Barclays Afirma que Laboratórios de IA Destinam Quase 40% da Receita a Gigantes da Nuvem
O Barclays afirma que empresas de modelos de IA destinam cerca de US$ 35 a US$ 40 de cada US$ 100 em receita à AWS, Microsoft Azure e Google Cloud. Essa estimativa transforma o boom da IA em uma história mais complexa sobre quem captura seu valor econômico.
A análise foi noticiada em 30 de agosto por diversos veículos, incluindo uma notícia breve da 36Kr. Ela descreve a inferência — a computação realizada sempre que um modelo implantado processa uma solicitação — como uma importante transferência de receita dos laboratórios de IA para os operadores de nuvem.
Segundo relatos, o Barclays estima que os provedores de nuvem retêm de US$ 10 a US$ 20 em lucro operacional a cada US$ 100 faturados por um laboratório de IA. Isso implica margens operacionais entre 35% e 45% sobre a receita de infraestrutura relacionada.
A parte surpreendente não é que empresas de IA tenham grandes contas de computação. A inversão é que a melhora na economia dos modelos não retirou as empresas de nuvem da cadeia de valor. Laboratórios de IA e hyperscalers estão se tornando lucrativos nas mesmas solicitações, mas os proprietários da infraestrutura ainda recolhem sua parcela primeiro.
Isso cria a tensão central por trás dos números. OpenAI, Anthropic e outros desenvolvedores de modelos querem transformar inteligência em um produto de software com alta margem. AWS, Azure e Google Cloud fornecem grande parte da capacidade computacional necessária para entregá-lo.
A Alegação dos US$ 40 Muda Como a Receita de IA Deve Ser Interpretada
A receita de um laboratório de IA pode crescer rapidamente enquanto uma grande parcela recorrente sai imediatamente como gasto com infraestrutura.
A estimativa do Barclays começa com hipotéticos US$ 100 de receita de um laboratório de IA. Segundo relatos que descrevem a pesquisa, aproximadamente US$ 35 a US$ 40 são destinados à capacidade de inferência fornecida pelas três maiores plataformas de nuvem.
Esse pagamento cobre o hardware e os sistemas envolvidos no atendimento às respostas dos modelos. Esses sistemas incluem aceleradores, equipamentos de rede, armazenamento, energia, refrigeração e o software usado para agendar cargas de trabalho.
A estimativa não significa que todas as empresas de IA paguem a mesma porcentagem. Os custos de um laboratório dependem da arquitetura de seus modelos, do perfil de clientes, dos termos contratuais, das taxas de utilização, do hardware e de sua capacidade de operar a própria infraestrutura.
Um agente de programação que trabalha em um grande repositório pode consumir muito mais tokens do que uma breve conversa com um chatbot voltado ao consumidor. Uma implantação empresarial com requisitos rigorosos de latência também pode ter custos diferentes de uma tarefa de resumo executada em segundo plano.
O número é mais bem entendido como um modelo do setor, e não como uma declaração auditada de uma empresa específica. O Barclays teria descrito a análise como um “AI Labs & Hyperscaler Unit Economics Primer”, mas o relatório institucional completo não está disponível publicamente.
Essa lacuna de acesso importa. Os leitores não podem inspecionar de forma independente cada premissa por trás da estimativa de US$ 35 a US$ 40, incluindo volume de carga de trabalho, depreciação de hardware, descontos contratados e eficiência dos modelos.
As fontes públicas concordam, em linhas gerais, com os números principais. Um resumo separado do Barclays também atribui à pesquisa do banco a participação de US$ 35 a US$ 40 em infraestrutura e o lucro operacional de US$ 10 a US$ 20.
No entanto, relatos repetidos ainda podem ter origem no mesmo documento subjacente. Eles não devem ser tratados como confirmações independentes dos cálculos do modelo.
Ainda assim, a estimativa oferece uma estrutura útil para entender a economia da IA. A receita reportada por um provedor de modelos não equivale ao valor retido após a inferência.
O software tradicional pode atender um usuário adicional a um custo incremental relativamente baixo. A IA generativa precisa realizar computação substancial sempre que um usuário pede uma resposta, gera uma imagem ou delega uma tarefa a um agente.
