Barclays Rastreia Cada US$ 100 em Receita de IA, e Provedores de Nuvem Ficam com Quase US$ 40

O Barclays mapeou cada US$ 100 recebidos por empresas de modelos de IA e concluiu que os provedores de nuvem arrecadam aproximadamente US$ 35 a US$ 40 por meio dos custos de inferência. Essa estimativa coloca AWS, Microsoft Azure e Google Cloud perto do centro da emergente estrutura de lucros do setor.

A conclusão vem de um relatório sobre economia unitária de IA datado de 28 de agosto de 2026. Uma reportagem chinesa, publicada em 30 de agosto, resumiu a análise e seus dois modelos hipotéticos de laboratórios de IA.

A manchete parece representar uma vitória direta para a infraestrutura de nuvem. No entanto, o Barclays também espera que as margens das empresas de modelos melhorem à medida que a inferência se torna mais eficiente e o treinamento consome uma parcela menor da receita.

Isso cria o conflito central. Os provedores de nuvem atualmente recebem uma grande parte da receita dos modelos, mas sua participação pode diminuir enquanto o mercado de IA continua se expandindo.

Não se trata simplesmente de uma disputa entre empresas de software e fornecedores de infraestrutura. A questão é qual camada manterá a vantagem econômica à medida que a IA passa do treinamento caro para o uso contínuo em produção.

O Que o Barclays Encontrou em Cada US$ 100 de Receita de IA

A conta de nuvem continua sendo uma das maiores parcelas da receita de modelos de IA, mesmo após ganhos substanciais em eficiência de inferência.

O Barclays construiu dois laboratórios de fronteira hipotéticos para mostrar como modelos de negócio e políticas contábeis remodelam as margens reportadas. Trata-se de modelos analíticos, não de demonstrações financeiras divulgadas por empresas identificadas.

O Laboratório A recebe cerca de 70% de sua receita de APIs e 30% de assinaturas. O Laboratório B inverte essa combinação, recebendo 80% de assinaturas e 20% de APIs.

Para cada US$ 100 recebidos pelo Laboratório A, o provedor de nuvem associado recebe cerca de US$ 35 em receita. O Barclays estima que aproximadamente US$ 11,80 se transformem em lucro operacional, representando uma margem próxima de 34%.

O Laboratório B produz um resultado diferente. Seu parceiro de nuvem recebe aproximadamente US$ 41 a cada US$ 100, incluindo um acordo estratégico de compartilhamento de receita.

Nesse cenário, o provedor de nuvem retém cerca de US$ 19,10 como lucro operacional. A margem resultante chega a aproximadamente 47%.

Esses exemplos sustentam a conclusão amplamente repetida de que os provedores de nuvem capturam cerca de US$ 35 a US$ 40 por cada US$ 100 de receita de laboratórios de IA. Eles também retêm aproximadamente US$ 10 a US$ 20 como lucro operacional.

O resultado exato depende de mais do que o consumo de computação. Mix de produtos, acordos com parceiros, alocação de treinamento e reconhecimento de receita alteram a distribuição aparente.

O Laboratório A reconhece a receita indireta de APIs de forma bruta. O Laboratório B registra receita comparável de forma líquida ou exclui negócios operados por seu parceiro.

O reconhecimento bruto registra uma parcela maior da transação como receita antes das despesas associadas. O reconhecimento líquido registra apenas a parcela retida pela empresa.

O Barclays compara essa divisão contábil à diferença histórica entre Uber e Lyft. Transações subjacentes semelhantes podem produzir demonstrações financeiras muito diferentes quando as empresas as reportam de formas distintas.

Esse alerta importa porque empresas privadas de IA fornecem poucos dados financeiros padronizados. Comparar a receita de manchete ou a margem bruta sem ajustar as políticas de reconhecimento pode criar uma imagem falsa.

Os dois laboratórios também apresentam diferentes margens brutas ajustadas. O Barclays atribui ao Laboratório A uma margem próxima de 55% e ao Laboratório B cerca de 38%, uma diferença de 17 pontos percentuais.

