Internet e Computação em Nuvem da América do Norte: Modelos de pesos abertos pressionam os preços dos tokens, mas a escassez de capacidade computacional ainda sustenta os retornos dos fornecedores de nuvem

Visão geral

O relatório examina o impacto da rápida adoção de modelos de pesos abertos sobre a economia unitária e o retorno sobre o capital investido da indústria de IA generativa. A principal conclusão é que preços menores por token criarão pressão direta sobre os fornecedores de modelos, mas também promoverão a adoção e o crescimento do volume de inferência; espera-se que os fornecedores de nuvem hiperescalável, alavancando capacidade computacional escassa, poder de precificação, chips customizados, otimização de software, bases de clientes empresariais e venda cruzada de serviços em nuvem, ainda obtenham retornos saudáveis.

Visões principais

Primeiro, os modelos de pesos abertos ampliam os canais de distribuição de modelos por meio de downloads gratuitos, ajuste com dados privados e implantação flexível, acelerando a difusão tecnológica. Segundo, a concorrência de preços na camada de modelos se intensificará, e os laboratórios deverão depender de maior throughput de tokens, diferenciação mais forte dos modelos e ecossistemas mais amplos para sustentar receitas e retornos. Terceiro, os fornecedores de nuvem hiperescalável controlam recursos computacionais escassos e intensivos em capital e podem monetizá-los por meio de preços racionais e maior utilização; o crescimento de volume proporcionado por modelos de menor preço pode importar mais do que a porcentagem de margem. Quarto, além da receita de APIs, os modelos abertos também impulsionarão receitas de locação de aceleradores, armazenamento e bancos de dados necessários para geração aumentada por recuperação, bem como serviços de segurança, governança, identidade e monitoramento. Quinto, o menor custo de atendimento se tornará um fator competitivo essencial, e fornecedores de nuvem com chips customizados, modelos próprios e capacidades mais fortes de co-otimização de hardware e software terão maiores vantagens.

Estrutura de análise

O relatório analisa laboratórios de modelos e fornecedores de nuvem hiperescalável por camada: para a camada de modelos, avalia os retornos com base no preço por milhão de tokens, no throughput de tokens por GPU, na parcela da capacidade usada para inferência e na receita por gigawatt; para a camada de infraestrutura, estima EBIT, NOPAT e ROIC com base no número de GPUs, utilização, preços horários de locação, depreciação, energia e outros custos operacionais. Também mapeia ativos ao combinar direcionadores de negócios, avaliações por cenários e perfis de risco-retorno de META, AMZN e GOOGL.

Notas metodológicas

• Análise de Economia UnitáriaEstrutura de Retorno de APIs de Modelos de IA Generativa

  Estimar receita por gigawatt e retorno sobre o capital investido com base em preços de tokens, throughput e capacidade de inferência

  A estrutura pressupõe que um data center de 1 gigawatt seja equipado com aproximadamente 410.256 chips GB300 e estima a receita anual com base na parcela da capacidade utilizada para inferência, tokens por segundo por GPU e preço por milhão de tokens, comparando-a então aos custos de locação de capacidade computacional.

• Análise de Retorno de InfraestruturaEstrutura de Retorno de Locação de GPUs para Fornecedores de Nuvem Hiperescalável

  Estimar NOPAT e ROIC com base na utilização, no preço horário de locação e nos custos de capital

  A estrutura utiliza uma taxa de utilização de 75% e incorpora custos como depreciação de TI, depreciação não relacionada a TI, energia, mão de obra e manutenção; diferentes cenários de preço de locação correspondem a ROIC de aproximadamente 23%–39%.

• Análise da Cadeia SetorialComparação entre Modelos de Pesos Abertos e Fechados

  Comparar controle do modelo, capacidades de customização, métodos de implantação, custos e vias de distribuição

  Os modelos de pesos abertos permitem que os usuários obtenham os pesos dos modelos, façam ajuste com dados privados e escolham independentemente os locais de implantação; modelos de código fechado geralmente são acessíveis apenas por assinaturas ou APIs.

• Análise de ValuationValuation nos Cenários Otimista, Base e Pessimista

  Formar intervalos de preços-alvo com base no EPS de anos futuros e em múltiplos P/L

  Os preços-alvo de META, AMZN e GOOGL se baseiam principalmente na média do EPS de 2027 e 2028 e nos múltiplos P/L correspondentes, com cenários construídos a partir de diferenças no crescimento da receita, nas margens e na monetização de IA.