Os desenvolvedores de modelos podem reduzir esse custo por meio de quantização, cache, processamento em lote, roteamento e modelos menores e especializados. Eles também podem negociar capacidade mais barata ou implantar sistemas personalizados.
Porém, maior eficiência não reduz automaticamente o gasto total com infraestrutura. Custos menores podem incentivar usuários a fazer mais solicitações, enquanto agentes podem gerar longas sequências de chamadas de modelos sem intervenção humana contínua.
Esse efeito rebote muda o significado da queda nos custos por token. O custo de uma unidade de inteligência pode cair enquanto o número total de unidades compradas cresce muito mais rápido.
O modelo do Barclays capta essa diferença entre eficiência por unidade e demanda agregada. Os laboratórios de IA podem se tornar melhores em atender cada solicitação enquanto os provedores de nuvem continuam vendendo mais computação no total.
É por isso que a alegação dos US$ 40 cria uma tensão real. Ela sugere que a camada de modelos está melhorando sem escapar de sua dependência da camada de infraestrutura.
Por Que as Margens de Inferência de IA Cresceram Tão Rapidamente
A melhora de margem reportada reflete atendimento de modelos mais barato, melhor utilização e receita mais forte, e não o desaparecimento dos custos de computação.
Segundo relatos, o Barclays estima que as margens sobre inferência paga subiram de baixos dois dígitos em 2025 para aproximadamente 50% a 65%, ou mais, em 2026. A melhora anual reportada na margem bruta ajustada chega a 30 a 50 pontos percentuais.
Inferência paga significa o uso de modelos vinculado à receita, como chamadas de API, assinaturas ou produtos empresariais. A margem bruta mede a receita restante após o custo direto de fornecer esse uso.
Diversos mecanismos podem elevar essa margem rapidamente. Novos aceleradores processam mais trabalho, enquanto softwares melhores mantêm esses aceleradores ocupados durante uma parcela maior do dia.
Os provedores de modelos também usam cache para evitar recalcular informações repetidas. O processamento em lote combina solicitações compatíveis, distribuindo os custos de infraestrutura por uma quantidade maior de resultados.
A quantização reduz a precisão numérica usada para representar os parâmetros de um modelo. Isso pode diminuir os requisitos de memória e computação, embora uma quantização agressiva possa afetar a qualidade da saída.
A destilação treina um modelo menor para reproduzir comportamentos selecionados de um modelo maior. O modelo resultante pode ser mais barato de operar em tarefas que não exigem capacidade máxima.
O roteamento acrescenta outra camada de eficiência. Um serviço pode direcionar solicitações simples para modelos menores e reservar sistemas de fronteira caros para problemas difíceis.
A composição da receita importa tanto quanto a eficiência técnica. Contratos empresariais, cargas de trabalho de programação de alto valor e produtos baseados em uso podem gerar mais receita a partir de determinada quantidade de infraestrutura.
Os números do Barclays indicam que as empresas de modelos fizeram progressos significativos nos dois lados do cálculo. Elas parecem estar obtendo mais receita com solicitações pagas enquanto reduzem o custo computacional associado a cada resposta útil.
No entanto, uma margem bruta de 50% a 65% não equivale à lucratividade no nível da empresa. Os laboratórios de IA ainda pagam por treinamento, pesquisa, funcionários, dados, sistemas de segurança, distribuição e operações gerais.
O gasto com treinamento é especialmente importante porque o modelo reportado se concentra na economia da inferência. Construir a próxima geração de modelos pode exigir um conjunto separado de recursos computacionais muito antes de esse modelo gerar receita.
Incentivos de vendas também podem complicar o quadro. Uso gratuito, acesso incluído em pacotes, créditos promocionais e contratos com gasto mínimo podem afetar a relação entre receita reconhecida e demanda real.
A melhora estimada, portanto, sustenta uma conclusão mais restrita. O atendimento de modelos pagos estaria se tornando uma atividade viável de alta margem, mesmo após custos significativos de nuvem.
