Inteligência artificial, computação em nuvem, semicondutores, software de segurança e infraestrutura de TI: Modelos de pesos abertos acelerarão a difusão da IA, com os vencedores do setor dependendo de três cenários competitivos

Visão geral

O relatório discute a competição e a coexistência entre modelos de pesos abertos e modelos de código fechado nas pilhas tecnológicas de IA empresarial. A Morgan Stanley acredita que o mercado pode estar subestimando o papel dos modelos de pesos abertos: sua principal distinção não é o tamanho ou a qualidade do modelo, mas se os usuários podem acessar e ajustar os pesos e se podem implantá-los de forma flexível em nuvem pública, nuvem privada, ambiente local ou borda. Os modelos de pesos abertos podem reduzir o custo variável da inferência de alta frequência, apoiar personalização especializada e atender a requisitos de soberania de dados, mas também trazem custos de ajuste fino, gargalos de talentos, responsabilidades de segurança e riscos geopolíticos. A distribuição de valor no setor nos próximos anos depende de qual dos três cenários — código fechado, híbrido ou pesos abertos — prevalecerá.

Visões principais

Primeiro, os modelos de pesos abertos favorecem a concorrência e a difusão tecnológica, e quedas de preços podem expandir a demanda total por IA por meio do paradoxo de Jevons, em vez de simplesmente enfraquecer a demanda por poder computacional. Segundo, no curto prazo, é mais provável que as empresas mantenham arquiteturas híbridas: modelos de fronteira de código fechado lidam com raciocínio complexo e tarefas agênticas, enquanto modelos abertos ou pequenos assumem trabalhos de alta frequência, sensíveis a custo e específicos de domínio. Terceiro, quanto mais dispersos forem o número de modelos e os locais de implantação, maior será a importância de gateways, roteamento, orquestração, avaliação, observabilidade, segurança e governança. Quarto, se os modelos de código fechado vencerem, laboratórios líderes, nuvens de hiperescala, redes de treinamento, semicondutores e fornecimento de energia no local se beneficiarão mais; se os modelos de pesos abertos vencerem, o valor migrará mais para ajuste fino, otimização de inferência, aplicações, nuvem privada, infraestrutura local, dispositivos de borda e software de segurança.

Estrutura de análise

O relatório combina pesquisas sobre adoção empresarial, dados de uso de tokens, estudos de custo total de propriedade e retorno sobre investimento, e utiliza análise de cenários para comparar desempenho de modelos, poder de precificação, arquiteturas de implantação, restrições regulatórias e comportamento de compras empresariais, mapeando então cada cenário para ações e segmentos setoriais relevantes.

Notas metodológicas

• Análise de cenáriosTrês estados do mundo

  Pressupõe, respectivamente, que modelos de código fechado vencem, arquiteturas híbridas coexistem e modelos de pesos abertos vencem.

  Ao alterar as lacunas de desempenho entre modelos, a concorrência de preços, os métodos de implantação empresarial e as condições regulatórias, o relatório identifica os beneficiários relativos nos segmentos de nuvem, modelos, software, hardware, redes e energia sob diferentes cenários.

• Estrutura econômicaParadoxo de Jevons

  Uma redução nos custos unitários de inferência pode estimular o crescimento do uso e aumentar a demanda total por IA.

  Depois que os modelos de pesos abertos melhoram a eficiência e reduzem os preços, mais empresas e cargas de trabalho tornam-se economicamente viáveis para adoção de IA, de modo que a demanda por poder computacional e infraestrutura relacionada pode não necessariamente cair à medida que os custos unitários diminuem.

• Análise de custosCusto total de propriedade

  Compara taxas de licenciamento, taxas por token, poder computacional, hospedagem, ajuste fino, talentos e custos de operações e manutenção.

  Embora os modelos de pesos abertos possam evitar taxas de licenciamento ou cobranças por token, eles não são gratuitos; a escala de implantação e a contagem de parâmetros do modelo afetam significativamente sua economia relativa e o período de retorno sobre investimento.

• Mapeamento da cadeia do setorAnálise de beneficiários das arquiteturas de implantação de IA

  Aloca as direções de beneficiários do setor de acordo com a extensão em que as cargas de trabalho migram para nuvem pública, nuvem privada, ambiente local e borda.

  Arquiteturas centralizadas de código fechado são mais favoráveis aos principais provedores de nuvem e de modelos de fronteira, enquanto arquiteturas abertas distribuídas aumentam a demanda por hardware local, dispositivos de borda, segurança, orquestração, roteamento e observabilidade.