O laboratório com maior peso de APIs tem desempenho melhor, em parte porque clientes diretos de APIs pagam de acordo com o consumo de tokens. Essa estrutura conecta a receita mais estreitamente ao trabalho computacional realizado.

Produtos de assinatura criam outro risco. Uma tarifa fixa precisa cobrir usuários com padrões de consumo muito diferentes, incluindo sessões intensivas de programação e tarefas de agentes de longa duração.

Limites de uso podem proteger o provedor, mas também afetam a retenção. Elevar os limites pode atrair clientes enquanto transfere mais custos de inferência de volta para a empresa de modelos.

O Barclays estima que produtos de assinatura como Claude Code e Codex geram margens de inferência em torno de 70%. As margens de inferência de APIs diretas supostamente excedem 80%.

Esses números descrevem a contribuição da inferência, não a lucratividade completa de uma empresa de IA. Eles excluem ou alocam separadamente grandes despesas como treinamento, pesquisa, vendas e administração.

A estrutura dos US$ 100 é, portanto, um mapa, não uma média setorial auditada. Seu valor vem de mostrar para onde o dinheiro se move e quais premissas alteram o resultado.

Por Que a Economia da Inferência Está Melhorando Agora

As empresas de IA estão ganhando margem porque cada resposta útil exige menos infraestrutura, enquanto a demanda comercial sustenta a monetização contínua.

Inferência significa executar um modelo treinado para responder a uma solicitação, gerar código ou concluir uma tarefa de agente. Ela se torna uma despesa recorrente cada vez que clientes usam um produto de IA.

O treinamento segue um padrão diferente. Ele concentra custos computacionais enormes antes de um modelo chegar aos clientes, embora o pós-treinamento e a melhoria contínua tornem essa fronteira menos nítida.

O Barclays estima que as margens de inferência paga subiram de percentuais baixos de dois dígitos em 2025 para entre 50% e 65%, ou mais, durante 2026. As margens brutas ajustadas melhoraram entre 30 e 50 pontos percentuais.

Várias mudanças técnicas sustentam essa transformação. A quantização reduz a precisão numérica usada por um modelo, diminuindo os requisitos de memória e computação enquanto busca preservar a qualidade da saída.

A decodificação especulativa permite que um sistema menor proponha tokens que um modelo maior pode verificar em grupos. Previsões bem-sucedidas reduzem o tempo e o hardware necessários para a geração.

Um roteamento melhor também direciona solicitações mais simples para modelos menores. O armazenamento em cache evita computações repetidas, enquanto o processamento em lote permite que o hardware processe várias solicitações em conjunto.

A utilização do hardware importa tanto quanto o design do modelo. Um acelerador caro parado ainda gera despesas de depreciação, financiamento, energia e instalações.

Os maiores operadores podem distribuir cargas de trabalho variáveis entre regiões, clientes e produtos. Essa escala dá aos provedores de nuvem uma vantagem importante sobre laboratórios menores de IA que administram clusters dedicados.

No entanto, os desenvolvedores de modelos também se beneficiam da eficiência. Cada melhoria em tokens por unidade de computação pode ampliar sua margem ou sustentar mais uso com o mesmo custo.

O Google informou que reduziu os custos unitários de atendimento do Gemini em 78% durante 2025 por meio de otimização de modelos, melhorias de utilização e eficiência de infraestrutura. Seus resultados de nuvem ilustram como operadores verticalmente integrados podem melhorar várias camadas ao mesmo tempo.

A Microsoft descreveu um foco semelhante durante o ano fiscal de 2026. A empresa informou uma melhora de 40% no throughput de inferência de seus modelos Copilot mais usados durante um trimestre.

Sua atualização posterior de infraestrutura afirmou que o throughput das cargas de trabalho do Copilot havia aumentado quatro vezes desde o início do ano. A Microsoft atribuiu esses ganhos à otimização em silício, sistemas e software.

Essas melhorias não reduzem automaticamente as contas dos clientes. Os provedores podem reter os ganhos de eficiência, usá-los para melhorar a qualidade das respostas ou sustentar cargas de trabalho de raciocínio mais exigentes.