Essa é uma mudança relevante em relação à ideia de que cada consulta adicional de IA necessariamente aprofunda as perdas de um provedor. Ela não estabelece que todos os grandes laboratórios tenham alcançado lucratividade líquida sustentável.
Margens maiores também podem atrair concorrência mais forte. Os provedores de modelos podem reduzir as tarifas de API, incluir mais uso nas assinaturas ou gastar recursos computacionais adicionais para melhorar a qualidade das respostas.
Segundo relatos, o Barclays espera que as margens de inferência caiam gradualmente à medida que a concorrência entre modelos de fronteira se intensifica e mais oferta de computação se torna disponível. Essa previsão segue a lógica normal de mercado.
Se diversos provedores puderem oferecer inteligência comparável, os clientes ganham poder de negociação. Parte das economias de eficiência então é repassada aos compradores, em vez de permanecer com o laboratório.
A mesma pressão pode surgir por meio do design do produto. Os provedores podem permitir contextos mais longos, mais etapas de agentes e raciocínio adicional nas assinaturas existentes.
Essas adições melhoram o produto, mas consomem mais computação. Elas podem transformar eficiência de hardware em serviço melhor antes de se converterem em lucro duradouro.
Esse é o mecanismo por trás da inversão reportada. Os laboratórios de IA melhoraram suas margens, mas a concorrência pode converter parte desse ganho em preços menores e cargas de trabalho mais pesadas.
Gigantes da Nuvem Recebem Independentemente de Qual Modelo Vence
AWS, Azure e Google Cloud ocupam uma posição favorável porque a competição entre modelos pode aumentar a demanda por infraestrutura em todo o mercado.
Um laboratório de IA precisa convencer clientes de que seus modelos oferecem melhor desempenho, confiabilidade ou integração. Um provedor de nuvem pode se beneficiar quando diversos laboratórios competem e todos exigem mais computação.
Esse arranjo se assemelha a um pedágio de infraestrutura, embora as empresas de nuvem também enfrentem custos substanciais e riscos de investimento. Elas precisam comprar equipamentos e construir centros de dados antes que a demanda futura se torne certa.
Divulgações financeiras recentes mostram por que investidores levam a posição das empresas de nuvem a sério. A Amazon informou que a AWS gerou US$ 42,2 bilhões em vendas no segundo trimestre de 2026, alta de 37% em relação ao ano anterior.
A AWS produziu US$ 16,6 bilhões em lucro operacional trimestral, em comparação com US$ 10,2 bilhões um ano antes. Esses números implicam uma margem operacional do segmento de aproximadamente 39%.
A Amazon também afirmou que seu negócio de IA da AWS ultrapassou uma taxa anualizada de receita de US$ 25 bilhões. A empresa descreveu esse negócio como crescendo em percentuais de três dígitos ano a ano em seus resultados trimestrais.
Esses resultados não isolam a receita de inferência de outros serviços da AWS. Também não comprovam a alocação específica do Barclays para laboratórios de IA.
Eles mostram que uma grande plataforma de nuvem pode crescer rapidamente enquanto produz lucro operacional substancial. A AWS respondeu pela maior parte do lucro operacional dos segmentos da Amazon durante o trimestre.
A Microsoft oferece uma visão diferente porque não publica a Azure como um segmento de relatório separado. Sua divisão Intelligent Cloud inclui a Azure, além de produtos de servidor e empresariais.
A Microsoft informou que a receita da Azure e de outros serviços de nuvem cresceu 43% no trimestre encerrado em 30 de junho de 2026. A receita anual da Azure ultrapassou US$ 100 bilhões e cresceu 41%, segundo sua teleconferência de resultados.
O segmento Intelligent Cloud reportou US$ 39,3 bilhões em receita trimestral e US$ 16 bilhões em lucro operacional. Sua margem operacional permaneceu próxima de 41%.
A Microsoft também informou que a demanda dos clientes continuou a exceder a capacidade de nuvem disponível. A empresa adicionou 31 centros de dados durante o trimestre e 88 durante o ano fiscal.
Esses números sustentam o lado da demanda da tese do Barclays. A capacidade continua valiosa porque os clientes estão prontos para usar nova infraestrutura logo após ela se tornar disponível.
