AI infrastructure technology supply chain: A JPMorgan vê a operação de infraestrutura de IA em uma encruzilhada, mas espera resiliência no capex e na demanda da cadeia de suprimentos.

Visão geral

A JPMorgan avalia se o rali de infraestrutura de IA pode continuar diante de dúvidas sobre monetização de computação, regulação de segurança de IA e financiamento de hyperscalers. A conclusão é construtiva: a economia atual de IA e a cadeia de suprimentos ainda sustentam forte crescimento do capex, com oportunidades em equipamentos de semicondutores, encapsulamento avançado, substratos e óptica NPO.

Visões principais

A JPMorgan organiza a próxima fase da operação de infraestrutura de IA em três questões: se comprar computação continua atrativo para fornecedores de modelos e IA vertical; se preocupações regulatórias e de segurança reduzirão a demanda; e como hyperscalers financiarão mais capex ao entrarem em fluxo de caixa livre negativo. A resposta é positiva. Vender computação continua rentável e a economia atual de tokens sugere que comprá-la também pode ser sustentável. O relatório cita margens brutas de inferência de 60-80% e estima que um fornecedor hipotético de modelos poderia gerar US$20-40bn de receita anual por GW com AI tokens, ante US$10bn por GW por ano em 2025. Mais de 80 empresas de IA vertical teriam alcançado ARR acima de US$100m rapidamente, evidenciando criação de valor downstream. O relatório argumenta que modelos open source aumentam, em vez de reduzir, a demanda por hardware. Eles devem levar o custo de tokens de volta à tendência histórica de queda de 80-90%, após a anomalia de 1H26 causada por escassez de computação e agentic AI. Em um mercado restrito por computação, modelos frontier proprietários e open source devem elevar fortemente o consumo de tokens. Tokens mais baratos ampliariam a adoção de IA e criariam mais aplicações verticais, enquanto o avanço open source pressionaria laboratórios frontier a acelerar o treinamento. A JPMorgan trata preocupações de segurança de IA como obstáculo de curto prazo, não como desaceleração estrutural do treinamento. A evolução rápida dos modelos, incluindo o potencial de recursive self-improvement, indica continuidade do avanço tecnológico. O lançamento de modelos pode ser limitado por restrições de alignment, mas o treinamento frontier não deve desacelerar. O relatório acredita que novos mercados endereçáveis podem surgir nos próximos 1-2 anos, como ocorreu com coding e fluxos agentic nos últimos 18 meses. Financiamento é a principal preocupação dos investidores. Embora hyperscalers estejam entrando em fluxo de caixa livre negativo, a JPMorgan vê espaço para crescer: dívida líquida sobre patrimônio de 13%, crescimento acelerado de nuvem pública como fonte de fluxo de caixa operacional e emissão de ações por hyperscalers e compradores downstream. Em 2Q26, o backlog do Google Cloud foi US$514bn, o da AWS US$496bn e as obrigações comerciais remanescentes da Microsoft US$678bn. Juros crescentes e maior percepção de risco em parte do financiamento de infraestrutura de IA seguem como pontos de atenção. Na cadeia asiática, a JPMorgan considera equipamentos de produção de semicondutores especialmente atrativos para 2027. Espera que virem gargalo à medida que TSMC eleva investimento em N2, N3 e A14, enquanto Intel, Samsung Foundry, Terafab e fundições maduras também ampliam capex. O capex de DRAM e NAND deve crescer rapidamente em 2027-28, e o investimento chinês em memória também deve acelerar nos próximos dois anos. Capacidade restrita, custos maiores e pedidos urgentes sustentam aumentos de preços. As escolhas em equipamentos são Advantest, Tokyo Electron, Chroma, Grand Process Technology e ASMPT. Substratos IC e encapsulamento avançado permanecem gargalos. A capacidade é concentrada em fornecedores Tier-1, como Unimicron e Ibiden, e leva até ~2.5 anos para ser construída; OSATs também são limitados por clean rooms. Maior conteúdo de substratos e intensidade de encapsulamento em aceleradores de IA devem ampliar o déficit, com potencial adicional de CPUs de servidores e EMIB-T a partir do fim de 2027. A JPMorgan prefere Unimicron e Ibiden em substratos e ASE em encapsulamento avançado. A interconexão será uma restrição importante para eficiência de clusters. A JPMorgan favorece NPO nos próximos dois anos e espera adoção por Google, AWS e NVIDIA; CPO é o futuro de longo prazo, mas requer maturação adicional da cadeia, especialmente para scale-up. Em memória, espera equilíbrio apertado até pelo menos 2028 e preços em alta até 2027, mas destaca despeccing de HBM, eficiência algorítmica e transferência de KV cache para DDR ou NAND. O apoio dos investidores deve permanecer moderado até que uma evolução de modelos eleve materialmente a demanda de memória por função. Para 2027, prevê aumentos percentuais de preços mais fortes do que em 2026 em fundições, especialmente maduras de 8 polegadas, OSAT, substratos, equipamentos e CCL de alta qualidade. A TSMC deve elevar preços em todos os nós, versus apenas nós avançados em 2026; fundições maduras de 8 polegadas podem subir 10-15%, contra 8-10% em 2026. Memória e materiais de PCB seriam exceções, com ritmo menor de alta.

