The age of inference in generative AI — Interpretação do relatório

Visão geral

O guia colaborativo da Morgan Stanley examina oito debates importantes de IA generativa na “era da inferência”. A conclusão central é que o ciclo de investimento continua plurianual, mas os próximos beneficiários relativos seriam hiperescaladores, habilitadores de software e aplicações, adotantes empresariais iniciais e fornecedores que solucionam restrições de energia em data centers.

Visões principais

A Morgan Stanley espera que o capex de data centers dos hiperescaladores cresça cerca de 60%, ou aproximadamente $500 billion, para $1.5 trillion em 2027, desacelerando para cerca de 12% em 2028. A análise bottom-up de chips e racks incorpora oferta limitada de chips, pré-construção, inflação de componentes e energia e restrições de mão de obra, materiais e rede. Parte do capex de 2026, em alguns casos 30-40%, é destinada a terrenos, edifícios, equipamentos e energia para instalações que abrirão em 2027-29. A desaceleração do capex, combinada com receitas maiores de hiperescaladores e software, deve deslocar fluxos relativos de hardware, semicondutores e memória para infraestrutura e software, beneficiando AMZN, GOOGL, MSFT e META. A expansão de capacidade continua expressiva. A Morgan Stanley projeta cerca de 80 GW entrando em operação em 2027-28, divididos em 38 GW em 2027 e 44 GW em 2028, elevando a capacidade total de cerca de 35 GW em 2025 para cerca de 145 GW em 2028. GOOGL adicionaria a maior capacidade, apoiada por Gemini, Google Cloud e ofertas de IA em Search e YouTube. ASICs customizados subiriam de 34% da capacidade incremental em 2025 para 66% em 2028, liderados por Trainium e TPU; ambos somariam 12 GW em 2028, versus 13 GW para NVIDIA. O relatório considera computação um recurso escasso e monetizável quando entra em operação. O relatório testa três rotas de monetização: aluguel de GPU por hiperescaladores, APIs de modelos em infraestrutura própria e APIs em infraestrutura de terceiros. Para 1 GW de GB300, o caso-base de aluguel de GPU considera cerca de $23 billion de receita por GW, $8 billion de custos operacionais, incluindo $4.6 billion de depreciação de TI, cerca de $15 billion de EBIT incremental e ROIC após impostos de cerca de 30%. APIs de modelos em infraestrutura própria poderiam gerar cerca de $30 billion de receita por GW, cerca de $18 billion de NOPAT e ROIC de cerca de 46%. O modelo de terceiros tem potencial de receita de cerca de $41 billion por GW, mas custos de aluguel reduzem a economia-base a margem NOPAT de cerca de 25%. A Morgan Stanley mostra caminhos de ROIC de 25-50%, com os maiores retornos na camada de modelos em infraestrutura própria. A oportunidade global é estimada em $50-$60 trillion de gasto digitalizável ou ampliável: $20-$30 trillion em trabalho de conhecimento e cerca de $30 trillion em consumo, incluindo varejo, viagens, mobilidade autônoma, entrega de alimentos e publicidade. Usando a adoção de nuvem pública como analogia, a Morgan Stanley estima cerca de $800 billion em gastos empresariais com IA em 2027, cerca de 4% da oportunidade de trabalho de conhecimento, e argumenta que a IA pode difundir mais rapidamente. Tecnologia, serviços de comunicação, finanças, saúde e indústria são os setores mais avançados. Cerca de 25% das empresas do S&P 500 quantificavam benefícios de IA generativa em 2Q26, ante 14% um ano antes; tecnologia subiu de 28% para 51%, finanças de 8% para 37% e indústria de 19% para 21%. Modelos open-weight são vistos como catalisadores de adoção, não como ameaça à demanda de computação. Menor custo e flexibilidade podem pressionar preços de token de modelos de fronteira, mas devem ampliar a demanda de token e reforçar AWS Bedrock, Microsoft Foundry e Google Vertex, que monetizam computação, ajuste fino, pipelines de dados e outros serviços. Mesmo com maior proliferação desses modelos, a análise ainda indica ROIC de cerca de 20-40% em 1 GW de GB300. Em financiamento, a Morgan Stanley não vê restrição de crédito no curto prazo apesar de cerca de $450 billion em emissão global de dívida ligada à IA no ano. O ajuste ocorreria por spreads mais amplos, e não por restrição de emissão, sobretudo para hiperescaladores de alta qualidade. AMZN, GOOGL, MSFT e META gerariam $980 billion e $1.2 trillion de fluxo de caixa operacional em 2027 e 2028, respectivamente, contra apenas $290 billion de dívida necessária. Porém, leases fora do balanço e compromissos de longo prazo elevam a exposição de alavancagem. Disponibilidade de energia é o principal gargalo físico. A Morgan Stanley estima déficit de 38 GW nos EUA e espera maior adoção de geração behind-the-meter devido a escrutínio local, interconexão lenta, restrições de mão de obra e custos maiores. Essa solução acrescentaria cerca de $3 billion ao capex por GW, já incorporado a partir de Rubin Ultra em 2H27 e 2028, a custo total de $50 billion/GW. Isso apoia a visão construtiva para BE, INIO, SEI, CIFR, WULF, HUT e RIOT. O relatório também cita risco político associado à eleição de 2028 e a possíveis moratórias locais ou políticas federais.