Eles também revelam o lado dos custos. A margem bruta de nuvem da Microsoft caiu à medida que a empresa expandiu a infraestrutura de IA antes da demanda e deu suporte ao uso crescente de produtos.
A margem bruta do Microsoft Cloud caiu para 65% no trimestre mais recente, ante 68% um ano antes. Esse negócio inclui mais do que o Azure, portanto o número não pode representar a rentabilidade pura da infraestrutura de IA.
O Google Cloud apresenta uma terceira estrutura. O Google vende infraestrutura e aplicações em nuvem, ao mesmo tempo que desenvolve modelos Gemini e Tensor Processing Units personalizados.
A Alphabet reportou receita de US$ 13,6 bilhões para o Google Cloud no segundo trimestre de 2025, alta de 32%. O lucro operacional alcançou US$ 2,8 bilhões, dando ao segmento uma margem operacional de 20,7% em seus resultados de nuvem.
As três empresas, portanto, combinam diversos papéis econômicos. Elas vendem infraestrutura bruta, bancos de dados gerenciados, plataformas de modelos, aplicações empresariais e acesso a modelos próprios ou de terceiros.
Essa amplitude amplia a oportunidade de capturar valor. Um provedor de nuvem pode gerar receita com o acelerador, o armazenamento, a rede, o banco de dados, a camada de segurança e o serviço de IA gerenciado por trás de uma única aplicação.
O desenvolvedor de modelos ainda detém uma alavancagem importante. Os modelos mais fortes atraem usuários, influenciam o design das aplicações e podem negociar grandes acordos de capacidade entre diversos fornecedores.
OpenAI e Anthropic expandiram suas relações de infraestrutura para além de uma única plataforma. Uma maior diversidade de fornecedores pode reduzir a dependência operacional e melhorar o poder de negociação.
Os provedores de nuvem também competem entre si. A AWS desenvolve Trainium e Inferentia, o Google oferece TPUs, e a Microsoft projeta seus próprios aceleradores enquanto continua a implantar hardware externo.
Chips personalizados podem reduzir custos e diferenciar cada plataforma. Eles também podem vincular as cargas de trabalho mais estreitamente ao software e ao ambiente operacional de um provedor.
A principal disputa, portanto, não é AWS contra Azure ou Google Cloud. Ela envolve laboratórios de IA em busca de margens semelhantes às de software contra proprietários de infraestrutura que capturam uma parcela recorrente da receita dos modelos.
A concorrência entre as três nuvens sustenta essa disputa, mas não a substitui. Mesmo um laboratório que utiliza vários provedores ainda paga pelo trabalho computacional subjacente.
O que a estimativa do Barclays não comprova
Os números divulgados descrevem uma estrutura setorial plausível, mas não fornecem dados econômicos auditados para cada laboratório de IA ou plataforma de nuvem.
A primeira incerteza são os dados subjacentes. O Barclays é uma grande instituição financeira, mas o relatório completo e sua metodologia não estão disponíveis em uma página pública aberta.
Resumos públicos fornecem o resultado do modelo sem expor todas as entradas. Isso dificulta testar a estimativa com diferentes volumes de tokens, premissas de utilização e acordos de capacidade.
A segunda incerteza é o escopo contábil. A AWS divulga receita e lucro operacional por segmento, mas seu segmento inclui muito mais do que inferência de IA.
O Google Cloud também combina infraestrutura e aplicações Workspace. O segmento Intelligent Cloud da Microsoft é mais amplo que o Azure, enquanto o Microsoft Cloud inclui diversos produtos adicionais.
As margens operacionais divulgadas para a nuvem não podem ser atribuídas diretamente à inferência de IA. Despesas compartilhadas de pesquisa, custos corporativos e depreciação de hardware também podem estar em categorias contábeis diferentes.
Um provedor de nuvem pode reportar uma margem de segmento forte enquanto ganha menos com a capacidade de IA recém-implantada. Serviços maduros de armazenamento, bancos de dados e computação convencional podem sustentar o resultado mais amplo.
O oposto também pode ocorrer. Uma plataforma pode aceitar margens menores no curto prazo enquanto ocupa nova capacidade e constrói uma base maior de clientes.