Mapeamento e comparação de ativos

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

• GOOGL, AMZN, MSFT

  Plataformas de nuvem e canais de distribuição de modelos

  Pontos fortes

  Elas possuem poder computacional em escala, relacionamentos com clientes empresariais e capacidades de hospedagem; sob arquiteturas de código fechado ou híbridas, podem absorver grandes volumes de cargas de trabalho centralizadas.

  Pontos fracos

  A concorrência de preços dos modelos abertos pode comprimir retornos excedentes das APIs de modelos e transferir parte das cargas de trabalho para ambientes locais ou de borda.

  Comparação

  Os principais beneficiários no cenário de código fechado incluem GOOGL e AMZN; o cenário híbrido inclui AMZN, GOOGL e MSFT; no cenário de pesos abertos, o relatório destaca a MSFT.

  Riscos

  Modelos proprietários ficando atrás dos modelos de fronteira, retornos decrescentes sobre despesas de capital, adoção multicloud pelos clientes e restrições regulatórias.

• NVDA, AVGO

  Semicondutores de IA e infraestrutura computacional personalizada

  Pontos fortes

  O crescimento da demanda por treinamento e inferência apoia diretamente a demanda por aceleradores, redes e chips personalizados; a NVDA é vista como beneficiária com resiliência relativamente forte entre os cenários.

  Pontos fracos

  Modelos menores e mais eficientes podem reduzir o poder computacional necessário por tarefa, e arquiteturas abertas também podem alterar as estruturas de aquisição de chips e sistemas.

  Comparação

  O cenário de código fechado lista NVDA e AVGO, enquanto o cenário híbrido lista NVDA; a capa do relatório enfatiza que a NVDA possui lógica de benefício em múltiplos cenários.

  Riscos

  Eficiência dos modelos melhorando mais rapidamente do que o crescimento das cargas de trabalho, chips próprios dos clientes, expansão da oferta e alta avaliação.

• PANW, CRWD, FTNT, ZS, NTSK, OKTA, SAIL, VRNS

  Segurança e governança de identidade para cargas de trabalho de IA distribuídas

  Pontos fortes

  Depois que modelos e dados são distribuídos entre ambientes de nuvem, locais e de borda, aumenta a demanda por controle de acesso, segurança de endpoints, gestão de identidade e governança.

  Pontos fracos

  Sob arquiteturas centralizadas de código fechado, algumas responsabilidades de segurança podem ser tratadas internamente por laboratórios de modelos de fronteira ou plataformas de nuvem.

  Comparação

  O software de segurança se beneficia nos três cenários, mas a demanda incremental é mais ampla sob arquiteturas de pesos abertos ou híbridas.

  Riscos

  Consolidação de orçamentos de segurança, substituição por recursos nativos de plataforma, modificação maliciosa de modelos abertos e atribuição pouco clara de responsabilidades.

• DDOG, PLTR, APPN

  Orquestração, observabilidade e software de infraestrutura

  Pontos fortes

  Ambientes multimodelo exigem gateways unificados, roteamento, registro de logs, avaliação, monitoramento de custos, orquestração de fluxos de trabalho e failover.

  Pontos fracos

  As funções podem ser incorporadas às plataformas de nuvem, provedores de modelos ou ferramentas de código aberto, e fornecedores independentes enfrentam concorrência das plataformas.

  Comparação

  O cenário híbrido destaca DDOG, PLTR e APPN, enquanto o cenário de pesos abertos lista PLTR.

  Riscos

  Progresso de implantação empresarial mais lento que o esperado, comoditização de produtos, alternativas de código aberto e desenvolvimento interno pelos clientes.

• DELL, HPE, NTAP, P, HPQ, AAPL

  Infraestrutura local e dispositivos de borda

  Pontos fortes

  Após a melhora do desempenho dos modelos abertos, as empresas podem transferir mais inferência para ambientes locais e de borda devido a requisitos de custo, latência, privacidade e soberania de dados.

  Pontos fracos

  A implantação local de modelos grandes exige muito capital, o período de retorno pode ser longo e as empresas precisam de talentos de operações e manutenção.

  Comparação

  Essas empresas se beneficiam principalmente do cenário descentralizado em que modelos de pesos abertos vencem, com menor elasticidade no cenário centralizado de código fechado.

  Riscos

  Empresas continuando a priorizar APIs, redução dos custos de nuvem pública, ciclos mais longos de renovação de hardware e complexidade excessiva na implantação de modelos.