Estrutura de análise

A JPMorgan começa pela economia unitária de computação de IA e pelo efeito de open source, avalia restrições regulatórias e de financiamento ao capex de hyperscalers e transmite essa visão pela cadeia de semicondutores. Usa backlog de nuvem pública, capex, fluxo de caixa operacional, alavancagem, revisões de EPS e comparações de valuation para sustentar a visão setorial.

Notas metodológicas

• Marco de análise setorialMarco de oferta e demanda

  Análise de oferta e demanda de computação de IA, capacidade de semicondutores, substratos, encapsulamento, memória e equipamentos.

  O relatório relaciona demanda de computação de IA e capacidade fabril restrita a capex, gargalos e resultados de preços.

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Transmissão da economia de computação de IA dos fornecedores de modelos e nuvem para equipamentos, encapsulamento, substratos e óptica.

  A JPMorgan usa a cadeia entre demanda de tokens, gasto de hyperscalers e fornecedores asiáticos para identificar beneficiários.

• Métodos de avaliaçãoAvaliação por P/L e PEG

  Comparação de P/E forward para tecnologia asiática excluindo memória.

  O relatório usa P/E forward como referência para sua avaliação de valuations atraentes de hardware tecnológico.

• Métodos de avaliaçãoAvaliação por P/VPA

  Comparação de P/B forward para tecnologia asiática.

  O relatório inclui P/B forward como referência adicional de valuation para tecnologia asiática.

Mapeamento e comparação de ativos

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

• Advantest (6857.T)

  Top pick e beneficiária de equipamentos de semicondutores com maior capex em fundições e memória.

  Pontos fortes

  Gargalos esperados de equipamentos e capacidade de ferramentas restrita.

  Comparação

  Incluída entre os fornecedores preferidos de equipamentos de produção de semicondutores.

  Riscos

  Desaceleração de financiamento ou demanda de capex pode enfraquecer pedidos.

• Tokyo Electron (8035.T)

  Top pick e beneficiária de equipamentos de semicondutores com maior investimento em fundições e memória.

  Pontos fortes

  Demanda ampla de equipamentos esperada com expansão acelerada de capacidade.

  Comparação

  Incluída entre os fornecedores preferidos de equipamentos de produção de semicondutores.

  Riscos

  Desaceleração de financiamento ou demanda de capex pode enfraquecer pedidos.

• ASMPT (0522.HK)

  Top pick ligada a equipamentos de semicondutores e capacidade restrita de encapsulamento.

