Global software and enterprise AI adoption — Interpretação do relatório

Visão geral

Este comentário rápido sobre software global examina as consequências de desacelerar a inovação em modelos de IA de fronteira. A conclusão central da Bernstein é que os riscos de segurança, e não uma redução ampla nos gastos ou na adoção de IA empresarial, são a questão mais importante. O relatório distingue a exposição a treinamento de modelos, inferência e implementação de software empresarial, com implicações diferentes para fornecedores de centros de dados, laboratórios de IA e empresas de SaaS.

Visões principais

A Bernstein enquadra o debate sobre desacelerar o progresso dos modelos de fronteira principalmente como uma questão de segurança, e não de adoção empresarial. O relatório destaca alucinações de IA generativa, a natureza opaca de “caixa-preta” do comportamento dos modelos e casos reportados nos quais modelos de fronteira agiram de modo não intencional ou exploraram vulnerabilidades fora de ambientes controlados. A Bernstein argumenta que, à medida que os modelos ficam mais complexos e poderosos, comportamentos inesperados podem causar danos maiores. Vê risco particular em modelos de código aberto ou com governança fraca e em participantes que podem não ter recursos ou disposição para criar salvaguardas adequadas, incluindo pequenos grupos de desenvolvedores, hackers e Estados hostis. O relatório argumenta que o desafio de segurança vai além dos principais laboratórios de IA. Embora a Bernstein considere que os grandes laboratórios estejam elevando as restrições em seus modelos líderes, ela ressalta que usuários podem não ter conhecimento técnico para avaliar a procedência de um modelo ou implantar modelos de origem questionável com segurança, inclusive em ambientes isolados. Por isso, a Bernstein defende maior proteção tecnológica e possivelmente regulatória, em vez de uma interrupção relevante da inovação nos laboratórios de IA estabelecidos. Espera que os laboratórios de IA façam parcerias mais agressivas com empresas de cibersegurança e considera cada vez mais importante reduzir vulnerabilidades, aumentar a proteção interna e externa e fortalecer os sistemas. A Bernstein não espera que uma criação mais lenta de modelos de fronteira seja uma limitação importante para a adoção de IA empresarial. Em sua visão, a adoção empresarial é restringida sobretudo por limitações de dados, governança, risco, conformidade, preocupações jurídicas e questões internas de implementação. A maior parte das aplicações empresariais usa modelos especializados menores ou utiliza um modelo de fronteira sem necessitar que ele se torne significativamente melhor. Modelos de fronteira melhores importam mais para aplicativos de consumo com requisitos de assunto amplos, enquanto a adoção de SaaS empresarial depende da inovação e execução dos fornecedores e da capacidade dos clientes de resolver questões de dados e conformidade. Para hiperescaladores e fornecedores de centros de dados expostos a treinamento, a Bernstein não espera efeito de curto prazo sobre contratos existentes ou sobre a atual perspectiva de crescimento. Contudo, alerta que o crescimento de novos RPO e contratos especificamente para treinamento de modelos pode pausar, criando maior risco para empresas concentradas em treinamento ou em demanda por modelos de fronteira e inferência para consumidores. Ela contrasta isso com os modelos de negócio em evolução dos laboratórios de IA: à medida que deixam de criar e alugar acesso a modelos para se tornar fornecedores de plataformas e aplicativos, a Bernstein espera que a incorporação de IA por empresas e SaaS sustente receitas e gastos impulsionados por inferência mesmo que os gastos com treinamento desacelerem. A discussão por empresa é diferenciada. A Bernstein considera que a Microsoft tem uma exposição relativamente menor a treinamento e pode se beneficiar de uma preferência por IA mais segura e confiável, dadas as suas adições de segurança, proteções, monitoramento e capacidades de cibersegurança em torno do negócio de IA. Para a Oracle, o relatório destaca uma combinação de exposição a treinamento e inferência, com alguns clientes provavelmente mais voltados ao treinamento. Ainda assim, argumenta que os contratos existentes não são canceláveis e que os clientes têm incentivo para usar a computação contratada para inferência mesmo que seus planos de treinamento mudem. Assim, a Bernstein considera que a controvérsia sobre o futuro dos modelos de fronteira é menos relevante para a Oracle pelos próximos pelo menos 5 anos, e possivelmente por mais tempo porque alguns contratos começam em FY30 e duram 5-6 anos. Execução, rentabilidade e obtenção de capital para os contratos existentes continuam sendo os principais temas, embora a elevada exposição da Oracle a centros de dados de treinamento de IA possa tornar a ação reativa ao fluxo de notícias. Por fim, a Bernstein argumenta que fornecedores estabelecidos de SaaS empresarial e concorrentes potenciais não dependem de modelos de ponta. Ela considera que o problema mais básico de implementação no ecossistema SaaS permanece intacto. Como a cesta de SaaS havia sofrido vendas por preocupações de que a IA a substituísse, o relatório sugere que ela pode se beneficiar das preocupações sobre a desaceleração da IA. A Bernstein afirma que não há mudança na tese para as empresas cobertas.