• SAP, NOW, SHOP

  Aplicações empresariais e camada de SaaS

  Pontos fortes

  Elas podem incorporar modelos abertos ou de código fechado aos fluxos de trabalho existentes e usar os dados proprietários das empresas para desenvolver aplicações e agentes de domínio.

  Pontos fracos

  A comoditização das capacidades dos modelos fundamentais pode reduzir a diferenciação e o poder de precificação de algumas funções de IA.

  Comparação

  SAP e NOW aparecem tanto nos cenários híbrido quanto de pesos abertos, enquanto SHOP é listada principalmente no cenário de pesos abertos.

  Riscos

  Monetização insuficiente de funções de IA, pressão de custos de inferência, obstáculos de governança de dados e clientes desenvolvendo aplicações internamente.

• ANET, LITE, COHR, CSCO, FFIV

  Comunicações ópticas, redes e gestão de tráfego de data centers

  Pontos fortes

  Clusters de treinamento de código fechado exigem redes de alta largura de banda, enquanto arquiteturas híbridas e distribuídas aumentam a demanda por conectividade e gestão de tráfego entre nuvens, data centers e a borda.

  Pontos fracos

  Os nomes beneficiários divergem à medida que mudam as participações de treinamento centralizado e inferência distribuída.

  Comparação

  O cenário de código fechado destaca ANET, LITE e COHR; o cenário híbrido destaca CSCO e FFIV.

  Riscos

  Ciclos de despesas de capital de data centers, concentração de clientes, iteração tecnológica e volatilidade da cadeia de suprimentos.

• BE, INIO, SEI, WMB, LBRT

  Fornecimento de energia no local para instalações de treinamento de IA em hiperescala

  Pontos fortes

  Quando modelos de fronteira de código fechado continuam expandindo clusters de treinamento, a demanda por energia confiável em escala de gigawatts e soluções de energia no local será fortalecida.

  Pontos fracos

  Os ciclos dos projetos são longos, e a realização da demanda depende do progresso da construção de data centers, licenças e infraestrutura de combustível.

  Comparação

  O relatório lista principalmente esses nomes como beneficiários no cenário em que modelos de código fechado vencem, embora também acredite que a demanda por energia seja sustentada em múltiplos cenários.

  Riscos

  Atrasos em projetos de data centers, flutuações nos preços de energia, aprovações regulatórias, custos de financiamento e eficiência computacional melhorando mais do que o esperado.

• MiniMax, Knowledge Atlas, BABA, Tencent

  Provedores de modelos de pesos abertos

  Pontos fortes

  Se os modelos abertos se aproximarem do desempenho de fronteira, eles poderão expandir a adoção por meio de ampla distribuição, construção de ecossistema e bases de clientes em mercados locais.

  Pontos fracos

  Os preços dos modelos fundamentais estão caindo rapidamente, a capacidade de monetização direta pode ser limitada e são necessários investimentos contínuos em treinamento e governança de segurança.

  Comparação

  O relatório lista essas empresas como beneficiárias na camada de modelos no cenário em que os modelos de pesos abertos vencem.

  Riscos

  Possíveis restrições dos EUA a modelos chineses, continuidade dos negócios transfronteiriços, políticas de licenciamento, preocupações de segurança e lacunas em relação ao desempenho de fronteira.

Dados principais

• Taxa de adoção empresarial de modelos abertos63%Resultados da pesquisa da McKinsey com cerca de 700 líderes de tecnologia em 41 países; a maioria dos adotantes também usa modelos de código fechado.
• Participação dos tokens do OpenRouter de usuários dos EUA direcionados a modelos abertos chinesesmais de 30% por semanaAs estatísticas abrangem fevereiro a julho de 2026; o relatório observa que a amostra pode ser mais inclinada a startups do que a grandes empresas.
• Economia média das tarefas de IAaproximadamente US$55 em benefícios, correspondentes a US$2–5 em custosUsado para ilustrar que a adoção empresarial de IA ainda tem espaço substancial para crescimento.
• Impacto potencial de preços dos modelos abertosOs preços médios podem cair 70%, e os consumidores podem economizar cerca de US$25B por anoCita um estudo do MIT de dezembro de 2025; nem todos os modelos de pesos abertos têm custos unitários por token menores.
• Participação de empresas que valorizam o controle de implantação40%Na pesquisa da McKinsey, os líderes empresariais pesquisados preferiram modelos de pesos abertos porque podiam controlar o local de hospedagem.
• Período de retorno para implantação localaproximadamente 3 meses a 6 anosO período de retorno para pequenas implantações pode ser de apenas cerca de 3 meses, enquanto implantações grandes de 200B–1T parâmetros podem levar até cerca de 6 anos.
• ROIC potencial das APIs de modelo da GOOGLaproximadamente 45%Aplica-se a um cenário em que o Gemini está na fronteira e opera APIs de modelo em sua própria infraestrutura.
• ROIC potencial do modelo de provedor de infraestrutura da GOOGLaproximadamente 30%Aplica-se a um cenário em que o Gemini não está na fronteira e a GOOGL desempenha mais o papel de provedora de infraestrutura.
• ROIC incremental dos principais modelos de negócio de inferência de IAacima de 25%O relatório acredita que os três principais modelos de negócio na era da inferência de IA têm economias unitárias incrementais relativamente atraentes.