Mapeamento e comparação de ativos

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

• META PLATFORMS INC (US.META)

  Fornecedor de modelos de pesos abertos, investidor em infraestrutura de IA e plataforma de publicidade digital; o relatório a nomeia como principal escolha e atribui classificação Overweight.

  Pontos fortes

  Espera-se que o investimento em IA melhore o engajamento no Reels e a monetização publicitária, enquanto a mensuração e a atribuição de anúncios continuam melhorando; uma transformação organizacional orientada à eficiência, assinaturas e negócios de click-to-message proporcionam opcionalidade adicional de alta.

  Pontos fracos

  Os elevados investimentos de capital em data centers e IA aumentam a intensidade de capital, e a estratégia de preços baixos para modelos abertos pode pressionar a capacidade de monetização direta na camada de modelos.

  Comparação

  Em comparação com fornecedores puros de infraestrutura em nuvem, a META realiza retornos de IA mais indiretamente por meio de publicidade, engajamento de usuários e novos produtos, ao mesmo tempo que possui vantagens de distribuição decorrentes de seu ecossistema de modelos abertos.

  Riscos

  Monetização do Reels abaixo das expectativas, queda do engajamento dos usuários, regulação do direcionamento de publicidade, consumo macroeconômico fraco, ampliação das perdas na Reality Labs e execução deficiente na construção de data centers, levando a retornos menores.

• AMAZON COM INC (US.AMZN)

  Captura a demanda de inferência de modelos de pesos abertos por meio da AWS, Bedrock, locação de aceleradores e serviços de nuvem relacionados; o relatório atribui classificação Overweight.

  Pontos fortes

  A AWS está em um ciclo de longo prazo de adoção da nuvem e pode alcançar monetização em múltiplas camadas por meio de locação de capacidade computacional, APIs hospedadas, armazenamento, bancos de dados e serviços de segurança; negócios de alta margem sustentam o investimento contínuo.

  Pontos fracos

  Tanto os negócios de nuvem quanto de varejo exigem investimentos elevados contínuos, e os lucros de curto prazo são relativamente sensíveis ao ritmo de investimento, aos custos de fulfillment e ao crescimento da AWS.

  Comparação

  Em comparação com a META, a AMZN se beneficia mais diretamente do uso de infraestrutura em nuvem impulsionado por modelos abertos; em comparação com a GOOGL, suas vantagens concentram-se na escala da AWS, na cobertura empresarial e em um amplo portfólio de serviços em nuvem.

  Riscos

  Desaceleração da receita da AWS ou queda de margem, intensidade de investimento acima do esperado, deterioração das margens de mercadorias e alavancagem operacional insuficiente em entrega e fulfillment.

• ALPHABET INC (US.GOOGL)

  Possui os modelos Gemini, Google Cloud, chips customizados TPU, busca e canais de distribuição do YouTube; o relatório atribui classificação Overweight.

  Pontos fortes

  TPUs customizados e a sinergia entre modelo e plataforma de nuvem ajudam a reduzir o custo de atendimento; modelos eficientes como Gemini Flash, o backlog do Google Cloud e a comercialização de Busca e YouTube fornecem fontes diversificadas de crescimento.

  Pontos fracos

  A busca com IA e os modelos de baixo preço podem aumentar a intensidade computacional e pressionar as margens, enquanto a monetização de novos produtos ainda não está madura.

  Comparação

  A GOOGL possui características tanto de laboratório de modelos quanto de fornecedor de nuvem hiperescalável; em comparação com fornecedores puros de modelos, possui vantagens de infraestrutura e distribuição e, em comparação com a AMZN, apresenta sinergias mais fortes entre modelos próprios, busca e ecossistema de vídeo.

  Riscos

  Desaceleração do crescimento da publicidade em busca, produtos de IA canibalizando a busca principal, baixas taxas de monetização de novos produtos, aumento dos custos computacionais, disciplina insuficiente de despesas e aceleração do negócio de nuvem abaixo das expectativas.