Estrutura de análise

A Morgan Stanley combina estimativas bottom-up de chips, racks, capacidade e custo por GW com estruturas operacionais e de avaliação por cenários. Em seguida, conecta capex, oferta de computação, economia de monetização, evidências de adoção, condições de crédito e restrições de energia para identificar beneficiários e riscos na cadeia de valor da IA.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Análise bottom-up de capex de data centers e capacidade de computação

  O relatório estima custos por GW de chips, racks, powered shells e outros itens, usando restrições de oferta e adições planejadas de capacidade para avaliar o ciclo de infraestrutura de IA.

• Marco de fundamentos corporativos e finançasSpread ROIC-WACC

  Cenários de ROIC de IA generativa

  A Morgan Stanley calcula receita, custos, EBIT, NOPAT e capital investido por GW em três modelos de monetização para testar os retornos da infraestrutura de inferência.

• Métodos de avaliaçãoDCF (fluxo de caixa descontado)

  Avaliação DCF de empresas selecionadas de infraestrutura de energia

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

• Marco de ciclo e conjunturaCiclo de vida do produto

  Analogias históricas de adoção tecnológica

  O relatório compara o ciclo de IA com a adoção de mobile e nuvem pública para enquadrar a provável sequência de monetização de infraestrutura, software e serviços.

Mapeamento e comparação de ativos

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

• Amazon.com (AMZN)

  Hiperescalador e habilitador de IA generativa que se beneficiaria de nuvem, demanda de AWS e monetização de inferência.

  Pontos fortes

  Expansão de capacidade AWS, negócios de alta margem e receita recorrente ligada ao Prime.

  Pontos fracos

  A alta intensidade de investimento pode persistir mais do que o esperado.

  Comparação

  Um dos principais hiperescaladores beneficiados pela rotação para habilitadores e software.

  Riscos

  Desaceleração de receita ou margem de AWS; piores margens de varejo; investimento prolongado.

• Microsoft (MSFT)

  Hiperescalador e habilitador de software posicionado para monetizar Azure AI e Copilot.

  Pontos fortes

  Crescimento de Azure, monetização de Microsoft 365 e adoção maior de serviços de IA.

  Pontos fracos

  Pressão de margem bruta por investimento e adoção limitada de IA enfraqueceriam a tese.

  Comparação

  Um dos principais beneficiários integrados de infraestrutura e software de IA.

  Riscos

  Gasto de TI fraco, desaceleração de nuvem, maior investimento e adoção limitada de IA.

• Meta Platforms (META)

  Fornecedor integrado de modelos e adotante de IA; importante habilitador de IA generativa e top pick.