Impacto e implicações

Para os investidores, a chave não é simplesmente apostar em modelos abertos ou de código fechado, mas identificar a sensibilidade de cada segmento setorial aos três cenários. A dominância do código fechado favorece um pequeno número de plataformas com vantagens em capital, desempenho de modelos e infraestrutura de nuvem, assim como empresas de semicondutores, redes e fornecimento de energia que sustentam treinamento em hiperescala; arquiteturas híbridas são mais favoráveis a fornecedores de software que podem fornecer roteamento, orquestração, avaliação, governança e segurança entre modelos; a dominância de pesos abertos deslocaria o valor ainda mais do pré-treinamento de modelos fundamentais para ajuste fino, otimização de inferência, agentes, aplicações, infraestrutura local e dispositivos de borda. Melhorias na eficiência computacional podem expandir o volume total de cargas de trabalho de IA, portanto NVDA e a demanda relacionada à energia têm resiliência relativamente maior entre os cenários.

Riscos

• Os Estados Unidos podem restringir modelos chineses de pesos abertos, e a China também pode restringir modelos de fronteira estrangeiros, criando riscos para empresas multinacionais quanto à continuidade dos negócios e à seleção de fornecedores.
• Pesos abertos podem ter o alinhamento de segurança removido ou ser ajustados finamente de forma maliciosa, aumentando riscos de cibersegurança, uso indevido de modelos e atribuição de responsabilidades.
• Acompanhar as versões de fronteira requer ajustes finos repetidos, e as empresas podem não ter poder computacional, talentos, tempo e recursos de engenharia.
• A ausência de taxas por token para modelos de pesos abertos não significa que o custo total de propriedade seja menor; o período de retorno de grandes implantações locais pode chegar a vários anos.
• Marca, confiança, custos de troca, proteções de indenização e preocupações sobre modelos estrangeiros podem desacelerar a migração empresarial.
• O desempenho, os preços e a eficiência dos modelos mudam rapidamente, e as probabilidades dos três cenários e as relações correspondentes de empresas beneficiárias em bolsa podem continuar a se ajustar.
• As empresas beneficiárias listadas no relatório abrangem múltiplos setores, e o desempenho individual das ações continua sendo afetado por avaliação, concorrência, ciclos de despesas de capital e execução das empresas.

Pontos a observar

• Se os modelos de pesos abertos conseguem continuar reduzindo a diferença de desempenho em relação aos modelos de fronteira de código fechado em raciocínio, agentes e segurança.
• Mudanças nas participações de arquiteturas abertas, de código fechado e híbridas nos gastos empresariais com modelos de IA, em vez de observar apenas testes ou tráfego de tokens.
• Evoluções regulatórias nos Estados Unidos e na China relativas à origem dos modelos, liberação de pesos, soberania de dados e responsabilidade de segurança.
• O custo total de propriedade ao longo de todo o ciclo de vida dos modelos abertos, incluindo hospedagem, poder computacional, ajuste fino, talentos, segurança e atualizações de versões.
• O ritmo de migração das cargas de trabalho empresariais para nuvem privada, ambientes locais e de borda, e o período real de retorno dos clusters de GPU.
• Tendências de aquisição e monetização de gateways de modelos, roteamento, orquestração, avaliação, observabilidade e software de governança.
• A velocidade relativa das melhorias de eficiência dos modelos em relação às novas cargas de trabalho, para avaliar se o paradoxo de Jevons pode continuar sustentando a demanda por poder computacional e eletricidade.
• Se o Gemini da GOOGL pode retornar à fronteira e as diferenças de ROIC entre seus negócios de API de modelos e infraestrutura.