  Pontos fortes

  Beneficia-se da demanda por equipamentos e de capacidade limitada de clean room.

  Comparação

  Nomeada entre fornecedores de equipamentos preferidos pela JPMorgan.

  Riscos

  Desaceleração de financiamento ou demanda de capex pode enfraquecer pedidos.

• Unimicron (3037.TW)

  Fornecedor Tier-1 preferido de substratos IC.

  Pontos fortes

  Capacidade concentrada, longos prazos de construção e maior conteúdo de substrato em pacotes de IA.

  Comparação

  Preferida com Ibiden entre fornecedores Tier-1 de substratos.

  Riscos

  Eficiência de hardware de IA ou menor crescimento de aceleradores pode afetar demanda.

• ASE Technology Holding (3711.TW)

  Líder preferida em encapsulamento avançado.

  Pontos fortes

  Encapsulamento avançado segue limitado por capacidade e sua intensidade em IA cresce.

  Pontos fracos

  Disponibilidade de clean rooms limita a capacidade da indústria.

  Comparação

  Identificada como líder em encapsulamento avançado.

  Riscos

  Demanda por aceleradores de IA ou investimento em encapsulamento pode desacelerar.

Dados principais

• Receita anual hipotética de AI tokens por GWUS$20-40bn annuallyEstimativa aproximada da JPMorgan para fornecedor de modelos, versus US$10bn por GW por ano em 2025.
• Margem bruta de inferência reportada para modelos frontier60-80%Faixa citada pelo relatório.
• Empresas de IA vertical com ARR acima de US$100m80+Citado de relatório da Sapphire Venture como evidência de criação de valor downstream.
• Queda histórica do custo de tokens80-90%Queda histórica do custo por token citada pelo relatório.
• Dívida líquida sobre patrimônio de grandes hyperscalers13%O relatório considera que esse nível deixa capacidade para financiar crescimento de capex.
• Backlog de nuvem pública em 2Q26Google US$514bn; AWS US$496bn; Microsoft US$678bnMedidas de backlog ou obrigações remanescentes reportadas pelas empresas.
• Prazo de construção de capacidade de substratosUp to ~2.5 yearsFator que sustenta a escassez persistente de substratos.
• Aumento esperado de preços de fundições maduras de 8 polegadas em 202710-15%Versus 8-10% em 2026, segundo o relatório.

Impacto e implicações

A JPMorgan considera que a ausência de sinais iminentes de queda de capex, revisões estáveis de EPS de tecnologia asiática e restrições de oferta sustentam o ecossistema de infraestrutura de IA apesar do sentimento fraco. Vê a melhor configuração em equipamentos, substratos, encapsulamento avançado e óptica NPO no curto prazo; fundamentos de memória permanecem positivos, mas exigem mais confiança na intensidade futura da demanda.

Riscos

• Restrições de segurança ou alignment de IA podem atrasar novos modelos, mesmo que o treinamento continue.
• Financiamento de hyperscalers é risco-chave com fluxo de caixa livre negativo, juros crescentes e maior percepção de risco em financiamento de IA.
• Concorrência open source e incerteza de monetização na camada de modelos continuam preocupações do mercado.
• Mudanças de especificação de HBM, eficiência algorítmica ou transferência de KV cache para DDR ou NAND podem reduzir a demanda de memória.

Pontos a observar

• Evidência de monetização sustentada nas camadas de modelos e aplicações de IA, identificada como catalisador-chave.
• Crescimento de fluxo de caixa operacional, emissão de dívida e ações dos hyperscalers como fontes para capex.
• Ritmo de avanço de modelos de IA e restrições de segurança ou alignment sobre implantação.
• Gargalos de equipamentos, capacidade de clean room, oferta de substratos e calendário de adoção de NPO e EMIB-T.
• Se avanços futuros de modelos de IA elevarão materialmente a demanda de memória por função.