos laboratórios de IA deve cair de 136% em 2025 para 90% em 2026E, 77% em 2027E e 73% em 2028E. O Barclays espera que os lucros de inferência acabem superando os custos de treinamento dos laboratórios, enquanto AWS, Azure e GCP devem ter participações semelhantes nos gastos de computação dos laboratórios de IA nos próximos dois anos, antes que projetos de infraestrutura de IA com suporte garantido comecem a tomar participação em 2028. O relatório alerta que as atuais margens dos laboratórios e dos hyperscalers podem estar acima das ilustrações, mas devem recuar ao longo do tempo à medida que a concorrência de fronteira aumenta e a escassez de computação diminui.

Estrutura de análise

O Barclays constrói cascatas ilustrativas de lucros e perdas de 2025 e 2026 para dois laboratórios de fronteira hipotéticos, separando receita de assinaturas, API direta e API indireta. Em seguida, aloca custos de inferência, custos de treinamento, tarifas de nuvem e compartilhamento de receita com parceiros para mostrar como o mix de produtos e o tratamento contábil afetam as margens dos laboratórios e a receita e o lucro operacional dos hyperscalers. Por fim, estende essa lógica a uma previsão setorial até 2028E.

Notas metodológicas

• OutroOutro

  Análise em cascata da economia unitária de laboratórios de IA e hyperscalers

  O relatório modela cada $100 de receita do cliente ou do laboratório de IA e então atribui participações de receita, custos de inferência, custos finais de treinamento e tarifas de parceiros para estimar as margens de laboratórios e provedores de nuvem.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Fluxo dos gastos dos laboratórios de IA para os hyperscalers

  O Barclays acompanha como a receita e a demanda de computação dos laboratórios de IA se transformam em receita de inferência e nuvem dos hyperscalers, e então estima a captura de lucro operacional associada.

Mapeamento e comparação de ativos

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

• Amazon Web Services (AWS)

  Hyperscaler que deve controlar uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos, antes que a infraestrutura com suporte garantido ganhe participação.

  Pontos fortes

  Participa da receita de treinamento e inferência dos laboratórios de IA; o Barclays estima que os hyperscalers capturam receita e lucro operacional relevantes dos gastos dos laboratórios de IA.

  Comparação

  O Barclays espera que AWS, Azure e GCP controlem uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos.

  Riscos

  Os hyperscalers podem começar a perder participação no mercado de treinamento e inferência dos laboratórios de IA a partir de 2028, à medida que projetos de infraestrutura com suporte garantido entrem em operação.

• Azure (MSFT)

  Hyperscaler que deve controlar uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos, antes que a infraestrutura com suporte garantido ganhe participação.

  Pontos fortes

  Participa da receita de treinamento e inferência dos laboratórios de IA; o compartilhamento de receita com parceiros estratégicos pode aumentar as margens operacionais reportadas das nuvens.

  Comparação

  O Barclays espera que AWS, Azure e GCP controlem uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos.

  Riscos

  Os hyperscalers podem começar a perder participação no mercado de treinamento e inferência dos laboratórios de IA a partir de 2028, à medida que projetos de infraestrutura com suporte garantido entrem em operação.

• Google Cloud Platform (GCP)

  Hyperscaler que deve controlar uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos, antes que a infraestrutura com suporte garantido ganhe participação.

  Pontos fortes

  Participa da receita de treinamento e inferência dos laboratórios de IA; o compartilhamento de receita com parceiros estratégicos pode aumentar as margens operacionais reportadas das nuvens.

  Comparação

  O Barclays espera que AWS, Azure e GCP controlem uma participação semelhante dos gastos de computação dos laboratórios de IA nos próximos dois anos.

  Riscos

  Os hyperscalers podem começar a perder participação no mercado de treinamento e inferência dos laboratórios de IA a partir de 2028, à medida que projetos de infraestrutura com suporte garantido entrem em operação.

Dados principais

• Margens de inferência paga dos laboratórios de IA em 202650%-65%+Estimativa do Barclays, acima dos percentuais de meados da casa dos dez em 2025.
• Melhora da margem bruta ajustada dos laboratórios de IA~30-50 points2026 versus 2025 após incluir os custos finais de treinamento.
• Receita dos hyperscalers por $100 de receita dos laboratórios de IA$35-$40Fluxo estimado relacionado à inferência em 2026.
• Lucro operacional dos hyperscalers por $100 de receita dos laboratórios de IANearly $10-$20Com margem operacional de aproximadamente 35%-45%.
• Previsão de receita dos laboratórios de IA$137B in 2026E; $376B in 2027E; $690B in 2028EVersus $26B em 2025.
• Previsão de receita de IA dos hyperscalers$124B in 2026E; $289B in 2027E; $502B in 2028EA participação estimada da receita dos laboratórios de IA cai de 90% para 77% e 73%, respectivamente.

Impacto e implicações

O relatório argumenta que comparações de receita e margem reportadas dos laboratórios de IA exigem ajuste pelo mix de produtos, tarifas de parceiros e contabilidade bruta versus líquida. Ele vê captura relevante de receita e lucro pelos hyperscalers no curto prazo a partir da demanda por IA, mas espera que a relação se torne menos concentrada a partir de 2028, à medida que a infraestrutura alternativa com suporte garantido se torne disponível e a rentabilidade de inferência dos laboratórios melhore.

Riscos

• As margens dos laboratórios de IA e dos hyperscalers podem cair à medida que a concorrência de fronteira se intensifica e a escassez de computação diminui.
• Os hyperscalers podem perder participação no mercado de treinamento e inferência dos laboratórios de IA a partir de 2028, à medida que projetos de infraestrutura com suporte garantido se tornem disponíveis.
• O reconhecimento bruto versus líquido da receita de API indireta pode distorcer a receita reportada dos laboratórios de IA e as comparações de progresso relativo.

Pontos a observar

• O ritmo de adoção empresarial e de fluxos de trabalho agênticos e o deslocamento resultante para receita de API e empresarial.
• Se as margens de inferência de API, reportadamente muito acima dos níveis ilustrados no 2Q26, se normalizam ao longo do tempo.
• Como os laboratórios de IA alocam custos de treinamento entre COGS e P&D nos relatórios GAAP.
• Mudanças no reconhecimento de receita de API indireta e nos acordos de compartilhamento de receita com parceiros estratégicos.
• O momento e o impacto de projetos de infraestrutura de IA com suporte garantido que devem afetar a participação dos hyperscalers a partir de 2028.