Dados principais

• Preço-base de tokens para APIs de modelosAproximadamente US$ 1,75/milhão de tokensA premissa-base utilizada no relatório, que potencialmente deverá cair ainda mais no longo prazo.
• Premissa de throughput de inferênciaAproximadamente 2.000–3.500 tokens/segundo/GPUCom base em benchmarks públicos de inferência para o DeepSeek-V4-Pro 1.6T de pesos abertos em hardware GB300.
• Retorno sobre o capital investido na camada de modelosAproximadamente 20%–60%O resultado estimado para 1 gigawatt de infraestrutura GB300 própria.
• Número de chips GB300 por 1 gigawattAproximadamente 410.256Estimativa do Morgan Stanley.
• Retorno da locação de GPUs de fornecedores de nuvem hiperescalávelAproximadamente 23%–39%Com base em 75% de utilização e em uma faixa de preço horário de locação de US$ 7–US$ 10.
• Preço-alvo da METAUS$ 775Aproximadamente 23x a média do EPS de 2027 e 2028 de US$ 34/US$ 35; os cenários otimista e pessimista são US$ 1.000 e US$ 450, respectivamente.
• Preço-alvo da AMZNUS$ 335Aproximadamente 25x a média do EPS de 2027 e 2028 de US$ 14; o cenário otimista é US$ 410.
• Preço-alvo da GOOGLUS$ 400Aproximadamente 24x a média do EPS de 2027 e 2028 de US$ 15/US$ 18; os cenários otimista e pessimista são US$ 450 e US$ 225, respectivamente.

Impacto e implicações

O principal impacto dos modelos de pesos abertos não é eliminar os retornos da infraestrutura de IA, mas redistribuir os lucros ao longo da cadeia de valor: os laboratórios de modelos enfrentam pressão mais visível sobre preços e margens brutas e devem compensá-la por meio de ganhos de throughput, inovação em modelos e diferenciação de produtos; fornecedores de nuvem hiperescalável podem se beneficiar de maiores cargas de trabalho de inferência, locação de GPUs e serviços incrementais, como armazenamento, bancos de dados e segurança. Da perspectiva de investimento, o foco deve estar em proprietários de capacidade computacional com baixo custo de atendimento, chips customizados, fortes capacidades de agendamento por software, modelos próprios e grandes volumes de solicitações empresariais.

Riscos

• A concorrência de modelos de pesos abertos pode reduzir os preços por token mais rapidamente do que a eficiência de throughput melhora, comprimindo o ROIC da camada de modelos.
• A demanda por IA ou a utilização de GPUs abaixo das expectativas pode enfraquecer os retornos dos data centers para fornecedores de nuvem hiperescalável.
• Despesas de capital, energia, depreciação e custos de manutenção acima das premissas podem fazer com que a economia unitária efetiva fique abaixo das estimativas do modelo.
• Melhorias de eficiência na arquitetura de modelos, chips customizados, interconexões e processamento em lote de solicitações podem ficar abaixo das expectativas.
• Novos produtos de IA podem canibalizar a busca ou outros negócios de alta margem e aumentar as cargas computacionais com taxas de monetização menores.
• Consumo macroeconômico e gastos publicitários fracos, restrições regulatórias e adoção empresarial mais lenta podem afetar a receita das empresas relacionadas.
• Os retornos no relatório são estimativas de cenários orientadas por premissas e são altamente sensíveis a preços de tokens, throughput, utilização e preços de locação.

Pontos a observar

• Mudanças nos preços por milhão de tokens para modelos de pesos abertos e modelos próximos à fronteira.
• Throughput de tokens por GPU, parcela da capacidade utilizada para inferência e eficiência de processamento em lote de solicitações.
• O ritmo de lançamentos, as melhorias de capacidade e a adoção do ecossistema do próximo modelo Muse da META.
• O progresso do Google Gemini Flash e Gemini 4 em eficiência, desempenho e comercialização.
• Receita de IA, backlog, utilização e margens na AWS, Google Cloud e outras plataformas de nuvem.
• Vantagens de custo e desempenho de chips customizados como TPU e Trainium em relação a GPUs de uso geral.
• Contribuição incremental de receita dos modelos abertos para armazenamento, bancos de dados, geração aumentada por recuperação, segurança e serviços de governança.
• Despesas de capital, fluxo de caixa livre e divulgações de retorno sobre investimentos em IA de META, AMZN e GOOGL.