Morgan Stanley estima lucros de CapEx: como a infraestrutura de IA pode gerar retornos de 25% a 50% ao alugar GPUs e vender tokens?

TL;DR > · A Morgan Stanley estima que a infraestrutura GenAI pode obter cerca de 25% a 50% de retorno sobre o capital em um cenário de referência. > · As principais suposições incluem uma taxa de utilização de 75% das GPUs, aluguel de GB300, throughput de tokens e preços de API. > · Microsoft, Amazon, Google e Meta têm mais chances de se beneficiar, mas a guerra de preços e modelos de código aberto podem pressionar os lucros.

No relatório de 27 de julho, a Morgan Stanley fez as contas sobre os gastos de capital em IA: se a taxa de utilização das GPUs, os aluguéis, o throughput de tokens e os preços das APIs atingirem as suposições de referência, a infraestrutura e os serviços de API de IA generativa têm a oportunidade de gerar retornos de cerca de 25% a 50% sobre o capital.

Isso responde diretamente à maior preocupação do mercado em relação às grandes empresas de tecnologia. Microsoft, Amazon, Google e Meta continuam a investir em GPUs e centros de dados, e os gastos de capital estão crescendo, levando os investidores a se perguntarem se esse dinheiro se transformará em lucros ou apenas aumentará a depreciação, o consumo de energia e os custos de pesquisa e desenvolvimento.

Essa análise divide a monetização da GenAI em três caminhos: alugar a capacidade de computação das GPUs como IaaS, fornecer APIs de modelo com infraestrutura própria e alugar capacidade de terceiros para fornecer APIs de modelo. Os dois primeiros caminhos são mais adequados para grandes plataformas de tecnologia que possuem centros de dados, acesso a clientes e capacidade de distribuição de produtos, enquanto o terceiro é mais suscetível à pressão dos aluguéis de GPUs.

Comparação de retornos de três modelos de negócios de GenAI: IaaS de GPU cerca de 31%, API de modelo com infraestrutura própria acima de 40%, API de modelo com infraestrutura de terceiros cerca de 25%.

Gastos de 1,4 trilhões de dólares, o importante não é apenas comprar GPUs

O pano de fundo dessa análise é que a construção de centros de dados de IA está entrando em uma fase de gastos de capital mais pesada. As estimativas públicas indicam que a Morgan Stanley prevê que os hyperscalers gastarão mais de 1,4 trilhões de dólares em capital até 2028, com a capacidade de computação podendo quadruplicar de 2025 a 2028, alcançando cerca de 120GW.

Essas capacidades não se transformarão imediatamente em receita. O treinamento de modelos de ponta, a manutenção de modelos e a iteração de modelos de diferentes tamanhos ainda consumirão uma quantidade significativa de capacidade de computação; o treinamento em si não é cobrado diretamente, mas deve suportar custos de depreciação, energia e operação.

O que realmente impacta os retornos é se a capacidade restante pode ser totalmente absorvida por inferências, APIs, software empresarial e serviços em nuvem. Em termos mais diretos, quantas horas uma GPU pode vender em um ano, quanto pode cobrar por hora, quantos tokens pode processar por segundo e quanto pode vender por milhão de tokens, determinam se os gastos de capital em IA podem gerar retornos em dinheiro.

Esse é também o aspecto mais notável deste relatório. O que o mercado viu anteriormente foram números de Capex sendo constantemente ajustados para cima; agora a Morgan Stanley apresenta um conjunto de cálculos econômicos unitários: sob as suposições de referência, a infraestrutura de IA pode cobrir a alta pressão de depreciação e se aproximar dos níveis de retorno de negócios de nuvem ou software de alta qualidade.

Aluguel de GPUs: retorno de IaaS cerca de 31% sob 75% de utilização

O primeiro caminho é que grandes provedores de nuvem aluguem a capacidade de computação das GPUs como IaaS. A suposição do cenário de referência é que 1GW de capacidade corresponde a cerca de 410.000 GPUs GB300 da Nvidia, com uma taxa de utilização de 75% e um aluguel de 8,5 dólares por hora.

Com essas suposições, o negócio de aluguel de GPUs gera uma receita anual de cerca de 22,9 bilhões de dólares por GW, com uma margem EBIT incremental de cerca de 67% e um retorno de capital de cerca de 31%. Desde que a oferta de GPUs possa ser preenchida por uma demanda suficientemente alta, o IaaS não é um aluguel de hardware de baixa margem, mas se aproxima mais de um negócio de infraestrutura de alta utilização.

Análise de retorno do aluguel de GPUs e análise de sensibilidade: com 75% de utilização e aluguel de 8,5 dólares/hora, o retorno de referência do IaaS é de cerca de 31%.

A vantagem aqui vem da capacidade existente dos grandes provedores de nuvem em termos de eletricidade, centros de dados, relacionamentos com clientes e vendas de plataformas em nuvem. Se a nova capacidade de GPUs puder ser integrada à demanda existente dos clientes, a conversão de receita será mais direta.

Mas esse caminho é sensível a preços e taxas de utilização. A queda nos aluguéis de GPUs, a utilização insuficiente e o aumento dos custos de energia podem pressionar os retornos. Com o aumento de novos entrantes, ASICs e novas GPUs entrando no mercado, o preço por unidade de capacidade de computação também pode cair, e não está claro se o aluguel de 8,5 dólares/hora pode ser mantido a longo prazo.

API de modelo é mais lucrativa, apostando no consumo de tokens

O segundo caminho é fornecer APIs de modelo com infraestrutura própria. A suposição do cenário de referência é que 65% da capacidade é usada para inferência, com cada GPU podendo processar cerca de 2750 tokens por segundo, e um preço misto de 1,75 dólares por milhão de tokens.