A terceira incerteza diz respeito a transferências internas e relações estratégicas. Uma empresa de modelos pode receber investimento do mesmo provedor de nuvem que lhe vende capacidade computacional.
Créditos de nuvem, acesso preferencial, acordos de compartilhamento de receita e investimentos em participação acionária podem obscurecer uma relação simples entre cliente e fornecedor. A fatura nominal de infraestrutura pode não captar toda a economia de nenhum dos lados.
A quarta incerteza é a variação das cargas de trabalho. Uma solicitação curta de texto, uma tarefa de geração de imagens e um agente de software de longa execução não têm custos de inferência comparáveis.
Os modelos também podem gastar computação adicional antes de produzir uma resposta. Sistemas de raciocínio frequentemente trocam maior gasto de inferência por melhor desempenho em tarefas difíceis.
À medida que o uso migra para agentes autônomos, o número de chamadas ao modelo por ação do usuário pode aumentar acentuadamente. Um humano pode iniciar um trabalho enquanto o software realiza muitas buscas, avaliações e revisões.
Isso torna o controle de custos um problema de design de aplicações, e não apenas um problema de modelos. Desenvolvedores precisam decidir quando uma resposta de maior qualidade justifica computação adicional.
Compradores empresariais enfrentam uma questão semelhante. Um preço baixo por token não garante uma fatura total baixa quando uma aplicação é executada por milhares de funcionários e processos automatizados repetidos.
Os compradores devem monitorar o custo por tarefa concluída, e não apenas o custo por token. O modelo mais barato nem sempre é mais econômico se exigir mais tentativas, mais supervisão ou trabalho adicional posterior.
Essa distinção também importa ao avaliar alegações de produtividade. Um sistema que gasta mais com inferência ainda pode apresentar melhor economia se economizar tempo suficiente dos funcionários ou evitar erros caros.
Desenvolvedores que criam sistemas internos podem preservar as decisões por trás dessas implantações em uma base de conhecimento técnico pesquisável. Esse registro ajuda as equipes a comparar a qualidade do modelo, a conclusão de tarefas e o custo operacional ao longo do tempo.
A quinta incerteza é o comportamento de preços. A queda nos custos de inferência não garante margens maiores quando os provedores reduzem preços de forma agressiva.
Modelos abertos podem exercer pressão adicional sobre APIs proprietárias. Empresas podem implantar alguns modelos abertos em infraestrutura alugada ou própria, embora assim assumam mais responsabilidade operacional.
Provedores especializados de nuvem também podem competir por cargas de trabalho de IA. Eles podem oferecer acesso atraente a aceleradores, contratos flexíveis ou sistemas projetados para uma gama mais restrita de tarefas.
Essas alternativas enfraquecem a ideia de que três hyperscalers capturarão permanentemente a mesma porcentagem da receita de IA. Elas não eliminam a necessidade de financiar chips, energia, redes e capacidade de data centers.
Segundo relatos, o Barclays espera que as margens reais dos laboratórios de IA superem algumas de suas estimativas. Isso continua sendo um julgamento de modelagem, e não uma divulgação verificada dos laboratórios envolvidos.
A estimativa deve, portanto, ser tratada como um mapa da cadeia de valor. Ela mostra para onde a receita provavelmente flui, mas não pode determinar qual empresa tem a melhor economia unitária.
Três sinais testarão a tese de lucro da nuvem
A próxima fase será decidida pelas margens divulgadas, pela diversificação de infraestrutura e pela quantidade de computação incluída nos produtos de IA.
O primeiro sinal é a rentabilidade da nuvem durante a expansão contínua de capacidade. AWS, Microsoft e Google precisam mostrar que a demanda crescente por IA pode sustentar margens enquanto os gastos com infraestrutura permanecem elevados.
Os resultados da Amazon fornecem um referencial relativamente claro porque a AWS divulga receita e lucro operacional por segmento. Investidores podem comparar o crescimento futuro da AWS com a margem do segmento e os gastos de caixa da Amazon.