  Pontos fortes

  Ativos amplos de distribuição e dados, melhor engajamento e monetização publicitária.

  Pontos fracos

  O elevado gasto de data centers requer demonstração de retorno de longo prazo.

  Comparação

  A economia de modelos em infraestrutura própria é especialmente atraente; META tem mais a provar em monetização de produto que alguns hiperescaladores.

  Riscos

  Monetização mais lenta de Reels, regulação de anúncios, pressão macro, perdas maiores em Reality Labs e maior intensidade de capital.

• Alphabet (GOOGL)

  Beneficiário de hiperescala e plataforma de IA por Search, YouTube, Google Cloud, Gemini e TPU.

  Pontos fortes

  Dados próprios e distribuição em escala, aceleração de nuvem e grandes adições de capacidade por TPU.

  Pontos fracos

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

  Comparação

  Deve adicionar a maior capacidade de computação e liderar a mudança para silício customizado.

  Riscos

  Crescimento menor de publicidade, pressão de margens, menor disciplina de despesas e custos maiores de IA.

• NVIDIA (NVDA)

  Fornecedor de infraestrutura de computação beneficiado pelo desequilíbrio persistente entre oferta e demanda de IA.

  Pontos fortes

  Liderança de Blackwell e demanda contínua por sistemas de IA de próxima geração.

  Pontos fracos

  O crescimento de silício customizado limita expansão de múltiplos no curto prazo.

  Comparação

  A Morgan Stanley prevê 13 GW de capacidade NVIDIA em 2028, versus 12 GW combinados de Trainium e TPU.

  Riscos

  Normalização mais rápida da oferta, menor custo de IA, GPU ou hardware customizado competitivo, tarifas e controles de exportação.

• Bloom Energy (BE)

  Fornecedor de geração no local que se beneficiaria de restrições de tempo para obtenção de energia.

  Pontos fortes

  Exposição por células de combustível à demanda de energia de IA e à economia de energia distribuída.

  Pontos fracos

  Crescimento e margens dependem de redução de custos e adoção.

  Comparação

  Citada com INIO e SEI como beneficiária direta de geração behind-the-meter.

  Riscos

  Concorrência, falha em atingir metas de custo, regulação de emissões e cobranças sobre geração distribuída.

• Solaris Energy Infrastructure (SEI)

  Fornecedor de soluções de tempo para obtenção de energia e microgrids para data centers.

  Pontos fortes

  Posição pioneira, alternativa competitiva à rede e possibilidade de expansão de capacidade.

  Pontos fracos

  A economia depende de contratos, capex de overhaul e valor terminal das turbinas.

  Comparação

  Incluída entre empresas de energia no local beneficiadas por maiores restrições de rede.

  Riscos

  Sem aquisição de capacidade ou novos contratos, pior economia de microgrids, concentração de clientes e dúvidas sobre valor terminal.

• TeraWulf (WULF)

  Fornecedor powered shell que realiza conversões Bitcoin-to-data-center.

  Pontos fortes

  Histórico em infraestrutura de energia e contratos de data centers; potencial de converter 2,082 MW não contratados.

  Pontos fracos

  A avaliação depende de energização, execução e conversão de leases.

  Comparação

  A Morgan Stanley considera WULF um strong pick entre provedores powered shell.

  Riscos

  Desaceleração de IA, atrasos e sobrecustos de construção, restrições legislativas e falha em conversões.

• Hut 8 (HUT)

  Fornecedor powered shell e de leases HPC.

  Pontos fortes

  Termos fortes de leases contratados e ampla carteira de energia.

  Pontos fracos

  O valor futuro depende de converter energia não contratada e contratar MW adicionais.

  Comparação

  A Morgan Stanley descreve HUT como líder do grupo em contratação de leases HPC.

  Riscos

  Falha em contratar MW adicionais, cancelamentos ou inícios atrasados.

• Cipher Mining (CIFR)

  Fornecedor de conversão Bitcoin-to-HPC e powered shell.

  Pontos fortes

  Potencial para monetizar uma carteira HPC de 2.6 GW.