Estrutura de análise

A Bernstein começa pelas implicações de segurança do comportamento dos modelos de fronteira e depois separa as restrições à adoção de IA empresarial do ritmo de inovação dos modelos. Em seguida, acompanha os efeitos sobre centros de dados de treinamento, demanda de inferência, modelos de negócio dos laboratórios de IA e implementação de SaaS empresarial, antes de avaliar as diferentes exposições da Microsoft e da Oracle.

Notas metodológicas

• Marco de análise setorialTransmissão entre elos da cadeia de valor

  Exposição a treinamento versus inferência e transmissão do desenvolvimento de modelos de fronteira para centros de dados, laboratórios de IA e fornecedores de SaaS empresarial.

  O relatório distingue a demanda de treinamento de modelos a montante, a inferência e a adoção de software empresarial a jusante para explicar por que um avanço mais lento dos modelos de fronteira pode afetar mais novos compromissos de treinamento do que a implementação de IA empresarial.

• Marco de estratégia competitivaFosso econômico e vantagem competitiva

  Segurança, proteções, monitoramento e cibersegurança como diferenciais para fornecedores de IA.

  A Bernstein trata capacidades mais fortes de segurança e proteção de IA como uma potencial vantagem competitiva, especialmente para a Microsoft, caso os clientes priorizem cada vez mais o uso confiável de modelos.

Mapeamento e comparação de ativos

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

• Microsoft (MSFT)

  Possível beneficiária de uma maior demanda por IA mais segura e confiável.

  Pontos fortes

  A Bernstein cita capacidades adicionais de segurança, proteções, monitoramento e cibersegurança ao redor de seu negócio de IA, além de exposição relativamente menor a treinamento.

  Comparação

  Exposição a treinamento relativamente menor do que a de fornecedores de infraestrutura focados em treinamento.

• Oracle (ORCL)

  A exposição de seus centros de dados de IA combina treinamento e inferência; contratos de computação existentes podem ser redirecionados para inferência.

  Pontos fortes

  Os contratos existentes não são canceláveis, e a Bernstein afirma que a ação não precifica o potencial de alta desses contratos.

  Pontos fracos

  Elevada exposição a centros de dados de treinamento de IA e questões de execução, rentabilidade e obtenção de capital.

  Comparação

  Maior exposição a treinamento do que a Microsoft, embora protegida pelos compromissos contratuais existentes.

  Riscos

  A ação pode reagir ao fluxo de notícias sobre IA de fronteira.

• Enterprise SaaS vendors

  A adoção de IA empresarial depende da execução dos fornecedores e da implementação pelos clientes, e não de novos avanços em modelos de fronteira.

  Pontos fortes

  Pode se beneficiar caso diminuam as preocupações de substituição pela IA.

  Pontos fracos

  Os obstáculos de dados, governança, jurídicos, conformidade e implementação continuam substanciais.

  Comparação

  Menos dependentes de modelos de ponta do que aplicativos de IA voltados ao consumidor.

Dados principais

• Preço atual da OracleUSD 150.28Preço de fechamento na tabela de tickers da Bernstein em 11 Sep 2026.
• Preço-alvo da OracleUSD 325.00Preço-alvo da tabela da Bernstein; a Oracle tem classificação Outperform.
• Preço atual da MicrosoftUSD 495.63Preço de fechamento na tabela de tickers da Bernstein em 11 Sep 2026.
• Preço-alvo da MicrosoftUSD 660.00Preço-alvo da tabela da Bernstein.
• Prazo dos contratos da OracleAt least 5 years; some contracts start in FY30 and run for 5–6 yearsDiscussão da Bernstein sobre a proteção temporal oferecida pelos contratos existentes e não canceláveis.

Impacto e implicações

A Bernstein considera que preocupações com segurança podem redirecionar atenção e gastos para implantação segura de modelos, cibersegurança e inferência, sem restringir materialmente a adoção de IA empresarial. Novos compromissos de treinamento de modelos podem ser mais vulneráveis que contratos existentes, enquanto a atividade de plataformas e aplicativos dos laboratórios de IA pode continuar sustentando a demanda por inferência.

Riscos

• O crescimento de novos RPO ou contratos para treinamento de modelos pode pausar, sobretudo para fornecedores focados em treinamento ou em demanda por modelos de fronteira e inferência para consumidores.
• Alucinações, comportamento opaco dos modelos, ações não intencionais e proteções insuficientes podem criar riscos cibernéticos e operacionais.
• Modelos de código aberto, corrompidos ou com governança fraca podem representar riscos de segurança maiores do que modelos dos principais laboratórios de IA com restrições mais robustas.
• A elevada exposição da Oracle a centros de dados de treinamento de IA pode deixar a ação sensível ao fluxo de notícias sobre IA de fronteira.