Modelos de raciocínio frequentemente geram mais tokens intermediários antes de produzir uma resposta. Agentes podem chamar modelos repetidamente enquanto pesquisam, escrevem código, verificam resultados e revisam seu trabalho.

Consequentemente, custos unitários menores podem produzir maior consumo total. Esse efeito rebote torna a eficiência de inferência valiosa tanto para empresas de IA quanto para provedores de nuvem.

A demanda empresarial acrescenta outra camada. O analista do Barclays Ross Sandler relacionou a melhora das margens aos clientes corporativos e aos fluxos de trabalho agênticos que estão se tornando compras importantes.

Essa avaliação continua sendo uma previsão, e não um veredito universal dos clientes. As empresas ainda variam amplamente em adoção, escala de implantação, requisitos de segurança e retornos mensuráveis.

Ainda assim, agentes em produção podem consumir mais do que tokens de modelos. Eles exigem bancos de dados, armazenamento, redes, gestão de identidade, monitoramento e estado durável de tarefas.

Esses serviços de suporte fortalecem a posição da nuvem. Um laboratório pode otimizar a inferência do modelo enquanto seus clientes compram um pacote mais amplo de infraestrutura da mesma plataforma de nuvem.

Essa dinâmica explica por que a nuvem pode arrecadar quase US$ 40 enquanto os laboratórios de IA ainda melhoram suas margens. A eficiência amplia o conjunto disponível antes que a concorrência determine quem fica com ele.

Provedores de Nuvem Vencem a Rodada Atual, mas Financiam Toda a Disputa

AWS, Azure e Google Cloud capturam receita recorrente de IA porque absorvem o peso do capital antes que as empresas de modelos possam atender clientes.

O modelo do Barclays se concentra nos fluxos operacionais, mas a camada de infraestrutura começa com compromissos iniciais enormes. Data centers exigem terrenos, energia, refrigeração, redes, processadores e longos cronogramas de construção.

A Microsoft informou despesas de capital de US$ 37,5 bilhões em seu segundo trimestre fiscal de 2026. Aproximadamente dois terços envolveram ativos de vida mais curta, principalmente GPUs e CPUs.

A empresa também afirmou que a demanda dos clientes continuava a exceder a oferta disponível. Seu desempenho de nuvem mostrou crescimento da receita do Azure juntamente com a pressão decorrente do investimento contínuo em infraestrutura de IA.

A receita da Intelligent Cloud da Microsoft aumentou 29% durante aquele trimestre. O lucro operacional subiu 28%, embora o percentual de margem bruta do segmento tenha caído em relação ao ano anterior.

Essa combinação captura a contrapartida da nuvem. A demanda por IA produz rápido crescimento de receita, mas atendê-la exige equipamentos adicionais que podem se depreciar mais rapidamente do que edifícios ou terrenos.

A Alphabet planejou entre US$ 175 bilhões e US$ 185 bilhões em gastos de capital durante 2026. A empresa disse que o dinheiro apoiaria Google DeepMind, produtos para consumidores e a demanda de clientes do Cloud.

O Google Cloud encerrou 2025 com uma taxa anualizada de receita acima de US$ 70 bilhões. A Alphabet também informou um backlog de nuvem de US$ 240 bilhões e forte demanda por produtos de IA.

A Amazon enfrenta o mesmo ciclo de investimentos. Seus materiais para acionistas dizem que grande parte dos gastos de capital esperados para AWS em 2026 apoiará capacidade monetizada durante 2027 e 2028.

A Amazon também afirmou ter compromissos de clientes que cobriam uma parcela substancial da capacidade planejada. Seu documento para acionistas apresenta essa visibilidade de demanda como suporte para a continuidade dos gastos.

Essas empresas podem financiar infraestrutura usando o caixa gerado por negócios estabelecidos. A publicidade em buscas sustenta a Alphabet, o software empresarial sustenta a Microsoft, e o comércio ajuda a financiar a Amazon.

Empresas independentes de modelos não têm a mesma base diversificada. Elas frequentemente dependem de financiamento por capital próprio, parcerias estratégicas com provedores de nuvem, compromissos antecipados ou outros acordos estruturados.