A Microsoft merece uma análise separada. O crescimento do Azure pode permanecer forte mesmo enquanto a margem bruta mais ampla da nuvem cai, porque a Microsoft está construindo capacidade e apoiando mais uso de IA.
As métricas para investidores da empresa informaram uma margem bruta do Microsoft Cloud de 65% no trimestre mais recente. Divulgações futuras mostrarão se os ganhos de eficiência compensam o custo de uma adoção mais intensa de IA.
Se as margens da nuvem permanecerem estáveis enquanto a receita relacionada à IA cresce, a tese do Barclays se fortalece. Isso indicaria que os provedores de infraestrutura conseguem absorver grandes investimentos sem abrir mão de sua economia.
Uma queda sustentada nas margens enfraqueceria a tese. Isso sugeriria que concorrência, depreciação, energia e nova capacidade consomem uma parcela maior da receita de IA do que o modelo pressupõe.
O segundo sinal é se os principais laboratórios de IA transferem cargas de trabalho de inferência relevantes para além de AWS, Azure e Google Cloud. A diversificação pode incluir provedores especializados, instalações próprias ou acordos mais amplos de hardware personalizado.
Um laboratório não precisa abandonar os hyperscalers para ganhar alavancagem. Ele só precisa de alternativas críveis para o próximo bloco de capacidade.
Contratos de longo prazo importarão mais do que anúncios. A principal evidência é onde as novas cargas de trabalho de produção realmente são executadas, e não onde uma empresa realiza um teste técnico limitado.
Segundo relatos, o Barclays espera que alguns projetos de infraestrutura respaldados por clientes comprometidos ganhem participação dos três maiores provedores. Se isso acontecer, a transferência estimada de US$ 35 a US$ 40 poderá se tornar mais distribuída.
Os gigantes da nuvem podem responder com tarifas menores, chips personalizados, financiamento ou integração mais profunda de software. Cada resposta pode preservar o volume de cargas de trabalho enquanto reduz a margem obtida com ele.
Se os principais laboratórios continuarem assinando seus maiores compromissos de produção com as mesmas três plataformas, a posição da nuvem permanecerá intacta. Diversificação de fornecedores sem migração de cargas de trabalho mudaria pouco.
O terceiro sinal é quanta inferência os provedores incluem em cada produto. Empresas de modelos podem preservar margens por meio de cobrança baseada no uso, limites mais rígidos e roteamento para sistemas mais baratos.
Em vez disso, elas podem competir oferecendo contextos mais longos, mais ações de agentes e maior esforço de raciocínio pela mesma assinatura. Essa estratégia pode aumentar o valor para o cliente enquanto comprime as margens.
As compras empresariais de IA tornarão esse sinal mais fácil de observar. Compradores avaliam cada vez mais, em conjunto, a conclusão bem-sucedida de tarefas, a latência, a segurança e gastos previsíveis.
Um produto que reduz o custo de inferência sem manter a qualidade da saída não criará valor duradouro. Um produto que melhora a qualidade sem controlar o consumo total pode se tornar difícil de escalar.
As equipes devem acompanhar a escolha de modelos, prompts, resultados, aprovações e desfechos de negócios em um fluxo de trabalho repetível. Um fluxo de trabalho de IA estruturado pode ajudar a revelar se o uso adicional de modelos realmente melhora o trabalho finalizado.
Em última análise, a estimativa do Barclays reformula o debate sobre os lucros da IA. Segundo os números divulgados, os laboratórios de modelos não estão mais simplesmente queimando dinheiro em cada solicitação paga.
Os provedores de nuvem também não são fornecedores passivos. Eles financiam e operam os sistemas físicos que tornam cada solicitação possível e, em seguida, capturam uma parcela substancial da receita dos modelos.
A questão decisiva é se os laboratórios de IA conseguem reduzir essa participação da infraestrutura mais rapidamente do que a concorrência os força a gastar as economias. Observe os próximos resultados das empresas de nuvem, os principais contratos de capacidade e as mudanças nos limites de uso dos produtos.
Esses sinais mostrarão se quase US$ 40 de cada US$ 100 permanece um pedágio duradouro da nuvem ou se torna uma característica temporária da expansão da infraestrutura de IA.
