China AI compute and infrastructure buildout — Interpretação do relatório

Visão geral

O Morgan Stanley apresenta uma visão da infraestrutura chinesa de IA até 2030, focada em escala, financiamento e retornos do investimento em computação. O cenário-base prevê RMB8.5 trillion de capex, com AI Cloud como principal vetor de crescimento e implicações positivas para hiperescaladores, provedores de nuvem, operadores de data centers e laboratórios de IA.

Visões principais

O Morgan Stanley prevê RMB8.5 trillion de capex total relacionado à IA durante 2026-30E, sustentando capacidade de TI de 81GW até 2030E e aproximadamente 55GW de computação. A projeção de cinco anos inclui RMB6.3 trillion de capex de hiperescaladores, RMB1.5 trillion de neoclouds e RMB0.654 trillion de capex de computação de telecomunicações. Dentro do gasto dos hiperescaladores, RMB4.2 trillion, ou cerca de 67%, é doméstico, enquanto RMB2.1 trillion, ou cerca de 33%, corresponde a infraestrutura e investimento internacional. O gasto total com servidores é RMB5.3 trillion, cerca de 88% do capex de computação; os servidores de IA respondem por RMB4.9 trillion, ou 92% do capex de servidores. AI Cloud é o principal motor de demanda do relatório. O Morgan Stanley prevê RMB1.2 trillion de capex de hiperescaladores e internet em 2027E para Alibaba, Tencent, Baidu, ByteDance, Kuaishou, Meituan e Xiaomi. Projeta demanda chinesa de energia de 5.6-13GW em 2026-30E e pedidos de IDC de terceiros de 6.1-11GW. Hiperescaladores devem adicionar 34GW de capacidade doméstica no período, ou 47GW em escala global. O relatório também argumenta que a implantação doméstica de computação é mais barata que nos Estados Unidos, onde cita US$15-23 million por MW. Financiamento é uma limitação central, especialmente para os RMB2.0 trillion de capex offshore identificados como consideração-chave. O relatório observa que os hiperescaladores assumem múltiplos papéis na cadeia de suprimentos e que o financiamento de neoclouds envolve obrigações mais pesadas de dívida e leasing. A circularidade também é mais limitada na China, fazendo com que a durabilidade da demanda por computação e a estrutura de financiamento determinem se a expansão planejada pode gerar retornos aceitáveis. O Morgan Stanley testa ROIC e prazo de retorno entre modelos de infraestrutura. Para GPU IaaS própria, o cenário ilustrativo apresenta margem operacional de 44%, ROIC de 13% e retorno de caixa em 3 anos; infraestrutura alugada não requer capex, mas gera margem operacional de aproximadamente 20%. Em MaaS autoconstruído, o modelo 1P apresenta margem operacional de 53%, ROIC de 19% e retorno em 2.5 anos, enquanto o modelo de API de terceiros apresenta margem operacional de 57%, ROIC de 29% e retorno em 2 anos. A inferência doméstica pode ter ROIC menor, mas o Morgan Stanley vê espaço para melhora conforme desempenho e utilização evoluam. A instituição mantém Overweight em infraestrutura de IA—Alibaba, Kingsoft Cloud e VNET—além de laboratórios de IA, incluindo MiniMax e Z.AI, e localização de GPU. A análise de valuation utiliza metodologias diferenciadas: DCF com WACC de 15% e crescimento terminal de 3% para os laboratórios de IA; cenário-base com WACC de 10% e crescimento terminal de 3% para Alibaba; 5.5x EV/EBITDA 2027E para Kingsoft Cloud, abaixo da média de 13x e mediana de 10x de pares neocloud dos Estados Unidos devido a menores rendimentos de ativos e incerteza da cadeia de suprimentos; e DCF de 10 anos para VNET com WACC de 8.7%, custo da dívida de 4.0%, custo do capital próprio de 14.0%, peso de dívida de 50% e crescimento terminal de 3%.

Estrutura de análise

O Morgan Stanley começa com uma estimativa top-down do capex chinês em IA, decompõe os gastos por tipo de investidor, geografia e equipamento, e os converte em capacidade, demanda de energia e pedidos de data centers. Avalia necessidades de financiamento e modela margens operacionais, ROIC e prazos de retorno para modelos de computação próprios, alugados, 1P e API de terceiros antes de aplicar metodologias de valuation específicas por empresa.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Previsão que converte capex em computação, demanda de energia e pedidos de data centers

  O relatório converte o investimento previsto em IA em gasto com servidores, adições de capacidade, demanda de energia e pedidos de IDC de terceiros para avaliar a expansão e seus beneficiários.

• Marco de fundamentos corporativos e finançasSpread ROIC-WACC

  Análise de ROIC, margem operacional e retorno de caixa para modelos de computação

  O relatório compara retornos e prazos de recuperação de infraestrutura GPU própria versus alugada, e de modelos MaaS 1P versus API de terceiros.

• Métodos de avaliaçãoDCF (fluxo de caixa descontado)

  Valuation por fluxo de caixa descontado

  O relatório cita premissas de DCF, incluindo WACC e taxas de crescimento terminal, para várias empresas cobertas.

• Métodos de avaliaçãoAvaliação por EV/EBITDA

  Valuation por múltiplo EV/EBITDA 2027E

  Para Kingsoft Cloud, o Morgan Stanley utiliza 5.5x EV/EBITDA 2027E e compara o valor com múltiplos de neoclouds dos Estados Unidos.