Nesse cenário, a margem EBIT incremental da API de modelo é de cerca de 75%, e o retorno de capital supera 40%. Em diferentes fontes, esse retorno varia de 40% a 46%, mas a direção é a mesma: a capacidade própria combinada com serviços de modelo gera retornos superiores ao simples aluguel de horas de GPU.

A razão não é complicada. Os provedores de nuvem e de modelos não vendem apenas horas de GPU, mas sim a capacidade do modelo, serviços de inferência e chamadas de API. A receita está ligada ao consumo de tokens, o que oferece uma margem de lucro maior.

Análise de cenário da API de modelo com infraestrutura própria: com 2750 tokens/segundo/GPU e preço de 1,75 dólares por milhão de tokens, o retorno supera 40%.

Isso também explica por que as grandes empresas de tecnologia estão comprando chips enquanto inserem funcionalidades de IA em busca, software de escritório, publicidade, recomendações de e-commerce e ferramentas para desenvolvedores. O que elas realmente querem fazer não é apenas alugar capacidade ociosa, mas transformar a inferência em uma receita frequente, faturável e que possa ser integrada aos produtos existentes.

Os riscos também estão concentrados no nível de tokens. O throughput de tokens não é determinado apenas pelos chips, mas também pela escala de parâmetros do modelo, pilha de software, proporção de entrada e saída e capacidade de otimização de inferência. Se o modelo for mais eficiente, cada GPU pode processar mais tokens, aumentando os retornos. Se modelos de código aberto e guerras de preços pressionarem a receita por milhão de tokens, a margem de lucro será diluída.

Aluguel de capacidade de terceiros para APIs, lucros mais fáceis de serem consumidos

O terceiro caminho é que as empresas de modelos aluguem infraestrutura de terceiros e, em seguida, forneçam APIs de modelo aos clientes. No cenário de referência, o aluguel de GPUs é de cerca de 7,75 dólares/hora, com uma margem EBIT incremental de cerca de 31% e um retorno ou margem de lucro após impostos de cerca de 25%.

Esse caminho ainda pode ser lucrativo, mas não é tão vantajoso quanto ter uma infraestrutura própria. A parte que aluga GPUs deve primeiro pagar o aluguel da capacidade, e depois arcar com os custos de treinamento de modelos, inferência, serviços e vendas, deixando um espaço de lucro mais estreito.

Análise de cenário da API de modelo com infraestrutura de terceiros: aluguel de GPU a 7,75 dólares/hora, preços de tokens, throughput e custos de aluguel determinam um retorno após impostos de cerca de 25%.

Essa é também a razão pela qual Microsoft, Amazon, Google e Meta têm uma vantagem relativa. Elas possuem força de capital, centros de dados, acesso a clientes e capacidade de distribuição de produtos, podendo escolher a forma de monetização mais adequada entre IaaS e API. Empresas de modelos puras ou aplicações intermediárias que não têm poder de precificação suficiente são mais suscetíveis à pressão dos custos de capacidade.

Isso não significa que empresas de modelos de terceiros não tenham oportunidades. Modelos de alta qualidade, cenários verticais, personalização empresarial e distribuição em camadas de aplicação ainda podem formar diferenciais. Mas, do ponto de vista do retorno sobre capital, quem possui capacidade de baixo custo e infraestrutura de alta utilização tem mais chances de deixar lucro.

O foco está nas quatro grandes plataformas de tecnologia, mas os altos retornos ainda não se concretizaram

A Morgan Stanley continua otimista em relação à Microsoft, Amazon, Meta e Google com base nessa análise. A vantagem comum delas é que podem expandir a infraestrutura de IA e já têm produtos prontos e acesso a clientes para atender à demanda de inferência.

A Microsoft recebeu uma classificação de Overweight, com um preço-alvo de 600 dólares. A empresa-mãe do Google, Alphabet, tem um preço-alvo de 400 dólares, e a Meta foi listada como Top Pick, com um preço-alvo de 775 dólares. A Amazon também está incluída entre as grandes plataformas de IA que se beneficiam, mas seu preço-alvo específico varia em fontes públicas, não sendo adequado considerar um único número como conclusão.

Essas ações não devem ser interpretadas como se os gastos de capital em IA já tivessem se concretizado. Os relatórios financeiros de curto prazo dessas quatro empresas ainda podem enfrentar pressão de depreciação, consumo de energia, troca de chips e gastos com pesquisa e desenvolvimento. Se os investimentos em IA podem ser convertidos em retornos para os acionistas, depende, em última análise, se o crescimento da receita de inferência pode superar a expansão dos custos.

Uma taxa de retorno de 25% a 50% também é apenas uma estimativa de cenário, não um resultado financeiro já ocorrido. Uma taxa de utilização de 75% é uma alta barreira; se a aplicação de IA nas empresas demorar mais do que o esperado, as GPUs ociosas puxarão diretamente os retornos para baixo. O preço dos tokens também não é estável; modelos de código aberto, modelos menores mais eficientes e guerras de preços entre provedores de nuvem podem pressionar a receita por milhão de tokens.

Este relatório oferece mais como uma régua: desde que as grandes empresas de tecnologia possam manter a infraestrutura de IA em alta utilização e transformar o consumo de tokens em receita por meio de APIs de modelo, serviços em nuvem e produtos existentes, os gastos de capital em IA não serão apenas um buraco negro de custos. Por outro lado, se os aluguéis, a utilização e a taxa de adoção de inferência não atenderem aos padrões, os retornos de 25% a 50% rapidamente permanecerão apenas nas tabelas de modelos.