Essa dependência dá aos provedores de nuvem alavancagem econômica além de suas margens por token. Eles controlam a alocação de capacidade quando a demanda excede a oferta e influenciam quais modelos chegam aos clientes corporativos.

Marketplaces e plataformas gerenciadas de modelos aprofundam esse papel. Uma empresa pode comprar acesso a modelos por meio de uma relação existente com a nuvem, em vez de contratar diretamente com cada laboratório.

O provedor de nuvem então controla faturamento, identidade, governança, disponibilidade regional e integração técnica. O modelo se torna um componente dentro de uma conta corporativa mais ampla.

Ainda assim, o valor próximo de US$ 40 não deve ser confundido com renda econômica pura. Os fornecedores de nuvem precisam pagar por chips, energia, manutenção, rede, equipe, financiamento e substituição de hardware.

O Barclays estima lucros operacionais de US$ 10 a US$ 20 para cada US$ 100 de receita de laboratórios. O restante das receitas de nuvem financia esses custos substanciais de infraestrutura.

O modelo também afirma que o compartilhamento de receita com parceiros infla a margem de nuvem aparente no Laboratório B. Excluindo esse acordo, o lucro por token do provedor de nuvem corresponde ao do Laboratório A.

Essa distinção muda a interpretação. O resultado mais forte do Laboratório B não demonstra necessariamente uma economia de infraestrutura superior.

Em vez disso, ele reflete parcialmente uma transferência negociada entre parceiros estratégicos. O Barclays espera que esse mecanismo específico de compartilhamento de receita seja descontinuado após 2028.

A atual vantagem da nuvem, portanto, se apoia em três fundamentos: capacidade escassa, grandes compromissos de capital e contratos que conectam desenvolvedores de modelos a provedores de infraestrutura.

Todos os três podem mudar. A capacidade pode se tornar mais abundante, operadores especializados podem entrar no mercado e grandes laboratórios podem financiar infraestrutura dedicada fora dos contratos tradicionais de nuvem.

O Que o Modelo de US$ 100 Não Prova

O Barclays oferece uma estrutura econômica útil, mas suas projeções dependem de estimativas de empresas privadas, laboratórios hipotéticos e escolhas contábeis.

A pesquisa subjacente do Barclays foi resumida publicamente, mas o modelo completo dos analistas não está amplamente disponível como um conjunto de dados auditado. Os leitores devem tratar seus números como estimativas.

Os dois perfis de laboratório são deliberadamente simplificados. Empresas reais combinam assinaturas para consumidores, contratos corporativos, APIs diretas, marketplaces de nuvem, licenciamento e parcerias estratégicas.

Elas também negociam diferentes tarifas de hardware e condições de capacidade. Uma empresa com um compromisso plurianual pode enfrentar uma estrutura econômica diferente da de um desenvolvedor menor que compra capacidade sob demanda.

A arquitetura do modelo cria outra variação. Alguns sistemas usam projetos esparsos de mixture-of-experts, enquanto outros ativam mais parâmetros a cada solicitação.

O formato da carga de trabalho também importa. Tarefas curtas de classificação, longas sessões de programação, geração de imagens e agentes autônomos de pesquisa impõem custos muito diferentes.

Até mesmo o significado de um token varia entre famílias de modelos e modalidades. Comparar preços nominais por token não pode revelar o custo de concluir a mesma tarefa útil.

A alocação de treinamento produz outra fonte de incerteza. Um laboratório pode contabilizar como despesa, capitalizar ou distribuir os custos de desenvolvimento de forma diferente entre períodos de relatório e linhas de produto.

O Barclays estima que os gastos com treinamento representaram cerca de 48% da receita de laboratórios de IA em 2026. Ele projeta essa participação caindo para 35% em 2027 e 30% em 2028.

A direção é plausível porque a receita pode crescer mais rápido do que os programas de treinamento. No entanto, a competição de fronteira também pode estimular execuções de treinamento maiores e mais frequentes.

Pesquisas independentes constataram que o custo das execuções de treinamento mais intensivas em computação cresceu cerca de 2,4 vezes ao ano desde 2016. O estudo sobre custos de treinamento projetou execuções de fronteira de bilhões de dólares caso essa tendência histórica continuasse.