Mapeamento e comparação de ativos

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

• Alibaba Group Holding (BABA.N)

  Exposição Overweight à infraestrutura de IA; a demanda por AI Cloud é um importante vetor de crescimento.

  Pontos fortes

  Potencial de alta com melhor monetização do e-commerce principal, digitalização empresarial mais rápida e crescimento de receita cloud impulsionado por IA.

  Pontos fracos

  Custos de reinvestimento mais elevados podem pressionar retornos.

  Comparação

  Avaliada com cenário-base de DCF com WACC de 10% e crescimento terminal de 3%.

  Riscos

  Concorrência, consumo mais fraco, digitalização empresarial mais lenta e escrutínio adicional sobre plataformas.

• Kingsoft Cloud Holdings (KC.O)

  Exposição Overweight à infraestrutura de IA e beneficiária de neocloud.

  Pontos fortes

  Potencial de alta com demanda por GPU de IA acima do esperado, taxas de juros mais baixas e melhor desenvolvimento do modelo de IA da Xiaomi.

  Pontos fracos

  Menores rendimentos de ativos e incerteza da cadeia de suprimentos justificam desconto frente a neoclouds dos Estados Unidos.

  Comparação

  5.5x EV/EBITDA 2027E versus média de 13x e mediana de 10x de neoclouds dos Estados Unidos.

  Riscos

  Restrições de oferta que levem a déficit de compras, maior custo de financiamento e desenvolvimento mais lento de modelos de IA na China.

• VNET Group Inc (VNET.O)

  Exposição Overweight à infraestrutura de IA e a IDC de terceiros.

  Pontos fortes

  Potencial de alta com novos contratos de atacado, entrada de clientes mais rápida, cortes de juros e monetização de ativos via REITs.

  Pontos fracos

  Entrega de capacidade e execução de vendas são dependências operacionais importantes.

  Comparação

  Avaliada com DCF de 10 anos com WACC de 8.7% e crescimento terminal de 3%.

  Riscos

  Redução do capex cloud por hiperescaladores, especialmente investimento relacionado à IA, atraso na entrega de capacidade e execução de vendas fraca.

• MiniMax (0100.HK)

  Exposição Overweight a laboratórios de IA.

  Pontos fortes

  Potencial de alta com o lançamento de modelo global de última geração e menor concorrência de mercado.

  Pontos fracos

  O desempenho do modelo precisa permanecer competitivo.

  Comparação

  O DCF usa WACC de 15% e crescimento terminal de 3%; o preço-alvo implica 25x P/S de 2027.

  Riscos

  Risco geopolítico, concorrência e guerra de preços intensificadas, e desempenho do modelo inferior ao de pares.

• Z.AI CO., LTD. (2513.HK)

  Exposição Overweight a laboratórios de IA.

  Pontos fortes

  Potencial de alta com expansão global em parceria com provedores cloud estrangeiros e menor concorrência.

  Pontos fracos

  Restrições de computação podem limitar a execução.

  Comparação

  O DCF usa WACC de 15% e crescimento terminal de 3%; o preço-alvo implica 35x P/S de 2027E.

  Riscos

  Restrições de computação e risco geopolítico.

Dados principais

• Previsão de capex total em IARMB8.5 trillionPrevisão de capex total para 2026-30E
• Capacidade de TI81GWProjetada para 2030E
• Capacidade de computação~55GWSustentada pela previsão de capex de cinco anos
• Capex de hiperescaladoresRMB6.3 trillionCapex agregado de cinco anos
• Capex de neocloudRMB1.5 trillionPrevisão para 2026-30E
• Capex de hiperescaladores/internet em 2027ERMB1.2 trillionPrevisão para Alibaba, Tencent, Baidu, ByteDance, Kuaishou, Meituan e Xiaomi
• Adições líquidas domésticas de hiperescaladores34GW2026-30E; 47GW em escala global
• Pedidos de IDC de terceiros6.1-11GWPrevisão para 2026-30E

Impacto e implicações

O relatório argumenta que a expansão prevista de computação deve favorecer infraestrutura de IA, laboratórios de IA e localização de GPU. Porém, a tese depende da demanda por AI Cloud, da capacidade de financiamento—especialmente offshore—e da capacidade dos operadores de manter utilização e ROIC atraente.

Riscos

• Risco geopolítico e restrições ligadas a controles de exportação podem afetar entidades de IA e computação.
• Intensificação da concorrência e guerras de preços podem pressionar a economia dos laboratórios de IA.
• Restrições de oferta podem levar a déficit de compras de GPU.
• Taxas de juros mais elevadas podem aumentar o custo de financiamento dos operadores de infraestrutura.
• Hiperescaladores podem reduzir o capex cloud, especialmente investimento relacionado à IA.
• Atrasos na entrega de capacidade e execução de vendas fraca podem prejudicar os retornos de data centers.

Pontos a observar

• Demanda por AI Cloud e ritmo de capex dos hiperescaladores.
• Progresso do financiamento de RMB2.0 trillion de capex offshore.
• Demanda doméstica de energia e pedidos de IDC de terceiros até 2030.
• Disponibilidade de GPU, utilização e ROIC dos modelos de computação.
• Novos contratos de atacado, entrada de clientes e possível monetização de ativos via REITs para operadores de data centers.