  Pontos fracos

  Premissas de rendimento de caixa futuro são menores que as de WULF.

  Comparação

  Usa estrutura comparável de conversão Bitcoin-to-data-center com premissas de rendimento mais moderadas que WULF.

  Riscos

  Economia de lease abaixo de $/watt, sobrecustos e falha em monetizar a carteira HPC.

• Riot Platforms (RIOT)

  Fornecedor powered shell que converte locais de mineração Bitcoin em data centers.

  Pontos fortes

  Locais Rockdale e Corsicana, incluindo LOI de possível inquilino para Corsicana.

  Pontos fracos

  O valor da carteira depende de execução de acordos e probabilidade de energização.

  Comparação

  A Morgan Stanley avalia powered shells em função de economia de leases e MW da carteira.

  Riscos

  Falha em fechar acordos e economia de leases abaixo do esperado.

Dados principais

• Crescimento do capex de data centers dos hiperescaladores60% in 2027; about 12% in 2028A Morgan Stanley espera que o gasto alcance cerca de $1.5 trillion em 2027 antes de desacelerar.
• Capacidade total de computação dos hiperescaladoresAbout 35 GW in 2025 to about 145 GW in 2028Crescimento de cerca de quatro vezes, com aproximadamente 80 GW entrando em operação em 2027-28.
• Participação de ASICs customizados na capacidade incremental34% in 2025 to 66% in 2028Impulsionada principalmente por Google TPU e Amazon Trainium.
• Faixa de ROIC de IA generativa25-50%Faixa dos modelos de monetização de hiperescaladores e APIs de modelos da Morgan Stanley.
• Oportunidade global de digitalização com IA generativa$50-$60 trillionInclui $20-$30 trillion de gastos de trabalho de conhecimento e cerca de $30 trillion de gastos do consumidor.
• Empresas do S&P 500 que quantificam benefícios de IA generativaAbout 25% in 2Q26Ante 14% um ano antes.
• Emissão global de dívida relacionada à IAAbout $450 billion year to dateA Morgan Stanley espera capacidade adicional de emissão, especialmente entre hiperescaladores de alta qualidade.
• Déficit de energia para data centers nos EUA38 GWSustenta a visão sobre geração no local e behind-the-meter.

Impacto e implicações

A Morgan Stanley espera que o ciclo de investimento em IA se amplie de semicondutores e hardware para plataformas de hiperescala, software, adotantes da camada de aplicações e fornecedores de infraestrutura física que aliviem restrições de energia. A desaceleração do crescimento do capex é compatível com investimento contínuo em IA, pois monetização, fluxo de caixa e adoção empresarial se tornam motores mais importantes.

Riscos

• O capex dos hiperescaladores pode desacelerar mais que o esperado devido a restrições físicas, menor pré-construção, mudanças de implantação de modelos ou demanda menor por IA.
• Escassez de energia, atrasos de interconexão, restrições de mão de obra e materiais e custos maiores podem atrasar aberturas e pressionar retornos.
• Oposição estadual ou local, moratórias, mudanças federais e incerteza política da eleição de 2028 podem impedir expansão.
• Modelos open-weight podem pressionar preços de token e diferenciação da camada de modelos, apesar de ampliar adoção.
• Leases fora do balanço e compromissos longos podem reduzir capacidade de dívida com maior alavancagem ajustada.

Pontos a observar

• Crescimento do capex dos hiperescaladores rumo a 2028 e nível de gastos de pré-construção.
• Adições efetivas de capacidade GW, sobretudo Google TPU e Amazon Trainium.
• Utilização de inferência, throughput e preço de token, que determinam ROIC modelado.
• Proporção de empresas que quantificam benefícios de IA e evidências de adoção em tecnologia, finanças, saúde e indústria.
• Emissão de crédito ligada à IA, spreads e crescimento de compromissos fora do balanço.
• Disponibilidade de energia nos EUA, adoção behind-the-meter e ações regulatórias sobre licenças de data centers.