Esse trabalho antecede o modelo de 2026 do Barclays e mede uma questão diferente. Ainda assim, ele mostra por que a queda dos custos de treinamento como percentual da receita não é garantida.

A receita também pode se tornar mais difícil de comparar à medida que APIs indiretas crescem. Um laboratório pode registrar o pagamento integral do cliente, enquanto outro registra apenas sua parcela retida.

Isso pode fazer uma empresa parecer maior ou mais lucrativa sem refletir um produto subjacente melhor. O Barclays alerta especificamente que comparações futuras exigem ajustes contábeis cuidadosos.

Relações estratégicas criam uma distorção adicional. Uma empresa de nuvem pode investir em um desenvolvedor de modelos e, ao mesmo tempo, receber gastos com infraestrutura ou compartilhamento de receita desse desenvolvedor.

Esses acordos são comercialmente legítimos, mas complicam qualquer divisão clara entre receita de fornecedor, retornos de investimento e demanda independente de clientes.

Os relatórios financeiros no nível da nuvem não conseguem resolver completamente o problema. A AWS divulga um segmento distinto, mas a Microsoft não revela a receita do Azure como um valor separado em dólares.

O Google Cloud inclui infraestrutura, serviços de plataforma, aplicações e outras ofertas corporativas. Nenhum desses segmentos isola os lucros da inferência de modelos de fronteira.

As margens reportadas de 34% a 47% nos exemplos do Barclays, portanto, não podem ser verificadas diretamente em relação às contas públicas das empresas de nuvem. Elas permanecem alocações modeladas.

A concorrência pode pressionar ambos os lados. Empresas de modelos podem reduzir preços para defender o uso, enquanto fornecedores de nuvem podem descontar capacidade para conquistar grandes compromissos.

Modelos abertos também podem deslocar a demanda para a infraestrutura sem preservar a receita do desenvolvedor original. Empresas podem hospedar esses modelos por meio de uma plataforma de nuvem ou provedor especializado.

Ao mesmo tempo, laboratórios proprietários podem direcionar cargas de trabalho entre vários fornecedores. Eles podem usar aceleradores personalizados, clusters dedicados ou nuvens alternativas para melhorar seu poder de negociação.

A manchete, portanto, deve permanecer restrita. O Barclays estima que os provedores de nuvem atualmente arrecadam quase US$ 40 para cada US$ 100 de receita de empresas de modelos sob estruturas representativas.

Isso não prova que todos os laboratórios pagam a mesma porcentagem. Tampouco estabelece que empresas de nuvem manterão essa participação indefinidamente.

Os Três Sinais Que Decidirão Quem Fica com os Próximos US$ 100

A próxima fase dependerá da intensidade do treinamento, da infraestrutura dedicada e da diferença entre o investimento em nuvem e a receita de IA efetivamente realizada.

O primeiro sinal são os gastos com treinamento como porcentagem da receita dos laboratórios. O Barclays espera que essa proporção caia acentuadamente até 2028.

Se a proporção atingir os 35% projetados durante 2027, as empresas de modelos terão evidências mais fortes de que a receita está superando os custos de desenvolvimento de fronteira.

Esse resultado fortaleceria o argumento para melhorar a rentabilidade dos laboratórios. Também reduziria as receitas totais da nuvem em relação a cada dólar de receita de modelos.

Se a intensidade de treinamento permanecer próxima aos níveis de 2026, a conclusão oposta se seguirá. O setor ainda dependeria fortemente de ciclos de desenvolvimento caros, apesar de melhores margens de inferência.

O segundo sinal é a chegada de capacidade dedicada fora das três plataformas de nuvem dominantes. O Barclays espera que a participação da nuvem tradicional permaneça amplamente estável por dois anos.

Após 2028, a infraestrutura previamente contratada ou financiada deve se tornar uma fonte maior de computação para laboratórios de IA. Essa previsão merece análise cuidadosa muito antes da abertura das instalações.

Anúncios por si só fornecem evidências fracas. Investidores e clientes devem acompanhar se os projetos garantem energia, chips, financiamento, conexões de rede e equipes operacionais.

Eles também devem acompanhar se os laboratórios transferem cargas de trabalho de produção para essa capacidade. Clusters de treinamento não se tornam automaticamente sistemas de inferência confiáveis e geograficamente distribuídos.

Se instalações dedicadas processarem tráfego de produção substancial, a taxa de captura pela nuvem próxima de US$ 40 deverá cair. Empresas de modelos internalizariam mais responsabilidade pela infraestrutura e margem potencial.

No entanto, elas também absorveriam risco de utilização e exposição de capital. Possuir capacidade só melhora a economia quando as cargas de trabalho mantêm o hardware caro produtivo de forma consistente.

O terceiro sinal é a relação entre os gastos de capital dos hyperscalers e a rentabilidade da nuvem. Microsoft, Alphabet e Amazon estão comprometendo somas enormes antes que toda a capacidade passe a gerar receita.

Um forte crescimento da nuvem acompanhado de margens estáveis ou em melhora sustentaria o argumento do Barclays. Isso mostraria que fornecedores de infraestrutura conseguem converter a demanda por IA em lucro operacional duradouro.

Crescimento mais lento ou compressão persistente de margens o enfraqueceria. Tais resultados sugeririam que concorrência, depreciação ou custos de energia consomem mais valor do que o modelo de US$ 100 pressupõe.

A adoção corporativa fornece o elo de ligação. Empresas de nuvem precisam de mais do que alguns laboratórios de fronteira para justificar uma infraestrutura construída nessa escala.

A Microsoft afirmou que a demanda excedeu a oferta disponível durante o ano fiscal de 2026. A Alphabet relatou que clientes de IA usaram mais produtos do que clientes de nuvem não relacionados à IA, expandindo a receita para além da computação bruta.

Essas alegações se tornarão mais críveis se os clientes renovarem compromissos e levarem projetos-piloto à produção. O uso precisa persistir depois que os orçamentos iniciais de experimentação expirarem.

Para desenvolvedores e compradores corporativos, essa disputa econômica afeta o design de produtos. Um fluxo de trabalho com chamadas repetidas ao modelo pode criar uma carga de infraestrutura maior do que sua interface sugere.

As equipes devem avaliar o custo total da tarefa, incluindo novas tentativas, recuperação, armazenamento, monitoramento e revisão humana. O token mais barato nem sempre produz o resultado concluído mais barato.

Profissionais do conhecimento enfrentam uma questão semelhante. Assinaturas de agentes podem parecer simples enquanto ocultam consumo variável de infraestrutura por trás de limites de uso e políticas de serviço em mudança.

Manter um registro interno de resultados, decisões e material-fonte pode reduzir solicitações repetidas desnecessárias. Uma base de conhecimento de IA pesquisável também ajuda as equipes a reutilizar trabalhos concluídos.

O Barclays projeta que a receita global dos laboratórios de IA subirá de US$ 137 bilhões em 2026 para US$ 690 bilhões em 2028. Essa previsão continua agressiva e não deve ser tratada como fato consolidado.

Mesmo um resultado menor poderia gerar demanda substancial por nuvem. A questão decisiva não é se o mercado cresce, mas qual camada converte esse crescimento em lucro retido.

Observe as próximas divulgações financeiras em busca de reconhecimento de receita padronizado, custos de inferência, alocação de treinamento e compromissos contratuais. Uma divulgação melhor pode testar pressupostos que laboratórios hipotéticos não conseguem resolver.

Observe também se os desenvolvedores de IA continuam celebrando melhorias de margem enquanto assinam acordos maiores de infraestrutura. Essa combinação mostraria que ganhos de eficiência estão estimulando mais consumo.

O valor próximo de US$ 40 é melhor entendido como um retrato do poder de negociação em 2026. Provedores de nuvem financiam infraestrutura escassa, enquanto empresas de modelos controlam produtos e relacionamentos com clientes.

Qual lado ficará com uma parcela maior dos próximos US$ 100 dependerá da execução, não de uma regra permanente. Acompanhe esses três sinais antes de tratar a distribuição atual como a estrutura do setor de amanhã.